KI im Qualitätsmanagement: Insights vom Süddeutschen Qualitätstag

Die spannendsten Innovationen im Qualitätsmanagement entstehen gerade dort, wo künstliche Intelligenz, Digitalisierung und der Faktor Mensch gezielt zusammengebracht werden. Genau das zeigte der 4. Süddeutsche Qualitätstag am Fraunhofer IPA – sehr greifbar, sehr praxisnah und mit deutlichem Fokus auf die Industrie, insbesondere die deutsche Automobil- und Zulieferbranche.

Während viele Unternehmen noch darüber diskutieren, ob KI im QM „schon reif genug“ ist, berichten andere bereits von 50 % Effizienzsteigerung im Managementsystem oder von KI-gestützter Bildverarbeitung in der Serienproduktion. Der Qualitätstag machte deutlich: Wer jetzt handelt, baut sich einen echten Vorsprung auf – wer wartet, wird in ein paar Jahren nur noch hinterheroptimieren.

In diesem Beitrag fasse ich die wichtigsten Impulse des 4. Süddeutschen Qualitätstags zusammen und übersetze sie in konkrete Handlungsansätze – mit einem besonderen Blick auf Produktions- und Automobilunternehmen in Deutschland.

---

1. Digitale Kompetenzen sind zur Grundausstattung geworden

Die zentrale Botschaft der Keynote „Digitale Welten erfordern digitale Kompetenzen“ lässt sich klar formulieren: Qualitätsprofis brauchen heute mehr als Normenkenntnis und Methodenwissen – sie müssen digitale Risiken und Chancen verstehen.

Cyberkriminalität, KI-Fakes und Qualitätsrisiken

Cem Karakaya, Experte für Internetkriminalität, machte deutlich, wie eng Cybersecurity, KI und Qualität inzwischen verzahnt sind:

• KI beschleunigt Phishing, Social Engineering und Datendiebstahl.
• Gefälschte Dokumente, Zertifikate oder Prüfberichte lassen sich durch Deep Fakes deutlich glaubwürdiger darstellen.
• Manipulierte Datenströme können Qualitätskennzahlen verfälschen, was in regulierten Branchen und in der Automobilindustrie schnell zur Existenzfrage wird.

Für das Qualitätsmanagement bedeutet das:

Datensicherheit ist heute ein Qualitätsmerkmal. Ein unsicheres Managementsystem ist automatisch auch ein schwaches Managementsystem.

Was Qualitätsmanager konkret tun sollten

Wer Qualitätsmanagement ernst nimmt, muss Sicherheit als festen Bestandteil des Systems verankern:

• Risikobetrachtung erweitern: Cyberrisiken und Datenintegrität explizit in FMEA, Risikomatrizen und Managementbewertungen berücksichtigen.
• Mitarbeiter sensibilisieren: Schulungen zu Phishing, Fake-News, Deep Fakes und sicheren digitalen Arbeitsweisen als festen QM-Baustein etablieren.
• Datenquellen absichern: Klare Verantwortlichkeiten für Stammdaten, Prüfpläne, Messdaten und Auditunterlagen definieren.

Gerade im Kontext von KI in der deutschen Automobilindustrie ist das entscheidend: KI-Modelle, die mit falschen oder manipulierten Daten trainiert werden, führen im Zweifel zu systematischen Qualitätsfehlern – im schlimmsten Fall sicherheitsrelevant.

---

2. KI in der Qualitätssicherung: Von der Theorie in die Linie

Der thematische Block „KI im QM“ zeigte, dass KI längst nicht mehr nur ein Laborthema ist. Vor allem zwei Anwendungsfelder stechen heraus: industrielle Bildverarbeitung und KI-gestützte Managementsysteme.

KI-Bildverarbeitung für die optische Prüfung

Prof. Marco Huber vom Fraunhofer IPA machte klar: Optische Sichtprüfung ist einer der effektivsten Einstiegsbereiche für KI in der Produktion.

Die Kernerkenntnisse:

• Klassische Bildverarbeitung stößt bei variantenreichen Produkten und komplexen Oberflächen schnell an Grenzen.
• KI-Modelle können feine, schwer beschreibbare Merkmale (z.B. Kratzer, Poren, Strukturfehler) deutlich besser erkennen.
• Mit synthetischen Bilddaten – also künstlich generierten Bildern – lässt sich die Erkennungsleistung weiter steigern, ohne tagelang Teile fotografieren zu müssen.

