Qualitätssicherung ist in österreichischen Betrieben oft Erfahrungswissen: Eine Fachkraft erkennt am Werkstück, am Dokument oder an einer Abweichung sofort, dass etwas nicht passt. Künstliche Intelligenz kann diese Prüfung unterstützen, wenn sie Muster sichtbar macht und Vorschläge liefert. Sie darf aber nicht stillschweigend entscheiden, ob ein Produkt ausgeliefert, eine Rechnung freigegeben oder eine Leistung bewertet wird. Die fachkundige Person bleibt verantwortlich.
Gerade für kleine und mittlere Unternehmen klingt KI-Qualitätskontrolle zunächst nach Großindustrie. Tatsächlich beginnt sie häufig mit einfachen Aufgaben: Bilder vergleichen, Messwerte sortieren, fehlende Angaben markieren oder eine Checkliste vorbereiten. Statistik Austria meldete für 2025, dass bereits 30 Prozent der Unternehmen ab zehn Beschäftigten KI einsetzen. Entscheidend ist daher nicht, ob ein Betrieb „modern genug“ ist, sondern ob der konkrete Anwendungsfall nachvollziehbar, datensparsam und sicher gestaltet wird.
Was KI bei der Qualitätssicherung leisten kann
Ein Modell kann große Mengen gleichartiger Informationen schneller vorsortieren als ein Mensch. In einer Tischlerei erkennt eine Bildprüfung etwa Kratzer an einer Oberfläche; in einem Kundendienst markiert sie unvollständige Ticketdaten; in einer Buchhaltung weist sie auf ungewöhnliche Beträge hin. Das Ergebnis ist eine Priorisierung. Die Fachkraft entscheidet, ob tatsächlich ein Fehler vorliegt und welche Korrektur sinnvoll ist.
Der größte Nutzen liegt in der Entlastung von Routine. Mitarbeitende verbringen weniger Zeit mit dem Suchen nach offensichtlichen Abweichungen und mehr Zeit mit Ursachenanalyse, Kundenkontakt und Verbesserung. Das AMS beschreibt KI in der Arbeitswelt deshalb als Thema, das nicht nur technische, sondern auch fachliche und soziale Kompetenzen verändert. Gute Qualität bleibt eine gemeinsame Leistung von Werkzeug und Erfahrung.
Den Anwendungsfall eng abgrenzen
Starten Sie nicht mit dem Ziel „Wir wollen KI einsetzen“, sondern mit einer klaren Fehlerfrage. Soll das System fehlende Pflichtfelder finden? Soll es Messwerte gegen Toleranzen prüfen? Oder soll es Fotos nach sichtbaren Oberflächenfehlern sortieren? Je enger die Frage, desto leichter lässt sich testen, ob die Ausgabe zuverlässig ist. Eine diffuse Qualitätsbewertung führt dagegen schnell zu falschen Erwartungen.
Definieren Sie vor dem Pilot drei Klassen: automatisch unauffällig, menschlich zu prüfen und eindeutig fehlerhaft. Die mittlere Klasse ist wichtig. Sie verhindert, dass ein unsicheres Ergebnis als Freigabe missverstanden wird. Legen Sie außerdem fest, wie eine Person eine Fehlklassifikation korrigiert und wie diese Korrektur dokumentiert wird. Ohne Rückkanal lernt das Team nichts aus den Fehlern des Systems.
Daten vorbereiten, ohne Betriebsgeheimnisse preiszugeben
Qualitätsdaten enthalten oft mehr als nur technische Werte. Fotos können Gesichter, Nummernschilder oder Kundenaufträge zeigen; Dokumente enthalten Namen und Preise; Supportfälle verraten interne Abläufe. Die WKO empfiehlt, Datenschutz, Persönlichkeits- und Markenrechte bei jedem KI-Einsatz mitzudenken. Für einen ersten Test reichen anonymisierte oder synthetische Beispiele. Entfernen Sie alles, was für die konkrete Prüfaufgabe nicht nötig ist.
