KI im Qualitätsmanagement: Agenten für Reklamation, Audit und Prüfung
Im Qualitätsmanagement eines produzierenden Unternehmens entsteht ein großer Teil der Arbeit als Text: Reklamationen, 8D-Berichte, FMEA-Zeilen, Auditfragen, Prüfanweisungen, Lieferantenbewertungen. Genau dort setzen KI-Agenten an. Dieser Überblick ordnet die Einsatzfelder, zeigt die Bausteine und beantwortet die Frage, die im QM wichtiger ist als anderswo: Wer validiert, und wer verantwortet das Ergebnis?
Was ist ein KI-Agent im Qualitätsmanagement?
Ein KI-Agent im Qualitätsmanagement ist ein Sprachmodell, das nicht nur Text erzeugt, sondern definierte Arbeitsschritte ausführt: Er liest einen Reklamationsdatensatz, sucht ähnliche frühere Fälle, schlägt eine Fehlerklassifikation vor und schreibt einen Entwurf für die Sofortmaßnahme. Er arbeitet mit Ihren Systemen und Dokumenten und übergibt an definierten Punkten an einen Menschen.
Der Unterschied zu einem Chat-Assistenten liegt in drei Punkten:
- Werkzeuge: Der Agent darf bestimmte Systeme lesen (CAQ, ERP, Dokumentenlenkung) und gegebenenfalls Entwürfe anlegen – nicht beliebig, sondern über freigegebene Schnittstellen.
- Ablauf: Er folgt einem festgelegten Prozess, etwa den Disziplinen eines 8D-Berichts, statt frei zu antworten.
- Nachweis: Jeder Vorschlag ist mit seinen Quellen verknüpft – welcher frühere Fall, welche Prüfanweisung, welche FMEA-Zeile. Im QM ist das kein Komfort, sondern Voraussetzung, weil Auditoren genau danach fragen.
Was ein QM-Agent nicht ist: ein Prüfmittel, ein Messsystem oder eine automatische Freigabeinstanz. Die Entscheidung über ein Teil, eine Charge oder eine Kundenantwort bleibt beim qualifizierten Menschen.
Wie funktioniert ein QM-Agent? Die Bausteine
Ein QM-Agent besteht aus vier Bausteinen: einem Sprachmodell, einer Wissensbasis aus Ihren gelenkten Dokumenten und Falldaten, Werkzeugen für den Zugriff auf Ihre Systeme und einem Freigabeschritt, an dem ein Mensch prüft. Fehlt einer davon, entstehen entweder allgemeine Texte ohne Bezug oder Ergebnisse, die niemand verantworten kann.
1. Sprachmodell. Es liest unstrukturierte Texte wie Kundenbeschwerden in Freitext, Prüfberichte oder Lieferantenstellungnahmen und formuliert Entwürfe. Ob es in der Cloud oder auf eigener Hardware läuft, ist eine Frage von Datenschutz, Geheimhaltung und Kundenvorgaben. Gerade Zulieferer haben oft vertragliche Vorgaben, wo Zeichnungen und Reklamationsdaten verarbeitet werden dürfen; Hinweise dazu finden Sie unter souveräne KI.
2. Wissensbasis. Gelenkte Dokumente (Verfahrensanweisungen, Prüfpläne, FMEA), abgeschlossene 8D-Fälle, Lieferantenbewertungen. Wichtig ist der Lenkungsstatus: Der Agent darf nur auf gültige Revisionen zugreifen, sonst zitiert er eine überholte Prüfanweisung. Wie man eine solche Wissensbasis grundsätzlich aufbaut, beschreibt die Seite zum Wissensmanagement mit KI-Agenten.
3. Werkzeuge. Lesender Zugriff auf CAQ-System, ERP (Chargen, Lieferscheine, Lieferanten) und Dokumentenlenkung; schreibender Zugriff höchstens auf Entwürfe. Jeder Werkzeugaufruf wird protokolliert.
4. Freigabe. Der Agent erzeugt Entwürfe mit Quellenverweisen, ein Mensch prüft, ändert und gibt frei. Die Freigabe ist der Punkt, an dem Verantwortung entsteht – und der Punkt, den Sie im Audit zeigen. Wie man Freigabestufen technisch gestaltet, beschreibt der Artikel zu Human-in-the-Loop in KI-Agenten.
