Schadensbilder an Bauteilen KI-gestützt analysieren

Das echte Ausmaß des Problems

Eine Schadensfallanalyse im Maschinenbau ist kein Formular, das man ausfüllt. Sie ist eine forensische Untersuchung, wer hat das Bauteil falsch konstruiert, falsch gefertigt, falsch eingebaut oder falsch betrieben? Die Antwort bestimmt, wer für den Schaden haftet. Und genau deshalb ist sie so teuer und dauert so lange.

Externe Schadensanalysen nach VDI 3822, dem deutschen Standard für systematische Bauteilschadensanalyse, kosten je nach Aufwand typischerweise 2.000 bis 10.000 Euro pro Gutachten. Einfache Bruchflächenanalysen sind am unteren Ende, metallographische Querschliffe mit Rasterelektronenmikroskopie am oberen. Dazu kommen Lieferzeiten von 5 bis 15 Arbeitstagen, in denen das beschädigte Bauteil physisch beim Gutachter liegt, und im Unternehmen niemand eine belastbare Aussage machen kann.

Für Unternehmen, die regelmäßig mit Reklamationen zu tun haben, Lohnfertiger, Zulieferer, Anlagenbauer, summieren sich diese Kosten schnell. Zwölf externe Gutachten pro Jahr bedeuten 24.000 bis 120.000 Euro allein für die Analyse, bevor irgendwelche Kulanzleistungen oder Nacharbeiten gezählt werden. Und das, obwohl ein erfahrener Techniker in vielen Fällen schon aus dem Schadensbild der Fotos eine solide Einschätzung geben könnte, wenn er die richtige Unterstützung hätte.

Das Problem ist strukturell:

• Internes Know-how ist dünn und personengebunden, oft gibt es eine Person im Unternehmen, die Schadensbilder einschätzen kann; fällt sie aus, stockt alles
• Dokumentation ist inkonsistent, Fotos werden mit wechselnden Kameras, Lichtverhältnissen und Hintergründen gemacht, sind selten beschriftet und liegen in keinem strukturierten Archiv
• Verantwortlichkeit ist unklar, ohne fundierte Ersteinschätzung verlieren Teams wertvolle Tage damit, intern zu diskutieren, bevor überhaupt die externe Analyse beauftragt wird

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Erfahrungswerte aus vergleichbaren Computer-Vision-Projekten in der Fertigungsindustrie (Landing AI, Roboflow Community). Stark abhängig von Trainingsarchivqualität und Schadenstypverteilung.

Das Wichtigste: KI ersetzt hier nicht das externe Gutachten. Sie entscheidet, ob man ein externes Gutachten braucht. Das ist ein fundamentaler Unterschied, und der Kern des wirtschaftlichen Nutzens.

Einschätzung auf einen Blick

Zeitersparnis, hoch (5/5) Von fünf Tagen auf dreißig Minuten: Das ist die größte Zeitersparnis, die ein einziger KI-Schritt im Maschinenbau erzielen kann. Selbst wenn die KI nur als erste Triage-Schicht dient und in 40 Prozent der Fälle doch ein externer Sachverständiger gebraucht wird, die interne Stellungnahme steht innerhalb einer Stunde. Kein anderer Anwendungsfall in dieser Kategorie schlägt diesen Hebel auf der Zeitachse.

Kosteneinsparung, stark (4/5) Wer zwölf externe Gutachten pro Jahr hat und davon sieben durch KI-gestützte Erstbefunde ersetzen kann, spart 14.000 bis 70.000 Euro jährlich, netto, nach Abzug aller Systemkosten. Der Vorbehalt: Das setzt voraus, dass die Fälle tatsächlich aus dem Archiv lernbar sind. Die Schweißnahtqualitätsprüfung liefert möglicherweise konstantere Kostenreduktion, weil die Prüfsituation kontrollierter ist. Schadensanalyse ist variabler.

