Fertigungsfehler bei Medizinprodukten per KI-Bildanalyse erkennen

Das echte Ausmaß des Problems

Manuelle Sichtprüfung ist der Schwachpunkt vieler Medizinprodukte-Fertigungen — und das ist kein Geheimnis. Das Problem hat drei Ebenen.

Ermüdung ist reproduzierbar. Studien zur optischen Inspektion zeigen, dass die Fehlererkennungsrate von Prüfpersonal nach 60 bis 90 Minuten kontinuierlicher Prüftätigkeit messbar absinkt. In der Praxis heißt das: Die Qualität eurer Ausgangskontrolle ist eine Funktion der Schichtzeit — nicht nur der Qualifikation.

Rückrufe in der Medizintechnik sind teuer. In den USA wurden laut einer Auswertung von Akridata (2024) allein im Jahr 2023 rund 975 Medizinprodukte-Rückrufe verzeichnet — mit 283 Millionen zurückgerufenen Einheiten. Der finanzielle Schaden geht in die Milliarden. In Deutschland sind die Fallzahlen geringer, die regulatorischen Konsequenzen nach MDR aber nicht weniger folgenreich: Eine einzige FSCA mit unzureichender Rückverfolgbarkeit kann das gesamte QM-System unter Druck setzen.

Dokumentation ist strukturell lückenhaft. ISO 13485 Abschnitt 8.2.6 fordert lückenlose Aufzeichnungen über Prüfergebnisse und Entscheidungen. In der manuellen Sichtprüfung bedeutet das: Prüfer protokollieren stichprobenartig, oft handschriftlich. Was nicht protokolliert wurde, ist in einem Audit nicht nachweisbar. Der Aufwand für nachträgliche Rekonstruktionen zieht erfahrungsgemäß ganze Teams für Tage aus dem operativen Betrieb heraus.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechts- oder Regulierungsberatung. MDR-Anforderungen im Einzelfall mit eurem Qualitätsmanager, Notified Body und ggf. einem Regulatory Affairs Consultant klären.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Fehlererkennungsrate von 60–85 % für manuelle Inspektion stammt aus Vergleichsstudien zu industrieller Sichtprüfung (Edge AI and Vision Alliance, 2026). Die Angaben zur Personalkosten-Einsparung beruhen auf Erfahrungswerten aus Praxisprojekten im Medizintechnik-Umfeld.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Wenn Computer Vision die manuelle Sichtprüfung vollständig ersetzt, fallen zwei bis vier Stunden Prüfzeit je Schicht weg. Das ist unter den Medizintechnik-Anwendungsfällen in dieser Kategorie der stärkste direkte Zeiteffekt — weil Prüfarbeit im Dreischichtbetrieb multipliziert wird. Eine Station, die drei Schichten à zwei Stunden Prüfzeit bindet, gibt sechs Personalstunden täglich frei — ohne Qualitätseinbuße, im Gegenteil.

Kosteneinsparung — hoch (4/5) Die Einsparung kommt aus zwei Quellen: reduziertem Personalaufwand in der Ausgangskontrolle und — schwerer zu quantifizieren, aber real — deutlich weniger Ausschuss, Nacharbeit und potenziell verhinderten Rückrufen. Für Kamerasysteme, die Defekte erkennen, die bisher durchkamen, ist die vermiedene FSCA oft mehr wert als die gesamte Systemintegration. Die Investitionskosten sind nicht trivial (mehr dazu in “Was es kostet”), weshalb keine 5.

Schnelle Umsetzung — sehr gering (1/5) Das ist der relevante Unterschied zu Bildanalyse in der Automobilindustrie: In der Medizinprodukte-Fertigung muss das Prüfsystem nach ISO 13485 computervalidiert werden (IQ/OQ/PQ). Das dauert, ist dokumentationsintensiv und lässt sich nicht abkürzen. Realistische Projektzeitlinie vom ersten Kameragespräch bis zum validierten Go-Live: 6 bis 18 Monate. Damit ist dieser Anwendungsfall der aufwändigste Einstieg im gesamten Branchenvergleich.

