Ausschussbericht lässt sich nicht erstellen? Wie KI die Ursachenanalyse in eine konkrete Verbesserungsliste für die Produktion verwandelt

Aus den mittelgroßen Druckereien, die ich zuletzt begleitet habe, klingt es im Mund aller nach „kontinuierlicher Verbesserung“. Aber wer die Protokolle der Qualitätssitzungen aufschlägt, sieht: Die Verbesserungsmaßnahmen hängen meistens an zwei Stellen fest – die echte Ursache wird nicht gefunden, und die Verbesserungsvorschläge sind zu abstrakt. Ein Schlechtteil-Foto geht von der Produktion an die QS, von der QS an die Leitung, die Leitung schreibt „bitte vor Ort verstärkt aufpassen“, Fall erledigt. Im nächsten Monat taucht derselbe Fehler wieder auf, und niemand wundert sich mehr

Was dazwischen fehlt, ist keine Einstellung, sondern ein Prozess, der Ausschussdaten sauber klassifiziert, zurückverfolgt und in konkrete Maßnahmen übersetzt. Der eigentliche Wert von KI in diesem Szenario ist nicht irgendeine schicke Funktion zur automatischen Fehlererkennung, sondern dass sie die verstreuten Infos aus LINE-Gruppen, Speicherkarten und QS-Excel-Tabellen zu einer Linie zusammenfügt – damit aus jedem Schadensfall ein abfragbares, ansammelbares Verbesserungsmaterial wird

Was ich in taiwanesischen Mittelständlern der Druckbranche sehe: Ausschussdaten liegen an mehr Stellen herum, als man denkt:

・Direkt am Produktionsplatz: Handy-Fotos neben der Maschine, Rückmeldung in der LINE-Gruppe

・In der QS-Dokumentation: Excel-Tabellen, QS-Belege, Freigabezettel

・In der Weiterverarbeitung: Retourenfotos vom Falzen, Binden, Lackieren – in Eigenleistung oder bei Zulieferern

・Von Kundenseite: Reklamationsfotos, die der Vertrieb weiterleitet, Retourenscheine

Was all diese Daten gemeinsam haben: Format chaotisch, Benennung chaotisch, vollgepackt mit Gesprächen, die mit dem eigentlichen Fehler nichts zu tun haben. Ohne Aufbereitung ist spätere Analyse unmöglich. Damit KI überhaupt einen Nutzen bringt, ist der erste Schritt nicht ein Tool zu kaufen, sondern eine Rückmeldungs-SOP festzulegen

Wie muss eine SOP für die Ausschussrückmeldung aussehen?

Ich empfehle, mit den simpelsten Feldern anzufangen, statt auf einen Schlag alles durchzudrücken und damit Widerstand an der Linie zu erzeugen:

・Ausschussfoto: mindestens eine Aufnahme, die das ganze Problem zeigt, und eine, die das Detail zeigt (am besten mit Lineal oder Münze als Größenreferenz im Bild)

・Zeitpunkt und Maschinennummer: ohne diese beiden Felder wird jede Trendanalyse später mühsam

・Schichtleiter und Bediener der Schicht: für die Klärung der Zuständigkeit und spätere Schulungen

・Sofortmaßnahme: verschrottet, nachgearbeitet, retourniert – einfach festhalten

・Papier- und Farbcharge: hinter vielen Fehlern stecken genau diese beiden Variablen

Sobald die Felder feststehen, kann KI die Daten stabil einlesen, formatieren und für die Klassifikation weiterverarbeiten. Ohne SOP KI einzuführen heißt, dass die KI den Menschen mit seinen Marotten entgegenkommt – am Ende meckern alle, dass es unbrauchbar ist

Wenn es um Bildklassifikation mit KI geht, fragen mich Produktionsleiter am häufigsten: „Wie genau ist das?“ Meine Antwort: Für die Ausschussklassifikation reichen 70 bis 80 Prozent Zuverlässigkeit völlig aus. Der Grund ist einfach – wir brauchen nicht, dass die KI die endgültige Entscheidung trifft, sondern dass sie uns tausende Fotos vorsortiert, damit die QS-Mitarbeiter nur noch einen Stapel gegenprüfen

Die gängigen Ausschusstypen sind für KI relativ unkompliziert:

・Farbabweichung: Farbdrift zwischen Chargen, Abstand zum Proof

・Passer: Versatz beim Vierfarb-Übereinanderdruck, Register beim Schön- und Widerdruck

・Papier: Papierstaub, Fussel, Falten, Rollneigung, Maßtoleranz

・Kratzer: durch unzureichende Trocknung verursachte Abdrücke auf dem Rücken, Scheuerstellen beim Transport

・Verschmutzung: Spritzer, verbleibendes Puderspray, Fingerabdrücke

・Weiterverarbeitungsfehler: versetzte Falzlinien, schiefes Binden, ungleichmäßiges Lackieren