Prüfen Sie auch, wo ein Tool Eingaben speichert und wer Zugriff erhält. Ein öffentliches Online-Modell ist nicht automatisch für interne Unterlagen geeignet. Interne Richtlinien sollten erlaubte Systeme, Datenklassen, Aufbewahrung und Löschung nennen. Beschäftigte brauchen eine verständliche Erklärung, nicht nur einen Link zu langen Nutzungsbedingungen. Die Arbeiterkammer weist darauf hin, dass Datenschutz- und Mitbestimmungsrechte auch beim Einsatz von KI am Arbeitsplatz gelten.
Messbare Kriterien statt Bauchgefühl
Ein Pilot braucht eine Ausgangsbasis. Wie viele Teile werden heute manuell geprüft? Wie oft wird ein Fehler übersehen? Wie lange dauert eine Stichprobe? Erst danach kann ein Vergleich sinnvoll sein. Messen Sie mindestens Trefferquote, Fehlalarme, Bearbeitungszeit und den Anteil ungeklärter Fälle. Ein System, das viele Warnungen erzeugt, aber kaum echte Fehler findet, spart keine Arbeit.
Testen Sie mit Daten, die im Alltag vorkommen: unterschiedliche Lichtverhältnisse, verschiedene Lieferanten, saisonale Schwankungen und seltene Fehlerbilder. Ein Modell, das nur mit idealen Beispielen trainiert wurde, wirkt im Labor gut und scheitert in der Praxis. Halten Sie Testdatum, Datenquelle und Version des Systems fest. So bleibt nachvollziehbar, warum eine Änderung die Qualität verbessert oder verschlechtert hat.
Menschliche Freigabe richtig organisieren
Die letzte Entscheidung gehört in die Hände einer qualifizierten Person. Diese Person muss erkennen können, worauf die KI-Warnung beruht, und darf sie überstimmen. Eine einfache Oberfläche zeigt deshalb nicht nur „Fehler“, sondern auch Messwert, Vergleichsbereich und Unsicherheit. Bei Bildprüfungen sollte das Originalbild unverändert neben der Markierung sichtbar bleiben.
Vermeiden Sie anonymes Wegklicken. Wird eine Warnung verworfen, sollte ein kurzer Grund auswählbar sein: falscher Alarm, Toleranz erlaubt, Nachprüfung folgt oder Daten unbrauchbar. Diese Rückmeldung hilft beim Verbessern der Prüflogik. Sie darf aber nicht zur heimlichen Leistungsüberwachung einzelner Beschäftigter werden. Die AK warnt vor unverhältnismäßiger Kontrolle und fordert Transparenz bei algorithmischen Systemen im Betrieb.
Praxisbeispiel: Metallbetrieb in der Steiermark
Ein mittelständischer Metallbetrieb erhält täglich Fotos und Messwerte aus der Endkontrolle. Im Pilot sortiert ein KI-System Bilder nach „wahrscheinlich unauffällig“ und „bitte prüfen“. Die Qualitätsmeisterin kontrolliert jede rote und gelbe Meldung. Nach vier Wochen zeigt sich: Kratzer werden zuverlässig erkannt, spiegelnde Oberflächen erzeugen jedoch viele Fehlalarme. Das Team ändert die Beleuchtung und ergänzt Beispiele. Erst danach wird der Pilot auf eine zweite Produktlinie ausgedehnt.
Wichtig ist, was nicht passiert: Das System sperrt keine Lieferung automatisch und bewertet keine Person. Ein Fehler wird als Prozessproblem behandelt, nicht als Schuldzuweisung. Die Erkenntnisse fließen in eine bessere Arbeitsanweisung und in die Schulung neuer Kolleginnen und Kollegen ein. So erhöht KI die Lernfähigkeit des Betriebs, statt Fachwissen zu verdrängen.
AI Act und KI-Kompetenz im Betrieb
Der AI Act verlangt seit Februar 2025 ein ausreichendes Maß an KI-Kompetenz bei Personen, die mit KI-Systemen arbeiten. Die WKO empfiehlt daher Schulung, dokumentierte Zuständigkeiten und allgemeine Regeln. Für eine Qualitätsprüfung heißt das: Mitarbeitende verstehen den Zweck des Systems, kennen typische Fehlermuster und wissen, wann sie eskalieren müssen. Ein Zertifikat allein ersetzt diese praktische Einweisung nicht.