Schnelle Umsetzung, mittel (3/5) Der Weg zum laufenden System ist lang: ein Bildarchiv aufbauen, Schadenstypen labeln, Modell trainieren, validieren, Aufnahmeprotokoll einführen. Realistisch vergehen 8 bis 14 Wochen bis zum produktiven Piloten. Das ist moderat, schwerer als reine Qualitätskontrolle per Kamera, die auf gleichförmige Neuzustand-Teile trainiert. Leichter als Predictive-Maintenance-Systeme, die Maschinendaten über Monate erfassen.

ROI-Sicherheit, mittel (3/5) Der ROI ist messbar und real, aber variabel. Wer zehn Schadensfälle pro Jahr hat, rechnet anders als wer hundert hat. Und die Modellgenauigkeit hängt kritisch von der Bildqualität und der Labelingkompetenz ab. In seltenen, komplexen Fällen versagt das Modell zuverlässig, dann braucht es trotzdem den Sachverständigen. Unternehmen mit regelmäßigem, dokumentiertem Schadensaufkommen haben die höchste ROI-Sicherheit; solche mit wenig Erfahrung oder keinem Bildarchiv kaum.

Skalierbarkeit, mittel (3/5) Das Modell wächst nicht automatisch mit. Jede neue Schadensart, ein neues Werkstoffproblem, eine neue Bauteilgeometrie, ein neuer Versagenstyp, erfordert Nachtraining mit neu gelabelten Beispielen. Das ist nicht dramatisch, aber es bedeutet: Die Skalierung hat Kosten. Verglichen mit Software-Use-Cases, die rein durch Nutzungsvolumen skalieren, ist das ein echter Unterschied.

Richtwerte, stark abhängig von Schadensaufkommen, Bildarchivqualität und interner Werkstoffkompetenz für das Labeling.

Was das System konkret macht

Der technische Kern ist Computer Vision kombiniert mit einem LLM. Das Zusammenspiel läuft in drei Schritten:

Schritt 1, Bildklassifikation: Ein trainiertes Convolutional-Neural-Network oder ein Visual-Foundation-Model (wie GPT-4o Vision) analysiert das Foto des beschädigten Bauteils. Es ordnet das Schadensbild einer oder mehreren Kategorien zu: Ermüdungsbruch, Sprödbruch durch Überbelastung, Korrosionsrissbildung, tribologischer Verschleiß, Spaltkorrosion, Fertigungsfehler (Rissinitiierung an Kerben). Das Modell gibt eine Konfidenz-Wahrscheinlichkeit aus, wie sicher es sich bei der Klassifikation ist.

Schritt 2, Strukturierter Befund: Ein LLM nimmt die Klassifikationsergebnisse, die Konfidenzwerte und alle verfügbaren Metadaten (Bauteilbezeichnung, Einsatzdauer, bekannte Betriebslasten, Werkstoffangabe) und formuliert daraus einen strukturierten Erstbefund. Dieser enthält: wahrscheinlichste Schadensursache, Alternativhypothesen, Hinweise für oder gegen Herstellerverantwortung, und eine klare Empfehlung, ob ein externes Gutachten nötig ist.

Schritt 3, Entscheidungsunterstützung: Das System gibt eine Handlungsempfehlung aus: „Klares Bild, interner Befund ausreichend, Ursache Überbelastung durch Fehlbedienung, empfohlen: Ablehnung Reklamation mit Begründung.” Oder: „Komplexes Schadensbild, Konfidenz unter 70 %, externes Gutachten empfohlen, Verdacht auf kombinierten Ermüdungs-Korrosions-Schaden.”

Die KI schreibt keine Gutachten, die vor Gericht standhalten. Sie entscheidet, ob ein Gutachten überhaupt nötig ist.

Welche Schadensbilder KI gut klassifiziert, und welche nicht

Das ist die entscheidende Frage, die viele Einführungsprojekte nicht sauber beantworten. Nicht jedes Schadensbild ist für KI geeignet. Die Treffsicherheit variiert erheblich nach Schadenstyp.

