KI-gestützte End-of-Line-Qualitätskontrolle:
Defekte und Reklamationen reduzieren

Die zentrale Herausforderung für das Produktionsmanagement ist sehr konkret. Es beginnt in dem Moment, in dem Kunden fehlerhafte Teile erhalten, die eigentlich in der Endprüfung hätten erkannt werden müssen, insbesondere in Umgebungen, in denen noch keine Systeme wie navio VISION im Einsatz sind, die eine konsistente Fehlererkennung sicherstellen.

In solchen Fällen entstehen nicht nur Kosten durch die Rücksendung selbst. Es wird eine Reklamation ausgelöst, die Kunden fordern Ersatzteile, die Produktion muss möglicherweise eine neue Charge fertigen, und insbesondere bei Produktionslinien, auf denen unterschiedliche Produkte hergestellt werden, ist das erneute Umrüsten zur Nachproduktion eines spezifischen Teils kostspielig. Das Reklamationsmanagement entwickelt sich so zu einem bedeutenden, oft unterschätzten Kostenfaktor, der mit jedem fehlerhaften Teil wächst, das die Kunden erreicht.

Hinzu kommt ein zweiter Kostenaspekt, der häufig übersehen wird: die Belastung für die Wareneingangskontrolle der Kunden. Wenn Lieferanten schwankende Qualität liefern, reagieren Kunden mit erhöhtem Prüfaufwand für eingehende Teile. Das steigert deren Kosten, belastet die Geschäftsbeziehung und kann zum Verlust von Aufträgen führen. Eine Reduzierung des QA-Aufwands auf Kundenseite gehört zu den wertvollsten, aber zugleich am wenigsten sichtbaren Effekten einer verbesserten End-of-Line-Prüfung und ist ein zentrales Ergebnis beim erfolgreichen Einsatz von navio VISION.

Diese Lücken zeigen sich in der gesamten Fertigungsindustrie, von der Automobilindustrie über die Elektronikfertigung bis hin zur Medizintechnik. Sie alle lassen sich auf dieselbe strukturelle Einschränkung zurückführen. Die manuelle Qualitätsprüfung am End-of-Line wurde ursprünglich dafür entwickelt, Teile in OK und nicht OK zu klassifizieren. Sie war jedoch nicht dafür ausgelegt, die strukturierten Qualitätsdaten zu liefern, die das Produktionsmanagement für ein effektives Reklamationsmanagement, Ursachenanalysen oder KI-Transparenz über die tatsächlichen Abläufe in der Produktion benötigt.

Qualitätsverantwortliche beschreiben immer wieder ein ähnliches Muster. Fehlerquoten werden auf Basis von Stichproben geschätzt, anstatt über die gesamte Produktion hinweg gemessen. Die Dokumentation variiert zwischen Schichten und Mitarbeitenden, nicht aus Nachlässigkeit, sondern weil manuelle Erfassung von der verfügbaren Zeit und Aufmerksamkeit einzelner Personen abhängt. Das Management erhält ein vollständiges Bild oft erst Wochen nach der Produktion, lange nachdem fehlerhafte Teile bereits ausgeliefert wurden, ein Problem, das navio VISION durch kontinuierliche, Echtzeit-Prüfdaten gezielt adressiert.

Die American Society for Quality berichtet, dass qualitätsbezogene Kosten typischerweise zwischen 15 und 20 Prozent des Umsatzes liegen. In manchen Fällen steigt dieser Anteil auf bis zu 40 Prozent der gesamten Operationen. Das Institute of Industrial and Systems Engineers beziffert die Spanne auf 5 bis 35 Prozent des Umsatzes, mit einem Durchschnitt von etwa 15 Prozent.

Für Hersteller, die physische Produkte versenden, sind zwei Kostenfaktoren besonders hervorzuheben.

Reklamationen: Jedes fehlerhafte Teil, das Kunden erreicht, muss unter Umständen erneut produziert werden. Auf Produktionslinien, die unterschiedliche Produkte fertigen, ist das besonders kostenintensiv. Die Umstellung der Produktionslinie auf eine bestimmte Ersatzcharge kostet Rüstzeit, Material und Kapazität, die für andere Aufträge vorgesehen waren. Die tatsächlichen Kosten von Reklamationen gehen damit weit über den reinen Wert des Ersatzteils hinaus. navio VISION hilft, diese Kosten zu vermeiden, indem Fehler früher und konsistenter erkannt werden.

