BETA Das FQI Lab befindet sich im Aufbau. Inhalte sind redaktionell kuratiert, aber noch nicht vollständig oder kontinuierlich aktuell geprüft. Sie sind keine Rechts-, Compliance-, Beschaffungs- oder technische Empfehlung; maßgeblich bleiben die verlinkten Originalquellen. Zum KI- und Redaktionshinweis
FQI LAB FQI KNOWLEDGE MAP
Zusammenhänge sehen, nicht nur Schlagwörter. Die Knowledge Map zeigt nachvollziehbare Beziehungen zwischen KI, Qualitätsmethoden, Technologien, Risiken, Modellen, Standards und FQI Insights.
Source · Verify · Assess · Connect
SEMANTIC KNOWLEDGE GRAPH
Wissen als Beziehungen erkunden Die Karte verbindet FQI Insights mit Methoden, Technologien, Risiken, Modellen, Regeln und Anwendungsfällen. Jede Kante trägt eine definierte Bedeutung.
Stand: 10. Oktober 2026
Knoten suchen
Knotentypen FQI 5 Insight 68 Methode 9 Technologie 7 Risiko 6 Modell 8 Standard / Regulation 2 Anwendungsfall 5 + − Neu anordnen Ansicht zentrieren
110 Knoten210 Beziehungen
FQI Knowledge Map Modellradar Quality & AI Watch FQI Insights FMEA 8D Six Sigma DMAIC SPC PDCA CAPA Ishikawa 5 Why LLM RAG Knowledge Graph KI-Agent Embeddings Computer Vision Machine Learning Halluzination Datenqualität Automation Bias Prompt Injection Fehlende Evidenz Model Drift EU AI Act ISO 9001 Technische Dokumentenanalyse Prüfberichtsanalyse FMEA-Unterstützung Fehlerklassifikation Ursachenanalyse Vor der KI-Korrektur: Messab… Wer nur KI-Alarme prüft, ken… Wenn die Rangfolge stimmt un… Wenn Trainingsdaten den Mode… Was eine leere Werkzeugantwo… Wenn der Prüfkopf seine Lage… Wenn ein erreichbarer Agent… Wenn Kontrollregeln richtige… Wenn richtige Zahlen falsche… Was ein Agenten-Zertifikat w… Wenn der Messweg das Signal… Wenn die Prüfung noch einmal… Gleiche Stichprobe, andere S… Synthetische Trainingsdaten… Wenn Agentenaktionen still f… Wenn der Beweis die falsche… Wenn die Metrik nichts sieht… GPT-6 Astra: Benchmark-Sätti… Vom Vorfall zum fehlenden Te… Ein Datensatz statt Abschrei… Erklärung unter Gegenprobe:… Vor der Agentenaktion prüfen… Wenn Agentengedächtnis veral… Nicht das Quellmodell freige… Regressionstests nach Risiko… Wenn Daten richtig, aber zu… Benchmarks bestanden, Betrie… Wenn Ausfallwahrscheinlichke… Agentenpfade als Frühwarnsys… Vom Scan zur freigegebenen G… Wenn die KI die Voraussetzun… 96,07 Prozent Genauigkeit si… Vom Defektbild zur belegten… 35 % weniger Defekte: Was Ro… Wenn der Agenten-Harness das… AI Act: Mehr Zeit für High-R… AI-FMEA mit AHP: Reicht ein… AIAG-VDA SPC: Vom Regelkarte… Das Modell ist nicht das Mes… Digitaler Zwilling und Inspe… Vom Dashboard zum Qualitätsr… DMAIC, CRISP-DM und AI Agent… Fünf Agenten, ein Fehler: Wa… Generative KI sieht nicht au… ISO 9001:2026: Jetzt Gap-Ana… KI in 8D: Eine aktuelle Stud… KI-Governance im QMS: Was DI… Warum KI in der Lieferantenq… KI in D4: Warum plausible Ur… KI und SPC: Ergänzung statt… Vom Produktwunsch zum Fertig… Mehr Testfälle sind nicht au… Menschliche Prüfung ist kein… Nicht antworten ist eine Qua… Nur Gutteile lernen: Was Edg… Die Maschine läuft noch – pr… Predictive Quality mit KI: E… Vom Messwert zum Qualitätsre… Fehler erzeugen, bevor sie a… Vom KI-Pilot zur beherrschte… Von Antworten zu Arbeitserge… Wenn der KI-Prüfstand versag… Wenn KI aus vergangenen Fehl… Wenn KI sich selbst veränder… Wenn RAG für FMEA nicht reicht Werkzeugverschleiß vorhersag… Wie prüft man eine KI? Ein s… Zero-Shot-Inspektion: Was mi… Gemini 3.6 Flash GPT-5.6 Sol Claude Fable 5 Mistral Small 4 Qwen3 4B Ministral 3 3B Instruct gpt-oss-20b Gemma 3 4B IT Mausrad: zoomen · freie Fläche ziehen: verschieben · Knoten anklicken: Beziehungen erkunden Mit +/− zoomen · freie Fläche ziehen · Knoten antippen
FQI FQI Einstieg in das FQI Intelligence Lab: Wissen, Modelle, Marktbeobachtung und Qualitätsmethoden verknüpft erkunden.