Einsatzfelder: die QM-Landkarte
Im Qualitätsmanagement gibt es fünf Felder, in denen Agenten heute sinnvoll arbeiten: Reklamation und 8D, FMEA, Audit, Prüfplanung und Lieferantenqualität. Sie unterscheiden sich darin, wie viel Freitext anfällt, wie häufig der Ablauf wiederkehrt und wie hoch das Risiko eines falschen Vorschlags ist. Daraus ergibt sich, wo Sie anfangen sollten.
| Feld | Was der Agent tut | Risiko eines Fehlers | Typischer Einstieg |
|---|---|---|---|
| Reklamation / 8D | Erfassen, klassifizieren, ähnliche Fälle finden, Berichtsentwurf | mittel – Kunde sieht das Ergebnis | ja |
| FMEA | Fehlerbilder aus Reklamationen vorschlagen, Konsistenz prüfen | mittel – wirkt auf Maßnahmen | nach 8D |
| Audit | Nachweise zusammenstellen, Fragenkataloge vorbereiten | gering bis mittel | ja |
| Prüfplanung | Prüfmerkmale aus Zeichnung und Spezifikation ableiten | hoch – wirkt auf Produktfreigabe | später |
| Lieferantenqualität | Stellungnahmen auswerten, Bewertungen vorbereiten | mittel | nach 8D |
Reklamation und 8D-Bericht
Reklamationen kommen per E-Mail, über Kundenportale oder als PDF-Formular. Der Agent erfasst die Angaben (Teilenummer, Charge, Fehlerbild, Menge), ordnet den Fall einer Fehlerklasse zu und sucht abgeschlossene Fälle mit ähnlichem Fehlerbild. Für den 8D-Bericht entwirft er die Problembeschreibung und schlägt Sofortmaßnahmen vor, die sich bei ähnlichen Fällen bewährt haben. Die Ursachenanalyse selbst – das Herzstück jedes 8D-Berichts – bleibt Teamarbeit am Teil und im Prozess; der Agent liefert Hypothesen und Daten, keine Ursache. Den Aufbau eines 8D-Agenten und die Erfassung und Klassifikation von Reklamationen behandeln eigene Artikel in diesem Themenbereich.
FMEA
Die FMEA lebt von Erfahrungswissen, das häufig in Reklamationen und 8D-Berichten steckt, aber nicht zurück in die FMEA findet. Ein Agent kann neue Fehlerbilder aus abgeschlossenen Fällen als Vorschlag für die betroffene FMEA formulieren und prüfen, ob Maßnahmen, Fehlerfolgen und Bewertungen in sich stimmig sind. Für die Automobilindustrie haben AIAG und VDA 2019 ein gemeinsames FMEA-Handbuch herausgegeben, das nach Angaben der NCMEP einen Ansatz in sieben Schritten und die Aufgabenpriorität (Action Priority, AP) anstelle der Risikoprioritätszahl einführt. Ein Agent muss die im Unternehmen gültige Methodik kennen, sonst schlägt er Bewertungen nach dem falschen Schema vor.
Audit
Vor einem internen oder externen Audit wird viel gesucht: Nachweise, Protokolle, offene Maßnahmen aus dem letzten Audit. Ein Agent kann zu einem Fragenkatalog die passenden Dokumente und Datensätze zusammenstellen und fehlende Nachweise markieren. Für Prozessaudits in der Automobilzulieferung gibt es etwa den Fragenkatalog nach VDA 6.3, dessen 4. überarbeitete Ausgabe laut VDA QMC im Januar 2023 erschienen ist. Der Agent bereitet vor; die Bewertung im Audit nimmt der Auditor vor.
Prüfplanung
Bei der Prüfplanung leitet ein Agent aus Zeichnung, Spezifikation und Kundenvorgaben Prüfmerkmale ab und vergleicht sie mit bestehenden Prüfplänen ähnlicher Teile. Das ist das Feld mit dem höchsten Risiko: Ein übersehenes Merkmal wirkt direkt auf die Produktfreigabe. Hier sollte der Agent nur Abweichungen und Lücken anzeigen, nie einen Prüfplan selbst freigeben.
Lieferantenqualität
Lieferanten antworten auf Mängelrügen mit eigenen 8D-Berichten in sehr unterschiedlicher Qualität. Ein Agent kann prüfen, ob alle Disziplinen bearbeitet sind, ob die genannte Ursache zum Fehlerbild passt und ob Abstellmaßnahmen nachweisbar sind. Daraus entsteht ein Vorschlag für die Rückfrage an den Lieferanten und ein Beitrag zur Lieferantenbewertung.