Qualitätssicherung auf Kundenseite: Erhalten Kunden Produkte mit schwankender Qualität, erhöhen diese in der Regel ihren eigenen Prüfaufwand im Wareneingang. Mehr Prüfpersonal, intensivere Stichproben und längere Wareneingangszeiten sind die Folge. Diese Kosten entstehen zunächst bei den Kunden, wirken sich jedoch indirekt auf die Lieferanten aus: durch sinkendes Vertrauen, strengere vertragliche Anforderungen und im schlimmsten Fall durch den Verlust von Aufträgen.

Beide Kostentreiber lassen sich auf dieselbe Ursache zurückführen: nicht konforme Teile passieren die End-of-Line-Qualitätskontrolle, ohne erkannt zu werden.

Aber auch innerhalb der Fabrik steigen die Kosten. Nacharbeit gehört in vielen Betrieben zum Alltag. Teile werden nachgeschliffen, neu beschichtet oder erneut vermessen. Ohne strukturierte Prüfdaten, die konkrete Fertigungsfehler mit bestimmten Prozessschritten verknüpfen, wiederholt sich dieser Zyklus kontinuierlich. Das Qualitätsteam behebt Symptome. Der Prozess, bei dem die fehlerhaften Teile hergestellt wurden, läuft weiter.

Die Zahlen bestätigen, was Verantwortliche aus der Praxis kennen. Eine Studie im Fachjournal Human Factors zeigt, dass manuelle visuelle Inspektion in der Fertigung typischerweise eine Genauigkeit von 70 bis 80 Prozent erreicht. Das bedeutet, dass etwa 20 bis 30 Prozent der Defekte unentdeckt bleiben. Von 100 fehlerhaften Teilen auf einer Produktionslinie gelangen somit 20 bis 30 weiter in Richtung der Kunden.

Dabei handelt es sich nicht um ein Schulungsproblem, sondern um ein Problem der menschlichen Faktoren. Ermüdung, monotone Tätigkeiten, Lichtverhältnisse, Schichtdauer und individuelle Unterschiede beeinflussen maßgeblich, wie viele nicht konforme Teile übersehen werden. Studien im International Journal of Advanced Manufacturing Technology zeigen, dass die Leistung von Mitarbeitenden bei wiederholten Prüftätigkeiten messbar abnimmt, sobald mentale Ermüdung zunimmt, insbesondere bei längeren oder späten Schichten.

Werden Qualitätsprüfung und Verpackung, wie in vielen Betrieben üblich, in einem Arbeitsschritt kombiniert, verstärkt sich dieser Effekt zusätzlich. Die verantwortliche Person übernimmt zwei Aufgaben gleichzeitig: die Qualitätsbewertung und die Versandvorbereitung. Die kognitive Belastung steigt, die Aufmerksamkeit für die Prüfung sinkt, und die Fehlererkennung nimmt im Zeitverlauf ab. Untersuchungen in der Automobilindustrie bestätigen, dass Arbeitsumfeld und organisatorische Rahmenbedingungen einen direkten Einfluss darauf haben, wie viele Defekte tatsächlich erkannt werden.

Eine häufige Reaktion auf steigende Reklamationen besteht darin, zusätzliche Prüfstationen einzurichten oder die Stichprobenrate zu erhöhen. Manche Unternehmen führen sogar zweite oder dritte Durchgänge für dieselbe Charge durch.

Kurzfristig lassen sich so möglicherweise mehr Defekte erkennen. Die manuellen Inspektionskosten sinken dadurch jedoch nicht, sie steigen. Jede zusätzliche Prüfung erhöht den Personaleinsatz, verlangsamt den Durchsatz und bringt eine weitere Ebene subjektiver Bewertung. Noch entscheidender ist, dass die erkannten Fehler weiterhin auf die gleiche Weise erfasst werden: manuell, inkonsistent und ohne die notwendige Struktur, um nachvollziehen zu können, warum diese Teile überhaupt fehlerhaft waren.

