Vision-KI in der Qualitätskontrolle 2026: Defekterkennung, Datensätze und 90-Tage-Pilot

In vielen Fertigungen hängt die Qualitätskontrolle noch an der Tagesform einzelner Prüferinnen und Prüfer. Vision-KI in der Qualitätskontrolle verspricht hier deutlich stabilere Defekterkennung, weniger Pseudo-Ausschuss und belastbare Daten für Audits. Entscheidend ist, dass Mittelständler den Weg von den ersten Datensätzen bis zur produktiven Linie strukturiert planen und technische, organisatorische und regulatorische Fragen von Beginn an mitdenken.

Bitkom meldet für 2025, dass 41 Prozent der Fertiger den Einsatz von Vision-KI bis 2027 planen, die Mehrheit steckt jedoch noch in Pilotprojekten ohne klaren Pfad in die Serie. Gleichzeitig zeigt die Erfahrung von sensified, dass sich mit einem fokussierten 90-Tage-Pilot bereits signifikante Effekte erzielen lassen, etwa eine um 62 Prozent reduzierte Defektrate in der Qualitätskontrolle eines Medizintechnik-Kunden nach 90 Tagen. Die Frage ist also nicht, ob Vision-KI kommt, sondern wie Sie sie so einführen, dass Sie Ihre Linien wirklich entlastet.

Vision-KI wirkt nur mit Prozessfokus

Der größte Hebel von Vision-KI liegt nicht im Modell, sondern in der sauberen Einbettung in Ihre Qualitätsprozesse, Datenerfassung und Werkerführung. Wer hier strukturiert vorgeht, reduziert Fehlerquoten messbar.

Wo Vision-KI im Mittelstand 2026 echte Fehlerquoten senkt

In der Praxis zeigt sich, dass Vision-KI im Mittelstand vor allem dort schnell Wirkung entfaltet, wo heute manuelle Sichtprüfung mit hoher Taktzahl und wechselnden Bedienern stattfindet. Typische Szenarien sind End-of-Line-Prüfstände, Montagearbeitsplätze mit visueller Freigabe, Verpackungskontrollen oder die linienübergreifende Überwachung von Oberflächenfehlern. Hier kann eine KI-gestützte Defekterkennung in der Produktion die Varianz zwischen Schichten deutlich reduzieren.

Ein COO sieht auf einen Blick, ob eine Qualitätskontrolle automatisiert ist oder nicht. Wo heute noch handschriftliche Strichlisten, Excel-Tabellen und subjektive Gut-Schlecht-Entscheidungen dominieren, entstehen zwangsläufig Reibungsverluste. Vision-KI-Systeme mit robuster KI-Bildverarbeitung in der Fertigung liefern dagegen konsistente Entscheidungen, lückenlose Rückverfolgbarkeit und eine Datenbasis, aus der sich Prozessverbesserungen ableiten lassen.

Gleichzeitig zeigt der VDMA in einer Erhebung für 2025, dass die Pilot-zu-Produktions-Quote bei Vision-KI weiterhin unter 30 Prozent liegt. Viele Unternehmen testen zwar Kameras und Modelle, scheitern aber an fehlender Integration, unklaren Verantwortlichkeiten oder an der Frage, wie Sie Datensätze und Annotation organisieren sollen. Genau hier setzt ein strukturiertes KI-Projekt an, das nicht nur ein Modell liefert, sondern einen tragfähigen Betriebsprozess.

Was Sie davon mitnehmen: Gleichzeitig zeigt der VDMA in einer Erhebung für 2025, dass die Pilot-zu-Produktions-Quote bei Vision-KI weiterhin unter 30 Prozent liegt.

Datensätze und Annotation: der eigentliche Engpass und seine Lösung

Die meisten Vision-KI-Initiativen scheitern nicht an der Rechenleistung, sondern an den Daten. Für eine zuverlässige KI-Defekterkennung in der Produktion benötigen Sie repräsentative Bilddatensätze, saubere Label und klare Kriterien, was als Fehler gilt. In vielen Werken existieren zwar Kameras, doch die Bilder werden nicht systematisch gespeichert oder sind nicht mit Prozessdaten verknüpft.

