Vier Transformationen und fünf große Rekonstruktionen: Wenn KI die Fertigung antreibt, wird „Qualität“ neu definiert

Im Industriezeitalter lag der Kern der Qualität in der „Übereinstimmung mit den Spezifikationen“. Im Zeitalter der KI-gesteuerten Fertigung wird der Kern der Qualität darin bestehen, „das Vertrauen der Nutzer dauerhaft zu gewinnen“.

Jahrzehntelang lag das grundlegende Verständnis der Fertigungsindustrie für „Qualität“ darin, ob ein Produkt den Standards entspricht, ob der Prozess kontrolliert wird und ob es bei der Auslieferung qualifiziert ist. Um diese Beurteilung herum haben Unternehmen ein ausgereiftes Methodensystem aufgebaut – Standards, Abläufe, Prüfungen, Audits, Korrektur- und Präventivmaßnahmen. Dieses System hat die groß angelegte Entwicklung der Fertigungsindustrie im Industriezeitalter unterstützt.

Nach mehr als 20 Jahren Tätigkeit im globalen Qualitätsmanagement der Fertigungsindustrie habe ich noch nie so stark wie heute gespürt, dass dieses System vor beispiellosen Herausforderungen steht. Insbesondere wenn Software, Daten, Algorithmen und KI ständig in die Fertigungsindustrie eindringen, verändern sich die Logik der Entstehung, Ausbreitung und Steuerung von Qualitätsproblemen. In den letzten mehr als 5 Jahren habe ich als Hauptentwickler des Standards für das Qualitätsmanagementsystem von Software für intelligente vernetzte Fahrzeuge und Förderer der branchenweiten Umsetzung einen Trend deutlicher erkannt: Die Fertigungsindustrie tritt in eine Ära ein, in der Qualität neu definiert wird.

Der Grund liegt nicht darin, dass das traditionelle Qualitätsmanagement falsch ist, sondern darin, dass die Objekte, mit denen es konfrontiert ist, sich verändert haben. Heutige Produkte weisen zunehmend Merkmale wie softwaredefinierte, datengesteuerte, kontinuierlich aktualisierte und systeminteragierende Eigenschaften auf. Qualitätsprobleme sind nicht mehr nur Schwankungen im Herstellungsprozess oder Mängel, die vor der Auslieferung erkannt werden, sondern stellen sich zunehmend als systemische Probleme dar, die den gesamten Prozess von Design, Entwicklung, Herstellung, Bereitstellung, Betrieb und Aktualisierung umfassen.

Das bedeutet, dass KI nicht nur die Fähigkeiten und Effizienz des Qualitätsmanagements verändert, sondern auch die Grenzen und den Inhalt der Qualität, also die „Definition von Qualität“ selbst. Qualität ist nicht mehr nur das Ergebnis, das am Ende des Prozesses überprüft wird, sondern entwickelt sich zu einer systemischen Fähigkeit, die koordiniert, gewartet, überwacht und kontinuierlich weiterentwickelt werden muss. Unternehmen stehen nicht mehr nur vor der Frage „Wie produziert man qualifizierte Produkte“, sondern auch vor der Herausforderung „Wie liefert man dauerhaft zuverlässige, kontrollierbare und vertrauenswürdige Systeme in der realen Umgebung“.

Dieser Artikel erläutert detailliert, welche Veränderungen der Kern von „Qualität“ in der Gegenwart der KI-gesteuerten Fertigung durchlaufen hat und wie Unternehmen auf der Grundlage dieser tiefgreifenden Veränderungen die Methodik des Qualitätsmanagements neu gestalten sollten. Darüber hinaus sollten Unternehmensleiter erkennen, dass KI nicht nur den Inhalt der Arbeit der Qualitätsabteilung verändert, sondern auch die Funktionsweise des Unternehmens. Der Vorteil zukünftiger „qualitätsführender Unternehmen“ liegt nicht darin, Probleme schneller zu erkennen, sondern darin, Risiken früher vorherzusagen, die Ausbreitung von Risiken effektiver zu kontrollieren und Standards, Abläufe, Daten, KI, organisatorische Entscheidungen und die Zusammenarbeit in der Lieferkette zu einem kontinuierlich betriebenen Qualitätssystem zu integrieren.

Der Kern der „Qualität“ hat sich bereits verändert

Wenn der Kern der Qualität im Industriezeitalter „Übereinstimmung mit den Spezifikationen“ war, dann wandelt sich der Kern der Qualität im Zeitalter der KI-gesteuerten Fertigung zunehmend zu „dauerhaft das Vertrauen der Nutzer gewinnen“. Meiner Meinung nach spiegelt sich diese Veränderung mindestens in den folgenden vier Ebenen wider.