Gut klassifizierbar, hohe Konfidenz möglich:

• Duktiler Ermüdungsbruch, zeigt typische Schwingstreifen (Beachmarks) und Rissfortschrittslinien, die im Makrobild klar erkennbar sind. Visuell distinktiv, auch ohne Rasterelektronenmikroskop. KI-Modelle mit ausreichend Trainingsbildern erreichen hier hohe Erkennungsraten.
• Sprödbruch durch Einmalüberbelastung, grobkristalline Bruchfläche, trichterförmige Einleitung. Charakteristisch genug für zuverlässige Klassifikation, wenn Beleuchtung und Bildqualität stimmen.
• Flächige Korrosion und Lochfraß, Oberflächentextur und Farbe (Roststufen, Grünspan bei Kupferlegierungen, Weißrost bei Aluminium) sind für Bildmodelle klar lernbar. Hohe Erkennungsrate bei gutem Foto.
• Tribologischer Oberflächenverschleiß, Schleifspuren, Riefen, Materialübertrag. Visuell eindeutig, wenn die Aufnahme die relevante Fläche scharf abbildet.

Schwer klassifizierbar, Konfidenz gering, externer Gutachter nötig:

• Kombinierter Schaden (z. B. Schwingungsriss mit sekundärer Korrosion), die visuelle Signatur überlagert sich; das Modell weist dem dominanten Schadensbild zu und übersieht den eigentlichen Auslöser. Hier scheitern Bildmodelle systematisch.
• Wasserstoffversprödung und Spannungsrisskorrosion, keine charakteristischen makroskopischen Merkmale, Diagnose erfordert metallographischen Querschliff und Elektronenmikroskopie. Für Bildklassifikation ungeeignet.
• Fertigungsbedingte Einschlüsse oder Seigerungen, im Makrobild nicht sichtbar. Nur mit zerstörender Werkstoffprüfung (Schliff, REM) erkennbar.
• Seltene Schadenstypen mit wenig Trainingsbeispielen, das Modell hat zu wenig Referenzfälle und gibt entweder falsche Konfidenz aus oder ordnet dem nächstähnlichen Typ zu. Das Fraunhofer LBF musste im KIStE-Projekt (2024) synthetische Daten erzeugen, weil echte Schadensfälle zu selten waren.

Praktische Konsequenz: Ein gut konfiguriertes System zeigt Konfidenzwerte unter 65 % aktiv als „zu unsicher für interne Entscheidung” an und leitet direkt in den externen Begutachtungsprozess. Das ist keine Schwäche, das ist das beabsichtigte Design.

Die Qualität der Aufnahme entscheidet alles

Das ist der am häufigsten unterschätzte Faktor. KI-Bildmodelle klassifizieren das, was im Foto sichtbar ist. Wenn das Foto schlecht ist, sind es die Ergebnisse auch, unabhängig davon, wie gut das Modell trainiert ist.

Kamerasetup: Für verwertbare Schadensbilder braucht es keine Spezialkamera, aber ein einheitliches Setup. Empfohlen: Festbrennweite 50–100 mm (keine Weitwinkel), Auflösung mindestens 12 Megapixel, gleichmäßige Auflichtbeleuchtung (Ringblitz oder diffuses LED-Licht), kein Blitz direkt frontal (Reflexionen überdecken Bruchflächenstruktur). Für die Bruchflächenanalyse: Aufnahme aus genau 90° zur Bruchfläche, Seitenaufnahmen bei Schadensinitierungsstellen.

Hintergrund: Einheitlich hell (weißes Papier, graue Auflageplatte). Gemischte Hintergründe verwirren das Modell. Das klingt trivial, in der Praxis sehen Schadensdokumentationsfotos aus wie zufällige Handy-Schnappschüsse in der Produktionshalle.

Reinigung: Öl- und Schmiermittelreste überdecken Schadensmerkmale. Vor der Aufnahme: trockenes Reinigen mit Druckluft (keine Lösungsmittel, die Schadensbeweise zerstören könnten). Bei der Bruchfläche: nicht berühren, nicht reinigen, sie ist Beweismaterial.

