Ausschuss in der Kunststoffproduktion systematisch reduzieren

Das echte Ausmaß des Problems

Ausschussraten von 3 bis 8 Prozent gelten in der Kunststoffverarbeitung als „normal”. Normal bedeutet hier: toleriert, nicht akzeptabel. Eine Anlage, die täglich 10.000 Spritzgussteile produziert und dabei 400 verwirft, verbrennt Rohstoff, Energie, Maschinenzeit und Personalaufwand, ohne etwas herzustellen, das verkauft werden kann.

Die wirtschaftliche Belastung geht über den Materialwert hinaus: Jedes Ausschussteil trägt den vollen Herstellkostenanteil, Energie für das Aufschmelzen, anteilige Werkzeugwartung, Personalstunden für den Bediener, Entsorgungskosten für den Mahlgutkreislauf. Bei thermoplastischen Standardmaterialien liegen die Gesamtkosten pro Ausschussteil je nach Teilegewicht und Komplexität zwischen 0,20 und 2,50 Euro, Spezialwerkstoffe oder mehrstufige Bauteile deutlich darüber.

In einem deutschen Mittelstandsbetrieb mit 15 Spritzgussmaschinen und einer durchschnittlichen Ausschussrate von 5 Prozent entstehen damit typischerweise 150.000 bis 400.000 Euro Ausschusskosten pro Jahr, ohne Rückverfolgungskosten, Kundenbeschwerden oder Nacharbeit einzurechnen.

Das strukturelle Problem: Die Ursachen sind bekannt, Schwindung, Lunker, Bindenähte, Gratbildung, Verzug, Einfallstellen. Aber welche Parameterkombination zu welchem Zeitpunkt unter welchen Chargenbedingungen welchen Fehler erzeugt, ist selten dokumentiert. Das Wissen steckt in den Köpfen erfahrener Einrichter und Schichtführer. Wenn diese Personen nicht da sind oder den Betrieb verlassen, beginnt die Ursachensuche von vorne.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Vergleichswerte zur Ausschussreduktion basieren auf dem ProcessMiner-Fall aus der Kunststoffverarbeitung (25 % Reduktion bei einem Fortune-500-Hersteller, 2023) und dem Digitalzentrum-Chemnitz-Projekt mit der Plastic Concept GmbH (Jan–Juni 2024). Die Zeitersparnis bei der Ursachenanalyse ist ein Erfahrungswert aus industriellen KI-Projekten und kann im Einzelfall erheblich abweichen.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5)
Der primäre Nutzen dieses Anwendungsfalls ist Kostenreduktion, nicht Zeitersparnis. Natürlich wird die Fehlerursachenanalyse schneller, aber das ist ein Nebeneffekt: Qualitätsingenieure verbringen weniger Zeit mit manueller Parametersuche. Direkte Produktionszeit wird nicht gespart, die Maschine läuft gleich schnell wie vorher. Im Vergleich zu anderen Anwendungsfällen in dieser Kategorie ist die Zeitersparnis gering.

Kosteneinsparung, sehr hoch (5/5)
Dies ist der stärkste Hebel dieser Kategorie. Jedes verhinderte Ausschussteil spart Materialkosten, Energiekosten, anteilige Maschinenkosten und Entsorgungskosten. Bei Ausschussraten von 3–8 % und realistisch erreichbaren Reduktionen von 30–50 % amortisiert sich die Investition häufig in 12–24 Monaten, direkt messbar, kein indirekter Effekt.

Schnelle Umsetzung, niedrig (2/5)
Das ist der kritische Engpass dieses Projekts. Ein Machine Learning-Modell braucht historische Daten, ausreichend viele, ausreichend vollständig, ausreichend gelabelt. Das dauert realistisch 16 bis 24 Wochen, bevor ein erstes Modell trainiert werden kann. Kein Ansatz in dieser Kategorie braucht mehr Vorlaufzeit.

