Kratzer. Oberflächenfehler. Fehlende Komponenten. Falsche Positionen. Verformungen. Farbabweichungen.

Ein erfahrener Qualitätsprüfer kann innerhalb kurzer Zeit zahlreiche Abweichungen erkennen, die auf ein mögliches Qualitätsproblem hindeuten.

Neben der menschlichen Prüfung gewinnt jedoch eine weitere Technologie zunehmend an Bedeutung:

KI-gestützte Machine Vision.

Zwei technologische Entwicklungen aus dem August 2026 zeigen, wohin sich die industrielle Qualitätsprüfung entwickeln könnte.

Die entscheidende Frage lautet dabei möglicherweise nicht:

KI oder Mensch?

Sondern:

Welche Aufgaben kann wer besser übernehmen?

KI sieht nicht mehr nur Bilder – sondern kann auch räumliche Informationen nutzen

Am 3. August 2026 stellte SICK neue KI-gestützte 3D-Machine-Vision-Funktionen für seine Nova-Plattform vor.

Die Lösung kombiniert Deep Learning mit präzisen 3D-Höhendaten. Nach Angaben von SICK können dadurch neben klassischen Bildinformationen auch räumliche Merkmale für die Qualitätsprüfung genutzt werden.

Die Technologie ist unter anderem für Anwendungen in der Automobilindustrie, Batterieproduktion und Elektronik vorgesehen.

Besonders relevant kann dies bei Fehlern sein, die sich durch:

  • Form,
  • Höhe,
  • Geometrie,
  • Position
  • oder komplexe Oberflächenstrukturen

äußern.

Genau solche Anforderungen finden sich in zahlreichen Produktionsprozessen der Automobilindustrie.

Wenn Machine Vision mit dem QMS verbunden wird

Am 11. August 2026 gab Rockwell Automation die API-basierte Integration des Plex Quality Management System mit FactoryTalk Analytics VisionAI bekannt.

Ziel der Integration ist es, KI-gestützte visuelle Prüfungen direkt in Qualitätsmanagement-Workflows einzubinden und unter anderem Fehlererkennung und Rückverfolgbarkeit zu unterstützen.

Aus Sicht der Qualitätssicherung ist dies ein wichtiger Schritt.

Ein Kamerasystem muss nicht mehr lediglich melden:

„Fehler erkannt.“

Die Prüfinformationen können mit weiteren Daten verbunden werden:

Bei welchem Produkt trat die Abweichung auf? Wann wurde sie festgestellt? In welchem Prozessschritt? Um welchen Fehlertyp handelt es sich?

Damit wird aus einer visuellen Prüfung mehr als eine reine Kontrolle.

Es entstehen strukturierte Qualitätsdaten.

Warum kann KI bei der visuellen Qualitätsprüfung effektiv sein?

Klassische regelbasierte Bildverarbeitungssysteme arbeiten üblicherweise anhand vorab definierter Kriterien.

Manche Fehler lassen sich jedoch nur schwer durch einfache Regeln beschreiben.

Ein Kratzer kann beispielsweise:

  • an unterschiedlichen Positionen auftreten,
  • unterschiedlich lang sein,
  • verschiedene Winkel aufweisen,
  • bei wechselnden Lichtbedingungen unterschiedlich erscheinen,
  • und je nach Ausprägung eine unterschiedliche Qualitätsrelevanz haben.

Deep-Learning-Systeme bieten bei geeigneten Trainingsdaten die Möglichkeit, auch komplexere Muster zu erkennen.

Wird KI den Qualitätsprüfer ersetzen?

Nicht unbedingt.

Wahrscheinlicher ist, dass sich die Aufgabenverteilung zwischen Mensch und Technologie verändert.

KI und Machine Vision können besonders stark sein bei:

  • sich wiederholenden Prüfaufgaben,
  • kontinuierlichen Kontrollen,
  • Mustervergleichen,
  • der Verarbeitung großer Datenmengen,
  • der konsequenten Suche nach definierten Abweichungen.

Menschen verfügen gleichzeitig über Fähigkeiten, die weiterhin entscheidend bleiben.

Sie können Zusammenhänge verstehen.

Sie können ungewöhnliche Situationen erkennen.

Sie können verschiedene Beobachtungen miteinander verbinden.

Und sie können Entscheidungen auch dann treffen, wenn ein automatisiertes System für einen Fall noch keine ausreichenden Trainingsdaten oder definierten Reaktionen besitzt.

Deshalb lautet die entscheidende Frage vielleicht nicht:

KI oder Mensch?

Sondern:

KI und Mensch – wie verteilen wir die Aufgaben sinnvoll?

Die KI erkennt ein NOK-Teil. Was passiert danach?