Maßstab und Metadaten: Maßstabsreferenz (Münze, Maßstabsleiste) ins Bild. Bauteilbezeichnung, Einsatzdauer, gemeldetes Schadensgeschehen als Bildmetadaten oder Begleitformular.

Was das in der Praxis bedeutet: Vor dem KI-System kommt das Aufnahmeprotokoll. Unternehmen, die dieses Protokoll einführen, verbessern ihre Schadendokumentation auch dann erheblich, wenn das KI-System noch nicht fertig ist. Das Protokoll selbst hat Wert, unabhängig von der KI.

Konkrete Werkzeuge, was wann passt

Es gibt sehr unterschiedliche Wege, ein KI-gestütztes Schadensanalysesystem aufzubauen. Die Wahl hängt davon ab, wie viele Trainingsdaten vorhanden sind und wie technisch das Team ist.

Roboflow, für den Einstieg und das Labeling Der direkteste Weg, ein eigenes Schadensklassifikationsmodell zu trainieren. Ihr ladet eure historischen Schadensfotos hoch, labelt sie nach Schadenstyp (Ermüdungsbruch, Überbelastung, Korrosion, Verschleiß), und Roboflow trainiert ein YOLO-basiertes Modell. Die Auto-Label-Funktion beschleunigt das Labeling erheblich. Wichtig: Das Labeling muss von Fachleuten übernommen werden, nicht von der Produktion. Das Modell lernt nur das, was im Label steht. Roboflow Pro: 100 USD/Monat (25.000 Bilder, unbegrenzte Deployments). Einschränkung: US-Datenhosting, bei vertraulichen Schadensfotos DSGVO-Prüfung nötig.

Landing AI (LandingLens), No-Code-Training für Fertigungsteams Ähnlicher Ansatz wie Roboflow, stärker auf Fertigungskontext optimiert. LandingLens betont den datenzentrischen Ansatz, das System erkennt automatisch fehlerhafte Labels und hilft, die Trainingsqualität zu verbessern. Kontinuierliches Lernen ist integriert: Neue Schadensbilder können laufend aufgenommen werden. Team-Plan: 250 USD/Monat (laut landing.ai/pricing-landinglens). Ebenfalls US-Hosting.

ChatGPT mit GPT-4o Vision, für den sofortigen Pilot ohne Training Wer noch kein trainiertes Modell hat, kann GPT-4o Vision als ersten Test nutzen. Foto hochladen, Systemprompt mit Schadenstypologie und Bewertungsraster eingeben, Erstbefund generieren. Das ist kein produktives System, die Konsistenz schwankt, und GPT-4o kennt eure Bauteile nicht. Aber als Proof-of-Concept für das eigene Team ist es in 30 Minuten aufgesetzt und kostenlos im Plus-Plan.

Claude, für die strukturierten Befundberichte Hat das System das Schadensbild klassifiziert, übernimmt ein LLM die Berichtgenerierung. Claude (oder GPT-4o) verwandelt Klassifikationsergebnis + Metadaten in einen strukturierten Erstbefund im gewünschten Format, inklusive Formulierungen, die für Reklamationsschreiben geeignet sind. Claude neigt zu präziseren, differenzierteren Einschätzungen bei technischen Sachverhalten.

KEYENCE CV-X oder Cognex In-Sight, für inline-integrierte Systeme Wer Schadensbilder direkt an der Linie erfassen will (z. B. automatische Kameraaufnahme jedes zurückkommenden Bauteils), braucht industrielle Bilderfassung. KEYENCE und Cognex liefern Systeme, die standardisierte Aufnahmen unter kontrollierten Bedingungen produzieren, ideal als Eingabe für ein nachgelagertes KI-Klassifikationsmodell. Investition: ab ca. 5.000 EUR (KEYENCE Vision-Sensor) bis 15.000–30.000 EUR für vollständige Systeme. Deutschsprachiger Support und lokale Präsenz bei beiden Anbietern.