1. Von der „Mängelbeseitigung“ zum „Systemdenken“

Das traditionelle Qualitätsmanagement konzentriert sich hauptsächlich auf das Erkennen und Korrigieren von Problemen: fehlerhafte Chargen, Prozessabweichungen, unqualifizierte Bauteile, Probleme mit Lieferanten usw. Im Wesentlichen handelt es sich hierbei um ein typisches „Punktdenken“, bei dem Probleme in mehrere getrennte Ursachen zerlegt und dann durch Prüfung, Analyse und Korrektur gelöst werden.

In KI-gesteuerten Systemen entstehen Probleme jedoch häufig nicht mehr aus einem isolierten Mangel. Beispielsweise trat bei einem führenden Hersteller intelligenter Autos während der Serienproduktion ein sensorbezogenes Anomalie auf. Hardware, Montage und Herstellungsprozess entsprachen alle den Vorgaben. Schließlich ergab die Rückverfolgung, dass das Problem durch eine Software-OTA (Over-the-Air, drahtlose Aktualisierung) verursacht wurde, die das Verhalten des Modells verändert hat, während die Trainingsdaten einige Grenzszenarien nicht ausreichend abdeckten. Dieses Beispiel zeigt, dass in KI-gesteuerten Systemen das System auch dann in der realen Umgebung ausfallen kann, wenn einzelne Komponenten, einzelne Abläufe und einzelne Indikatoren alle die Anforderungen erfüllen. Dies ist kein Qualitätsproblem im herkömmlichen Sinne, beeinträchtigt aber direkt Sicherheit, Leistung und das Vertrauen der Nutzer und kann in Extremfällen sogar schwerwiegende Folgen haben.

Es ist ersichtlich, dass heutige Qualität nicht mehr nur ein Mangel bei der punktuellen Herstellung oder ein Fehler einer einzelnen Funktion ist, sondern ein Ergebnis, das durch das Zusammenwirken von Hardware, Herstellungsprozess, Lieferkette, Software, Daten, Algorithmen, Bereitstellungsmechanismen und realen Nutzungsszenarien entsteht. Viele Unternehmen stehen heute nicht mehr nur vor der Frage „Hat das Produkt Mängel?“, sondern vor der Frage „Wie wird sich das gesamte System verhalten?“. Daher wandelt sich Qualität von einem auf Mängelbeseitigung ausgerichteten Verwaltungsobjekt zu einem Verwaltungsobjekt, das sich auf das Systemverhalten konzentriert.

2. Von „der Fabrik als Grenze“ zur „Grenzenlosigkeit“

Früher hatte Qualität eine sehr klare Grenze: die Fabrik. Produkte werden entworfen, hergestellt, geprüft und ausgeliefert. Solange sie bei der Auslieferung qualifiziert sind, gilt die Qualität in der Regel als weitgehend gewährleistet. Im Zeitalter der KI-gesteuerten Fertigung verschwindet diese Grenze jedoch rasch.

Ein Produkt, das alle Prüfungen bestanden hat, kann während der Nutzung immer noch aufgrund von Softwareaktualisierungen, Interaktionen mit der Cloud, veränderten Datenbedingungen oder unerwarteten Kombinationen in realen Nutzungsszenarien ausfallen. Qualitätsprobleme enden nicht mehr mit Abschluss der Herstellung, sondern erstrecken sich kontinuierlich auf den Betriebsprozess, die Nutzungsszenarien der Nutzer und das Ökosystem. Sie überschreiten die Bereiche Technik, Fertigung, Software, Daten, Betrieb und Lieferkette. Dass ein Produkt „bei der Auslieferung qualifiziert ist“, bedeutet nicht mehr, dass es „während der Nutzung zuverlässig ist“. Dies ist nicht nur eine Erweiterung des Verwaltungsbereichs, sondern eine strukturelle Veränderung der Qualitätsobjekte und ihrer Verwaltungsmethoden. Qualität wird nicht mehr durch die Fabrik, nicht mehr durch den Produktkörper und nicht mehr durch die traditionelle Qualitätsabteilung eingeschränkt. Sie ist zu einer funktionsübergreifenden, systemübergreifenden und zunehmend grenzüberschreitenden Fähigkeit zwischen Unternehmen geworden. Für Unternehmen besteht die eigentliche Herausforderung nicht mehr nur darin, „wie man Produkte qualifiziert herstellt“, sondern auch darin, „wie man nach dem Verlassen der Fabrik weiterhin dauerhaft für die Qualität verantwortlich ist“.