ROI-Sicherheit, sehr hoch (5/5)
Die Ausschussrate ist ein eindeutiger, objektiver Messwert. Wenn sie nach der Einführung von 5,2 % auf 2,8 % sinkt, ist der Nutzen direkt berechenbar und prüfbar, kein Interpretationsspielraum wie bei Effizienz- oder Wissenstransfer-Projekten. Diese Messbarkeit macht Ausschussreduzierung zu einer der ROI-sichersten KI-Investitionen in der Produktion.

Skalierbarkeit, hoch (4/5)
Ein trainiertes Modell lässt sich auf weitere Produktionslinien ausrollen. Die Einschränkung: Für jeden Produkttyp, jedes Werkzeug und jede Maschinenklasse braucht das Modell eigene Trainingsdaten. Wer zehn verschiedene Produktfamilien fertigt, kann nicht einfach ein Modell für alle verwenden, das ist handhabbar, aber kein echtes „einmal trainieren, überall einsetzen”.

Richtwerte, stark abhängig von Digitalisierungsgrad, Produktionsvolumen und Fehlerbildkomplexität.

Was das System konkret macht

KI-gestützte Ausschussanalyse funktioniert in zwei prinzipiell verschiedenen Ansätzen, die komplementär eingesetzt werden können:

Ansatz 1: Visuelle Fehlererkennung (Computer Vision)
Eine Kamera an der Entnahmestation oder am Förderband fotografiert jedes Teil. Ein Deep-Learning-Modell klassifiziert jedes Bild: Gutteil, Ausschuss, oder, besonders wertvoll, welcher spezifische Fehlertyp vorliegt (Einfallstelle links, Bindenahtriss Mitte, Gratüberstand rechts). Das System reagiert in Echtzeit: Schlechtteile werden ausgeschleust, der Fehlertyp wird automatisch protokolliert und mit dem aktuellen Schichtdatensatz verknüpft.

Ansatz 2: Parameterbasierte Root-Cause-Analyse
Das Modell verknüpft die protokollierten Ausschussereignisse mit den Maschinensensordaten der vorangegangenen Zyklen: Werkzeugtemperatur, Einspritzdruck, Schmelzetemperatur, Zykluszeit, Kühlzeit, Nachdruck. Es identifiziert, welche Parameterkombination statistisch signifikant mit erhöhtem Ausschuss korreliert, und welche Änderung den Ausschuss voraussichtlich reduziert. Das ist kein Raten: es ist korrelationsbasierte Ursachenanalyse auf dem gesamten historischen Datensatz, nicht auf dem Bauchgefühl des Schichtleiters.

In der Praxis kombiniert man beide Ansätze: Die Kamera liefert die strukturierten Fehlerlabels, die Parameteranalyse liefert die Ursachenhypothesen. Zusammen ergibt sich ein Kreislauf: Fehler erkennen → Ursache identifizieren → Parameter anpassen → Wirkung messen → nächste Runde.

Was das System nicht kann: selbstständig eingreifen. Empfehlungen gehen immer durch eine menschliche Entscheidung, zumindest in der ersten Phase. Vollautonome Regelkreise (wie sie in der Papierindustrie vereinzelt eingesetzt werden) sind in der Spritzgussfertigung aus sicherheitstechnischen Gründen die Ausnahme.

Welche Fehlerbilder KI wirklich erkennt, und welche nicht

Das ist die Frage, die Anbieter selten direkt beantworten. Hier die ehrliche Einschätzung:

KI erkennt zuverlässig (mit ausreichend Trainingsdaten):

• Sichtbare Oberflächenfehler: Einfallstellen, Schwindungsrillen, Kratzer, Verfärbungen, Silberschlieren, Glasfaseraufschwemmungen
• Formfehler mit visuellem Korrelat: Gratbildung, Kurzläufer (Short Shots), Verbrennungen (Diesel-Effekt)
• Maßabweichungen, wenn optische oder taktile Messtechnik eingebunden ist

KI erkennt zuverlässig aus Prozessparametern:

• Korrelationen zwischen Parameterverschiebungen und nachfolgendem Ausschussanstieg
• Chargenunterschiede, wenn Materialdaten (Schmelzindex, Chargen-ID) mit verarbeitet werden
• Schicht- oder Zeitabhängigkeiten (Warmfahrausschuss, Ermüdungseffekte in langen Schichten)

KI erkennt schlecht oder gar nicht:

• Interne Fehler ohne äußeres Korrelat: Lunker in dickwandigen Bereichen, Bindenähte unterhalb der Oberfläche, Spannungsrisse, die erst beim Kunden auftreten
• Fehler, die nur unter Last sichtbar werden (mechanische Tests bleiben zwingend)
• Neue, bisher nicht klassifizierte Fehlertypen, das Modell meldet nur, was im Training gelabelt wurde
• Defekte, die durch schwankende Beleuchtung, Reflexionen auf glänzenden Kunststoffoberflächen oder transluzente Materialien versteckt werden

Praktische Konsequenz: Für sicherheitskritische Bauteile (Medizintechnik, Automobilsicherheit) ersetzt KI-Sichtprüfung keine Röntgen- oder CT-Prüfung. Sie reduziert die Zahl der Teile, die zur Vollprüfung müssen, aber eliminiert die Vollprüfung nicht.

Datenqualität als Voraussetzung: Sensoren, MES, Labels

Der häufigste Grund, warum Ausschussanalyse-Projekte scheitern oder jahrelang im Pilotbetrieb stecken, ist nicht die KI, es ist der Datenboden darunter.

Ein ML-Modell lernt aus historischen Daten. Was es lernen kann, ist exakt so gut wie das, was ihm zur Verfügung steht. Das bedeutet konkret:

Was du brauchst, bevor du anfängst:

• Maschinenanbindung: Prozessparameter müssen automatisch und getaktet protokolliert werden, Zyklusnummern, Temperaturen, Drücke, Zeiten. Handschriftliche Aufzeichnungen sind unzureichend. Moderne Spritzgussmaschinen haben OPC-UA-Schnittstellen; ältere Anlagen können über Retrofit-Gateways angebunden werden.
• Fehlererfassung: Jeder Ausschuss muss mit Fehlertyp, Zeitstempel und Maschinen-ID erfasst werden, nicht als Tagesgesamtsumme, sondern zyklussynchron. Ein Barcode-Scan oder ein Tabletformular an jeder Station reicht im Einstieg.
• Chargendaten: Wann wurde welches Material mit welcher Charge-ID verarbeitet? Ohne diese Information kann das Modell Chargenschwankungen nicht als Ursache identifizieren.
• Historische Tiefe: Mindestens 3–6 Monate, besser 9–12 Monate Daten pro Produkttyp, genug, um saisonale Effekte, Werkzeugverschleiß und Chargenvarianz statistisch abzudecken.

Was fehlt, kann oft innerhalb von 4–8 Wochen nachgerüstet werden, mit Tools wie Tulip für die Datenerfassung an der Station, OPC-UA-Gateways für ältere Maschinen, oder einfachen Tabletlösungen für manuelle Fehlerklassifizierung. Der Aufwand ist real und gehört von Anfang an in die Projektplanung.

Das Labeling-Problem: Damit ein Computer-Vision-Modell Fehlertypen unterscheiden kann, braucht es gelabelte Trainingsbilder, Fotos mit der Angabe: „Das ist eine Einfallstelle.” Wer labelt das? In aller Regel Qualitätspersonal aus dem laufenden Betrieb. Das kostet 4–8 Wochen, bevor genug Bilder je Fehlerklasse vorhanden sind. Unterschätz diesen Aufwand nicht.

Konkrete Werkzeuge, was wann passt

Für Ausschussreduzierung gibt es keine Einheitslösung. Welcher Ansatz passt, hängt davon ab, ob der Hauptbedarf visuelle Fehlererkennung, parameterbasierte Ursachenanalyse oder beides ist.