Zusammenfassung: Wann welcher Ansatz

• Pilot, kein Trainingsarchiv, schnell testen: ChatGPT oder Claude direkt
• Eigenes Modell mit < 500 Schadensfotos, kein IT-Team: LandingLens
• Eigenes Modell mit > 500 Fotos, Flexibilität und API-Zugriff: Roboflow
• Inline-Erfassung an der Linie, standardisierte Aufnahmen: KEYENCE oder Cognex
• Berichtgenerierung aus Klassifikationsergebnis: Claude oder ChatGPT

Datenschutz und Datenhaltung

Schadensbilder sind oft sensibler als man zunächst denkt. Sie zeigen Fertigungsdetails, Werkstoffangaben, Bauteilgeometrien und Konstruktionslösungen, die als Geschäftsgeheimnisse gelten können. Wenn die Bilder an externe Cloud-Dienste übermittelt werden, verlassen diese Daten das Unternehmen.

Die DSGVO ist hier primär relevant, wenn Bilder auch Personen zeigen (z. B. Bedienerfehler-Dokumentation mit erkennbaren Mitarbeitenden), das ist selten, aber möglich. Häufiger relevant ist der Schutz als Geschäftsgeheimnis nach § 2 GeschGehG.

Konkrete Empfehlungen je Tool:

• Roboflow / Landing AI, beide US-gehostet. Für interne Erstklassifikation ohne Weitergabe an Kunden ist das vertretbar; für sensible Konstruktionsdaten sollte der Enterprise-Plan mit On-Premise-Option verhandelt werden
• GPT-4o (ChatGPT API), keine Trainingsnutzung der API-Eingaben laut OpenAI-Datenschutzrichtlinie, aber US-Verarbeitung. Für Testzwecke akzeptabel; für produktiven Dauerbetrieb Auftragsverarbeitungsvertrag (AVV) abschließen
• Claude API (AWS Bedrock), Claude über AWS Bedrock in Frankfurt (eu-central-1) lässt sich DSGVO-konform in der EU-Region betreiben, mit AVV und Verarbeitung auf europäischem Boden
• KEYENCE / Cognex, lokale Verarbeitung, kein obligatorischer Cloud-Transfer. DSGVO-Risiko minimal, solange Fernwartungszugänge vertraglich geregelt sind

Praktische Empfehlung: Startet den Piloten mit internen historischen Schadensfotos ohne Kundenbezug. Klärt mit dem Datenschutzbeauftragten, welche Kategorie eure Schadensbilder sind. Wenn Bilder Kundenbauteile zeigen, braucht ihr eine Auftragsverarbeitungsregelung mit jedem Tool-Anbieter.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Bildarchiv sichten, strukturieren, labeln (intern): 20–40 Arbeitsstunden eines qualifizierten Technikers, der größte versteckte Kostenblock
• Aufnahmeprotokoll entwickeln und einführen: 1–2 Wochen Projektarbeit
• Modelltraining und -validierung: bei Roboflow/LandingLens weitgehend automatisch nach Datenvorbereitung; Custom-API-Integration durch externe Entwickler 3.000–8.000 EUR einmalig
• Kamera-Setup (falls noch nicht vorhanden): 200–500 EUR für festes Aufnahmestation mit Beleuchtung

Laufende Kosten (monatlich)

• Roboflow Pro: ca. 90 EUR/Monat (100 USD)
• LandingLens Team: ca. 230 EUR/Monat (250 USD, laut landing.ai/pricing-landinglens)
• GPT-4o API für Berichtgenerierung: typisch 5–20 EUR/Monat bei 50–200 Analysen
• Claude API (AWS Bedrock): ähnlich

Gesamtkosten im ersten Jahr: ca. 7.000–15.000 EUR (einmalig + 12 Monate laufend)

Was du dagegenrechnen kannst Bei 15 Schadensfällen pro Jahr und einem durchschnittlichen externen Gutachten von 3.500 Euro macht das 52.500 Euro Gutachterkosten. Wenn das KI-System 60 Prozent dieser Fälle intern klärt, neun Gutachten werden vermieden, sind das 31.500 Euro Einsparung jährlich. Im konservativen Szenario (40 Prozent interne Klärung, Durchschnittsgutachten 2.500 Euro): sechs Gutachten vermieden = 15.000 Euro Einsparung. Amortisation im ersten oder spätestens zweiten Jahr.