Intelligence Lab Übersicht
Zugehörige Seite öffnen Verknüpft mit4 Knowledge Map Modellradar Quality & AI Watch FQI Insights TEXTALTERNATIVE
Strukturierte Knotenliste Die Liste bietet dieselben Inhalte ohne grafische Bedienung und ist auf kleinen Displays die primäre Ansicht.
110 Knoten
FQI Insight Methode Technologie Risiko Modell Standard / Regulation Anwendungsfall FQI 5 FQI Einstieg in das FQI Intelligence Lab: Wissen, Modelle, Marktbeobachtung und Qualitätsmethoden verknüpft erkunden. Knowledge Map Interaktive Beziehungen zwischen FQI Insights, Methoden, Technologien, Risiken, Modellen und Regeln. Modellradar Kuratierte Orientierung zu relevanten KI-Modellen, Einsatzfeldern und technischen Eckdaten. Quality & AI Watch Beobachtung wichtiger Termine, Regulierungen und Entwicklungen an der Schnittstelle von Qualität und KI. FQI Insights Analysen und Research Briefs zu Qualität, KI und industrieller Anwendung. Insight 68 Vor der KI-Korrektur: Messabweichungen sauber zerlegen Wie Qualitätsverantwortliche Messung, Simulation und geschätzte Fehleranteile trennen, bevor eine KI Maschinenkorrekturen vorschlägt. Wer nur KI-Alarme prüft, kennt übersehene Fehler nicht Eine Ford-Fallstudie zeigt eine Lücke im Nachweis der KI-Erkennungsleistung. Ein FQI-Prüfplan bezieht auch nicht alarmierte Teile ein. Wenn die Rangfolge stimmt und die Freigabe nicht KI-Prüfer können Antworten richtig sortieren und dennoch falsch freigeben. Ein FQI-Prüfplan trennt Rangfolge, Entscheidungsschwelle und Gruppenkennzahlen. Wenn Trainingsdaten den Modelltest verfälschen Künstlich ergänzte Fehlerfälle dürfen den unabhängigen Modelltest nicht beeinflussen. Ein Prüfplan für Datenherkunft, Trennung und realistische Fehlerhäufigkeiten. Was eine leere Werkzeugantwort wirklich belegt Ein Werkzeugaufruf kann gelingen und trotzdem entscheidende Daten verlieren. Ein begrenzter Prüfablauf macht Umfang und Aussagegrenzen sichtbar. Wenn der Prüfkopf seine Lage ändert Bewegliche und verformbare Messsysteme benötigen einen nachgewiesenen Geometriezustand. Wie daraus ein prüfbarer Freigabeprozess entsteht. Wenn ein erreichbarer Agent unzuverlässig wird Aktuelle Ergebnisse absichern, anhaltenden Qualitätsverlust erkennen und die Rückkehr gesperrter KI-Agenten gesondert prüfen. Wenn Kontrollregeln richtige KI-Entscheidungen überschreiben Nachvollziehbare Entscheidungen und richtige Entscheidungen brauchen getrennte Nachweise. Ein Preprint zeigt die Risiken pauschaler Regelübersteuerung. Wenn richtige Zahlen falsche Aussagen stützen Ein FQI-Prüfablauf bindet KI-generierte Kennzahlen an Quelle, Bezugsrahmen und Rechenweg, bevor sie in Qualitätsberichte eingehen. Was ein Agenten-Zertifikat wirklich belegt Ein signierter Agenten-Nachweis gilt nur für die geprüfte Konfiguration, Aufgabe, Messregel und Gültigkeit – nicht als allgemeines Gütesiegel. Wenn der Messweg das Signal verändert Pneumatische Leitungen können Drucksignale dämpfen, verstärken und zeitlich verschieben. Die Messfreigabe muss deshalb zum benötigten Ergebnis passen. Wenn die Prüfung noch einmal hinschauen muss Ein erster Defektverdacht steuert Kamerawinkel und Zoom für eine gezielte Nachaufnahme. Für Qualität zählt die kontrollierte Nachmessung vor dem Urteil. Gleiche Stichprobe, andere Systemkosten Die Zahl erzeugter KI-Antworten beschreibt den Prozess nicht vollständig. Auch Bündelung, Aufrufstruktur und Messgrenze gehören zur freigegebenen Rezeptur. Synthetische Trainingsdaten in vier Stufen prüfen Große KI-Datensätze brauchen mehr als einen