3. Von der „punktuellen Überprüfung“ zum „gesamten Lebenszyklus“

In der traditionellen Fertigung wird Qualität in der Regel als Beurteilungsergebnis an einem wichtigen Knotenpunkt betrachtet, und der repräsentativste Knotenpunkt ist der Zeitpunkt der Auslieferung des Produkts. Solange das Produkt die Prüfung besteht und den Spezifikationen entspricht, gilt die Qualität als weitgehend gewährleistet. In der KI-gesteuerten Fertigung gilt diese Logik jedoch nicht mehr.

Produkte sind nicht mehr statisch. Sie entwickeln sich kontinuierlich weiter mit Softwareaktualisierungen, neuen Dateneingaben, erneutem Training von Modellen, Interaktionen mit der Cloud und Veränderungen der Betriebsumgebung. Daher kann Qualität nicht nur einmal bei der Auslieferung beurteilt und bestätigt werden, sondern muss den gesamten Prozess von Produktdesign, Entwicklung, Herstellung, Bereitstellung, Betrieb, Iteration und Aktualisierung durchdringen und zu einer Fähigkeit werden, die kontinuierlich verwaltet, überprüft und korrigiert wird.

Was noch wichtiger ist: Die Qualität im gesamten Lebenszyklus betrifft nicht nur das Produkt selbst, sondern auch ein vollständiges Betriebssystem, das dem Produktlebenszyklus entspricht: Design- und Entwicklungsabläufe, Herstellungsausführungsabläufe, Softwareentwicklung und Iteration, Bereitstellungsverwaltung, Datenverwaltung, Betriebsüberwachung und Mechanismen zur geschlossenen Verbesserung. Unternehmen müssen nicht nur verwalten, wie Produkte hergestellt werden, sondern auch, wie sie in der realen Umgebung genutzt und aktualisiert werden und während der kontinuierlichen Weiterentwicklung zuverlässig bleiben. Im Zeitalter der KI-gesteuerten Fertigung ist Qualität nicht mehr nur eine Bestätigung zum Zeitpunkt der Auslieferung, sondern eine Fähigkeit, die den gesamten Lebenszyklus des Produkts durchdringt.

4. Von der „messbaren Qualifizierung“ zur „wahrgenommenen Qualität“

Im Zeitalter der KI-gesteuerten Fertigung findet eine weitere tiefgreifende Veränderung statt: Die Eigenschaften der Qualität selbst werden zunehmend nicht mehr vollständig bestimmbar.

In der traditionellen Fertigung ist Qualität im Wesentlichen messbar. Sie kann durch Indikatoren wie Abmessungen, Toleranzen, Haltbarkeit und Wiederholbarkeit definiert, überprüft und gesteuert werden. Solange das Produkt diese Indikatoren erfüllt, wird es in der Regel als „qualifiziert“ angesehen.

Die Betriebslogik von KI-Systemen unterscheidet sich jedoch von der traditioneller Produkte: Sie ist im Wesentlichen probabilistisch. Ihr Verhalten wird durch Daten geformt, basiert auf dem Training unvollständiger Darstellungen der realen Welt und läuft in einer offenen und dynamisch veränderlichen Umgebung. Daher ist die Unsicherheit von KI-Systemen keine Ausnahme, sondern ihre inhärente Eigenschaft.

Diese Eigenschaft führt zu einer entscheidenden Veränderung: Selbst wenn alle voreingestellten Indikatoren eines Systems erfüllt sind, kann es in realen Szenarien immer noch ausfallen. Ein Modell kann eine Genauigkeit von 99,99 % erreichen, aber in einem seltenen und kritischen Szenario reicht der verbleibende Ausfall von 0,01 % aus, um das System zum Ausfall zu bringen, was äußerst schwerwiegende Folgen haben kann. Bei KI-Systemen wird dieser Ausfall von den Nutzern nicht als statistischer Fehler verstanden, sondern direkt als Zusammenbruch des Vertrauens wahrgenommen. Dies zeigt auch die grundlegende Einschränkung der traditionellen Definition von Qualität: Messbarkeit bedeutet nicht gleich Zuverlässigkeit.

Nutzer beurteilen Qualität nicht anhand von Genauigkeit oder Testabdeckung. Was sie wirklich wahrnehmen, ist, ob das System in realen Nutzungsszenarien, insbesondere in kritischen Momenten, sicher, stabil, reibungslos und vorhersehbar ist und vertrauenswürdig ist. Aus diesem Grund entsteht derzeit ein neues Qualitätsparadigma – wir nennen es „Wahrgenommene Qualität (Perceived Quality)“.