ROI-Sicherheit — hoch (4/5) Der ROI ist messbar — anders als bei dokumentationsgetriebenen KI-Anwendungen kannst du Fehlerraten vor und nach dem System direkt vergleichen. Die Unsicherheit liegt nicht im Nutzenmechanismus, sondern in der Validierungsdauer: Bis das System läuft, investiert ihr erheblich ohne sofortigen Return. Nach Go-Live ist der ROI aber in aller Regel klar nachweisbar.

Skalierbarkeit — sehr hoch (5/5) Sobald das erste System validiert ist, lässt sich der Ansatz auf weitere Linien übertragen — mit deutlich geringerem Aufwand als die Erstinstallation, weil QM-Rahmen, Kalibrierprotokolle und Validierungslogik wiederverwendbar sind. Jede zusätzliche Linie bindet keinen proportionalen Personalaufwand.

Richtwerte — stark abhängig von Produktionsvolumen, Fehlertypen und vorhandener QMS-Infrastruktur.

Was das System konkret macht

Computer Vision in der Medizintechnik-Fertigung funktioniert so: Eine oder mehrere Kameras sind inline in den Produktionstakt integriert — direkt nach dem Fertigungsschritt, vor der Verpackung oder an der Ausgangskontrolle. Jedes Teil passiert die Kamera, ein Beleuchtungssystem erzeugt definierte Bildverhältnisse, die Software analysiert das Bild in Echtzeit.

Was das System dabei tut:

Defekterkennung: Das Modell wurde mit Bildern von Gut- und Schlechtteilen trainiert. Es erkennt Muster, die auf Defekte hinweisen — Riefen, Kratzer, Verformungen, Risse, Farbabweichungen, Partikeleinschlüsse. Nicht durch Regellogik (“wenn Pixel X heller als Y”), sondern durch Deep Learning: Das Modell hat aus tausenden Beispielbildern gelernt, was “fehlerhaft” aussieht — inklusive subtiler Varianten, die einem Regelansatz entgehen würden.

Maßprüfung: Kalibrierte Kameras messen geometrische Abmessungen im Mikrometerbereich — Länge, Durchmesser, Wandstärke, Kantenradien. Das ist die computervisuelle Entsprechung zu einer taktilen Messmaschine, aber inline im Produktionstakt, ohne Taktzeitverlust.

Vollständigkeitsprüfung: Bei Kits und Verpackungen prüft das System, ob alle Komponenten vorhanden sind, richtig positioniert und unversehrt sind — jede Spritze, jede Nadel, jeder Deckel, jede Packungsbeilage.

Automatische Dokumentation: Jeder Prüfvorgang wird mit Zeitstempel, Kamerabild, Ergebnis (i.O./n.i.O.) und bei Befund mit der Fehlerkategorie in das QM-System geschrieben. Das ist der Kern der ISO 13485-Rückverfolgbarkeit: nicht mehr rekonstruierbar aus Prüferprotokollen, sondern automatisch vollständig.

Was passiert bei einem erkannten Defekt? Das System gibt ein Signal aus — in der Regel an eine SPS (speicherprogrammierbare Steuerung), die den fehlerhaften Artikel physisch aussortiert, bevor er weiterläuft. Kein manuelles Eingreifen nötig.

Welche Fehlertypen Computer Vision wirklich erkennt — und welche nicht

Das ist die wichtigste Frage, die du vor jedem Investitionsgespräch mit einem Systemanbieter stellen solltest. Und die Antwort ist: Computer Vision ist sehr gut in bestimmten Dingen, und bei anderen Defekttypen strukturell überfordert.

Was CV zuverlässig erkennt:

• Oberflächendefekte: Kratzer, Riefen, Dellen, Risse, Verfärbungen, Partikeleinschlüsse
• Geometrische Abweichungen: Maßabweichungen, Formfehler, Kantenbrüche
• Vollständigkeitsprüfungen: fehlende Komponenten, falsche Orientierung, unvollständige Verpackungen
• Label und Barcode: Lesbarkeit, Positionierung, Vollständigkeit von UDI-Codes
• Verpackungsintegrität: offene Siegel, beschädigte Blister, deformierte Boxen

Was CV nicht erkennt — und wofür ihr andere Methoden braucht:

• Innere Fehler: Lunker, Hohlräume, Einschlüsse unterhalb der Oberfläche. Dafür braucht ihr CT, Ultraschall oder Röntgen — CV sieht nur, was die Kamera sehen kann.
• Materialeigenschaften: Zugfestigkeit, Biokompatibilität, Sterilität, Partikelgehalt im Inneren. Das sind Labormethoden, keine Bildanalyse.
• Prozessparameter-Drift: Wenn ein Fertigungsprozess außerhalb der Validierungsgrenzen läuft, aber das Produkt noch “gut aussieht”, erkennt CV das nicht. Dafür braucht ihr Prozessüberwachung (SPC, Sensorik).
• Selten auftretende Fehlertypen mit wenig Trainingsdaten: Ein Modell, das 500 Bilder von Rissen gesehen hat, erkennt keine Risse, die es noch nicht kennt. Das ist kein Versagen — es ist die Grenze des statistischen Lernens.

Die Kombination, die in der Praxis funktioniert: CV für Oberfläche und Geometrie, Labortests für Material und Inneres, SPC für Prozessüberwachung. CV ist eine leistungsstarke Ergänzung — aber kein Ersatz für das gesamte Prüfprogramm.

Dieser Abschnitt ist eine fachliche Orientierung. Welche Prüfmethoden für euer spezifisches Produkt geeignet sind, klären der Produktionsleiter, die Qualitätsmanagerin und ggf. ein externer Messtechnik-Experte.

Computer-System-Validierung nach ISO 13485: Was das in der Praxis bedeutet

Das ist das Kapitel, das in den meisten Anbieterpräsentationen fehlt — und das genau erklärt, warum diese Einführung 6 bis 18 Monate dauert.

ISO 13485:2016, Abschnitt 7.5.6 verlangt, dass Software, die in der Produktion oder Qualitätsprüfung eingesetzt wird, vor dem ersten Einsatz und nach Änderungen validiert wird. Für ein KI-Bildprüfsystem bedeutet das eine Computer-System-Validierung (CSV) nach GAMP 5 — drei sequenzielle Phasen:

IQ — Installation Qualification: Nachweis, dass das System korrekt installiert ist. Kamera in der richtigen Position und Ausrichtung, Beleuchtung kalibriert, Netzwerkverbindung zum QM-System stabil, Software in der spezifizierten Version auf dem Industrierechner. Klingt trivial — in der Dokumentation ist es aufwändig, weil jeder Schritt protokolliert, geprüft und unterschrieben werden muss.

OQ — Operational Qualification: Nachweis, dass das System im vorgesehenen Betriebsbereich korrekt funktioniert. Definierte Testszenarien: bekannte Gutteile, bekannte Schlechtteile mit definierten Fehlern, Grenzfälle. Das System muss die richtigen Ergebnisse liefern — mit dokumentiertem Konfidenzintervall und Fehlerschranken. Die Testbilder müssen repräsentativ sein, die Entscheidungsgrenzen (Schwellenwerte) begründet.

PQ — Performance Qualification: Nachweis, dass das System unter realen Produktionsbedingungen über einen definierten Zeitraum die spezifizierten Erkennungsraten hält. Das ist die Phase, die am längsten dauert — typisch 4 bis 12 Wochen Parallelbetrieb mit manueller Inspektion, um die statistische Aussagekraft zu sichern.

Was das praktisch bedeutet: Bevor ihr das erste Produkt per KI-Kamera freigebt, habt ihr mehrere Hundert Seiten Validierungsdokumentation erstellt. Jede Änderung am System — neue Softwareversion, andere Kameraposition, neue Beleuchtung, neues Produkt — löst eine Re-Validierung aus, deren Umfang von der Art der Änderung abhängt.

Das ist keine Überregulierung, sondern der Preis für das Versprechen, dass das System tatsächlich das tut, was es soll — und das bei Produkten, die in Menschen eingesetzt oder von Menschen genutzt werden.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechts- oder Regulierungsberatung. MDR-Anforderungen im Einzelfall mit eurem Qualitätsmanager, Notified Body und ggf. einem Regulatory Affairs Consultant klären.

Konkrete Werkzeuge — was wann passt

Es gibt sehr unterschiedliche Systemkategorien für diese Aufgabe. Die richtige Wahl hängt von eurem Produktionsvolumen, Fehlertypen und internem Know-how ab.