Größenrekord: Struktur, Herkunft, fachliche Richtigkeit und nachgewiesene Wirkung sind getrennte Freigabestufen. Wenn Agentenaktionen still falsch wirken Technische Vorabprüfungen können stille Ausführungsfehler von KI-Agenten sichtbar machen. Ein Preprint zeigt Nutzen, Fehlalarme und klare Grenzen. Wenn der Beweis die falsche Spezifikation bestätigt Formale Verifikation bestätigt Regeln lückenlos – aber nicht automatisch das reale Sicherheitsziel. Warum auch die Spezifikation eine unabhängige Prüfung braucht. Wenn die Metrik nichts sieht: Kein Unterschied ist noch kein Qualitätsnachweis Warum ein unauffälliger Gruppenvergleich keine Freigabe ersetzt: Messgröße, Empfindlichkeit, Äquivalenzgrenze und ausgeschlossene Fälle zuerst prüfen. GPT-6 Astra: Benchmark-Sättigung ist kein AGI-Nachweis GPT-6 Astra ist real und setzt neue Leistungsmarken. Warum 99,9 Prozent auf ARC-AGI-3 dennoch keine allgemeine Intelligenz beweisen. Vom Vorfall zum fehlenden Testfall: KI-Agenten systematisch prüfen Ein neues Register zeigt, wie öffentlich belegte Agentenvorfälle als kontrollierte Quelle für Prüfplanung und CAPA dienen können – ohne daraus Ausfallraten abzuleiten. Ein Datensatz statt Abschreiben: Messwerte kontrolliert ins ERP übertragen Eine industrielle Feldstudie zeigt, wie ein kanonischer Messdatensatz, persistente Übergaben und ein ERP-Abgleich manuelle Brüche in der Prüfkette reduzieren. Erklärung unter Gegenprobe: Verdeckte KI-Einflüsse vor der Freigabe entfernen Eine Gegenprobe entfernt nicht genannte Einflussgrößen und prüft, ob eine KI-Entscheidung wirklich ihrer Erklärung folgt. Vor der Agentenaktion prüfen: eine gemeinsame Freigabegrenze OpenAgentFlow führt heterogene KI-Agenten vor jeder wirksamen Aktion durch einen gemeinsamen, auditierbaren Kontrollpunkt. Wenn Agentengedächtnis veraltet: Hinweise gezielt verwerfen Invalidierungsverträge zeigen, wovon gespeicherte Agentenhinweise abhängen und wann sie nach einer Änderung nicht mehr gelten. Nicht das Quellmodell freigeben: die deployte KI-Konfiguration validieren Quantisierung kann das Verhalten eines Sprachmodells verändern; deshalb muss die tatsächlich betriebene Konfiguration Teil der Freigabeevidenz sein. Regressionstests nach Risiko: knappe Prüfbudgets gezielt einsetzen RiskBlend priorisiert Testfälle nach Verhaltensänderungen zwischen Modellversionen und macht begrenzte menschliche Prüfung wirksamer. Wenn Daten richtig, aber zu alt sind: Informationsalter als Qualitätsmerkmal SafeStep macht sichtbar, wie verzögerte Sensordaten trotz korrekter Übertragung die Qualität einer laufenden Sicherheitsentscheidung verschlechtern. Benchmarks bestanden, Betrieb unklar: LLM-Dienste mit Incident-Metadaten qualifizieren Eine Studie mit mehr als 33.000 Supportfällen zeigt, wie strukturierte Betriebsdaten Modellwahl, Onboarding und Überwachung ergänzen können. Wenn Ausfallwahrscheinlichkeiten zu genau wirken: Unsicherheit im digitalen Zwilling Ein neuer Ansatz ergänzt aktualisierte Ausfallwahrscheinlichkeiten um bedingte Konfidenzintervalle und macht offene Unsicherheitsquellen sichtbar. Agentenpfade als Frühwarnsystem: Ausführungsspuren statt Einzelantworten Eine neue Studie verdichtet Ausführungsspuren von KI-Agenten zu kleinen Zustandsmodellen. Für FQI entsteht daraus ein prüfbarer Ansatz für Laufzeitmonitoring, Abbruchregeln und Änderungslenkung. Vom Scan zur freigegebenen Geometrie: Reverse Engineering als Messprozess 3D-Scans liefern schnell dichte Geometriedaten. Belastbar werden sie erst durch Zweckbezug, Rückführbarkeit, Validierung und eine gelenkte Freigabe. Wenn die KI die Voraussetzung vergisst: Beweiserhaltung vor dem Retrieval Eine aktuelle Studie trennt Speichern und Wiederfinden im Agentengedächtnis. Für FQI entsteht daraus ein prüfbarer Kontrollpunkt für vollständige Entscheidungsketten. 