Validierung und Verantwortung je Normumfeld
Wie streng ein QM-Agent geprüft werden muss, hängt vom Normumfeld ab. In der Medizintechnik und in der Pharmaindustrie gibt es ausdrückliche Vorgaben für Software im Qualitätssystem; in der Automobilindustrie und im allgemeinen Maschinenbau ergibt sich die Pflicht eher mittelbar aus der Beherrschung von Prozessen. Überall gilt: Die Verantwortung bleibt beim Unternehmen, nicht beim Werkzeug.
Die folgende Einordnung ist eine Orientierung, keine Rechtsberatung. Für Ihre konkrete Lage brauchen Sie die Normtexte und gegebenenfalls fachlichen Rat.
Allgemeines QM und Automobil. IATF 16949:2016 ist nach Angaben der IATF der Nachfolger der ISO/TS 16949:2009 und bleibt über einen Verbindungsstatus eng an ISO 9001 ausgerichtet. Ausdrückliche Regeln für KI-Agenten enthält sie nicht. Praktisch heißt das: Wenn ein Agent Teil eines gelenkten Prozesses wird – etwa der Reklamationsbearbeitung –, gehört er in die Prozessbeschreibung, mit Zweck, Grenzen, Freigabeschritt und Protokollierung. Auditoren fragen nach Nachvollziehbarkeit, nicht nach der Technik. Was bei Zulieferern darüber hinaus zählt – Bemusterung und OEM-Vorgaben –, behandelt der Artikel zu KI-Agenten bei Automobilzulieferern; hier geht es nur um die QM-Abläufe selbst.
Medizintechnik. Die US-Behörde FDA hat ihre Qualitätssystem-Vorschrift überarbeitet: Die Quality Management System Regulation bezieht laut FDA die ISO 13485:2016 per Verweis ein und gilt seit dem 2. Februar 2026. Für Software, die in Produktion oder Qualitätssystem eingesetzt wird, hat die FDA im September 2025 die endgültige Leitlinie „Computer Software Assurance for Production and Quality System Software“ im Federal Register angekündigt. Ein QM-Agent in einem Medizintechnik-Unternehmen fällt in diesen Bereich; sein Einsatzzweck und die Prüfung gegen diesen Zweck müssen dokumentiert sein. Die Besonderheiten der Branche über das QM hinaus, etwa die technische Dokumentation, ordnet der Artikel zu KI-Agenten in der Medizintechnik ein.
Pharma (GMP). Für die EU-GMP-Leitlinien wurde ein neuer Anhang 22 zu künstlicher Intelligenz entworfen. Die öffentliche Konsultation lief laut PIC/S vom 7. Juli bis 7. Oktober 2025; der Entwurf stellt Anforderungen an Auswahl, Training und Validierung von KI-Modellen und sieht eine fortlaufende Aufsicht einschließlich Änderungskontrolle vor. Nach einer Zusammenfassung bei Legal 500 schließt der Entwurf generative KI und große Sprachmodelle von kritischen GMP-Anwendungen aus und lässt sie in unkritischen Anwendungen mit menschlicher Prüfung zu. Prüfen Sie vor einer Planung, ob und in welcher Fassung der Anhang inzwischen gilt.
EU-KI-Verordnung. Unabhängig von der Branche verlangt Artikel 4 der KI-Verordnung in der konsolidierten Fassung, dass Anbieter und Betreiber Maßnahmen zur Entwicklung der KI-Kompetenz ihres Personals ergreifen. Für Hochrisiko-Systeme beschreibt Artikel 14 wirksame menschliche Aufsicht und nennt ausdrücklich die Neigung, sich zu stark auf die Ausgaben eines Systems zu verlassen (Automation Bias). Ob Ihr konkreter Einsatz als Hochrisiko gilt, ist im Einzelfall zu prüfen – der Gedanke dahinter gilt für jeden QM-Agenten. Was die Pflicht zur KI-Kompetenz praktisch bedeutet, erklärt der Artikel zur KI-Kompetenz nach Art. 4 AI Act.