Diese Kategorien haben deutliche visuelle Merkmale, und die Trainingsdaten für die Modelle sind vergleichsweise leicht zu beschaffen. Härter wird es bei Retouren, die mit „der Kunde will es so nicht“ zu tun haben – subjektive Erwartungen, die muss man weiterhin per Hand und im Kundengespräch dokumentieren

Von der Klassifikation zur Ursache ist es noch ein Stück Weg

Klassifikation ist nur ein Etikett. Die Ursache ist das „Warum“. In diesem Schritt liegt der Wert der KI darin, Klassifikationsergebnis, Auftragsdaten, Papiercharge und Maschinenparameter auf einen Blick nebeneinanderzulegen und kreuzweise auszuwerten – damit man sofort mögliche Richtungen erkennt:

・Die Ausschussquote einer Maschine steigt in einem bestimmten Zeitfenster plötzlich an

・Bei einer bestimmten Papiercharge häuft sich ein bestimmter Fehlertyp

・In den Schichten eines bestimmten Bedieners weicht die Ausschussrate signifikant vom Durchschnitt ab

Diese Art von Korrelationsanalyse kriegt man auch im Excel mit Pivot hin, aber KI-Tools haben den Vorteil, dass man näher an natürlicher Sprache fragen kann. „Schau dir die Farbabweichungs-Ausschüsse von Maschine B in der Spätschicht im August an und sag mir, ob die sich auf eine bestimmte Papiercharge konzentrieren“ – solche Sätze gehen, ohne vorher komplizierte Funktionen zu lernen

Das ist aus meiner Sicht der Teil, in den es sich am meisten lohnt, Zeit zu investieren. So schön die Datenanalyse ist – wenn am Ende als Verbesserungsmaßnahme „Bediener soll besser aufpassen“ oder „QS verstärken“ herauskommt, hat das System nur die ineffektiven Besprechungsprotokolle digitalisiert

Eine brauchbare Verbesserungsliste muss ein paar Eigenschaften mitbringen:

・Zuweisbar: klar, wer was bis wann macht

・Überprüfbar: wie wird festgestellt, dass die Maßnahme wirkt (zum Beispiel: Ausschussquote derselben Maschine und derselben Papiersorte in der Folgewoche unter X %)

・Zurückverfolgbar: Verknüpfung zurück zum Originalfoto, zum Auftrag und zum Diskussionsverlauf

Was KI in dieser Phase leisten kann, ist die Erstellung eines Entwurfs. Man wirft die klassifizierten Ausschussdaten, die Ursachenvermutung und die Verbesserungsrichtung hinein – die KI spuckt eine strukturierte Erstversion der Verbesserungsliste aus, mit vorgeschlagenen Rollen, möglichen Verifikationswegen und passenden historischen Fällen. Der QS-Leiter überarbeitet den Entwurf dann, statt auf einer leeren Seite anzufangen – das ist deutlich schneller

Typische Verbesserungsrichtungen je Ausschusstyp

Hier eine Übersicht aus der Praxis bei Kunden vor Ort – als Anhaltspunkt:

・Farbabweichung: Farbmanagement-Prozess prüfen, Maschine neu kalibrieren, Normlichtquelle zwischen Proof und Druck abstimmen

・Passer: Zugspannung der Druckplatten, Registervorrichtung beim Schön- und Widerdruck, Unterlage justieren

・Papier: mit dem Papierlieferanten die Eigenschaftsveränderung der Charge klären, Greiferspannung und Entstaubung anpassen

・Kratzer: Trocknung und Puderspray dosieren, Stapelweise anpassen

・Versetzte Falzlinie: Falzmaschine neu einstellen, Faserlauf und Falzlinienanlage prüfen

Das klingt alles nach Grundlagen – aber in der Praxis haben viele Werke ihre Standardabläufe gar nicht sauber dokumentiert. Neue Mitarbeiter lernen nur mündlich vom Altgesellen, also schwankt die Qualität naturgemäß

In vielen Werken läuft die Einarbeitung nach dem Muster „der Altgeselle zeigt es“. Ist der mal krank oder geht, muss sich der Neue allein durchwursteln. Die gesammelten Ausschussfälle in Schulungsmaterial zu überführen ist der Schlüssel, damit Verbesserungserfahrung nicht mit den Leuten das Werk verlässt

Ich empfehle einen dreischichtigen Aufbau:

・Ebene eins: Fall-Datenbank, nach Fehlertyp sortiert, jeder Fall mit Foto, Rahmenbedingungen, Ursache und Verbesserungsmaßnahme

・Ebene zwei: Standardarbeitsanweisungen (SOP) – die standardisierbaren Handgriffe aus den Fällen als SOP formulieren, zum Beispiel „Farbabweichungs-Prüfung nach Papierwechsel beim ersten Druckbogen"

・Ebene drei: Tests und Wiederholungsschulungen – Bilder aus der Fall-Datenbank als kurze Tests nutzen, um zu prüfen, ob neue Mitarbeiter Fehlertyp und passende Maßnahme erkennen