96,07 Prozent Genauigkeit sind noch keine Batteriefreigabe Eine Studie verbindet Anomalieerkennung und Konsistenzsortierung von Batteriezellen. FQI ordnet ein, welche Nachweise vor einer Freigabe fehlen. Vom Defektbild zur belegten Diagnose: Was ein multimodaler Prüfagent anders macht Eine aktuelle Studie verbindet Defektlokalisierung, strukturiertes Prozesswissen und menschliche Prüfung. Für FQI zählt vor allem die nachweisbare Evidenzkette. 35 % weniger Defekte: Was Rockwells Transformation über KI-Projekte zeigt Rockwells Werk in Singapur verbindet mehr als 50 digitale und KI-gestützte Lösungen mit messbaren Verbesserungen bei Qualität, Produktivität und Qualifizierung. Wenn der Agenten-Harness das Ergebnis verdreifacht Ein ARC-AGI-3-Versuch zeigt, wie Kontextführung und Compaction die Leistung eines KI-Agenten verändern. Entscheidend ist die Qualität des Gesamtsystems. AI Act: Mehr Zeit für High-Risk-Pflichten, kein Aufschub für Governance Der Digital Omnibus verschiebt zentrale High-Risk-Fristen. Für Qualitätsmanagement ist das ein Zeitfenster, um KI-Inventar, Risiken und Freigaben belastbar aufzubauen. AI-FMEA mit AHP: Reicht ein vierter Impact-Faktor? Eine neue FMEA-AHP-Methode ergänzt die klassischen Kriterien um organisatorische Auswirkungen. Der Ansatz ist nachvollziehbar, aber noch nicht unabhängig validiert. AIAG-VDA SPC: Vom Regelkartenwerkzeug zum Qualitätsregelkreis Das neue gemeinsame SPC-Handbuch harmonisiert Methoden und Terminologie. Entscheidend ist die Verbindung zu FMEA, Control Plan und MSA/VDA 5. Das Modell ist nicht das Messsystem: Warum die Agenten-Orchestrierung jede KI-Bewertung beeinflusst DataSpace zeigt deutliche Ergebnisunterschiede bei gleichem Modell und anderer Agenten-Orchestrierung – ein Fall für Messsystemanalyse und Versuchsplanung. Digitaler Zwilling und Inspektionsroboter: Vom Messwert zur Qualitätsentscheidung Wie mobile Inspektion und ein digitales Abbild Monitoringdaten verbinden – und welche Prüfregeln Qualitätsteams vor dem Einsatz benötigen. Vom Dashboard zum Qualitätsregelkreis: Was digitale Zwillinge wirklich leisten Unilever meldet messbare Verbesserungen durch digitale Zwillinge. Für QM entscheidet jedoch der beherrschte Regelkreis aus Messung, Modell, Freigabe und Reaktion. 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. Fünf Agenten, ein Fehler: Warum Multi-Agenten-Systeme keine unabhängige Prüfung garantieren Eine Studie zeigt, wie falsche Informationen in Multi-Agenten-Systemen fortwirken. Im Qualitätsmanagement zählen unabhängige Evidenz und Quellenprovenienz. Generative KI sieht nicht automatisch richtig: Warum visuelle Qualitätsprüfung hybride Systeme braucht Ein Bild-Sprach-Modell kann semantisch stark und räumlich unzuverlässig sein. Hybride Prüfarchitekturen reduzieren Risiken, ersetzen aber keine Validierung. ISO 9001:2026: Jetzt Gap-Analyse, noch kein Dokumentenaktionismus Die sechste Ausgabe der ISO 9001 befindet sich unter Publikation. Organisationen können Änderungen strukturiert bewerten, ohne ihr QMS vorschnell umzubauen. KI in 8D: Eine aktuelle Studie mit einem zentralen Methodenfehler Eine Fallstudie meldet hohe Klassifikationsleistung und starke Zeitersparnis, ordnet die Problembeschreibung aber fälschlich