Für Unternehmen, insbesondere in der Automobil- und Zulieferindustrie, ist das attraktiv:

• Ausschuss und Nacharbeit sinken, weil Fehler früher erkannt werden.
• Prüfpersonal wird entlastet, vor allem bei monotonen Sichtprüfungen.
• Die Verbindung aus optischer Prüfung und Prozessteuerung ermöglicht einen geschlossenen Qualitätsregelkreis.

Praxis-Tipp:

Wer starten will, sollte einen klar abgegrenzten Anwendungsfall wählen, z.B. Oberflächenprüfung eines Bauteils mit hoher Stückzahl, und in einem Piloten testen:

1. repräsentative Bilddaten sammeln,
2. mit einem erfahrenen KI-Partner ein erstes Modell erstellen,
3. gegen bestehende Prüfungen benchmarken,
4. schrittweise in die Linie integrieren.

KI-gestützte Managementsysteme: 50 % Effizienzgewinn sind realistisch

Dr. Carsten Behrens zeigte, wie KI im integrierten Managementsystem (IMS) funktioniert, wenn man sie nicht als Spielerei, sondern als Arbeitswerkzeug versteht.

Ein paar zentrale Anwendungsfälle:

• Speech Mining: Meetings oder Prozessworkshops werden aufgezeichnet, automatisch transkribiert und in Prozessmodelle überführt. Das reduziert den Dokumentationsaufwand massiv.
• KI-Antwortmaschine: Mitarbeitende stellen Fragen wie „Wie melde ich eine Abweichung?“ – das System durchsucht Prozesse, Arbeitsanweisungen und FAQs und gibt eine konkrete, kontextbezogene Antwort.
• Managementsystem-Push: Relevante Infos werden aktiv an die richtigen Rollen ausgespielt, statt darauf zu warten, dass jemand im Intranet sucht.

Die Aussage „spielerische 50 % Effizienzsteigerung“ ist ambitioniert, aber aus meiner Sicht in vielen Unternehmen erreichbar – vor allem dort, wo heute noch:

• Prozesse in PowerPoint und PDF „begraben“ sind,
• Wissen in Köpfen statt in Systemen liegt,
• Mitarbeitende mehr Zeit mit Suchen als mit Anwenden von Vorgaben verbringen.

Konkreter Ansatz für Unternehmen:

• Start mit einem klaren Use Case, z.B. „Reduktion der Suchzeit nach Prozessinfos“.
• Bestehende QM-Dokumente strukturieren und in ein durchsuchbares System bringen.
• KI-Funktionen zunächst für begrenzte Zielgruppen (z.B. Teamleiter Montage) freischalten und Feedback Schleifen einbauen.

---

3. Methoden, Menschen, Kultur: Ohne das Fundament kippt jede KI-Initiative

Der Qualitätstag hat auch deutlich gemacht: Wer nur in Technologie investiert und Methoden sowie Menschen vergisst, wird bei KI im QM scheitern.

Klassische QM-Werkzeuge bleiben Pflichtprogramm

Im Slot zu den Basis-Werkzeugen des Qualitätsmanagements wurde wieder klar: Pareto, Ishikawa, 5-Why, Prozessfähigkeitsanalysen, SPC – diese Werkzeuge sind nicht „oldschool“, sie sind der Boden, auf dem digitale Lösungen aufsetzen.

Warum das wichtig ist:

• KI benötigt saubere Daten – und die entstehen nur, wenn Prozesse strukturiert gemessen und analysiert werden.
• Ohne grundlegendes Methodenverständnis kann niemand die Ergebnisse von KI-Systemen bewerten.
• Digitalisierung verstärkt Schwächen: Schlechte Prozesse werden durch Automatisierung nicht besser, sondern nur schneller schlecht.

Gerade in der Automobilindustrie, in der PPAP, APQP, FMEA und Control Plans Standard sind, lohnt sich ein kritischer Blick: Sind diese Methoden wirklich gelebt, oder nur formale Häkchen für OEM-Audits?