Dies ist eine der wichtigsten Fragen aus Sicht des Qualitätsmanagements.

Nehmen wir an, ein KI-gestütztes Kamerasystem erkennt eine Abweichung.

Was passiert anschließend?

Wird die Produktion gestoppt?

Wird das Produkt automatisch ausgesondert?

Wer bestätigt, ob das Bauteil tatsächlich NOK ist?

Könnten auch die vorherigen 10, 100 oder 1.000 Produkte betroffen sein?

Muss ein Containment gestartet werden?

Ist eine 100-%-Sortierung notwendig?

Was ist die Root Cause?

Müssen Prozessparameter angepasst werden?

Viele dieser Fragen haben mit Bilderkennung nur noch wenig zu tun.

Es handelt sich um Qualitätsentscheidungen.

Technologie allein ist noch keine Qualitätssicherung

Auch ein hochentwickeltes KI-Kamerasystem bildet für sich allein noch keinen vollständigen Qualitätssicherungsprozess.

Seinen tatsächlichen Mehrwert entwickelt es erst, wenn es mit:

  • klar definierten OK-/NOK-Kriterien,
  • Reaktionsplänen,
  • dem QMS,
  • Rückverfolgbarkeitsdaten,
  • Produktionsinformationen,
  • Containment-Prozessen
  • und menschlicher Entscheidungsfindung

verbunden ist.

Technologie kann eine Abweichung erkennen.

Das Unternehmen muss jedoch wissen, wie mit dieser Information umzugehen ist.

Der größte Mehrwert könnte in den Daten liegen

Langfristig könnte der größte Vorteil KI-gestützter Qualitätsprüfung nicht allein darin bestehen, NOK-Produkte schneller zu erkennen.

Sondern darin, dass aus jeder Prüfung Daten entstehen.

Werden diese Daten mit Produktionsinformationen verknüpft, können möglicherweise Muster sichtbar werden, die zuvor nur schwer erkennbar waren.

Zum Beispiel:

Ein bestimmter Fehlertyp tritt zunehmend häufiger auf.

Nach einer Änderung eines Prozessparameters steigt die NOK-Rate.

Bei einer bestimmten Lieferantencharge entsteht ein anderes Fehlermuster.

Ein Qualitätskennwert verschlechtert sich innerhalb eines bestimmten Produktionszeitraums schrittweise.

Die visuelle Qualitätsprüfung wird dadurch nicht nur zum Werkzeug der Fehlererkennung.

Sie kann sich zu einer wertvollen Datenquelle für die kontinuierliche Prozessverbesserung entwickeln.

Die Rolle des Menschen verschwindet nicht unbedingt – sie verändert sich

Monotone und stark repetitive Prüfaufgaben können künftig zunehmend durch Automatisierung unterstützt werden.

Die Rolle des Menschen könnte sich gleichzeitig stärker in Richtung:

Interpretation von Abweichungen, Untersuchung komplexer Fehler, Reaktionsmanagement und Prozessverbesserung

entwickeln.

Das ist nicht nur eine technologische Veränderung.

Es könnte auch eine Weiterentwicklung der Rolle des Qualitätsprüfers bedeuten.

Die Zukunft der Qualitätsprüfung wird wahrscheinlich hybrid

Sowohl die KI-gestützte 3D-Machine-Vision-Lösung von SICK als auch die QMS–VisionAI-Integration von Rockwell Automation zeigen, dass künstliche Intelligenz zunehmend enger mit industriellen Qualitätsprozessen verbunden wird.

Der größte Mehrwert von KI wird jedoch möglicherweise nicht darin liegen, Menschen zu ersetzen.

Sondern darin, Qualitätsfachkräften Werkzeuge zur Verfügung zu stellen, mit denen sie:

schneller, konsistenter und auf Basis einer größeren Datenmenge entscheiden können.

Der Wettbewerbsvorteil der zukünftigen Qualitätssicherung wird deshalb möglicherweise nicht davon abhängen, wer die meiste KI einsetzt.

Sondern davon, wer am besten:

Technologie, Daten, Prozesse und menschliche Expertise miteinander verbindet.

Bei Miell Quality sind wir überzeugt, dass unabhängig von der eingesetzten Technologie das grundlegende Ziel der Qualitätssicherung in der Automobilindustrie unverändert bleibt:

Das konforme Produkt soll den Prozess fortsetzen – das nicht konforme Produkt nicht.

Quellen

SICK – AI-powered 3D Quality Inspection with Nova Machine Vision Platform, 3. August 2026.

Rockwell Automation – Rockwell Automation Integrates Plex QMS With FactoryTalk Analytics VisionAI to Advance AI-Driven Quality, 11. August 2026.