Voraussetzungen: Daten, Systeme, Organisation
Ein QM-Agent braucht drei Dinge: auswertbare Falldaten, gelenkte Dokumente mit klarem Revisionsstand und eine benannte Person, die den Prozess verantwortet. Fehlt die Falldatenbasis, kann der Agent keine ähnlichen Fälle finden; fehlt die Lenkung, zitiert er Überholtes; fehlt die Verantwortung, bleibt der Agent ein Experiment.
Daten. Abgeschlossene Reklamationen und 8D-Berichte, idealerweise mit Fehlerklasse, Ursache und Maßnahme. Freitext ist kein Problem – Sprachmodelle können damit umgehen –, aber Teilenummern und Chargen sollten sauber gepflegt sein, sonst scheitert die Verknüpfung.
Systeme. Ein CAQ-System, ein ERP oder zumindest eine strukturierte Ablage, auf die der Agent lesend zugreifen kann. Wo noch Excel-Listen geführt werden, ist das kein Hindernis für einen Pilot, aber ein Grund, die Ablage vorher zu vereinheitlichen.
Organisation. Eine Person im QM, die den Agenten fachlich verantwortet, Freigaberegeln festlegt und Fehlvorschläge auswertet. Bei einem Betriebsrat sollte früh geklärt werden, ob und wie Arbeitsergebnisse einzelner Beschäftigter durch den Agenten sichtbar werden.
Vorgehen in fünf Schritten
Ein sinnvoller Weg beginnt mit einem einzigen, häufigen Ablauf – meist der Reklamationserfassung –, misst die Qualität der Vorschläge gegen bereits abgeschlossene Fälle und erweitert erst dann. So entsteht der Nachweis, den Sie später für Validierung und Audit brauchen, nebenbei.
- Ablauf wählen. Ein Prozess mit vielen Fällen, viel Freitext und geringem Schaden bei einem Fehlvorschlag. Reklamationserfassung und Audit-Vorbereitung eignen sich, Prüfplanung nicht.
- Einsatzzweck festschreiben. Was der Agent tut, was er nicht tut, wo der Mensch freigibt. Dieses Dokument ist die Grundlage jeder späteren Validierung.
- Gegen Bestandsfälle testen. Der Agent bearbeitet abgeschlossene Fälle, deren richtiges Ergebnis bekannt ist. Abweichungen werden ausgewertet, bevor ein einziger neuer Fall läuft. Wie man solche Testsätze aufbaut, zeigt der Artikel zu Evals für KI-Agenten.
- Im Parallelbetrieb einführen. Der Agent arbeitet mit, die bisherige Bearbeitung läuft weiter. Erst wenn die Vorschläge verlässlich sind, wird der Agent Teil des Prozesses.
- Überwachen und ändern unter Kontrolle. Modellwechsel, neue Dokumente oder geänderte Prompts sind Änderungen am Prozess und werden wie solche behandelt.
Einen Vergleich bietet die Seite zu KI-Agenten im technischen Service: Dort geht es um Kundenanfragen und Störungen, im QM um Abweichungen und Nachweise – die Bausteine sind dieselben, die Anforderungen an Nachweisführung sind im QM höher.
Grenzen und Risiken
Die größten Risiken eines QM-Agenten sind plausibel klingende, aber falsche Ursachen, veraltete Dokumente in der Wissensbasis und ein schleichender Verlust an Prüftiefe, weil Menschen Vorschläge ungeprüft übernehmen. Alle drei lassen sich begrenzen, aber nicht ausschließen.
- Scheinursachen. Ein Sprachmodell formuliert überzeugend. Eine 8D-Ursache, die gut klingt, aber nicht am Teil verifiziert wurde, ist schlimmer als keine – das Phänomen heißt Halluzination. Ursachen gehören immer in die Verantwortung des Teams.
- Veraltete Dokumente. Greift der Agent auf eine überholte Revision zu, ist jeder Vorschlag fehlerhaft, auch wenn er formal korrekt aussieht. Die Wissensbasis muss an die Dokumentenlenkung gekoppelt sein.
- Automation Bias. Nach einigen Wochen guter Vorschläge sinkt die Aufmerksamkeit. Stichproben, bei denen ein zweiter Mensch einen freigegebenen Fall nachprüft, halten die Prüftiefe aufrecht.
- Vertraulichkeit. Reklamationsdaten enthalten oft Kundenzeichnungen und Spezifikationen. Wo Verträge die Verarbeitung einschränken, kommt nur ein Betrieb auf eigener Infrastruktur infrage.