Bei der manuellen Prüfung wird entschieden, ob das Produkt den Anforderungen entspricht oder nicht. Diese Prüfung erzeugt jedoch keine zeitlich nachvollziehbaren, kategorisierten und rückverfolgbaren Daten. Ohne diese Daten kann das Produktionsmanagement nicht erkennen, welche Fehler wiederholt auftreten, welche Prozessschritte die meisten nicht konformen Teile verursachen oder ob sich die Situation im Zeitverlauf verbessert oder verschlechtert. navio VISION verwandelt jede Inspektion in einen strukturierten Datenpunkt.

Genau aus diesem Grund kommen Hersteller, die Reklamationen nachhaltig reduzieren wollen, zu derselben Erkenntnis: Der Prüfprozess muss gleichzeitig mehr Defekte erkennen und strukturierte Produktionsdaten liefern. An diesem Punkt setzt die automatisierte Qualitätskontrolle mit KI an.

KI-basierte Qualitätskontrolle ergänzt den End-of-Line-Prüfprozess um eine konsistente, datenbasierte Ebene. Sie erweitert die Erfahrung und das Urteilsvermögen von Qualitätsteams durch strukturierte, automatisierte Fehlererkennung. Das Grundprinzip ist einfach, auch wenn die zugrunde liegende Technologie komplex ist.

Am End-of-Line-Prüfpunkt erfasst eine Kamera von jedem Teil ein Bild. Ein KI-Modell, das mit Bildern von sowohl einwandfreien als auch fehlerhaften Produkten aus dem jeweiligen Produktionsprozess trainiert wurde, bewertet jedes Bild innerhalb von Millisekunden. Es klassifiziert, was es erkennt: einwandfrei oder fehlerhaft. Wird ein Defekt festgestellt, identifiziert das System die Art der visuellen Abweichung. Jede Entscheidung wird mit Zeitstempel, Bild, Klassifikation und einem Konfidenzwert dokumentiert.

Dadurch wird die End-of-Line-Prüfung nicht mehr nur zu einer einfachen Entscheidung (bestanden oder nicht bestanden), sondern zu einer Datenquelle (was ist passiert, wann, wo und wie oft).

Für die Qualitätskontrolle in der Fertigung mittels KI sind drei Eigenschaften besonders entscheidend:

Konsistenz: Das KI-Modell wendet auf jedes Bild, jede Einheit und jede Schicht dieselben Kriterien an. Es wird weder durch Ermüdung noch durch Schichtzeiten oder die natürlichen Unterschiede zwischen den einzelnen Prüfer:innen beeinflusst.

Geschwindigkeit: Die automatisierte Qualitätsprüfung läuft mit der Geschwindigkeit der Produktion. Dadurch kann die gesamte Produktion geprüft werden, anstatt sich auf Stichproben zu verlassen.

Rückverfolgbarkeit: Jeder Prüfvorgang wird als strukturierter Datensatz erfasst und steht unmittelbar für Analysen und das Reklamationsmanagement zur Verfügung.

Ebenso wichtig ist, was KI-basierte Qualitätsprüfung nicht ersetzt. Sie ersetzt nicht das Qualitätsteam und macht weder Prozessengineering, Ursachenanalysen noch kontinuierliche Verbesserungsprozesse überflüssig. Was sie jedoch ermöglicht, ist, dass diese Teams vollständige, konsistente und strukturierte Qualitätsdaten für jedes geprüfte Teil erhalten.

Die End-of-Line-Qualitätskontrolle ist die letzte Instanz. Sie erkennt Defekte, bevor Produkte ausgeliefert werden, doch zu diesem Zeitpunkt sind bereits sämtliche Produktionskosten angefallen. Das Material, die Maschinenzeit und der Arbeitsaufwand aus allen vorgelagerten Prozessschritten sind bereits investiert.

Genau deshalb bietet visuelle Qualitätsprüfung, die früher im Produktionsprozess eingesetzt wird, einen noch größeren Mehrwert. Je früher ein nicht konformes Teil erkannt wird, desto geringer ist der entstehende Ausschuss. Ein Oberflächenfehler, der direkt nach dem ersten Bearbeitungsschritt erkannt wird, verursacht deutlich geringere Kosten als derselbe Fehler nach mehreren weiteren Prozessschritten wie Beschichtung oder Montage.