Diese Rechnung setzt voraus, dass das interne Ergebnis tatsächlich akzeptiert wird, intern vom Kunden und bei der Versicherung. Wer das Ergebnis der KI in Kundenkorrespondenz verwendet, sollte Disclaimer und Prozess klar definieren.

Typische Einstiegsfehler

1. Das Modell mit zu wenigen und zu ähnlichen Schadensbildern trainieren. Der Reflex ist verständlich: Man nimmt die Fotos, die zufällig vorhanden sind, und das sind meistens nur Bilder von den häufigsten Schadenstypen, unter ähnlichen Bedingungen aufgenommen. Das Ergebnis ist ein Modell, das Ermüdungsbrüche sehr gut erkennt und alles andere schlecht klassifiziert. Oder ein Modell, das gut mit Stahl umgeht, aber komplett versagt, wenn plötzlich ein Aluminiumteil kommt. Lösung: Vor dem Training ehrlich inventarisieren, welche Schadenstypen und Werkstoffe das Modell können muss, und dann gezielt fehlende Beispiele nacherheben oder synthetisch ergänzen.

2. Nicht-Fachleute labeln lassen. Labeling klingt nach Hilfsarbeit. In der Schadensanalyse ist es Facharbeit. Wer einen Ermüdungsbruch falsch als Überbelastungsbruch labelt, trainiert das Modell systematisch in die falsche Richtung, und merkt es erst, wenn das System im Betrieb versagt und echte Reklamationen falsch bewertet werden. Labeling in der Schadensanalyse gehört in die Hände von Werkstoffprüfern oder erfahrenen Qualitätsingenieuren. Stichprobenprüfung der Labels durch eine Zweitperson ist Pflicht.

3. Das System produktiv einsetzen, ohne Konfidenz-Schwellenwerte zu definieren. Das ist der gefährlichste Fehler, weil er still und spät sichtbar wird. Ein Klassifikationsmodell gibt immer eine Antwort aus, auch wenn es unsicher ist. Ohne definierten Schwellenwert (z. B. „unter 70 % Konfidenz → immer externes Gutachten”) werden Fälle mit 55 % Konfidenz intern entschieden, und diese Entscheidungen sind falsch in einem systematisch kaum bemerkenswerten Muster. Konsequenz: Das System wird irgendwann für eine fehlerhafte Reklamationsentscheidung mitverantwortlich gemacht. Die Gegenseite wird die Schwachstelle finden.

Die BMW Group dokumentierte genau dieses Problem in ihren frühen KI-Inspektionssystemen: Systeme, die entweder zu viele Fehler meldeten oder zu viele übersahen, wurden von den Bedienenden schlicht ignoriert, weil das Vertrauen fehlte. Ein gut kalibriertes Konfidenz-Framework ist kein technisches Detail, es ist das Fundament der Akzeptanz (Edge AI Vision Alliance, Februar 2026).

Was mit der Einführung wirklich passiert, und was nicht

Technisch ist die Einführung das Einfachste. Was wirklich Zeit kostet, sind drei organisatorische Widerstände.

„Wir vertrauen einem Algorithmus keine Reklamationsentscheidung an.” Das ist kein Widerstand, das ist die richtige Haltung. Ein KI-System sollte keine Reklamationsentscheidungen treffen. Es sollte die Entscheidung vorbereiten und dokumentieren. Qualitätsingenieure treffen die Entscheidung, das System liefert die strukturierte Grundlage. Wer das von Anfang an so kommuniziert, löst den Widerstand vor dem ersten Tag der Einführung.

