Foxley Quality Intelligence · Research Brief

DMAIC, CRISP-DM und AI Agents: gemeinsam statt getrennt

Eine peer-reviewte Studie zeigt, wie Qualitätsmanagement, Data Science und AI Agents zu einem beherrschten Verbesserungsprozess verbunden werden können.

Von Johann FischerVeröffentlicht Fachlich geprüft
ProzessoptimierungDMAICCRISP-DMSix SigmaKI & Automatisierung
4 Min. Lesezeit
FQI-Schaubild mit der Klammer Governance und QMS über den gleichwertig verbundenen Blöcken DMAIC, CRISP-DM und KI-Agenten
FQI-Eigenvisualisierung: DMAIC, CRISP-DM und KI-Agenten unter gemeinsamer Governance, inhaltlich abgeleitet aus Bahr et al. (2026).
Ansicht:

Kurzfazit

Eine peer-reviewte Studie verbindet drei bislang oft getrennte Welten: DMAIC für strukturierte Prozessverbesserung, CRISP-DM für datenorientierte Analyse und AI Agents für Entscheidung, Wissensverarbeitung und Orchestrierung. Die Auswertung von 96 Publikationen zeigt zugleich eine Governance-Lücke: Keines der untersuchten Data-Science-Frameworks bildet die ISO-9000-Prinzipien vollständig ab. Das vorgeschlagene APOF führt die Perspektiven unter Business Governance zusammen. Es ist jedoch ein Forschungsrahmen, noch kein industriell validierter Wirksamkeitsnachweis.

FQI Takeaway

  • Keine Methodenentscheidung zwischen DMAIC und CRISP-DM: DMAIC hält Problem, Prozesswirkung und Control zusammen; CRISP-DM strukturiert Datenverständnis, Modellierung und Evaluation.
  • AI Agents ersetzen weder Methode noch Verantwortung: Ihr möglicher Wert liegt in der Koordination analytischer Aufgaben, im Schlussfolgern über verteiltes Wissen und in vorbereitender Entscheidungsunterstützung.
  • Governance muss Teil der Architektur sein: Kundennutzen, Rollen, Freigaben, Datenqualität und nachvollziehbare Entscheidungspfade gehören über das Agentensystem – nicht erst in eine nachträgliche Richtlinie.

Das Prinzip auf einen Blick

DMAIC beginnt beim geschäftlichen oder qualitätsbezogenen Problem. Define klärt Ziel, Kunde und CTQs; Measure schafft eine belastbare Ausgangslage; Analyze untersucht Ursachen; Improve verändert den Prozess; Control sichert die Wirkung ab. Die Logik ist prozesszentriert und auf nachhaltige Beherrschung ausgerichtet.

CRISP-DM strukturiert dagegen den Weg vom Business Understanding über Datenverständnis, Datenaufbereitung und Modellierung bis zu Evaluation und Deployment. Die Logik ist iterativer und datenorientierter. Genau deshalb ergänzt CRISP-DM DMAIC, deckt dessen Qualitäts- und Governance-Aufgaben aber nicht automatisch mit ab.

AI Agents bilden eine dritte Ebene: Sie können Aufgaben planen, Werkzeuge aufrufen, Informationen aus verschiedenen Systemen zusammenführen und Zwischenergebnisse koordinieren. Die Studie ordnet diese Beiträge drei Rollen zu: Entscheidung, Knowledge Reasoning (maschinelle Denk- und Verarbeitungsschritte bis zu einer Antwort oder Entscheidung) und Orchestrierung. Die gemeinsame Klammer bleibt das QMS mit menschlicher Verantwortung.

Begriffe kurz erklärt

  • KI: Künstliche Intelligenz; Systeme, die aus Daten Muster ableiten oder Aufgaben automatisiert unterstützen.
  • QMS: Qualitätsmanagementsystem; geregelte Organisation von Verantwortlichkeiten, Prozessen und Nachweisen.
  • DMAIC: Define, Measure, Analyze, Improve and Control; strukturierter Verbesserungszyklus aus Six Sigma.
  • CRISP-DM: Cross-Industry Standard Process for Data Mining; Vorgehensmodell für Datenanalyse und Modellentwicklung.
  • APOF: Agentic Process Optimization Framework; Forschungsrahmen, der Governance, KI-Agenten, Daten und Werkzeuge verbindet.
  • Reasoning: Denk- und Verarbeitungsschritte einer KI; dabei werden Informationen verknüpft, um zu einer Antwort oder Entscheidung zu gelangen.