In komplexen Produktionslinien mit mehreren Komponenten und Prozessschritten ist dieser Unterschied besonders relevant. Wird ein fehlerhaftes Bauteil nicht rechtzeitig erkannt und in eine Baugruppe integriert, kann dies dazu führen, dass die gesamte Baugruppe bei der Endprüfung durchfällt. Anstatt ein einzelnes Teil auszusortieren, muss dann eine komplette Einheit verworfen werden oder im schlimmsten Fall wird sie ausgeliefert und führt zu einer Reklamation.

navio VISION unterstützt die visuelle Anomalieerkennung an mehreren Punkten entlang des Produktionsprozesses und nicht nur am Ende der Linie. Durch den Einsatz kamerabasierter, KI-gestützter Qualitätskontrolle an kritischen Prozessschritten, etwa nach dem Umformen, Schweißen, Beschichten oder Montieren, können Fehler dort erkannt werden, wo sie entstehen. Jeder dieser Prüfpunkte reduziert die Anzahl nicht konformer Teile, die in den nächsten Prozessschritt gelangen, und jeder vermiedene Schritt bedeutet eingesparte Kosten.

Die End-of-Line-Prüfung wird damit zur finalen Bestätigung innerhalb einer Kette automatisierter Prüfungen, die durch navio VISION unterstützt werden. Auf diese Weise lässt sich die automatisierte Qualitätskontrolle über die gesamte Produktionslinie hinweg skalieren.

navio VISION, entwickelt von craftworks, wurde für industrielle Anwendungen konzipiert, in denen zwei zentrale Herausforderungen gleichzeitig gelöst werden müssen: zu viele fehlerhafte Teile, die den Prozess passieren, und zu wenig Daten, um die Ursachen dafür zu verstehen.

navio VISION verbindet sich direkt mit Kameras entlang der Produktionslinie, am End-of-Line, an definierten Prüfpunkten im Prozess oder an beiden. Die erfassten Bilder werden durch KI-Modelle analysiert, die auf den spezifischen Produkten und Fehlerbildern des jeweiligen Herstellers trainiert sind. Da kein Produktionsprozess dem anderen gleicht, ermöglicht navio VISION den Teams die Anpassung und das Nachtrainieren der Modelle mit eigenen Daten. So lernt das System, was in jedem individuellen Prozess als „gut“ und „nicht gut“ gilt.

Das erste Ergebnis ist unmittelbar sichtbar: Mehr nicht konforme Teile werden erkannt, bevor sie ausgeliefert werden. Die Anzahl der Reklamationen sinkt. Gleichzeitig reduziert sich der Prüfaufwand auf Kundenseite. Das KI-Modell prüft jedes einzelne Teil mit der Geschwindigkeit der Produktion und nach einheitlichen Kriterien, unabhängig von Schicht oder Zeitpunkt.

Das zweite Ergebnis ist struktureller Natur: Jede Prüfung erzeugt Daten. Jedes Prüfergebnis wird erfasst, kategorisiert und in Echtzeit verfügbar gemacht. Qualitätsverantwortliche und Produktionsleitung sehen nicht nur die Anzahl der Defekte, sondern eine strukturierte Auswertung: welche Fehlerarten auftreten, auf welcher Linie, in welcher Schicht, mit welcher Häufigkeit und wie sich diese Werte im Zeitverlauf entwickeln. Diese Form der KI-Transparenz in der Produktionsqualität ist mit manuellen Prozessen nicht erreichbar.

Diese Kombination aus weniger ausgelieferten fehlerhaften Teilen und vollständig verfügbaren Qualitätsdaten ist der Punkt, an dem die zuvor beschriebenen Herausforderungen im Management direkt adressiert werden.

„Wie viele fehlerhafte Teile haben wir tatsächlich ausgeliefert?“: Mit navio VISION wird die Fehlerquote kontinuierlich und automatisch gemessen, anstatt auf Basis von Stichproben geschätzt. Das Management sieht die tatsächlichen Werte in Echtzeit.

„Warum unterscheiden sich die Prüfergebnisse zwischen den Schichten?“: Das KI-Modell wendet unabhängig von Zeit, Person oder Schicht stets dieselben Kriterien an. Wenn in einer Schicht mehr fehlerhafte Teile entstehen, wird dies in den Daten klar sichtbar.