Visuelle Fehlererkennung an der Linie

Landing AI ist der zugänglichste Einstieg für KI-gestützte Sichtprüfung. Die Plattform erlaubt es, eigene Bilderkennungsmodelle auf dem eigenen Bild-Datensatz zu trainieren, ohne Programmierkenntnisse. Team-Plan ab 250 USD/Monat. Einschränkung: US-Hosting, DSGVO-Prüfung zwingend. Gut geeignet für: Piloten und mittelgroße Betriebe, die einen schnellen Einstieg ohne Industriekamera-Budget wollen.

Cognex Vision ist der Industriestandard für Hochvolumen-Sichtprüfung. Deep-Learning-Kameras (In-Sight 2800/3800) erkennen Defekte in Echtzeit, selbst bei rauen Produktionsbedingungen, Reflexionen und Hochgeschwindigkeit. Investition: 10.000–30.000 EUR pro Prüfstation. Sinnvoll wenn: hohes Volumen, strenge Toleranzen, Serienfertigung ohne häufige Produktwechsel.

KEYENCE Vision ist der direkte Wettbewerber zu Cognex mit teils einfacherer Einrichtung. Lokale Präsenz in Deutschland, deutschsprachiger Support. Preisstruktur ähnlich wie Cognex, gelegentlich etwas günstiger im Einstieg. Gut geeignet für: Betriebe die bereits KEYENCE-Messtechnik nutzen und auf ein einheitliches Lieferanten-Ökosystem setzen.

Parameterbasierte Root-Cause-Analyse

Minitab ist der Einstieg für Teams, die statistische Prozesskontrolle ohne KI-Komplexität anfangen wollen. SPC-Charts (X-bar, R, CUSUM), Ursache-Wirkungs-Diagramme, Capability-Analysen, alles in einer Software. Ca. 1.800 EUR/Nutzer/Jahr. Keine KI im engeren Sinne, aber der erste Schritt zur strukturierten Datenanalyse. Minitab-Ergebnisse sind in IATF-16949-Audits direkt verwendbar.

Siemens Insights Hub ist die industrielle IoT-Plattform für Betriebe, die Maschinendaten aus mehreren Anlagen zusammenführen und analysieren wollen. Gut geeignet wenn: Siemens-Maschinenpark vorhanden, mehrere Werke, Ziel ist werksübergreifende Ausschussanalyse. Enterprise-Preise auf Anfrage; nicht für KMU-Einstieg geeignet.

Dataiku für Teams mit Datenanalytik-Ressourcen, die eigene ML-Modelle auf Produktionsdaten trainieren wollen. Kollaborative Plattform, EU-Hosting möglich (französischer Anbieter). Preise ab ca. 60.000 USD/Jahr, für mittelständische Betriebe oft überdimensioniert, aber geeignet wenn das Unternehmen mehrere KI-Projekte parallel treibt.

Zusammenfassung: Wann welcher Ansatz

• Einstieg in Sichtprüfung, kleines Budget → Landing AI (Pilotprojekt)
• Serienfertigung, hohes Volumen, stabile Prüfaufgaben → Cognex oder KEYENCE
• Statistische Prozesskontrolle als Grundlage → Minitab
• Mehrere Anlagen, Echtzeit-Maschinendaten, Siemens-Infrastruktur → Siemens Insights Hub
• Unternehmensweite ML-Plattform mit EU-Hosting → Dataiku

Datenschutz und Datenhaltung

Ausschussanalysesysteme verarbeiten primär Maschinendaten und Produktionsbilder, in der Regel keine personenbezogenen Daten im klassischen Sinne. Dennoch gibt es DSGVO-relevante Fragen:

Kamerasysteme an der Linie: Wenn Kameras auch Werker erfassen könnten (auch unbeabsichtigt), gilt Betriebsratsmitbestimmung (§ 87 BetrVG) und DSGVO-Dokumentationspflicht. Die Lösung ist technisch: Kameras werden so montiert und konfiguriert, dass nur das Teil, nicht der Werker im Bild ist. Das sollte vor dem Aufbau schriftlich dokumentiert werden.