Cognex Vision — für Serienfertigung mit stabilem Prüfprogramm Der Weltmarktführer in industrieller Bildverarbeitung. Kamerasysteme wie die In-Sight-Serie mit VisionPro Deep Learning sind für die medizintechnische Serienfertigung etabliert. Stärke: jahrzehntelange Referenzbasis in Pharma und Medizintechnik, robuste Hardware für Produktionshallen, direkte SPS-Integration. Preis: 4.000–30.000 € je nach Kamerasystem, zuzüglich Integration. Limitierung: nicht selbst zu konfigurieren — ihr braucht einen Cognex-zertifizierten Integrator. Sinnvoll wenn: hohes Volumen, stabiles Produktprogramm, 100.000+ Teile/Tag.

KEYENCE Vision — Einstieg mit Vor-Ort-Support KEYENCE schickt Anwendungsberater kostenlos in den Betrieb und gibt Leihgeräte zum Testen. Das Vision-System (CV-X/XG-X) kombiniert regelbasierte und KI-basierte Prüflogik ohne Programmierung. Besonders attraktiv für mittelständische Medizintechnikhersteller, die keinen eigenen Machine-Vision-Ingenieur haben. Deutsche Niederlassung in Frankfurt, vollständiger deutschsprachiger Support. Preis: All-in-One-Systeme ab 5.000 €, vollständige Prüfstationen 15.000–80.000 €. Sinnvoll wenn: ihr wollt testen, bevor ihr kauft, und habt keine interne CV-Expertise.

Landing AI LandingLens — für Pilotprojekte und PoC Die No-Code-Plattform von Andrew Ngs Landing AI erlaubt es, ein erstes Defekterkennungsmodell in Stunden zu trainieren — 50–200 Bilder hochladen, labeln, fertig. Kein ML-Wissen nötig. Wichtig: Landing AI hostet Daten in den USA. Für Produktionsbilder, die proprietäre Fertigungsverfahren abbilden, ist das eine DSGVO-Abwägung. Für interne PoC-Phasen vor der Investitionsentscheidung ist Landing AI die schnellste Option. Preis: 1.000 Credits kostenlos, danach ab 250 USD/Monat. Sinnvoll wenn: ihr prüfen wollt, ob das Konzept für euer Defektprofil funktioniert — bevor ihr 50.000 € in Hardware investiert.

ISRA VISION — für Hochvolumen mit komplexen Oberflächenprofilen Teil des Atlas-Copco-Konzerns, spezialisiert auf Inline-Oberflächeninspektion bei hohen Bandgeschwindigkeiten. Besonders relevant für Medizinprodukte-Hersteller mit transparenten oder reflektierenden Materialien (Glasampullen, Implantate mit spiegelnden Oberflächen). Klassifikationsmodelle mit 50+ Fehlertypen. Preis: ab 80.000 € für Einstiegssysteme. Sinnvoll wenn: ihr produziert transparent oder reflektierend, habt hohes Volumen, und braucht lückenlose Fehlerdokumentation für Reklamationsabwicklung.

Zusammenfassung: Wann welcher Ansatz

• Konzepttest, Budget begrenzt → Landing AI PoC
• Standardfälle, mittelständisches Unternehmen, deutscher Support → KEYENCE
• Hochvolumen, stabiles Produktprogramm, SPS-Integration → Cognex
• Transparente/reflektierende Oberflächen, Hochvolumen → ISRA VISION

Für die ISO-13485-Dokumentation der Prüfergebnisse braucht ihr parallel ein validierbares QMS-System. Qualio ist eine Cloud-QMS-Plattform für Life-Sciences-Unternehmen, die ISO 13485 und FDA 21 CFR Part 11 abdeckt — und mit der ihr Prüfergebnisse aus dem Kamerasystem strukturiert erfassen und nachverfolgen könnt.

Datenschutz und Datenhaltung

Produktionsbilder von Medizinprodukten enthalten keine personenbezogenen Daten im Sinne der DSGVO — solange die Bilder nur die Produkte zeigen, nicht Personen. Das klingt einfach, hat aber in der Praxis einen Haken.