„Warum erkennen wir Probleme erst durch Kundenreklamationen?“: navio VISION identifiziert Defekte unmittelbar im Moment ihres Auftretens. Sobald ein Prozess beginnt, von den Sollwerten abzuweichen, wird dies sofort sichtbar, bevor fehlerhafte Produkte verpackt werden. Das Reklamationsmanagement wird dadurch von einer reaktiven zu einer proaktiven Aufgabe.

„Warum können wir nicht nachvollziehen, von welcher Linie ein Fehler stammt?“: Jedes geprüfte Teil wird mit Bild, Klassifikation und Zeitstempel dokumentiert. Melden Kunden einen Herstellungsfehler, kann dieser innerhalb weniger Minuten auf den konkreten Produktionsschritt zurückgeführt werden, statt erst nach Wochen.

navio VISION lässt sich in verschiedenen Branchen und Inspektionsszenarien einsetzen. Einige Beispiele zeigen die Bandbreite:

Energieproduktion: Die KI-gestützte Überprüfung von Wartungswerkzeugen stellt sicher, dass die richtigen Werkzeuge vorhanden und korrekt angeordnet sind, bevor kritische Verfahren beginnen. So werden kostspielige Fehler vermieden, die bei manuellen Checklisten häufig übersehen werden.

Elektronikfertigung: Die automatisierte Überprüfung von Montagekits kontrolliert, dass jedes Bauteil vor Beginn der Montage korrekt platziert ist. Dies verhindert Auslassungen und Verwechslungen, die bei zeitlich unter Druck stehender visueller Kontrolle leicht übersehen werden.

Gesundheitswesen: Die Überprüfung chirurgischer Instrumente nutzt KI-basierte Bildanalyse, um sicherzustellen, dass Instrumententrays vollständig und korrekt konfiguriert sind, bevor Eingriffe beginnen. Dies ist ein sicherheitskritischer Anwendungsfall, bei dem manuelle Kontrollen sowohl zeitaufwendig als auch fehleranfällig sind.

Allgemeine Fertigung: Die Erkennung von Ausschuss und Oberflächenfehlern identifiziert Fertigungsfehler in Echtzeit, sowohl an einzelnen Prozessschritten als auch am End-of-Line. Dadurch ersetzt navio VISION stichprobenbasierte Inspektionen durch kontinuierliche Qualitätskontrolle in Produktionsgeschwindigkeit.

Solarproduktion: Die Montageprüfung und automatisierte Qualitätskontrolle stellen sicher, dass Zellpositionierung, das Löten und die Vergussarbeiten bei jedem Panel den Spezifikationen entsprechen. Dies ist entscheidend für die Produktleistung und die Einhaltung von Gewährleistungsbestimmungen.

Verpackung: Die automatisierte Verpackungsprüfung mit ERP-Integration verbindet die Ergebnisse der visuellen Inspektion direkt mit dem Produktionsmanagementsystem. So schließt sich der Kreis zwischen Fehlererkennung und Produktionsplanung und das Reklamationsmanagement wird aktiv unterstützt.

Der direkteste Nutzen ist, dass weniger fehlerhafte Teile die Kunden erreichen. Wenn die KI fehlerhafte Teile erkennt, die bei der manuellen Inspektion übersehen werden, sinkt die Zahl der Reklamationen, Kundenbeschwerden nehmen ab, und der teure Zyklus der Ersatzproduktion verlangsamt sich. Bei Produktionslinien, die unterschiedliche Produkte herstellen, bedeutet eine geringere Anzahl an Reklamationen auch weniger ungeplante Umstellungen von Produktionschargen, was ein deutlicher Kostenvorteil ist.

Der Wert geht jedoch noch weiter. Die strukturierten Daten, die navio VISION erzeugt, verändern die Arbeitsweise von Qualitäts- und Produktionsteams.

Schnellere Ursachenanalyse: Sobald Muster von Defekten sichtbar werden, können Qualitätsteams die Ursachen schneller identifizieren. Statt Tage damit zu verbringen, eine Kundenbeschwerde durch Produktionsprotokolle zurückzuverfolgen, kann das Team erkennen, wann ein Defektmuster begann, auf welcher Linie es auftrat und welche Prozessänderungen oder Materialchargen damit zusammenhängen. Probleme, die früher Wochen für die Diagnose benötigten, lassen sich nun in Stunden klären.