Maschinendaten in der Cloud: Prozessparameter und Produktionsdaten können Betriebsgeheimnisse darstellen (Rezepturen, Werkzeugspezifika). Für Cloud-gehostete Lösungen gilt: AVV mit dem Anbieter zwingend (Art. 28 DSGVO), Prüfung welche Daten tatsächlich übertragen werden, Klärung ob EU-Hosting verfügbar ist.

• Landing AI: US-Hosting, AVV erhältlich, für sensible Rezepturen kritisch zu prüfen
• Cognex Vision: Lokale Verarbeitung, keine automatische Cloud-Übertragung, DSGVO-Risiko gering
• KEYENCE Vision: Lokale Verarbeitung, deutsches Unternehmen, DSGVO-freundlichste Option
• Minitab: EU-Datenresidenz für Cloud-Dienste verfügbar, deutschsprachiger Support
• Siemens Insights Hub: EU-Hosting, DSGVO-konformes Hosting bestätigt

Für alle Lösungen gilt: Bevor Produktionsdaten in ein Cloud-System fließen, kläre mit eurer IT-Sicherheit, ob Rezepturdaten oder Werkzeugspezifikationen dabei sind, die als Geschäftsgeheimnis schutzbedürftig sind.

Was es kostet, realistisch gerechnet

Die Kostenbandbreite ist groß, weil die Ansätze grundverschieden sind.

Einstiegsszenario: Statistische Prozesskontrolle + digitale Fehlererfassung

• Minitab-Lizenz: ca. 1.800 EUR/Nutzer/Jahr
• Digitale Fehlererfassung (Tablet-Lösung oder einfaches Formular): 2.000–8.000 EUR einmalig
• Interne Einrichtungszeit: 4–8 Wochen Qualitätsingenieur-Aufwand
• Gesamtinvestition Jahr 1: ca. 10.000–20.000 EUR
• Kein Deep-Learning, aber bereits erhebliche Verbesserung der Datenbasis

Mittleres Szenario: KI-Sichtprüfung (eine Linie)

• Landing AI Team-Plan: 250 USD/Monat
• Kamera-Hardware + Lichttechnik: 2.000–8.000 EUR (oder vorhandene Industriekameras anbinden)
• Projektkosten Implementierung + Labeling: 5.000–15.000 EUR
• Gesamtinvestition Jahr 1: ca. 15.000–35.000 EUR
• Ausschussreduktion realistisch: 20–40 % der visuell erkennbaren Fehler

Vollausbau: Industriekamera-System + parameterbasierte Analyse

• Cognex oder KEYENCE Vollsystem pro Station: 15.000–80.000 EUR Hardware
• Integration in MES + Maschinenschnittstellen: 20.000–60.000 EUR Systemintegrationskosten
• ML-Modellentwicklung (extern oder intern): 15.000–40.000 EUR
• Gesamtinvestition: 50.000–180.000 EUR je nach Werkkomplexität

Was du dagegenrechnen kannst Ein Betrieb mit 400.000 EUR jährlichen Ausschusskosten (15 Maschinen, 5 % Rate) der durch KI-gestützte Analyse 30 % Ausschuss einspart, erzielt eine jährliche Einsparung von 120.000 EUR. Die Investition im mittleren Szenario (30.000 EUR) amortisiert sich in weniger als einem Quartal.

Das ist die theoretische Rechnung. In der Praxis liegt der tatsächliche Effekt im ersten Jahr oft bei 50–70 % davon: nicht alle Fehlertypen werden sofort erkannt, Modelle brauchen Verfeinerung, Einrichter müssen Empfehlungen erst vertrauen lernen. Die konservative Rechnung lautet: 60.000–80.000 EUR Einsparung im ersten Jahr. Immer noch sehr überzeugend.