Psychologische Sicherheit als Hebel für Qualität

Ein spannender Akzent kam aus dem Bereich „Faktor Mensch“: Susanne Petersen stellte die Frage, ob Meetings im QM nicht oft Orte systematischer Verunsicherung sind.

Kernpunkt:

Ohne psychologische Sicherheit gibt es keine echte Fehlerkultur und kein offenes Lernen.

Für die Praxis heißt das:

• Mitarbeitende müssen ohne Angst vor Gesichtsverlust auf Probleme hinweisen können.
• QM darf nicht als „Fehlerpolizei“ auftreten, sondern als Partner in der Problemlösung.
• Führende im QM brauchen Fähigkeiten in moderierender, fachlicher Führung – nicht nur Normenwissen.

Gerade wenn KI-Systeme neue Auffälligkeiten oder Anomalien melden, braucht es Teams, die sich trauen zu sagen: „Wir verstehen das (noch) nicht, lasst uns gemeinsam hinschauen.“

---

4. Audits, komplexe Probleme und KI: Von Abweichungsjagd zu echter Unterstützung

Ein weiterer Schwerpunkt des Qualitätstags: Audits und Problemlösung in einer komplexer werdenden Welt.

Audits als Unterstützung, nicht als Stressfaktor

Michael Burghartz-Widmann plädierte für einen Paradigmenwechsel:

• Weg von der reinen Abweichungserteilung,
• hin zu Audits als Sparringspartner für das Unternehmen.

Dafür braucht es:

• Auditoren, die auf Augenhöhe diskutieren, nicht belehren.
• Unternehmen, die ihre Normenkenntnis im Haus stärken, um fachlich argumentieren zu können.
• Auditberichte, die Nutzen stiften, z.B. durch klare Priorisierung und Bezug zu Unternehmenszielen.

Komplexe Probleme strukturiert lösen – mit und ohne KI

Jens Refflinghaus zeigte, wie wichtig ein klarer Problemlebenszyklus ist: Von der Entstörung über Ursachenanalyse bis zur nachhaltigen Vermeidung.

Wichtige Elemente:

• Saubere Problemdefinition (IST / ABER NICHT – Methodik).
• Deep Cause Mapping, um Zusammenhänge ganzheitlich zu visualisieren – nicht nur eine monokausale „Wurzelursache“.
• Definierte Standards für Problem Solving Excellence in der Organisation.

Hier hat KI großes Potenzial:

• Zusammenhänge in großen Datenmengen erkennen (z.B. Qualität, Prozessparameter, Lieferantenchargen).
• Hypothesen generieren, die das Team anschließend prüft.
• Muster wiederkehrender Fehlerfälle sichtbar machen.

Aber: Ohne geübte Problemlöser bleiben KI-Ergebnisse abstrakt. Deshalb sollten Unternehmen zuerst ihre Problemlösekompetenz stärken – und dann gezielt KI einsetzen, um Analysen zu beschleunigen.

Generative KI im Audit – mehr als ein Trendwort

Die Session zu generativer KI in der Auditpraxis zeigte ein realistisches Bild:

• KI kann bei Auditplanung und -vorbereitung helfen (z.B. Checklisten-Vorschläge, Zusammenfassung von Normforderungen, Risiko-Hinweise).
• Während des Audits können Aufzeichnungen, Transkripte und KI-Zusammenfassungen die Dokumentation vereinfachen.
• In der Nachbereitung unterstützen KI-Tools bei Berichtserstellung, Clustern von Feststellungen und Formulierung von Maßnahmenvorschlägen.

Gleichzeitig bleiben Herausforderungen:

• Datenschutz und Vertraulichkeit von Auditinformationen.
• Erklärbarkeit und Nachvollziehbarkeit von KI-Vorschlägen.
• Vermeidung von „Copy-Paste-Audits“ ohne echtes Verständnis.

Wer hier früh Erfahrungen sammelt, wird mittelfristig deutlich effizienter prüfen und auditieren können – ein echter Hebel, gerade in stark regulierten Branchen.

---

5. Next Generation Q, Reinheitstechnik und Resilienz: Zukunftsthemen, die oft unterschätzt werden

Zwischen KI, Audits und Methoden gerät leicht in den Hintergrund, wie stark sich Arbeitswelt, Technologie und Branchenanforderungen verändern.