Prüfen Sie außerdem, ob die Anwendung in einen sensiblen Bereich fällt. Qualitätskontrolle an einem Werkstück ist etwas anderes als ein System, das Beschäftigte anhand von Fehlerzahlen bewertet. Sobald Arbeitsleistung, Verhalten oder Zugang zu Chancen betroffen sind, steigen die Anforderungen an Transparenz, menschliche Aufsicht und Mitbestimmung. Im Zweifel sollte Datenschutzbeauftragte oder Betriebsrat früh eingebunden werden.
Checkliste für den sicheren Start
- Welche konkrete Abweichung soll erkannt werden?
- Welche Daten sind dafür wirklich erforderlich?
- Wer prüft jedes unsichere Ergebnis?
- Welche Kennzahlen zeigen Nutzen und Fehlalarme?
- Wie werden Korrekturen und Versionen dokumentiert?
- Welche Daten dürfen nicht in das Tool gelangen?
- Wann wird der Pilot gestoppt oder ausgeweitet?
Qualität ist mehr als Fehlererkennung
Ein sauberer Prüfprozess betrachtet nicht nur das Ergebnis, sondern auch den Weg dorthin. Fragen Sie, ob Daten vollständig waren, ob die Aufnahmebedingungen passten und ob eine Warnung rechtzeitig bei der richtigen Stelle ankam. Ein Modell kann mathematisch korrekt arbeiten und trotzdem im Prozess nutzlos sein, wenn die Meldung erst nach der Auslieferung gelesen wird. Legen Sie deshalb Reaktionszeiten und Eskalationswege fest.
Auch die menschliche Arbeit verdient eine Qualitätsdefinition. Die Person an der Prüfung muss Zeit für Rückfragen haben, geeignete Messmittel nutzen können und eine Entscheidung ohne Druck treffen dürfen. Wird jede Abweichung als persönliche Schuld behandelt, werden Fehler verschwiegen und Trainingsdaten schlechter. Eine faire Fehlerkultur verbessert daher indirekt auch die KI. Das entspricht dem Grundgedanken der Arbeiterkammer, dass technische Kontrolle die Würde und Rechte der Beschäftigten achten muss.
Dokumentation für Nachvollziehbarkeit und Lernen
Führen Sie ein kurzes Prüfprotokoll: Datum, Produkt oder Fall, Systemversion, Ergebnis, menschliche Entscheidung und gegebenenfalls Korrektur. Bei sensiblen Vorgängen genügt eine pseudonymisierte Kennung. Das Protokoll soll nicht jede Bewegung überwachen, sondern zeigen, ob das Verfahren zuverlässig ist. Nach einem Monat kann das Team anhand weniger Beispiele entscheiden, ob zusätzliche Daten, eine neue Toleranz oder eine andere Arbeitsanweisung nötig ist.
Wenn ein Fehler zu einem Schaden führt, ist eine klare Zuständigkeit besonders wichtig. Sichern Sie die relevanten Daten, stoppen Sie betroffene Ausgaben und informieren Sie die verantwortliche Stelle. Verändern Sie die ursprüngliche KI-Meldung nicht nachträglich, sondern ergänzen Sie die menschliche Bewertung. So lässt sich später erklären, welche Information vorlag und warum eine Entscheidung getroffen wurde. Ein solches Vorgehen unterstützt interne Audits und schafft Vertrauen bei Kunden.
Berufe verändern sich, Fachwissen bleibt
Mit KI in der Qualitätskontrolle verschiebt sich Arbeit häufig von der reinen Sichtprüfung zu Ursachenanalyse, Prozessgestaltung und Kommunikation. Eine erfahrene Fachkraft wird nicht überflüssig, sondern prüft schwierige Fälle, verbessert Kriterien und schult andere. Für Berufseinsteigerinnen und Berufseinsteiger entstehen Lernchancen, wenn sie sowohl das Handwerk als auch die Grenzen des Systems kennenlernen. Das AMS empfiehlt in seinen Arbeitsmarktinformationen, digitale Kompetenzen mit fachlichem Können zu verbinden.
Planen Sie Weiterbildung deshalb konkret. Eine kurze Einheit kann erklären, wie ein Fehlalarm entsteht, welche Datenqualität erforderlich ist und wie eine Entscheidung dokumentiert wird. Danach sollte jede Person einen echten, anonymisierten Fall gemeinsam bearbeiten. Der Lerneffekt ist größer als bei einer reinen Tool-Demonstration. Halten Sie offene Fragen fest und geben Sie sie an die verantwortliche Leitung oder den Anbieter weiter.