Förderung: Für Digitalisierungsprojekte in KMU gibt es in Deutschland den Digitalbonus mit 30–50 % Förderquote sowie ZIM-Förderung für Forschungs- und Entwicklungsanteile. Das Mittelstand-Digital Netzwerk bietet kostenlose Erstberatung und Pilotprojektförderung speziell für Produktionsdigitalisierung.

Drei typische Einstiegsfehler

1. Mit dem Modell starten, bevor die Datenbasis steht.
Der häufigste Fehler: Man kauft eine KI-Plattform und stellt dann fest, dass die Maschinendaten nicht strukturiert genug sind, die Fehlererfassung nicht zyklusgenau funktioniert und die Bilddaten fehlen. Das Modell kann dann nichts lernen. Lösung: Erst 8–12 Wochen Dateninfrastruktur aufbauen und befüllen, dann mit dem Modelltraining beginnen.

2. Nur eine Fehlerursache optimieren und die anderen ignorieren.
Ein Modell identifiziert, dass Schmelzetemperatur der häufigste Ausschussfaktor ist, und die Temperatur wird angepasst. Drei Wochen später steigt der Ausschuss von 3 % auf 5 % zurück, weil eine Interaktion mit zunehmendem Werkzeugverschleiß die Optimierung zunichte macht. Root-Cause-Analyse muss immer Wechselwirkungen zwischen Parametern berücksichtigen: Konkrete Maßnahme, bei jeder Parameteranpassung gleichzeitig die Top-3-Korrelationspartner des Modells prüfen, nicht nur den führenden Einzelfaktor.

3. Das Modell wird eingeführt und dann nicht aktualisiert.
Das ist der gefährlichste Fehler, weil er schleichend passiert.

Wenn eine neue Materialcharge angeliefert wird, ändert sich das Fließverhalten des Kunststoffs. Wenn ein Werkzeug getauscht wird, ändern sich Geometrien und Wärmeübertragung. Wenn eine neue Produktvariante angelaufen wird, sind neue Fehlerklassen möglich. Ein Modell, das auf sechs Monate alten Daten trainiert wurde, gibt auf veränderte Bedingungen zunehmend falsche Empfehlungen, mit wachsender Gewissheit.

Die Lösung ist organisatorisch: Wer ist dafür verantwortlich, das Modell nach Material- oder Werkzeugwechseln neu zu validieren? Diese Person muss vor dem Go-live benannt sein. Und die Frage muss bei jedem Chargenwechsel aktiv gestellt werden: „Hat sich der Fehlercharakter gegenüber den Trainingsdaten verändert?”

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist oft schneller einsatzbereit als die Organisation.

Was in fast jedem Projekt passiert: Erfahrene Einrichter sind skeptisch. Nicht böswillig, sie haben jahrelange Intuition über ihre Maschinen aufgebaut und erleben jetzt, dass ein System behauptet, eine Parameterkombination sei das Problem, die sie selbst nie in Frage gestellt haben. Der erste Reflex: „Das Modell liegt falsch.”

Manchmal liegt es tatsächlich falsch. Aber häufiger hat das Modell eine Wechselwirkung identifiziert, die menschliche Intuition nicht erfasst hat, weil Menschen keine 300 Parameter gleichzeitig im Blick haben können.

Was hilft: Die ersten Modell-Empfehlungen nicht als Anweisungen behandeln, sondern als Hypothesen. „Das Modell behauptet, dass Parameter X heute Morgen der kritische Faktor war. Was meint ihr, stimmt das?” Dieser Dialog baut Vertrauen auf, ohne die Autonomie der Einrichter zu untergraben.

Was nicht von alleine passiert: Die Ergebnisse aus der Pilotlinie werden nicht automatisch auf andere Linien übertragen. Jede Linie braucht eigene Trainingsdaten, eigene Validierung, eigene Einführung. Wer drei Linien in sechs Monaten einführen will, muss das in der Planung realistisch berücksichtigen.