„Wahrgenommene Qualität“ wird nicht von Unternehmen selbst definiert und ist auch kein einfaches Konzept der „Zufriedenheit“. Sie ist ein subjektives Vertrauensurteil, das Nutzer durch langfristige reale Erfahrungen kontinuierlich aufbauen. Ob das System in kritischen Momenten ausfällt, ob es häufig zu schwarzem Bildschirm kommt, ob Funktionen wiederholt anomal sind, ob das Produkt nach OTA stabiler oder unkontrollierbarer wird, ob Anomalien in einem für Nutzer verständlichen und erwarteten Rahmen liegen – all diese konkreten Erfahrungen führen letztendlich zu einem umfassenden Wahrnehmungsurteil der Nutzer über die Qualität.

Daher ist das heutige Qualitätsziel nicht mehr nur „alle Fehler zu beseitigen“ – für KI-Systeme ist dies kaum realisierbar. Das realistischere und wichtigere Ziel besteht darin, dass das System unter bestehender Unsicherheit kontrollierbar und verständlich bleibt und sich stets innerhalb der Sicherheitsgrenzen befindet. Letztendlich besteht das Qualitätsziel nicht mehr nur darin, „ob es qualifiziert ist“, sondern auch darin, „ob es unter unsicheren Bedingungen dauerhaft Vertrauen gewinnen kann“.

Fünf Neugestaltungen: Die neue Methodik des Qualitätsmanagements

Das traditionelle Qualitätsmanagementmodell baut auf einer Welt auf, in der Produkte relativ stabil sind, Prozessgrenzen klar definiert sind und Ausfallmuster weitgehend bestimmt sind. Zu diesem Zeitpunkt ist die Stichprobennahme sinnvoll, Standards können langfristig stabil bleiben und die Qualitätsprüfung kann als letzte wirksame Verteidigungslinie dienen. Die traditionelle Welt verschwindet jedoch. Da Produkte zunehmend Merkmale wie softwaredefinierte, datengesteuerte, kontinuierlich aktualisierte und systeminteragierende Eigenschaften aufweisen, hängt Qualität nicht mehr davon ab, ob Probleme effektiv erkannt werden können, sondern zunehmend davon, ob Unternehmen über Fähigkeiten zur vorausschauenden Vorbeugung, rechtzeitigen Eindämmung, kontinuierlichen Lernens und dynamischen Korrektur verfügen. Wenn sich Grenzen und Inhalt der Qualität verändern, muss sich auch die Methodik des Qualitätsmanagements entsprechend ändern. Was wir erleben, ist keine Reihe schrittweiser Verbesserungen, sondern eine strukturelle Neugestaltung der Art und Weise, wie Qualität überwacht, verstanden und gesteuert wird. Diese Veränderung lässt sich zusammenfassen als „fünf Neugestaltungen, eine Hauptlinie“.

1. Von der „Stichprobenprüfung“ zur „Vollständigen Datenüberwachung“

Früher war die Stichprobennahme wirksam, weil die Qualitätsobjekte relativ stabil und wiederholbar waren und die Stichprobe das Ganze in hohem Maße repräsentieren konnte. Heute befinden sich jedoch immer mehr Qualitätsprobleme in Software, Systemen und komplexen Interaktionen, die stark zeitabhängig, szenariobezogen und kombinationsbezogen sind. Mit Stichproben können kaum alle realen Risiken abgedeckt werden. Gleichzeitig erzeugen Design, Entwicklung, Test, Produktion, Lieferung und Betrieb täglich riesige Datenmengen, was eine vollständige, kontinuierliche und dynamische Überwachung der Qualität ermöglicht. Daher verlässt sich das Qualitätsmanagement nicht mehr nur auf Stichproben, um auf das Ganze zu schließen, sondern nutzt Daten, um den Systemzustand kontinuierlich zu überwachen. Dementsprechend muss sich die Rolle der Qualitätsabteilung von dem „Stichprobennnehmer“ zu dem „Datenüberwacher und Risiko-Einsichtnehmer“ weiterentwickeln.

2. Von der „statistischen Analyse“ zum „KI-gesteuerten Erkennen“

Die traditionelle statistische Analyse ist gut geeignet, stabile, niedrigdimensionale und lineare Fertigungsprobleme zu lösen. Heutige Qualitätsrisiken weisen jedoch zunehmend domänenübergreifende Kopplungsmerkmale auf: Software, Hardware, Verfahren, Szenarien, Nutzerverhalten und sogar Faktoren der Lieferkette beeinflussen gemeinsam das Verhalten des Systems. Mit nur Berichten, Durchschnittswerten und erfahrungsbasierter Induktion ist es kaum noch möglich, wirklich zu verstehen, wie Risiken entstehen und sich ausbreiten. Die Qualitätsanalyse beschränkt sich nicht