Wann ein Pilot beendet werden sollte
Nicht jeder Versuch verdient eine Verlängerung. Beenden Sie den Pilot, wenn der Nutzen nicht messbar ist, Fehlalarme dauerhaft zu hoch bleiben, Daten nicht rechtskonform verarbeitet werden können oder Beschäftigte die menschliche Freigabe nicht mehr realistisch schaffen. Ein Stopp ist kein Scheitern, sondern eine verantwortungsvolle Entscheidung. Dokumentieren Sie, was gelernt wurde, und bewahren Sie nur die Daten auf, für die ein klarer Zweck besteht.
Wird der Pilot ausgeweitet, geschieht das schrittweise. Fügen Sie eine zweite Produktgruppe oder einen weiteren Standort erst hinzu, wenn Kriterien und Rollen stabil sind. Prüfen Sie, ob regionale Unterschiede, andere Maschinen oder neue Lichtverhältnisse die Ergebnisse verändern. Eine Freigabe für den Wiener Standort ist nicht automatisch eine Freigabe für einen Betrieb in Tirol. Qualitätssicherung bleibt immer kontextabhängig.
Beziehen Sie außerdem jene Menschen ein, die täglich mit dem Ergebnis arbeiten. Sie wissen, welche Ausnahmefälle in der Praxis vorkommen und welche Warnung besonders kritisch ist. Ein kurzer monatlicher Austausch reicht oft: Welche Meldung war hilfreich, welche kam zu spät, welche Regel muss verständlicher werden? Diese Rückmeldungen halten das Verfahren lebendig und verhindern, dass eine alte Modellversion unbemerkt zum Standard wird.
Für Kundinnen und Kunden zählt am Ende die verlässliche Leistung. Kommunizieren Sie deshalb nur, was die Prüfung tatsächlich leisten kann. Eine KI-Unterstützung ist kein Gütesiegel und keine Garantie für Fehlerfreiheit. Sie ist ein Werkzeug in einem verantworteten Prozess. Wer diese Grenze offenlegt, stärkt Glaubwürdigkeit und schafft eine gute Grundlage für weitere Digitalisierung.
Ein letzter Praxistipp: Schreiben Sie die wichtigste Grenze des Systems direkt in die Arbeitsanweisung. Zum Beispiel: „Die KI sortiert Bilder vor; Freigabe erteilt ausschließlich die Qualitätsfachkraft.“ Dieser Satz verhindert Missverständnisse bei Stress, Schichtwechsel oder Urlaubsvertretung. Er erinnert alle Beteiligten daran, dass Technik unterstützt, während Fachwissen, Sorgfalt und faire Verantwortung den Maßstab setzen.
So entsteht ein prüfbarer, menschlich verantworteter Prozess, der auch bei neuen Tools belastbar bleibt.
Auch nach dem Start bleibt die Prüfung eine Führungsaufgabe. Besprechen Sie regelmäßig, ob Warnungen verständlich ankommen, ob Mitarbeitende ausreichend Zeit für die Kontrolle haben und ob Kundenfragen rasch beantwortet werden können. Aktualisieren Sie die Arbeitsanweisung, sobald sich Produkt, Maschine oder Datenquelle ändert. Ein kurzer Review-Termin pro Quartal verhindert, dass ein einst sinnvoller Pilot unbemerkt zum ungeprüften Automatismus wird. Die Ergebnisse sollten für alle betroffenen Rollen zugänglich sein, damit Schichtwechsel und Vertretungen ohne Informationsverlust funktionieren.
Fazit: KI macht Qualität sichtbar, Verantwortung bleibt menschlich
KI-Qualitätskontrolle kann österreichische Betriebe entlasten, wenn der Anwendungsfall eng definiert und mit echten Alltagstests geprüft wird. Der sichere Ablauf lautet: Daten minimieren, Kriterien messen, Unsicherheit sichtbar machen, jede Freigabe menschlich verantworten und aus Fehlalarmen lernen. Wer so vorgeht, gewinnt verlässlichere Prozesse und stärkt zugleich die berufliche Kompetenz im Team.