- Wann es nicht passt: Bei sehr wenigen Fällen im Jahr lohnt sich der Aufwand für Wissensbasis und Validierung nicht. Und wo ein Prozess heute nicht beherrscht ist, macht ein Agent ihn nicht beherrscht, sondern nur schneller unbeherrscht.
In unserem eigenen Betrieb hat sich bewährt, jeden Vorschlag mit seinen Quellen anzuzeigen und Fehlvorschläge gesammelt auszuwerten, statt sie einzeln zu korrigieren – so wird sichtbar, ob ein Fehler am Modell, an den Daten oder an der Prozessbeschreibung liegt.
Wie fange ich an?
Beginnen Sie mit einer Bestandsaufnahme: Welche QM-Abläufe binden die meiste Zeit, wie viele Fälle gibt es pro Monat, wo liegen die Daten, und welches Normumfeld gilt für Sie? Daraus ergibt sich fast immer ein erster Ablauf, der sich in wenigen Wochen gegen Bestandsfälle testen lässt.
Drei Fragen helfen bei der Auswahl:
- Gibt es mindestens einige Dutzend abgeschlossene Fälle, an denen sich ein Agent messen lässt?
- Ist klar, wer freigibt – und ist diese Person bereit, Vorschläge kritisch zu prüfen?
- Welche Vorgaben aus Normen, Kundenverträgen und Datenschutz bestimmen, wo das Modell laufen darf?
Einen Überblick über Fachagenten für verschiedene Abteilungen und ihre gemeinsamen Bausteine finden Sie auf der Seite zu KI-Agenten für Unternehmen. Wer das Thema zunächst im Team erarbeiten möchte, findet unter Workshop ein Format, um Abläufe und Datenlage gemeinsam zu bewerten.
Häufige Fragen
Darf ein KI-Agent einen 8D-Bericht selbstständig an den Kunden schicken?
Technisch ist das möglich, organisatorisch ist es nicht ratsam. Der Bericht ist eine Zusage Ihres Unternehmens gegenüber dem Kunden; die Ursachenanalyse und die Freigabe sollten bei einer verantwortlichen Person im QM liegen, der Agent liefert den Entwurf.
Muss ich einen KI-Agenten im QM validieren?
Das hängt vom Normumfeld ab. In der Medizintechnik und in der Pharmaindustrie gelten ausdrückliche Anforderungen an Software im Qualitätssystem; in anderen Branchen ist eine dokumentierte, risikobasierte Prüfung des Einsatzzwecks trotzdem sinnvoll, damit Auditoren den Einsatz nachvollziehen können.
Welche Daten braucht ein QM-Agent mindestens?
Zugriff auf die Reklamations- oder Abweichungsdatensätze, die gültigen Verfahrensanweisungen und Prüfpläne sowie die Historie abgeschlossener Fälle. Ohne diese Grundlage erzeugt der Agent allgemeine Texte statt fallbezogener Vorschläge.
Ist generative KI in der Pharma-Produktion verboten?
Der Entwurf des neuen GMP-Anhangs 22 schließt sie nach Zusammenfassungen des Entwurfs für kritische GMP-Anwendungen aus, lässt unkritische Anwendungen mit menschlicher Prüfung aber offen. Prüfen Sie den aktuellen Stand, bevor Sie planen, und holen Sie im Zweifel fachlichen Rat ein.
Quellen
- IATF – About IATF 16949:2016 iatfglobaloversight.org
- VDA QMC – Publikationen (u. a. VDA 6.3 Prozessaudit) vda-qmc.de
- NCMEP – New AIAG & VDA FMEA Handbook Released (2019) ncmep.org
- FDA – Quality Management System Regulation (QMSR) fda.gov
- Federal Register – Computer Software Assurance for Production and Quality System Software; Availability (2025) public-inspection.federalregister.gov
- PIC/S – Joint stakeholders consultation on Chapter 4, Annex 11 and new Annex 22 picscheme.org
- Legal 500 – EU consults on new GMP rules for AI in pharma manufacturing legal500.com
- EU AI Act Service Desk – Artikel 4 KI-Kompetenz ai-act-service-desk.ec.europa.eu
- EU AI Act Service Desk – Artikel 14 Menschliche Aufsicht ai-act-service-desk.ec.europa.eu