Ein praxistauglicher Ansatz beginnt mit einem fokussierten Datenerfassungsfenster von vier bis sechs Wochen an einer klar definierten Linie. In dieser Zeit werden Bilder automatisch erfasst, mit Zeitstempeln, Chargen- und Maschineninformationen versehen und in einem EU-gehosteten Speicher abgelegt. Parallel dazu definieren Qualitätsverantwortliche und Produktion gemeinsam die Defektklassen, die später in der Vision-KI unterschieden werden sollen.

Die Annotation, also das Markieren von Fehlern in den Bildern, ist der eigentliche Engpass. Hier hilft ein klarer Prozess: Ein kleiner Kreis geschulter Prüferinnen und Prüfer arbeitet mit einem Annotationstool, das typische Fehlerarten als Vorlagen anbietet und Plausibilitätsprüfungen unterstützt. So entsteht Schritt für Schritt ein belastbarer Datensatz, der sowohl für das initiale Training als auch für spätere Re-Trainings genutzt werden kann.

sensified setzt in KI-Projekten für Vision-KI in der Qualitätskontrolle genau hier an. In der Discovery-Phase werden Linien, Kamerapositionen und Qualitätsziele aufgenommen. In der Design-Phase entsteht ein Datenerfassungs- und Annotierungskonzept, das zu Ihren Schichtmodellen und Taktzeiten passt. In der Build-Phase werden Datenerfassung, Annotation und Modelltraining technisch umgesetzt, in der Operate-Phase wird der Datensatz kontinuierlich erweitert und für Re-Trainings genutzt. Der Kunde behält dabei die vollständige Kontrolle über Datensätze und Code.

Was Sie davon mitnehmen: sensified setzt in KI-Projekten für Vision-KI in der Qualitätskontrolle genau hier an.

Modellauswahl: Cloud-API, Edge-Gerät oder On-Premise-Server

Wenn Datensätze und Defektklassen definiert sind, stellt sich die Frage, wo das Vision-KI-Modell laufen soll. Für mittelständische Fertiger kommen im Kern drei Varianten in Betracht: ein Cloud-Modell, das über eine API angesprochen wird, ein Edge-KI-System direkt an der Kamera oder ein zentraler On-Premise-Server im Werksnetz.

Cloud-Modelle sind attraktiv, weil Sie sich schnell testen lassen und kaum eigene Infrastruktur benötigen. Für produktive Szenarien mit hohen Taktzeiten, sensiblen Produktbildern oder strengen TISAX®-Anforderungen ist ein reiner Cloud-Ansatz jedoch oft kritisch. Latenzen, Bandbreiten und Datenschutzvorgaben können die Nutzung einschränken, insbesondere wenn Personenbilder oder vertrauliche Komponenten sichtbar sind.

Edge-KI-Kameras und Industrie-PCs direkt an der Linie ermöglichen eine sehr schnelle Auswertung und reduzieren die Datenmenge, die das Netz verlässt. Sie eignen sich besonders für Anwendungen wie KI-Linienüberwachung oder eine KI-Traffic-Light-Logik in der Fertigung, bei der ein Ampelsignal unmittelbar auf Gut- oder Schlechtteile reagiert. On-Premise-Server bieten sich an, wenn mehrere Linien mit unterschiedlichen Kameras zentral versorgt werden sollen und ein gemeinsamer Modellpool gepflegt wird.

sensified unterstützt Kunden typischerweise mit einer KI-Plattform, die sowohl Edge-KI-Kameras als auch zentrale Server einbindet. In einem 90-Tage-Pilot wird zunächst eine Linie mit Edge-Geräten ausgestattet, das Modell in der Plattform trainiert und dann als Container an die Linie ausgerollt. Der Kunde kann später entscheiden, ob er weitere Linien selbständig anbindet oder sensified als Betriebsdienstleister nutzt.

Was Sie davon mitnehmen: sensified unterstützt Kunden typischerweise mit einer KI-Plattform, die sowohl Edge-KI-Kameras als auch zentrale Server einbindet.

Praxisbeispiel: Maschinenbau

In einem Werk für Antriebskomponenten im Maschinenbau mit 280 Mitarbeitenden war die manuelle Sichtprüfung an den Endkontroll-Linien seit Jahren ein Dauerbrenner. Die Defektrate schwankte deutlich zwischen den Schichten, Pseudo-Ausschuss war hoch, und die Diskussionen zwischen Produktion und Qualität nahmen zu. Jeder Schichtleiter hatte das Gefühl, dass seine Mannschaft strenger oder großzügiger prüfte als die anderen.