Was die neue Generation im QM wirklich will

Die DGQ-Youngster-Gruppe „Next Generation Q“ hat gezeigt:

• Junge QM-Fachkräfte wünschen sich Gestaltungsspielraum statt reiner Normverwaltung.
• Interne Kommunikation im QM muss klarer, dialogorientierter und weniger formalistisch werden.
• Unternehmenskultur entscheidet, ob QM als „Verhinderer“ oder als Treiber von Verbesserung und Innovation wahrgenommen wird.

Für Unternehmen auf der Suche nach Talenten – gerade im Umfeld KI in der Automobilindustrie – ist das eine deutliche Botschaft:

Wer moderne QM-Rollen anbietet, findet auch leichter Menschen, die KI, Datenanalyse und klassisches QM verbinden können.

Reinheitstechnik: Saubere Produkte als Qualitäts- und KI-Thema

In der Session zur Reinheitstechnik im Qualitätsmanagement wurde klar:

• In vielen Branchen (Automobil, Medizintechnik, Elektronik) ist technische Sauberkeit ein entscheidender Erfolgsfaktor.
• Miniaturisierung funktioniert nur, wenn Partikel- und Filmverunreinigungen beherrscht werden.
• Neue Standards und Leitfäden liefern konkrete Vorgaben – erfordern aber systematische Umsetzung im QM.

Spannend im Kontext KI: Sauberkeit ist prädestiniert für sensorbasierte Überwachung, Datenanalyse und Mustererkennung, um kritische Zustände früh zu erkennen.

Resilienz und Humor: Ohne Menschen geht gar nichts

Der Abschlussvortrag zur resilienten Haltung von Qualitätsprofis war mehr als eine nette Zugabe.

Botschaft:

• Qualitätsmanagement steht permanent zwischen Anspruch (Null-Fehler, Compliance, OEM-Forderungen) und Realität (Zeitdruck, Kosten, Fachkräftemangel).
• Wer in diesem Spannungsfeld bestehen will, braucht Resilienz, Humor und die Fähigkeit, auch unter Druck einen klaren Kopf zu behalten.

Für die Praxis heißt das:

• Teams brauchen Austauschformate, in denen offen über Belastung, Widersprüche und Zielkonflikte gesprochen werden kann.
• Führung sollte bewusste Schutzräume für Lernen und Ausprobieren schaffen – gerade bei KI-Projekten, die nie von Tag eins an perfekt laufen.

---

Fazit: Wie Unternehmen jetzt konkret vorgehen können

Der 4. Süddeutsche Qualitätstag am Fraunhofer IPA hat vor allem eines gezeigt: KI im Qualitätsmanagement ist kein Zukunftsthema mehr, sondern ein Gestaltungsauftrag für heute. Besonders für Unternehmen der deutschen Automobilindustrie ist jetzt der richtige Zeitpunkt, Pilotanwendungen aufzubauen und Erfahrungen zu sammeln, statt abzuwarten.

Praxisorientierte nächste Schritte könnten sein:

1. Use Cases identifizieren: Wo entstehen heute im QM hohe Aufwände oder Engpässe? (z.B. optische Prüfung, Dokumentation, Audits, Wissensbereitstellung)
2. Datenbasis prüfen: Welche Daten liegen vor, in welcher Qualität, mit welchen Lücken?
3. Methodenkompetenz stärken: Problem Solving, Basis-QM-Werkzeuge und Normenkenntnis gezielt auffrischen.
4. Pilotprojekte starten: Klein anfangen, z.B. mit KI-unterstützter Sichtprüfung oder einer KI-Antwortmaschine im Managementsystem.
5. Mitarbeitende einbinden: Früh und transparent kommunizieren, psychologische Sicherheit fördern, Fehlerkultur stärken.

Wer diese Punkte ernsthaft angeht, wird merken: KI ergänzt das Qualitätsmanagement – sie ersetzt es nicht. Die Kombination aus robusten Methoden, guter Datenbasis, klarer Kultur und gezieltem KI-Einsatz ist der entscheidende Hebel, um Qualitätssicherung und Produktion in Deutschland zukunftsfähig zu machen.

Die Unternehmen, die jetzt handeln, werden in ein paar Jahren nicht darüber reden, ob KI hilfreich ist – sie werden sich fragen, wie sie früher ohne sie klargekommen sind.