D1 statt D2 zu. Ein FQI-Faktencheck. KI-Governance im QMS: Was DIN EN ISO/IEC 42001 für die Praxis bedeutet Mit DIN EN ISO/IEC 42001:2026-08 liegt die europäische KI-Managementsystemnorm nun als deutsche Fassung vor. FQI ordnet ein, wie sie an bestehende QMS-Strukturen anschließen kann. Warum KI in der Lieferantenqualität an fragmentierten Daten scheitert 40 Prozent aktive KI-Nutzung treffen auf nur 21 Prozent mehrstufige Rückverfolgbarkeit. Für Lieferantenqualität kommt die belastbare Datenkette vor dem Risikomodell. KI in D4: Warum plausible Ursachen noch keine Root Cause sind 48.000 kontrollierte Szenarien zeigen typische Denkfehler KI-gestützter Ursachenanalyse – mit direkten Konsequenzen für Evidenz, Gegenprüfung und Freigabe in 8D-D4. KI und SPC: Ergänzung statt Ablösung Hybride Ansätze aus SPC und Machine Learning sind sinnvoll, wenn Stabilitätsnachweis, Prognose, Unsicherheit und Reaktionsplan klar getrennt bleiben. Vom Produktwunsch zum Fertigungsauftrag: LLM-Multi-Agenten im Test Eine peer-reviewte Studie übersetzt ungeplante Produktanforderungen in Fertigungsoperationen. Für die Praxis entscheiden kontrolliertes Wissen und harte Freigabegates. Mehr Testfälle sind nicht automatisch bessere Tests: Was AssertMate über KI-gestützte Prüfplanung lehrt AssertMate kombiniert statische Analyse und mehrere KI-Perspektiven. Für das Qualitätsmanagement zählen Testorakel, Prüfkriterien und Wirksamkeitsnachweise. Menschliche Prüfung ist kein Häkchen: Artikel 50 als Qualitätsprozess für KI-Inhalte Artikel 50 macht deutlich: Menschliche Prüfung KI-generierter Inhalte braucht Kriterien, Kompetenz, Freigabebefugnis und nachvollziehbare Nachweise. Nicht antworten ist eine Qualitätsfunktion: Sichere Abbruchkriterien für KI-Agenten HopRefusalBench zeigt Schwächen beim Erkennen unlösbarer Aufgaben. Qualitätsmanagement muss Abbruch, Eskalation und sichere Ersatzprozesse spezifizieren. Nur Gutteile lernen: Was Edge-AI-Anomalieerkennung im Prüfprozess leisten kann TinyGLASS meldet starke Anomalieerkennung direkt auf einem intelligenten Bildsensor. QM muss dennoch Anomalie, Fehler und Nichtkonformität sauber trennen. Die Maschine läuft noch – produziert sie noch gut? Ein Forschungsmodell verbindet Condition-Based Maintenance mit Produktqualität. Entscheidend ist der gemeinsame Blick auf Ausfallrisiko und Qualitätsverlust. Predictive Quality mit KI: Erst Daten verbinden, dann Kosten senken Wie Digital Thread, Datenqualität und Qualitätsgovernance aus KI einen belastbaren Regelkreis machen – und warum Anbieterkennzahlen keine Wirkungsbeweise sind. Vom Messwert zum Qualitätsregelkreis: Warum Smart Metrology mehr als automatisches Prüfen ist Ein aktueller Review zeigt, wie Standards, Interoperabilität und Automation Messtechnik in einen durchgängigen Digital Thread überführen können. FQI ordnet den Qualitätsnutzen ein. Fehler erzeugen, bevor sie auftreten: Synthetische Defektdaten für den Produktionsanlauf Ein aktueller Preprint zeigt, wie wenige reale Fehlerbilder synthetische Trainingsdaten für den Prüfhochlauf liefern können – und welche Validierung QM dafür braucht. Vom KI-Pilot zur beherrschten Produktionsinfrastruktur: Was industrielle KI wirklich braucht Eine aktuelle industrielle Roadmap zeigt den Reifegradpfad von Daten und Metrologie über Integration und Systemprüfung bis zum beherrschten Betrieb. Von Antworten zu Arbeitsergebnissen: Warum KI neue Qualitätskennzahlen braucht Wenn KI Arbeitsergebnisse erzeugt, reichen Antwortmetriken nicht aus. Relevant werden