KI und SPC: Ergänzung statt Ablösung

Kurzfazit

Aktuelle Qualitätsberichte beschreiben hybride Strategien aus Statistical Process Control und Machine Learning als zentralen Trend. Der Ansatz ist fachlich sinnvoll, wenn die Rollen klar bleiben: SPC bewertet Stabilität und besondere Ursachen, KI verarbeitet komplexe Einflussmuster und prognostiziert Risiken. Problematisch wird es, wenn ein Prognosemodell instabile Prozesse überdeckt, Kontrollgrenzen mit Spezifikationsgrenzen verwechselt oder ohne belastbare Unsicherheitsangabe Eingriffe auslöst.

FQI Takeaway

• SPC und KI beantworten unterschiedliche Fragen: Stabilitätsnachweis und Musterprognose sind komplementär, aber nicht austauschbar.
• Ein instabiler Prozess bleibt instabil: Eine gute Vorhersage kompensiert keine unbekannten besonderen Ursachen.
• Predictive Quality benötigt zwei Schutzschichten: statistische Prozessüberwachung plus validierte Prognose mit Unsicherheit und Reaktionsplan.

Das Prinzip auf einen Blick

Quality Magazine nennt 2026 hybride Qualitätsstrategien aus SPC (Statistical Process Control; statistische Prozessregelung) und Artificial Intelligence/Machine Learning (AI/ML; Künstliche Intelligenz/Maschinelles Lernen) als wichtigen Trend. Eine aktuelle Untersuchung zur Branchenwahrnehmung beschreibt das Potenzial, Prozessabweichungen früher vorherzusagen. Der Branchenartikel liefert keine kontrollierte Wirksamkeitsstudie; die wissenschaftliche Quelle untersucht Wahrnehmung und Einsatzbedingungen. Der Beitrag bewertet deshalb vor allem die methodisch sinnvolle Arbeitsteilung.

Begriffe kurz erklärt

• KI: Künstliche Intelligenz; Systeme, die aus Daten Muster ableiten oder Aufgaben automatisiert unterstützen.
• Schattenbetrieb: Testbetrieb, in dem ein System mitläuft, aber noch keine automatischen Entscheidungen auslöst.
• QMS: Qualitätsmanagementsystem; geregelte Organisation von Verantwortlichkeiten, Prozessen und Nachweisen.
• SPC: Statistische Prozessregelung; Überwachung und Steuerung von Prozessen mit statistischen Methoden.
• COPQ: Cost of Poor Quality; Kosten durch Fehler, Ausschuss, Nacharbeit, Reklamationen und deren Bearbeitung.

Deep Dive

SPC prüft, ob ein Prozess unter statistischer Kontrolle arbeitet. Regelkarten unterscheiden die erwartbare zufällige Streuung von Signalen besonderer Ursachen. Diese Logik ist robust, transparent und für Bediener verständlich. Ihre Grenzen liegen bei hochdimensionalen Prozessen, nichtlinearen Wechselwirkungen und zeitlich verzögerten Wirkungen. Genau dort kann Machine Learning zusätzliche Muster erkennen.

Ein Prognosemodell kann mehrere Prozessparameter, Umgebungsdaten, Materialchargen und historische Qualitätswerte gemeinsam auswerten. Es schätzt beispielsweise die Wahrscheinlichkeit, dass ein Qualitätsmerkmal in den nächsten Chargen kritisch wird. Damit verschiebt sich der Reaktionszeitpunkt: Nicht erst die aktuelle Regelverletzung, sondern eine belastbare Risikoprognose kann eine vorbeugende Prüfung oder Anpassung auslösen.

Die Verbindung darf SPC jedoch nicht zu einer bloßen Anzeige degradieren. Ein Prozess mit Sonderursachen ist definitionsgemäß nicht stabil. Trainiert man ein Modell auf diesem Zustand, kann es lernen, die wechselnden Ursachen vorherzusagen, ohne sie zu beseitigen. Das System wirkt dann leistungsfähig, während der Prozess weiterhin unbeherrscht bleibt. Für nachhaltige Qualität muss die Ursachenbeseitigung Vorrang vor der Kompensation haben.

Ein zweiter Stolperstein ist die Verwechslung von Kontroll- und Spezifikationsgrenzen. Kontrollgrenzen werden aus dem Prozessverhalten abgeleitet; Spezifikationsgrenzen stammen aus Anforderungen. Ein Prozess kann stabil und dennoch nicht fähig sein oder instabil trotz aktuell spezifikationskonformer Teile. KI-Prognosen müssen deshalb separat kennzeichnen, ob sie Prozessdrift, künftige Nichtkonformität oder beides schätzen.