In diesem Schritt kann KI Entwürfe für Lehrmaterial und Testfragen liefern. Füttert man die Fall-Datenbank mit der KI, schreibt sie aus einem Einzelfall eine lehrreiche Situationsbeschreibung und produziert passende Multiple-Choice- oder offene Fragen. Steht das Grundgerüst, überarbeiten und ergänzen erfahrene Altgesellen mit dem, was im Alltag wirklich zählt

Wer sich eine fertige Vorgehensweise direkt anschauen will: Das Beraterteam von MINDS Knowledge Academy hat den kompletten Prozess von Ausschussrückmeldung über Ursachenanalyse bis zum Schulungsmaterial aufbereitet (MINDS Knowledge Academy Beraterteam) – mit konkreten Kundenbeispielen aus der Einführung

Nach der Begleitung einiger Werke bei der Einführung sind das aus meiner Sicht die drei häufigsten Gründe, warum es schiefgeht:

・Widerstand an der Linie gegen das Ausfüllen: zu viele Felder, zu aufwendig. Lösung: mit dem Minimum an Feldern starten, drei Monate laufen lassen und dann schrittweise erweitern

・Kein klarer Verantwortlicher: Eine geeignete Person, die den Betrieb dauerhaft pflegt, ist wichtiger als jedes teure KI-Tool

・Kein Tracking-Mechanismus für die Maßnahmen: Nach dem Meeting ist Schluss – das ist genauso wie nichts getan. Jede Maßnahme braucht eine Person, die dranbleibt, und ein Fälligkeitsdatum

Alle drei Stolperfallen sind keine Technik-, sondern Managementprobleme. Das beste KI-Tool bringt nichts, wenn man die Leute nicht mitnimmt

Ausschussdaten als Vermögenswert zu begreifen statt als Fotos, die in den Müll gehören – das ist die entscheidende Umstellung in der Denkweise. Jeder Schadensfall, jede Retoure ist der Preis, den man einmal zahlt, damit man den gleichen Fehler kein zweites Mal macht

Aus den Kunden, mit denen ich zu tun habe, sehe ich: Wer diesen Prozess sauber aufsetzt, stellt meistens innerhalb von sechs Monaten einige deutliche Veränderungen fest – die Klassifikationsmeetings werden kürzer, die Maßnahmen werden konkreter umsetzbar, die Einarbeitung neuer Mitarbeiter wird wirksamer. Dass die Ausschussquote in Zahlen sinkt, kommt eher danach – sie hängt von Auftragsstruktur, Papierqualität und Kundenanforderungen ab

Als nächsten Schritt fangen Sie mit dem kleinsten Puzzleteil an: den Feldern für die Ausschussrückmeldung. Vom Papier aus wird man das nie zum Laufen bringen – erst laufen lassen, dann optimieren

・Die Ausschussquote sinkt nicht – das Problem liegt selten direkt an der Linie, sondern daran, dass die Daten nicht sauber klassifiziert und zurückverfolgt werden

・KI-Bildklassifikation für die Vorsortierung von Fehlern reicht mit 70 bis 80 Prozent Zuverlässigkeit, um die QS spürbar zu entlasten

・Verbesserungslisten müssen zuweisbar, überprüfbar und zurückverfolgbar sein – sonst werden nur ineffektive Meetings digitalisiert

・Die Ausschuss-Falldatenbank ist der Rohstoff für das Schulungsmaterial neuer Mitarbeiter – so geht Verbesserungserfahrung nicht mit den Leuten verloren

・Die häufigsten Gründe für ein gescheitertes Einführungsprojekt sind Management- und keine Toolprobleme: Widerstand an der Linie, kein Verantwortlicher, kein Tracking

Für die Druckproduktion ist die Strukturierung der Ausschussdaten der erste Schritt der digitalen Transformation – und der am leichtesten übersehene. Viele Werke investieren viel Geld in ERP oder MES und übersehen dabei die elementarste Datenhygiene direkt am Produktionsplatz. Mein Tipp: mit dem Ausschuss-Rückmeldeformular auf Papier oder in Excel anfangen, Felder und Ablauf stabilisieren, dann über KI-Mehrwert reden. Für KI- und SaaS-Anbieter ist das Ausschussmanagement in Druckereien ein hochgradig spezialisiertes Umfeld – generische Bildklassifikationsmodelle reichen nicht. Man muss die Fachbegriffe und Ursache-Wirkungs-Zusammenhänge im Druckprozess wirklich verstehen, damit ein nützliches Produkt dabei herauskommt. Für die Gestaltungsseite: Wer die typischen Ausschusstypen und ihre Ursachen im Haus kennt, kann im Dateivorbereitungsschritt problematische Designs vermeiden – zu feine Passermarken, vollflächige dunkle Flächen, die leicht abfärben – und so die Retourenkommunikation auf beiden Seiten entlasten

(Dieser Artikel ist ein Original-Lehrinhalt von MINDS Knowledge Academy. Das zitierte Branchenwissen und die dargestellten Vorgehensweisen stammen aus der erstmaligen Beratungs- und Umsetzungserfahrung des Beraterteams.)