Was konkret hilft:

• Einen oder zwei erfahrene Einrichter früh ins Projektteam einbinden, ihre Fachkenntnis verbessert die Fehlerklassifizierung und kauft Akzeptanz
• Zu Beginn täglich einen kurzen Abgleich machen: Was hat das Modell gestern empfohlen, was wurde umgesetzt, was war die Wirkung?
• Fehltreffer transparent kommunizieren, ein Modell, das ehrlich über seine Fehler berichtet, wird eher akzeptiert als ein Modell, das immer recht zu haben scheint

Realistischer Zeitplan mit Risikohinweisen

Der Zeitplan zeigt: Das ist ein 6-bis-9-Monats-Projekt bis zum vollständigen Produktivbetrieb. Wer das in drei Monaten erwartet, wird enttäuscht.

Häufige Einwände, und was dahintersteckt

„Unsere Einrichter wissen, was zu tun ist, wir brauchen kein System dafür.”
Das stimmt für bekannte Probleme. Aber Einrichter können nicht gleichzeitig 300 Maschinensensordaten im Kopf haben und spontan erkennen, dass Zyklusnummer 4.712 der erste Zyklus war, in dem ein bestimmter Parameter aus dem 3-Sigma-Bereich gelaufen ist, sechs Zyklen bevor das erste Ausschussteil auftauchte. Das kann kein Mensch. Nur ein System, das alle Daten gleichzeitig sieht.

„Wir haben zu wenig Ausschuss für ein Modell.”
Wenn deine Ausschussrate unter 0,5 % liegt und du das stabil hältst, hast du dieses Problem tatsächlich gut im Griff. Dann ist dieser Use Case nichts für dich. Wenn du aber 2–8 % Ausschuss hast und das als unvermeidlich betrachtest, ist die Datengrundlage für ein Modell, trotz des Wortes „wenig”, sehr wahrscheinlich ausreichend. 3 % Ausschussrate bedeutet bei 10.000 Zyklen täglich 300 verworfene Teile pro Tag.

„Das ist zu teuer für einen Betrieb unserer Größe.”
Das hängt stark davon ab, was du unter „Betrieb unserer Größe” verstehst. Wenn du mit Landing AI anfängst (250 USD/Monat), selbst labelt und eine vorhandene Kamera nutzt, liegt das Startinvestment bei 10.000–20.000 EUR. Das ist weniger als ein Jahresgehalt eines Qualitätsprüfers, für ein System, das 24 Stunden am Tag, sieben Tage die Woche läuft. Die Investitionsfrage ist nicht ob, sondern auf welcher Ebene du einsteigst.

Woran du merkst, dass das zu dir passt

Du hast regelmäßig Ausschuss von 3 % oder mehr, und die Ursachenanalyse kostet jedes Mal Zeit und ist nicht systematisch dokumentiert.

Du hast Chargen- oder Schichtschwankungen bei der Ausschussrate, die du nicht erklären kannst, manchmal läuft es gut, manchmal nicht, aber der Unterschied ist unklar.

Dein Qualitätspersonal verbringt mehr Zeit damit, Fehler zu suchen, als Maßnahmen zu entwickeln.

Du verlierst regelmäßig implizites Einrichterwissen, wenn erfahrene Mitarbeitende das Unternehmen verlassen oder die Schicht wechseln.

Du möchtest IATF 16949 oder ISO 9001 besser unterlegen, und systematische Fehlererfassung mit Root-Cause-Analyse ist eine Anforderung, die aktuell manuell und unvollständig erfüllt wird.

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Keine digitale Maschinenschnittstelle und keine Ressourcen für Retrofit. Wenn deine Maschinen keine automatische Datenerfassung ermöglichen und du in den nächsten 12 Monaten nicht investieren kannst, gibt es keine Datengrundlage für ein ML-Modell. Starte mit Predictive Analytics-Basis: strukturierter Fehlererfassung per Tabletformular und monatlicher Auswertung. Die Maschinen-KI kommt danach.