Produktionsgeheimnisse als informationelles Risiko. Eure Kamerabilder zeigen unter Umständen Fertigungsverfahren, Toleranzgrenzen, Produktgeometrien und Prozessparameter, die als Betriebsgeheimnisse geschützt sind — auch wenn sie technisch keine personenbezogenen Daten sind. Systeme, die Bilddaten in die Cloud übertragen (Landing AI US-Server, AWS Rekognition), können hier problematisch sein — nicht wegen DSGVO, sondern wegen Know-how-Schutz.

Die sichere Architektur für die Medizintechnik: Industriekameras, die direkt mit einem lokalen Industrierechner verbunden sind, verarbeiten Daten on-premises. Kein Bild verlässt die Fabrikhalle, kein Cloud-Service hat Zugriff. Das ist die Standardarchitektur für Cognex- und KEYENCE-Systeme — und die einzige Architektur, die im Validierungsrahmen nach ISO 13485 klar zu dokumentieren ist.

Was ihr aktiv regeln müsst:

• Fernwartungszugriffe durch Systemintegratoren: via VPN, protokolliert, mit AVV
• Wenn Bilder lokal gespeichert werden: Aufbewahrungsfristen definieren (Rückverfolgbarkeit vs. Datensparsamkeit)
• Wenn KI-Modelltraining auf Cloud-Servern des Anbieters stattfindet: Datenfluss prüfen, NDA und Geheimhaltungsverträge sichern

Gute Nachricht: Da die meisten industriellen Bildverarbeitungssysteme vollständig lokal laufen, sind die DSGVO-Risiken gering. Die Komplexität liegt in der Validierungsdokumentation, nicht im Datenschutz.

Was es kostet — realistisch gerechnet

KI-Bildprüfung in der Medizintechnik ist keine billige Angelegenheit. Hier ist eine ehrliche Kostenaufstellung.

Einmalige Investitionskosten je Prüfstation

• Hardware (Kamera, Beleuchtung, Industrierechner, Mechanik): 15.000–80.000 €
• Software-Lizenzen (Vision-Software, ggf. Deep-Learning-Modul): 5.000–25.000 €
• Integration (SPS-Anbindung, QM-System-Schnittstelle): 10.000–30.000 €
• Computer-System-Validierung (IQ/OQ/PQ-Dokumentation, externer Validierungsberater): 15.000–40.000 €
• Gesamtinvestition Erststation: 45.000–175.000 €

Die Validierungskosten sind nicht optional. Wer das weglässt, hat nach ISO 13485 kein freigegebenes System.

Laufende Kosten

• Wartungsvertrag Hardware: 5–15 % der Anschaffungskosten/Jahr
• Software-Wartung und Updates: 2.000–8.000 €/Jahr
• Jährliche Performance-Review (Recalibration, Re-Validation bei Änderungen): intern 2–4 Wochen oder 5.000–15.000 € extern

Was du dagegenrechnen kannst In einem typischen 3-Schicht-Betrieb mit manueller Sichtprüfung an einer Station:

• 2 Prüfer je Schicht × 3 Schichten × ca. 2,5 Std. Prüfanteil × 250 Arbeitstage = ca. 3.750 Prüfstunden/Jahr ≈ 1,5 Vollzeitstellen
• Bei einem Bruttolohn von 45.000 € je Vollzeitstelle: ca. 67.500 €/Jahr für den Prüfpersonalanteil
• Dazu: Ausschuss, Nacharbeit, potenzielle Rückrufkosten

Das Kamerasystem amortisiert sich in der Regel in 18 bis 36 Monaten. Schneller, wenn eine FSCA verhindert wird — eine einzige Feldkorrekturmaßnahme kann fünf- bis siebenstellig kosten, je nach Produktklasse und Betroffenenanzahl.

ROI messen — nicht nur berechnen Der ehrlichste Beweis ist der direkte Vergleich: Fehlerrate vor dem System (aus historischen Prüfprotokollen) gegen Fehlerrate danach (aus dem automatischen QMS-Log). Wer das nicht messen kann, weil die Vorher-Daten fehlen, hat gleichzeitig ein QMS-Problem, das dringender ist als die Kamera.