Reduzierte Qualitätskosten durch frühzeitige Fehlererkennung: Ausschuss- und Nacharbeitskosten sinken, je besser die Erkennung funktioniert – besonders wenn die visuelle Inspektion bereits in früheren Produktionsschritten angewendet wird, nicht nur am End-of-Line. Kundenrücksendungen nehmen ab, da weniger fehlerhafte Einheiten das Werk verlassen.

Geringerer QA-Aufwand bei Kunden: Wenn ein Lieferant konsequent höhere Qualität liefert, können Kunden ihren Aufwand für die eingehende Prüfung reduzieren. Dies stärkt die Lieferantenbeziehung, senkt die Betriebskosten bei Kunden und verschafft einen messbaren Wettbewerbsvorteil.

Vertrauen des Managements: Wenn die Daten zuverlässig sind, werden Qualitäts-Reviews zu produktiven Gesprächen statt zu Diskussionen darüber, wessen Zahlen korrekt sind. Melden Kunden ein fehlerhaften Teil, kann das Team die Inspektionsaufzeichnung innerhalb weniger Minuten abrufen. Audits werden unkompliziert, da die Inspektionshistorie vollständig und digital vorliegt.

Die jährliche Forschung von McKinsey zu KI in der Fertigung zeigt, dass Unternehmen, die maschinelles Lernen einsetzen, deutlich eher in der Lage sind, zentrale Leistungskennzahlen zu verbessern. Branchenberichte aus dem Quality Magazine bestätigen, dass KI-basierte Bildverarbeitungssysteme die am weitesten entwickelten Anwendungsfälle für KI in der Qualitätskontrolle der Fertigung darstellen. Frühzeitige Anwender:innen sehen messbare Verbesserungen bei der automatisierten Fehlererkennung und in der operativen Effizienz.

Manuelle visuelle Inspektionen haben der Fertigung über Jahrzehnte gute Dienste geleistet. Die Menschen, die sie durchführen, sind erfahren und qualifiziert. Doch wenn trotz funktionierender Inspektionsprozesse noch zu viele fehlerhafte Teile bei Kunden ankommen, ist das Problem struktureller Natur, nicht persönlicher.

Die Anforderungen von Kunden an Qualität steigen kontinuierlich. Eine einzelne Lieferung mit fehlerhaften Teilen kann eine Beziehung zerstören, die über Jahre aufgebaut wurde. Reklamationen sind teuer, besonders bei Linien mit mehreren Produkten, bei denen die Produktion einer spezifischen Charge ungeplante Umrüstungen erfordert. Die gesetzlichen Anforderungen an Rückverfolgbarkeit verschärfen sich ständig. Produktionsmengen steigen, während erfahrenes Inspektionspersonal immer schwerer zu finden und zu halten ist.

Die zentrale Frage für Produktionsleiter:innen lautet daher nicht, ob ihr Inspektionsteam gute Arbeit leistet – in den meisten Fällen tut es das. Die Frage ist, ob manuelle End-of-Line-Qualitätskontrolle genügend fehlerhafte Teile abfangen und die erforderlichen Daten liefern kann, wenn doch ein fehlerhaftes Teil Kunden erreicht.

KI-gestützte visuelle Inspektion ersetzt die Qualitätsabteilung nicht – sie stärkt sie. navio VISION erkennt mehr Fertigungsfehler, erzeugt vollständige Qualitätsdaten für jedes geprüfte Teil und verschafft dem Management die Transparenz, um zu handeln, bevor nicht konforme Teile zu Reklamationen werden. Am End-of-Line eingesetzt ist es die letzte Instanz, die tatsächlich funktioniert. Frühere Anwendung im Produktionsprozess erfasst Fehler dort, wo ihre Behebung am wenigsten kostet.

Die Technologie ist ausgereift, die Evidenz eindeutig. Die verbleibende Frage ist, wie lange ein Unternehmen es sich leisten kann, Teile zu liefern, für die es keine vollständige Verantwortlichkeit übernehmen kann.

Sehen Sie navio VISION in Aktion. Testen Sie die Demo, um zu erleben, wie KI-gestützte visuelle Inspektion in realen Produktionsumgebungen funktioniert und wie Ihre Qualitätsdaten aussehen, wenn jede Inspektion erfasst, kategorisiert und in Echtzeit verfügbar ist.