Im Rahmen eines KI-Projekts mit sensified wurde zunächst eine Linie ausgewählt, an der die Varianz besonders groß war. In der Discovery-Phase wurden Prüfanweisungen, TISAX-Anforderungen und DSGVO-Vorgaben analysiert, da Kameras auch Hände und teilweise Gesichter der Werker erfassten. In der Design-Phase entstand ein Konzept, bei dem die Vision-KI nur auf Produktbereiche fokussiert und Personenbereiche technisch maskiert wurden. Ein EU-gehosteter Speicher und eine TISAX-konforme KI-Plattform bildeten die Grundlage.

Nach acht Wochen Pilotbetrieb mit einem trainierten Modell, das in die bestehende Werker-Assistenz eingebunden war, zeigten sich klare Effekte. Die Defektrate wurde um 38 Prozent reduziert, der Pseudo-Ausschuss sank um 60 Prozent. Die Schichtunterschiede verschwanden weitgehend, weil die KI-Bildverarbeitung in der Fertigung konsistente Entscheidungen traf. Die Qualitätsleitung nutzte die neuen Daten, um systematische Prozessfehler zu identifizieren, statt über Einzelfälle zu diskutieren.

Was Sie davon mitnehmen: Nach acht Wochen Pilotbetrieb mit einem trainierten Modell, das in die bestehende Werker-Assistenz eingebunden war, zeigten sich klare Effekte.

Praxisbeispiel: Automotive

Ein Tier-1-Automotive-Zulieferer mit 540 Mitarbeitenden stand vor der Herausforderung, die Anforderungen der IATF 16949 an eine lückenlose Defektdokumentation zu erfüllen. Die manuelle Sichtprüfung war zum Engpass geworden, weil jede Abweichung dokumentiert und für Audits nachvollziehbar sein musste. Prüferinnen und Prüfer fühlten sich von der Dokumentationslast überfordert, und der COO sah die OEE der Linien sinken.

Gemeinsam mit sensified wurde ein KI-Projekt aufgesetzt, das die Vision-KI nicht nur als Prüfinstanz, sondern auch als Dokumentationswerkzeug etablierte. In der Design-Phase wurden die Vorgaben aus IATF 16949, DSGVO und TISAX in ein technisches Konzept übersetzt. Die Kameras erfassten jedes Teil, die KI-Defekterkennung klassifizierte Fehlerarten, und die Ergebnisse wurden automatisiert in das bestehende QM-System übernommen. Personenbezogene Daten wurden konsequent vermieden, indem Kamerawinkel und Maskierungen entsprechend gewählt wurden.

Nach dem 90-Tage-Pilot war die Defektdokumentation prüferreif und konnte in Audits direkt aus dem System gezeigt werden. Die OEE der betroffenen Linien stieg um vier Prozentpunkte, weil die Prüferinnen und Prüfer sich wieder auf die Bewertung von Grenzfällen konzentrieren konnten, während Standardfälle automatisiert liefen. Die Kombination aus Vision-KI und automatisierter Dokumentation entlastete sowohl die Linie als auch das Qualitätsmanagement.

Was Sie davon mitnehmen: Nach dem 90-Tage-Pilot war die Defektdokumentation prüferreif und konnte in Audits direkt aus dem System gezeigt werden.

Praxisbeispiel: Medizintechnik

Ein Hersteller von Einweg-Instrumenten in der Medizintechnik mit 180 Mitarbeitenden stand vor der MDR-Validierung einer neuen Produktlinie. Die manuelle Sichtprüfung war nicht reproduzierbar genug, um die geforderten nachweisbaren Prüfkriterien zu erfüllen. Jede Reklamation führte zu aufwendigen Nachprüfungen, und die Compliance-Verantwortlichen sahen die Validierung in Gefahr.

In einem KI-Projekt mit sensified wurde zunächst ein Validierungskonzept erarbeitet, das MDR, ISO 13485 und DSGVO berücksichtigt. Die Vision-KI sollte nicht nur Defekte erkennen, sondern auch nachvollziehbare Prüfkriterien liefern. In der Build-Phase wurden Datensätze mit typischen Fehlerbildern aufgebaut, von erfahrenen Prüferinnen und Prüfern annotiert und in einem EU-gehosteten System gespeichert. Das Modell wurde so trainiert, dass jede Entscheidung mit einem Score und einer visualisierten Fehlerregion dokumentiert wurde.