Wissenshüter und ihr Fachwissen. In jedem Unternehmen gibt es die eine Person, die Schadensbilder „lesen” kann, oft einen erfahrenen Werkstoffprüfer oder den Qualitätsleiter mit 20 Jahren Berufserfahrung. Diese Person ist oft auch derjenige, der am meisten verliert, wenn ihre Expertise durch ein System teilweise ersetzt wird. Lösung: Diese Person muss das System bauen, nicht es hinnehmen. Sie definiert die Schadenstyp-Taxonomie. Sie labelt die ersten 100 Bilder. Sie validiert das Modell. Wer das Modell mitgebaut hat, steht dafür ein.

Das Aufnahmeprotokoll kostet mehr Disziplin als das KI-System. Die Einführung eines standardisierten Foto-Aufnahmeprozesses ist kulturelle Änderungsarbeit. Jemand muss die Kamera aufbauen, das Bauteil reinigen, das Formular ausfüllen. Wer das „so nebenbei” erledigt haben will, wird Schadensfotos mit Handyfotos aus der Produktionshalle bekommen, und das Modell wird nicht funktionieren. Empfehlung: Die erste Station des Schadensprozesses ist die Kamerastation. Fest, beleuchtet, protokollpflichtig.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„KI kann keine technische Schadensanalyse, das ist Experten-Domäne.” Richtig, eine vollständige Schadensanalyse nach VDI 3822 mit metallographischem Querschliff, Rasterelektronenmikroskopie und Materialzeugnis kann keine KI ersetzen. Aber das ist auch nicht das Ziel. Das Ziel ist die Triage: Entscheidung, ob ein Gutachten nötig ist. Und diese Triage-Entscheidung macht heute ein Qualitätsingenieur aus dem Bauch heraus, ohne Dokumentation, ohne Konsistenz. Ein KI-System ist dabei nicht schlechter, es ist im Durchschnitt besser und immer dokumentiert.

„Unsere Schadensbilder sind alle zu unterschiedlich.” Das ist der häufigste Einwand, und er ist meistens falsch. Die Frage ist nicht, ob alle Bilder gleich aussehen. Die Frage ist, ob sich Ermüdungsbrüche grundsätzlich anders aussehen als Überbelastungsbrüche. Das tun sie, und das ist, was das Modell lernt. Variabilität bei Bauteilgröße, Werkstoff und Beleuchtung kann durch Daten-Augmentation und standardisierte Aufnahmen erheblich reduziert werden.

„Was, wenn das System falsch klassifiziert und wir eine Reklamation falsch ablehnen?” Das ist ein berechtigter Einwand, und die Antwort ist in der Systemarchitektur: Ein KI-Erstbefund ist kein verbindliches Gutachten. Er ist eine strukturierte interne Einschätzung, die von einem qualifizierten Mitarbeitenden gegengezeichnet wird. Kein Unternehmen sollte eine Reklamation allein auf Basis eines KI-Outputs ablehnen, das ist auch nicht das Versprechen des Systems.

Woran du merkst, dass das zu dir passt

• Du hast regelmäßig Reklamationen, mindestens 8–10 Schadensfälle pro Jahr, bei denen die Schadensursache strittig ist oder ungeklärt bleibt
• Externes Gutachten ist dein Standard, und du zahlst dafür regelmäßig vierstellige Beträge, auch für Fälle, die intern eigentlich klärbar wären
• Dein Team hat technische Grundkompetenz, einen Werkstoffprüfer, einen erfahrenen Qualitätsingenieur oder eine Person mit Schadensanalyse-Erfahrung, die das Labeling verantworten kann
• Du hast historische Schadensfotos, oder die Kapazität, sie ab sofort systematisch zu erfassen; ohne Bildarchiv kein Modell
• Reklamationsbearbeitung ist ein Engpass, nicht wegen der technischen Entscheidung, sondern wegen der Wartezeit auf den externen Sachverständigen

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

1. Unter ca. 10 strittig zu klärenden Schadensfällen pro Jahr. Der ROI ist dann schwer zu erzielen, und das Trainingsarchiv wächst zu langsam, um das Modell auf ausreichend Varianten zu trainieren. Wer weniger als einen Schadensfall pro Monat hat, sollte in einen guten externen Sachverständigen investieren, und dessen Befunde archivieren, bis genug Daten für KI vorhanden sind.