Drei typische Einstiegsfehler

1. Pilot auf dem “einfachsten” Produkt, nicht auf dem kritischen. Der Reflex: Wir testen das System an dem Artikel, bei dem wir uns sicher sind, dass es funktioniert. Das klingt nach kluger Risikominimierung — führt aber in die Irre. Das erste validierte System beweist nur, was es testen soll. Die schwierigen Defekttypen, die komplexen Geometrien, die Produkte mit engen Toleranzen — die kommen nie in den PoC. Und der Pilotbericht hat dann keinen Aussagewert für die eigentlichen Problemfälle.

Besser: Den PoC an dem Produkt starten, bei dem ihr heute die meisten Prüffehler habt und die höchste Ausschussrate. Wenn das System dort beweist, dass es funktioniert, habt ihr auch den Business Case für die Investition.

2. Kein Fehlerbild-Katalog vor dem Kameragespräch. Kein Bildverarbeitungssystem kann Defekte erkennen, die ihr nicht benennen könnt. Was genau soll das System finden? Kratzer über 0,2 mm? Risse ab welcher Länge? Farbabweichungen in welchem Delta-E-Bereich? Wer in das erste Anbieter-Meeting geht ohne einen definierten Fehlerkatalog mit Fotos der kritischsten Defekttypen, wird eine Präsentation bekommen, aber kein System, das für seine spezifische Fertigung funktioniert.

3. Das Modell läuft an — und wird nie wieder angepasst. Das ist der gefährlichste Fehler, weil er schleichend ist.

Bilderkennung in der Fertigung driftet. Wenn sich Lieferanten ändern (andere Materialcharge, leicht andere Oberflächenrauheit), Werkzeuge verschleißen (geometrische Veränderungen), Beleuchtungsquellen altern (Farbtemperatur verschiebt sich) oder neue Produktvarianten eingeführt werden — reagiert das Modell auf Inputs, für die es nicht trainiert wurde. In der Praxis bedeutet das: steigende Falsch-Positiv-Rate (System sortiert korrekte Teile aus), oder schlimmer: steigende Falsch-Negativ-Rate (System lässt Fehler durch, die es früher erkannt hat).

Laut einem Analyse-Bericht der Edge AI and Vision Alliance (2026) gehört “Model Obsolescence” — nicht retrainierter Modellverfall — zu den häufigsten Ursachen für Inspektionsfehler in Produktionslinien. In der Medizintechnik kommt hinzu: Jedes Re-Training löst eine Dokumentationspflicht im Rahmen des validierten Systems aus — es reicht nicht, das Modell stillschweigend zu verbessern.

Wer das ignoriert, hat nach 18 Monaten ein System, das zuversichtlich dokumentiert — und dessen Erkennungsleistung unbekannt ist. Das ist in einem ISO-13485-Audit ein echtes Problem.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Zweitschwerste. Das Schwerste ist die Organisation.

Das Validierungsprojekt frisst mehr Kapazität als geplant. Die IQ/OQ/PQ-Dokumentation wird intern unterschätzt. Wer sie noch nie gemacht hat, rechnet mit vier Wochen und braucht sechs Monate. Nicht weil irgendetwas schiefgeht, sondern weil die Anforderungen an Präzision, Nachvollziehbarkeit und Genehmigungsschleifen mit der QA-Abteilung unterschätzt werden. Realistischer Plan: Zwei erfahrene Personen aus QM und Produktion für 30–50 % ihrer Zeit über sechs Monate — plus externem Validierungsberater.

Prüfpersonal erlebt die Einführung als Bedrohung. Auch wenn das Ziel “Entlastung” ist, reagieren Prüferinnen und Prüfer auf Kamerasysteme oft skeptisch: Das Gerät nimmt mir meine Aufgabe weg. Das ist verständlich — und mit einer falschen Kommunikation kann man den Rollout sabotieren, bevor das System live ist. Was funktioniert: Die Prüfpersonen werden in den Testbetrieb eingebunden, nicht danach informiert. Sie liefern die Fehlerkatalog-Bilder, sie testen das System parallel, sie entscheiden die Grenzfälle. Wer das System mitgebaut hat, verteidigt es.