Deep Dive

Was die Studie tatsächlich untersucht

Bahr und Kollegen führen eine systematische Mapping-Studie über 96 Publikationen zur datengetriebenen Prozessoptimierung in der Fertigung durch. Untersucht werden die Ausrichtung gängiger Data-Science-Frameworks an ISO-9000-Prinzipien, die Beziehung zwischen CRISP-DM und DMAIC, berichtete Wirkungen datengetriebener Methoden sowie die Funktionen von AI Agents.

Das Ergebnis ist kein Plädoyer, bestehende Qualitätsmethoden durch ein neues KI-Framework abzulösen. Im Gegenteil: Die Autoren beschreiben DMAIC und CRISP-DM als strukturell verschieden, aber komplementär. CRISP-DM ist stärker explorativ und modellbezogen. DMAIC verankert Datenerhebung, Prozessleistung, Verbesserung und langfristige Kontrolle in einem definierten Problemlösungsprozess.

APOF als verbindende Architektur

Aus den Befunden entsteht das Agentic Process Optimization Framework mit vier Komponenten: Business Governance, AI-Agent-System, Datensystem und Toolsystem. Die Governance-Ebene soll Ziele, Kundenanforderungen, Qualitätsanforderungen und Auditierbarkeit sichern. Das Agentensystem koordiniert Analyse und Wissensarbeit. Daten- und Toolsystem stellen die kontrollierten Informations- und Ausführungsressourcen bereit.

Für die QM-Praxis ergibt sich daraus ein plausibles Zielbild: Ein Verbesserungsprojekt bleibt über DMAIC an CTQs, Prozessleistung und Control gebunden. CRISP-DM strukturiert die datenwissenschaftliche Arbeit. Agenten verbinden Informationen, Analysen und Werkzeuge, dokumentieren Zwischenstände und eskalieren Entscheidungen, die menschliche Freigabe benötigen.

Die Studie berichtet über die ausgewertete Literatur hinweg unter anderem Zykluszeitreduktionen bis 5,5 Prozent, Makespan-Reduktionen von 8 bis 11 Prozent, Vorhersagegenauigkeiten über 90 Prozent bei Qualitätsaufgaben und Verbesserungen der Fehlererkennung bis 30 Prozent gegenüber jeweiligen Baselines. Diese Spitzenwerte stammen jedoch aus unterschiedlichen Anwendungen und sind keine Leistungszusage für APOF.

Grenzen und Risiken

APOF wird aus einer Literaturkartierung abgeleitet; die Studie validiert das Gesamtframework nicht als durchgängiges System in einem realen Werk. Auch die berichteten Leistungswerte sind wegen verschiedener Datensätze, Aufgaben und Vergleichsmaßstäbe nicht direkt übertragbar. Als wiederkehrende Hürden nennt die Arbeit unter anderem Datenqualität, Prozesskomplexität und organisatorische Barrieren. AI Agents beseitigen diese Voraussetzungen nicht. Ohne verlässliche Daten, geklärte Rollen, begrenzte Zugriffe, Freigabepunkte und fachliche Prüfung kann Orchestrierung Fehler lediglich schneller über mehrere Systeme verteilen.

FQI Fazit

Die stärkste Aussage der Studie ist nicht, dass Agenten künftig Prozessoptimierung übernehmen. Sie lautet: Datenwissenschaft braucht den methodischen und organisatorischen Rahmen des Qualitätsmanagements – und Qualitätsmanagement kann datenorientierte sowie agentische Fähigkeiten gezielt integrieren. DMAIC, CRISP-DM und AI Agents sind deshalb keine konkurrierenden Produktnamen, sondern unterschiedliche Bausteine eines beherrschten Systems. Für Unternehmen beginnt der sinnvolle Weg mit Governance, CTQs und Verantwortung; erst danach folgen Modelle, Agenten und Automatisierung.

Quellen & Transparenz

Kategorien & Methoden

DMAICCRISP-DMSix SigmaProzessoptimierungKI & AutomatisierungAI AgentsISO 9000Agentic Process Optimization

Ähnliche Berichte