2. Ausschließlich Kleinstserien (unter 500 Schuss/Produkttyp). Für ein Modell, das Fehlertypen eines bestimmten Produkts erkennen soll, brauchst du ausreichend Trainingsdaten mit diesem Produkt. Bei unter 500 Zyklen pro Produkttyp wechselt der Auftrag, bevor das Modell gelernt hat. Für Kleinserienfertiger ist KI-gestützte Sichtprüfung auf allgemeinen Fehlertypen sinnvoller als produktspezifische Ausschussanalyse.

3. Kein Qualitätsingenieur oder Prozessverantwortlicher, der das System langfristig betreut. Ein KI-Modell, das eingeführt und dann sich selbst überlassen wird, gibt nach 6–12 Monaten zunehmend falsche Empfehlungen, weil Materiallieferanten wechseln, Werkzeuge altern und neue Produkte anlaufen. Ohne eine namentlich benannte Person, die das Modell regelmäßig validiert und bei Chargen- oder Werkzeugwechseln aktualisiert, ist das Ergebnis schlimmer als kein System: Vertrauensverlust und Fehlsteuerung.

Das kannst du heute noch tun

Der einfachste erste Schritt kostet nichts außer einer halben Stunde Zeit: Exportiere die Ausschussdaten der letzten drei Monate, auch wenn sie nur als Tagessummen vorliegen, und lade sie in eine Tabelle. Füge die Spalten hinzu, an die du dich erinnerst: Schicht, Maschine, Produkt, Materialcharge (soweit bekannt). Dann schau, ob sich in diesem Datensatz bereits Muster zeigen.

Wenn du noch keinen systematischen Datensatz hast, beginne damit, ihn aufzubauen. Ein einfaches digitales Formular an jeder Maschine reicht als Anfang, Fehlertyp, Zyklusnummer, Schicht, Maschine. Das kostet eine Woche Einrichtung und ist die Grundlage für alles Weitere.

Für eine erste KI-gestützte Auswertung kannst du vorhandene Exportdaten direkt einer KI übergeben:

Quellen & Methodik

• ProcessMiner Fallstudie (2023): Fortune-500-Kunststoffhersteller (Flaschen-Spritzguss), Ausschussrate um 25 % gesenkt in 90-Tage-Pilotbetrieb, annualisierte sechsstellige Einsparungen, Analyse von >300 Maschinensensoren. Quelle: processminer.com/how-a-plastic-injection-molding-manufacturer-reduced-scrap-rates/ (ursprüngliche URL; ProcessMiner wurde inzwischen von DataRobot übernommen).
• Plastic Concept GmbH / Digitalzentrum Chemnitz (Jan–Juni 2024): Sechsmonatiges Projekt zur ML-gestützten Prozessparameter-Optimierung im Spritzguss in Neusalza-Spremberg (300+ Mitarbeitende, Automotive/Elektronik/Medizintechnik). Quelle: digitalzentrum-chemnitz.de/projekte/produktqualitaet-steigern-mit-ki-zur-qualitaetsprognose/
• Modell-Degradation bei Materialwechseln: Akademische Erkenntnisse zu Melt-Flow-Varianz und Modelldrift in der Spritzgussqualitätsprognose; u. a. MDPI Polymers 14(17):3551 (2022): „Industry 4.0 In-Line AI Quality Control of Plastic Injection Molded Parts”.
• Ausschussrate Kunststoffverarbeitung Deutschland: Branchenangaben Plastics Europe Deutschland und KVP Institut; Kostenberechnungen auf Basis veröffentlichter Materialpreisindizes (Stand 2024).
• Tool-Preise: Eigene Recherche; Landing AI (landing.ai, April 2026), Minitab (minitab.com, April 2026), Cognex und KEYENCE (Händlerangaben, April 2026).
• Förderhinweise: Mittelstand-Digital Netzwerk (mittelstand-digital.de), Digitalbonus Bayern und vergleichbare Länderprogramme.

Du willst einschätzen, welche Daten du heute schon hast und welcher Einstiegsweg für deine Linien der realistischste wäre? Meld dich, das klären wir in einem kurzen Gespräch.