KI im QMS der Automobilindustrie
Worum es geht
An den Tech Supplier Days von Motherson durften wir unsere QMS-Lösungen vor Qualitätsverantwortlichen aus der Automobilzulieferindustrie zeigen. So wertvoll die Demo war: Am meisten gelernt haben wir im Roundtable danach. Dort sassen Menschen am Tisch, die täglich mit Abweichungen, Audits und Kundenreklamationen umgehen – und die sehr genau wissen, woran neue Tools in der Fertigung scheitern.
In diesem Beitrag fassen wir zusammen, welche zwei Wege wir für den Einsatz von KI im Qualitätsmanagement vorgestellt haben und welche Themen die Teilnehmenden am stärksten beschäftigt haben. Vielleicht erkennen Sie Ihre eigenen Fragestellungen darin wieder.
Zwei Wege, KI ins Qualitätsmanagement zu bringen
Wir haben zwei Ansätze vorgestellt, die sich gegenseitig ergänzen. Welcher für Ihr Unternehmen der richtige ist, hängt von Ihren Prozessen ab – viele Betriebe werden mit der Zeit beide nutzen.
1. KI über das Model Context Protocol (MCP) anbinden
Beim ersten Ansatz wird ein Sprachmodell wie ChatGPT oder Claude über das Model Context Protocol direkt mit dem QMS verbunden. Das Modell kann Systemdaten lesen und – sofern freigegeben – auch schreiben. Das lästige Hin- und Herkopieren zwischen Tools entfällt.
Was heisst das im Alltag? Ein Qualitätsingenieur lädt ein Fehlerbild hoch, lässt es mit den dokumentierten Nichtkonformitäten im System abgleichen und erhält einen Entwurf für den Abweichungsbericht – alles in einem Arbeitsgang. Die Entscheidung bleibt beim Menschen: Das Modell schlägt vor, der Ingenieur prüft und gibt frei.
Der grosse Pluspunkt dieses Ansatzes: Ihr Team bleibt in den gewohnten Werkzeugen und bekommt trotzdem KI-Unterstützung, die auf echten Produktionsdaten basiert – nicht auf Annahmen.
2. KI direkt im QMS einbetten
Der zweite Ansatz dreht die Logik um: Statt ein externes Modell anzubinden, wird die KI Teil der QMS-Anwendung selbst – dort, wo die Daten ohnehin entstehen.
In unserer Demo haben wir das anhand der Root Cause Analysis (RCA) gezeigt. Öffnet ein Qualitätsingenieur einen Nichtkonformitätsdatensatz, schlägt das eingebettete Modell mögliche Ursachen vor. Grundlage dafür sind Muster aus Hunderten dokumentierter Fälle – angezeigt im selben Screen, ohne dass jemand das System wechseln muss.
Dieser Weg spielt seine Stärken vor allem bei strukturierten, wiederkehrenden Analyseaufgaben aus, bei denen sich das Modell gezielt auf Ihre domänenspezifischen Daten eingrenzen lässt.
Was die Qualitätsverantwortlichen beschäftigt
Im Roundtable kristallisierten sich drei Themen heraus, die alle Teilnehmenden umtrieben – unabhängig davon, wie gross ihr Unternehmen ist oder was sie fertigen.
Datensicherheit zuerst
Bevor überhaupt über Funktionen gesprochen wurde, ging es um Datenhoheit. Strikte Zugriffskontrolle, eine lückenlose Protokollierung aller KI-Aktionen und Hosting on-premise oder in einer Private Cloud: Für die Teilnehmenden sind das Grundvoraussetzungen, keine Wunschliste. Wer als Tier-1-Zulieferer proprietäre Konstruktionsdaten seiner OEM-Kunden verwaltet, kann hier schlicht keine Kompromisse eingehen. Ohne garantierte Datensouveränität kommt KI in einem regulierten Fertigungsumfeld nicht zum Einsatz – so einfach ist das.
Der Mensch entscheidet, nicht das Modell
Ebenso klar war die Erwartung, dass jeder KI-generierte Vorschlag von einem Menschen freigegeben wird, bevor er in den Qualitätsdatensatz gelangt. Das ist keine Geschmacksfrage, sondern folgt direkt aus den Validierungsanforderungen, unter denen Qualitätssysteme in der Automobilindustrie stehen. Und es hat einen zweiten Effekt: Vertrauen in die Technologie wächst nicht per Ankündigung, sondern schrittweise – mit jedem Vorschlag, der sich in der Prüfung als brauchbar erweist.
Kein zusätzliches System, das keiner will
Ihre Qualitätsingenieure haben volle Auftragsbücher. Ein Tool, das sie aus der gewohnten Umgebung reisst, Daten doppelt erfassen lässt oder erst mühsam erlernt werden muss, wird im Alltag liegen bleiben – ganz gleich, was es theoretisch kann. Diese Erfahrung haben mehrere Teilnehmende bestätigt. Genau hier setzt der direkte Datenzugriff über MCP an: Er beseitigt Medienbrüche und bringt die KI-Unterstützung in den bestehenden Workflow, statt einen neuen daneben zu stellen.
Ein Beispiel aus der Praxis: 50 Berichte pro Tag
Ein Teilnehmer schilderte eine Situation, die uns nicht mehr losgelassen hat. In seinem Werk entstehen täglich bis zu 50 Abweichungsberichte. Jeder einzelne muss dokumentiert, kategorisiert und mit einer ersten Ursacheneinschätzung versehen werden. Ein Grossteil davon ist Handarbeit – Zeit, die für die eigentliche Problemlösung fehlt.
Genau hier setzen die Bilderkennungs- und Berichtsfunktionen an, die wir gezeigt haben: Sie nehmen den Ingenieuren den Dokumentationsaufwand weitgehend ab. Die frei werdende Zeit fliesst in Analyse und Korrekturmassnahmen – also dorthin, wo erfahrene Fachleute einen Mehrwert schaffen, den kein Modell ersetzen kann.
Unser Fazit
Die Tech Supplier Days haben einen Eindruck bestätigt, den wir aus vielen Gesprächen mitnehmen: Die Automobilzulieferindustrie ist bereit für KI im Qualitätsmanagement. Der Engpass ist nicht mehr die Technologie, sondern die Integration – sicher, mit menschlicher Kontrolle und ohne Mehraufwand für die Menschen, die täglich damit arbeiten.
Bezeichnend fanden wir vor allem eines: Niemand am Tisch hat gefragt, ob KI im Qualitätsmanagement hilft. Gefragt wurde, wie man sie so einführt, dass sie Audits standhält, das Dateneigentum respektiert und die Arbeit des Teams spürbar erleichtert. Das sind genau die richtigen Fragen.
Möchten Sie sehen, wie das in der Praxis aussieht? Entdecken Sie unsere Manufacturing-Lösung – oder vertiefen Sie eine der zentralen Methoden im Artikel unten.
KI RCA mit dem Ishikawa-Diagramm
KI-gestützte Root Cause Analyse mit dem Ishikawa-Diagramm Kurzfassung Die Root Cause Analyse (RCA) hilft Unternehmen, die wahren Ursachen von Problemen zu identifizieren und nachhaltig zu lösen. Eine …