2. Keine Möglichkeit, standardisierte Fotos zu produzieren. Wenn die Dokumentation zufällig, unkontrolliert und nicht zu standardisieren ist, weil die Teile in der Produktion überall anfallen und es keine Kapazität für ein Aufnahmeprotokoll gibt, ist das Fundament für ein trainiertes Modell nicht vorhanden. Das System lebt von der Bildqualität, nicht von der KI-Technologie.

3. Kein Experte für das Labeling verfügbar. Ein Schadenstypen-Modell, das von Bedienpersonal ohne Werkstoffkenntnisse gelabelt wird, lernt Laienklassifikationen. Das Ergebnis ist schlechter als zufällig, weil es konsistent falsch ist. Werkstoffprüfer, Qualitätsingenieure mit Schadensanalyse-Erfahrung oder zumindest geschulte Personen nach VDI 3822 müssen das Labeling verantworten.

Das kannst du heute noch tun

Öffne ChatGPT (Plus oder Team) oder Claude (Pro) und lade das nächste Foto eines beschädigten Bauteils hoch, das euch vorliegt. Beschreibe das Bauteil, den Einsatzkontext und das gemeldete Schadensgeschehen kurz im Textfeld. Nutze den Prompt unten als Grundlage.

Das dauert 10 Minuten. Was du danach weißt: ob ein multimodales LLM für euer Schadensbild überhaupt sinnvolle Einschätzungen liefert, bevor du in ein trainiertes Modell investierst. Bei klaren Schadensbildern (typischer Ermüdungsbruch, flächige Korrosion) wirst du überrascht sein, wie strukturiert die Einschätzung ist.

Quellen & Methodik

• Fraunhofer LBF KIStE-Projekt (2024): Fraunhofer-Institut für Betriebsfestigkeit und Systemzuverlässigkeit LBF, Darmstadt, „KI-basierte Schadensanalyse von technischen Elastomeren”. Zwei-Stufen-Ansatz: synthetische Datenaugmentation + multimodales Klassifikationsmodell mit skalaren Materialparametern. Projektleitung: Dipl.-Ing. Riccardo Möller. lbf.fraunhofer.de/de/projekte/KI-Schadensanalyse.html
• Edge AI Vision Alliance (Februar 2026): „What Happens When the Inspection AI Fails: Learning from Production Line Mistakes”, dokumentiert BMW-Fallstudie (falsch-positive Raten erodierten das Bediener-Vertrauen), Foxconn, Toyota. edge-ai-vision.com
• Schadenskosten extern: Erfahrungswerte aus der Praxis, abgeglichen mit öffentlich verfügbaren Angaben von Sachverständigen-Büros im Maschinenbau (gutachten-maschinenbau.de, gsp-schaden.com). Stundensatz-Basis 90–180 €/h (laut gutachten-nrw.com), typisch 20–50 h pro Analyse.
• LandingLens-Preise: Öffentlich veröffentlichter Team-Plan, 250 USD/Monat. landing.ai/pricing-landinglens (Stand Mai 2026).
• VDI 3822, Schadensanalyse: Richtlinie des Vereins Deutscher Ingenieure zur systematischen Schadensanalyse an Bauteilen und Anlagen. Grundlage für strukturierte Schadensuntersuchungen und externe Gutachtenbeauftragung in der deutschen Industrie.
• Roboflow-Preise: Pro-Plan 100 USD/Monat, 25.000 Bilder, unbegrenzte Deployments. roboflow.com (Stand Mai 2026).
• Methodische Einschränkung: Die Prozentwerte zur internen Klärbarkeit (50–65 %) basieren auf Erfahrungswerten aus Computer-Vision-Projekten in der Fertigungsindustrie, keine repräsentative Studie. Stark abhängig von Schadenstypverteilung und Bildarchivqualität im jeweiligen Unternehmen.

Du willst wissen, ob sich das für euer konkretes Schadensaufkommen rechnet? Meld dich, wir schauen uns gemeinsam euer Bildarchiv und die Reklamationshistorie an.