Eine sinnvolle Architektur besitzt zwei Ebenen. Die SPC-Schicht überwacht definierte Merkmale mit nachvollziehbaren Regeln und erkennt besondere Ursachen. Die KI-Schicht berechnet zusätzliche Risikosignale aus multivariaten Daten. Ein Reaktionsplan legt fest, welche Kombinationen welche Handlung auslösen. Beispiel: Ein KI-Frühwarnsignal ohne SPC-Verletzung führt zunächst zu erhöhter Stichprobe. Ein gemeinsames Signal löst Prozessstopp und Ursachenanalyse aus. Widersprechen sich beide Ebenen, wird nicht automatisch entschieden, sondern eskaliert.

Für die Modellvalidierung reichen Accuracy oder mittlerer Fehler nicht. Relevant sind Vorwarnzeit, Kalibrierung der Risikowahrscheinlichkeit, Falschalarmkosten, übersehene Abweichungen und Stabilität über Material- und Anlagenänderungen. Zusätzlich sollte das Modell seine Unsicherheit ausgeben. Eine breite Prognoseunsicherheit kann selbst ein Qualitätsmerkmal sein und eine konservativere Reaktion erfordern.

Wirtschaftlich ist die hybride Lösung dann sinnvoll, wenn sie Ausschuss oder ungeplante Eingriffe stärker reduziert als sie Prüfaufwand, Wartung und Fehlalarme erhöht. Der Nutzen sollte über COPQ (Cost of Poor Quality; Kosten schlechter Qualität), Durchlaufzeit und Prozessfähigkeit gemessen werden – nicht über die Zahl erzeugter Warnmeldungen.

Ein sauberer Pilot trennt retrospektive Entwicklung und prospektive Erprobung. Historische Daten dienen zur Modellentwicklung; anschließend läuft die Prognose über einen festgelegten Zeitraum im Schattenbetrieb. Prozessverantwortliche erhalten die Vorhersage zunächst nicht, damit ihr Verhalten die Vergleichsbasis nicht verändert. Danach wird geprüft, welche Warnungen rechtzeitig, handlungsrelevant und korrekt waren. Erst in einer zweiten Phase werden definierte Reaktionen aktiviert. Diese zeitliche Trennung reduziert Rückschaufehler und macht den zusätzlichen Nutzen gegenüber bestehenden Regelkarten messbar.

Grenzen und Risiken

Erstens ist „AI-powered SPC“ kein einheitlich definiertes Verfahren. Anbieter können einfache Trendprognosen ebenso darunter vermarkten wie komplexe multivariate Modelle.

Zweitens kann ein Modell Scheinkorrelationen aus historischen Bedien- oder Materialmustern übernehmen. Ohne Prozesswissen entstehen falsche Eingriffe.

Drittens erhöht zusätzliche Komplexität den Validierungs- und Schulungsaufwand. Ein schlechter verstandenes System kann die Reaktionssicherheit verschlechtern.

Viertens besteht Automationsbias: Bediener könnten einer KI-Warnung stärker vertrauen als dem tatsächlichen Prozesssignal oder umgekehrt wiederkehrende Fehlalarme ignorieren.

FQI Fazit

KI macht SPC nicht überflüssig. Sie erweitert es um multivariate Mustererkennung und Prognose, während SPC die transparente Stabilitätslogik und unabhängige Schutzschicht liefert. Predictive Quality entsteht durch diese Arbeitsteilung: beherrschter Prozess, validierte Prognose, explizite Unsicherheit und ein abgestufter Reaktionsplan.

Quellen & Transparenz

• Quality Magazine: Top QMS Trends for 2026: AI, eQMS, Predictive Quality & Industry 4.0, 8. April 2026.
• Mayer et al.: Industry perception of machine learning-enhanced statistical process control, 2026.
• Evidenzstatus: Branchenbeitrag plus wissenschaftliche Untersuchung der Industriewahrnehmung; kein allgemeiner kausaler Wirksamkeitsnachweis.
• FQI-Transfer: Die Zwei-Schichten-Architektur, Unterscheidung der Grenzarten und Reaktionslogik sind fachliche Ableitungen von FQI.
• Bild: FQI-Fachinfografik, deterministisch erstellt; Prozess- und Prognoselogik ohne reale Messdaten.
• Dieser Beitrag und die FQI-Eigenvisualisierung wurden KI-unterstützt erstellt, fachlich geprüft und am 10. August 2026 ausdrücklich zur Veröffentlichung freigegeben.
• Freigabestatus: Begriffserklärungen und Glossar wurden am 17. August 2026 erneut menschlich geprüft und zur Veröffentlichung freigegeben. Freigabe: Johann Fischer.