Der 90-Tage-Pilot führte zu messbaren Ergebnissen. Die MDR-Validierung der Prüflogik konnte in zwölf Wochen abgeschlossen werden, weil die Vision-KI nachvollziehbare und reproduzierbare Kriterien lieferte. Die Reklamationsquote sank um 41 Prozent, und ein weiterer sensified-Case aus der Medizintechnik zeigt, dass sich Defektraten mit Vision-KI in der Qualitätskontrolle innerhalb von 90 Tagen sogar um 62 Prozent reduzieren lassen. Die Kombination aus technischer Exzellenz und sauberer Dokumentation überzeugte sowohl Auditoren als auch Produktion.

Festpreis-Pilot statt Dauer-Pilot

Ein klar umrissener 90-Tage-Pilot mit Festpreis, definiertem Datensatz und messbarem Qualitätsziel bringt Vision-KI schneller in die Linie als offene Experimente ohne Enddatum.

Was Sie davon mitnehmen: Ein klar umrissener 90-Tage-Pilot mit Festpreis, definiertem Datensatz und messbarem Qualitätsziel bringt Vision-KI schneller in die Linie als offene Experimente ohne Enddatum.

ROI-Modell: Fehlerquote mal Linienkosten mal MTTR

Für eine fundierte Investitionsentscheidung braucht ein COO mehr als eine Technologie-Demo. Ein belastbares ROI-Modell für Vision-KI in der Qualitätskontrolle basiert auf drei Größen: der Fehlerquote, den Linienkosten und der mittleren Zeit bis zur Behebung eines Fehlers (MTTR). Aus diesen Parametern lässt sich ableiten, wie stark eine verbesserte Defekterkennung auf Kosten, Durchsatz und Reklamationen wirkt.

Im ersten Schritt werden die aktuellen Kennzahlen erhoben: Ausschussquote, Pseudo-Ausschuss, Nacharbeitskosten, Reklamationskosten und Stillstandszeiten durch Qualitätsprobleme. Im zweiten Schritt wird definiert, welches Ziel mit Vision-KI erreicht werden soll, etwa eine Reduktion der Fehlerquote um 30 Prozent oder eine Halbierung des Pseudo-Ausschusses. Diese Ziele werden im 90-Tage-Pilot als Hypothesen hinterlegt.

Während des Piloten werden die Kennzahlen kontinuierlich gemessen und mit der Baseline verglichen. So entsteht ein konkretes Bild, wie sich Vision-KI auf Ihre Linien auswirkt. Die Erfahrung aus Projekten von sensified zeigt, dass sich insbesondere Pseudo-Ausschuss und Nacharbeitszeiten schnell reduzieren lassen, wenn die KI-Defekterkennung konsistent arbeitet und Grenzfälle klar markiert.

Solche Tabellen sind keine Theorie, sondern typische Größenordnungen aus realen Projekten. Wichtig ist, dass Sie Ihr eigenes ROI-Modell auf Ihre Linienkosten, Ihre MTTR und Ihre Reklamationsstruktur zuschneiden. Ein KI-Result-Modell von sensified, bei dem pro geprüfter Einheit ein Stückpreis abgerechnet wird, kann hier helfen, Investitionskosten in variable Kosten zu überführen.

Was Sie davon mitnehmen: Solche Tabellen sind keine Theorie, sondern typische Größenordnungen aus realen Projekten.

Integration in MES, QM-Software und Werker-Assistenz

Eine Vision-KI, die neben der Linie auf einem Laptop läuft, ist kein produktives System. Erst die Integration in Ihr MES, Ihre QM-Software und die Werker-Assistenz macht aus einem Pilot ein Werkzeug für den Alltag. Die Herausforderung liegt darin, die KI-Entscheidungen so in bestehende Systeme einzubetten, dass Sie den Ablauf unterstützen und nicht stören.

Typischerweise werden die Ergebnisse der KI-Bildverarbeitung in der Fertigung als strukturierte Daten an das MES übergeben. Dort können sie als zusätzliche Qualitätsmerkmale in Chargenprotokollen, OEE-Berechnungen und Traceability-Berichten genutzt werden. Eine saubere MES-KI-Anbindung sorgt dafür, dass keine Medienbrüche entstehen und dass Qualitätsdaten an einer Stelle zusammenlaufen.