Die parallele Dokumentationsprüfung bremst den Zeitplan. In jedem Validierungsprojekt gibt es den Moment, in dem Qualitätsmanager und Produktion unterschiedliche Auffassungen über Prüfgrenzen, Toleranzen oder Fehlerkategorien haben — und diesen Konflikt lösen müssen, bevor das System freigeschaltet wird. Das ist kein Fehler des Projekts, sondern wertvoll: Diese Diskussion hätte ohnehin stattfinden müssen. Aber wer das nicht einplant, steht sechs Wochen vor Go-Live vor einer internen Eskalation.

Realistischer Zeitplan mit Risikohinweisen

Gesamtprojektlaufzeit: 6–18 Monate, je nach Komplexität des Prüfprogramms und verfügbarer QM-Kapazität.

Häufige Einwände — und was dahintersteckt

„Wir haben zu viele Produktvarianten — das lässt sich nicht trainieren.” Medizintechnik-Hersteller mit breitem Portfolio haben berechtigte Bedenken: Muss für jede Variante ein eigenes Modell trainiert und validiert werden? In der Praxis: nicht unbedingt. Moderne Deep-Learning-Systeme lernen Defekte als Muster, nicht als produktspezifische Regeln. Ein Modell, das Kratzer auf zylindrischen Metallteilen erkennt, generalisiert in vielen Fällen auf ähnliche Geometrien. Der Aufwand wächst mit der Produktvielfalt — aber nicht linear. Beginnt mit dem Produkt mit dem höchsten Volumen oder der höchsten Fehlerrate.

„Die Validierung kostet mehr als das System selbst.” Manchmal stimmt das. Besonders bei Erstsystemen ohne erfahrenes QA-Team und ohne Validierungs-Templates sind 15.000–40.000 € Validierungskosten für ein 50.000-€-System keine Seltenheit. Die ehrliche Gegenfrage: Wie hoch ist euer aktueller Prüfaufwand in Personalkosten pro Jahr? Und was kostet eine FSCA, die ihr mit dem System hättet verhindern können? Der Validierungsaufwand beim zweiten und dritten System in eurem Unternehmen ist deutlich geringer — Protokollvorlagen, Testszenarien und Entscheidungsgrenzen sind wiederverwendbar.

„Das System erkennt Fehler, die kein Mensch finden würde — wird das zum Problem?” Das ist eine interessante Frage, die erfahrene Qualitätsmanager stellen. Die Antwort: Ja, das kann ein Problem werden — wenn das System Abweichungen markiert, die bisher nie als Defekt definiert waren und klinisch irrelevant sind. Der richtige Weg ist, vor der Inbetriebnahme klinisch relevante Toleranzgrenzen zu definieren und das System danach zu kalibrieren. Das klingt nach mehr Arbeit — ist aber genau die Disziplin, die ISO 13485 in der Fehlerklassifikation verlangt.

Woran du merkst, dass das zu dir passt

• Ihr produziert Medizinprodukte in hohem Volumen — mindestens 500 Einheiten pro Schicht — und die Ausgangskontrolle ist ein dauerhafter Personalengpass
• Eure Fehlerrate in der manuellen Sichtprüfung ist schichtabhängig messbar: die Abendschicht macht mehr Fehler als die Frühschicht, die ersten zwei Stunden laufen besser als die letzten
• Ihr habt bereits ein zertifiziertes ISO-13485-QMS und einen erfahrenen Qualitätsmanager, der Validierungsprojekte begleiten kann
• Ihr hattet in den letzten drei Jahren mindestens eine interne Abweichungsanalyse wegen Prüffehlern — oder eine FSCA, die auf unerkannte Produktionsfehler zurückging
• Euer Produktprogramm ist überschaubar stabil — keine wöchentlichen Design-Änderungen, keine Kleinstmengen unter 50 Einheiten/Produkt

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

1. Weniger als 200 Einheiten pro Schicht. Unterhalb dieser Produktionsmenge kann die Investition in Hardware, Integration und Validierung (45.000–175.000 € je Station) in keinem realistischen Zeithorizont amortisiert werden. Für Kleinserien und individuelle Medizinprodukte (z. B. maßgefertigte Implantate, kundenspezifische Orthesen) bleibt manuelle Inspektion durch qualifiziertes Personal die wirtschaftlich und regulatorisch richtige Antwort.