In der Werker-Assistenz zeigt sich die Vision-KI meist in Form eines klaren Gut-Schlecht-Signals, ergänzt um Hinweise bei Grenzfällen. Eine KI-Traffic-Light-Logik in der Fertigung, bei der ein Ampelsymbol auf einem Terminal oder direkt an der Linie leuchtet, ist für Bediener intuitiv. Wichtig ist, dass die KI nicht als Black Box wahrgenommen wird, sondern dass Werker bei Bedarf Bildausschnitte und Begründungen sehen können, etwa bei strittigen Defekten.

sensified setzt hier auf die KI-Plattform als zentrales Betriebsfundament. Sie verbindet Kameras, Edge-KI-Geräte und On-Premise-Server mit MES, QM-Software und Werker-Assistenz. Monitoring, Auditierbarkeit und Re-Trainings werden in der Plattform gebündelt, während die Linienmannschaft über vertraute Oberflächen arbeitet. Im Unterschied zu klassischen KI-Beratungen, die nach dem Konzept wieder aus dem Werk verschwinden, übernimmt sensified auf Wunsch auch den dauerhaften Betrieb.

Was Sie davon mitnehmen: sensified setzt hier auf die KI-Plattform als zentrales Betriebsfundament.

Compliance: EU-KI-Act-Risikoklasse und DSGVO bei Personenbild

Vision-KI in der Qualitätskontrolle berührt zwangsläufig regulatorische Fragen. Der EU AI Act klassifiziert KI-Systeme nach Ihrem Risiko. Systeme, die ausschließlich Produktqualität prüfen und keine Personen bewerten, bewegen sich in der Regel in einem überschaubaren Risikobereich, müssen aber trotzdem Transparenz- und Dokumentationspflichten erfüllen. Sobald Personen identifizierbar sind oder bewertet werden, steigen die Anforderungen deutlich.

Parallel dazu greift die DSGVO immer dann, wenn Bilddaten Personenbezug haben. In vielen Fertigungen lassen sich Hände, Gesichter oder Körperumrisse von Mitarbeitenden nicht vollständig vermeiden. Hier helfen technische und organisatorische Maßnahmen: Kamerawinkel so wählen, dass Personen möglichst nicht erfasst werden, Bildbereiche mit Personen maskieren, Speicherfristen begrenzen und Zugriffe streng regeln.

sensified berücksichtigt diese Aspekte bereits in der Discovery-Phase eines KI-Projekts. Gemeinsam mit Datenschutz- und IT-Verantwortlichen wird geklärt, welche Daten erfasst werden, wo sie gespeichert werden und wer Zugriff erhält. EU-gehostete Infrastruktur, TISAX-konforme Prozesse und eine klare Dokumentation der KI-Logik erleichtern später den Umgang mit Auditoren und Aufsichtsbehörden. Für Kunden, die Vision-KI als KI-Result nutzen, übernimmt sensified die Verantwortung für die Einhaltung der vereinbarten Compliance-Vorgaben im Rahmen des Servicevertrags.

Was Sie davon mitnehmen: sensified berücksichtigt diese Aspekte bereits in der Discovery-Phase eines KI-Projekts.

Nächste Schritte

Wenn Sie Vision-KI in Ihrer Qualitätskontrolle einsetzen möchten, starten Sie mit einer klar abgegrenzten Linie, einem definierten Qualitätsziel und einem 90-Tage-Pilot mit Festpreis. Klären Sie früh, welche Datensätze Sie benötigen, wie Annotation organisiert wird und welche Integrationen in MES und QM-Systeme erforderlich sind.

Im nächsten Schritt empfiehlt sich ein strukturiertes Strategiegespräch, in dem Anwendungsfall, ROI-Modell und Compliance-Rahmen gemeinsam geschärft werden. Auf dieser Basis lässt sich entscheiden, ob ein KI-Projekt mit vollständiger Code-Übergabe, eine gemanagte KI-Plattform oder ein KI-Result-Modell für Ihre Organisation am sinnvollsten ist.

So wird aus der Idee einer Vision-KI in der Qualitätskontrolle ein konkretes Umsetzungsprogramm mit messbarem Nutzen und klarer Verantwortlichkeit.