2. Kein zertifiziertes QMS nach ISO 13485. Das Bildprüfsystem muss in einen validierten Qualitätsrahmen integriert werden. Ohne bestehendes QMS gibt es keine Basis für die IQ/OQ/PQ-Validierung — das System kann nicht freigegeben werden. Wer noch dabei ist, das QMS aufzubauen, sollte das abschließen, bevor in Kameratechnik investiert wird.

3. Hochvariable Produkte mit häufigen Design-Änderungen. Jede Änderung an Produktgeometrie, Toleranzen oder Materialspezifikation kann eine Teil-Revalidierung erfordern. Wenn euer Produktentwicklungszyklus kürzer ist als eure Validierungszyklen, holt euch das System permanent ein. R&D-nahe Produktion und Klinische Studienproduktion sind daher typischerweise kein guter Anwendungsfall.

Das kannst du heute noch tun

Starte mit einem Fehlerbild-Katalog — das kostet nichts und ist die Grundvoraussetzung für jeden ernsthaften Anbieter-Dialog.

Schau in euer Ausschusslager und fotografiere die 10 häufigsten Fehlertypen, die ihr in der Sichtprüfung aussortiert. Für jeden Fehlertyp: mindestens 5 Fotos unter ähnlichen Lichtverhältnissen, mit und ohne den Defekt im Bild. Das ist das Minimum-Dataset, mit dem Landing AI einen ersten Prototyp innerhalb von Stunden trainieren kann — ohne Hardware-Investition, ohne Validierung, nur um zu prüfen: Ist unser Defektprofil überhaupt automatisch erkennbar?

Wenn der Prototyp zeigt, dass das Modell grundsätzlich erkennt, was ihr erwartet, habt ihr einen belastbaren Argumentationsrahmen für die Investitionsentscheidung. Wenn nicht, wisst ihr es früh — und vor dem Kauf.

Für die Vorbereitung des Anbietergesprächs hilft dieser Prompt:

Quellen & Methodik

• Fehlerhäufigkeit manueller Inspektion (60–85 %): Edge AI and Vision Alliance, „What Happens When the Inspection AI Fails: Learning from Production Line Mistakes” (Februar 2026). Die Analyse dokumentiert reale Produktionslinien-Ausfälle bei Foxconn, Samsung und Toyota und beziffert den Anteil unerkannter Defekte bei nicht regelmäßig aktualisierten Systemen auf durchschnittlich 34 %. URL: edge-ai-vision.com
• Medizinprodukte-Rückrufe 2023: Akridata, „The ROI of Automated Inspection in Manufacturing” (2024). 975 Rückrufe, 283 Millionen Einheiten, Milliardenschäden. URL: akridata.ai/blog/the-roi-of-automated-inspection-in-manufacturing
• Herzstent-Fallstudie (65 % Qualitätsverbesserung): Akridata, „AI for Visual Inspection in Medical Device Manufacturing” (2024). Hybrid-Mensch-Maschine-Inspektion vs. manuell. URL: akridata.ai/medical
• ISO 13485:2016 Abschnitt 7.5.6 (Software-Validierung): Norm in der aktuell gültigen Fassung. Erläuterungen zum Validierungsrahmen: Johner Institut, „Computerized Systems Validation CSV” (2024). URL: blog.johner-institute.com
• Implementierungskosten und ROI: Kombination aus veröffentlichten Marktdaten (Averroes.ai, UnitX Labs 2025) und Erfahrungswerten aus Medizintechnik-Projekten. Vollstationskosten (Hardware + Integration + Validierung) typisch 45.000–175.000 € je Station.
• Preisangaben Cognex, KEYENCE, Landing AI, ISRA VISION, Qualio: Veröffentlichte Tarife und Preisrahmen der jeweiligen Anbieter (Stand Mai 2026).
• Regulatorische Grundlagen MDR und ISO 13485: EU-Verordnung 2017/745 (MDR) in der aktuell gültigen Fassung; Johner Institut, Quickbird Medical.

Ihr möchtet wissen, ob euer Defektprofil für automatische Bildprüfung geeignet ist — und was das konkret in eurem QMS-Rahmen bedeutet? Meldet euch — das klären wir gemeinsam in einem kurzen Gespräch.