Prozesswirkung, Fehlerdurchschlupf, Nacharbeit und Kontrollfähigkeit. Wenn der KI-Prüfstand versagt: Was reale Evaluationsvorfälle über Qualitätssicherung lehren Reale KI-Testvorfälle zeigen: Testumgebung, Orchestrierung, Berechtigungen, Monitoring und externe Evaluationspartner müssen beherrscht werden. Wenn KI aus vergangenen Fehlern lernt Ein Forschungsansatz zeigt, wie Large Language Models historische Ereignisse für nachvollziehbare Gefährdungsszenarien nutzen können - und was sich daraus für FMEA ableiten lässt. Wenn KI sich selbst verändert: Änderungslenkung und sichere Rücksetzung für lernende Agenten Lernende Agenten verändern Prompts, Werkzeuge und Fähigkeiten. Qualitätsmanagement muss Änderungen, Korrekturmaßnahmen und Rücksetzungen beherrschen. Wenn RAG für FMEA nicht reicht Eine aktuelle Studie zeigt, wie LLMs, Ontologien und Knowledge Graphs vorhandenes FMEA-Wissen über Fertigungslinien hinweg nutzbar machen können. Werkzeugverschleiß vorhersagen: Wann Predictive Maintenance zu Predictive Quality wird Fraunhofer-Projekte verbinden Schwingungen und KI mit Standzeit und Werkstückqualität. Entscheidend ist der nachgewiesene CTQ-Bezug, nicht nur die Zustandsprognose. Wie prüft man eine KI? Ein systematischer Nachweis für moderne KI-Systeme Ein US-Entwurf zeigt, wie KI-Systeme anwendungsbezogen geprüft und mit Risikoanalyse, Prüfplanung, Audit und Freigabe verbunden werden können. Zero-Shot-Inspektion: Was mit der MSA passiert, wenn KI unbekannte Fehler erkennt EMAIN zeigt neue Fortschritte bei der Zero-Shot-Anomalieerkennung. Für Qualitätsmanagement ist entscheidend, wie solche Prüfketten validiert, überwacht und freigegeben werden. Methode 9 FMEA Systematische Analyse von Funktionen, Fehlern, Folgen, Ursachen und Maßnahmen. 8D Disziplinierter Problemlösungsprozess von Team und Problemdefinition bis Wirksamkeitsnachweis. Six Sigma Datenbasierter Ansatz zur Reduktion von Variation und Fehlern. DMAIC Struktur für Define, Measure, Analyze, Improve und Control. SPC Statistische Prozesslenkung zur Unterscheidung zufälliger und besonderer Variation. PDCA Iterativer Regelkreis aus Planen, Umsetzen, Prüfen und Handeln. CAPA System zur Korrektur bestehender und Vorbeugung potenzieller Nichtkonformitäten. Ishikawa Strukturierte Sammlung möglicher Einfluss- und Ursachekategorien. 5 Why Fragetechnik zur schrittweisen Vertiefung einer Ursachehypothese. Technologie 7 LLM Großes Sprachmodell für textbasierte und zunehmend multimodale Aufgaben. RAG Retrieval-Augmented Generation verbindet Modellausgaben mit auffindbaren Wissensquellen. Knowledge Graph Explizites Netz aus Entitäten und semantisch benannten Beziehungen. KI-Agent System, das Ziele in Schritte zerlegt und Werkzeuge oder andere Agenten koordiniert. Embeddings Vektorrepräsentationen für Ähnlichkeitssuche und semantisches Retrieval. Computer Vision Bildbasierte Erkennung, Klassifikation und Messung technischer Merkmale. Machine Learning Datenbasierte Modellbildung für Klassifikation, Prognose und Mustererkennung. Risiko 6 Halluzination Plausibel wirkende Ausgabe ohne ausreichende Grundlage in Fakten oder Quellen. Datenqualität Risiken durch fehlende, inkonsistente, verzerrte oder nicht rückverfolgbare Daten. Automation Bias Unangemessenes Vertrauen in automatisierte Vorschläge oder Entscheidungen. Prompt Injection Manipulation von Modellanweisungen über nicht vertrauenswürdige Eingaben oder Quellen. Fehlende Evidenz Aussagen oder Entscheidungen ohne ausreichenden, nachvollziehbaren Nachweis. Model Drift Veränderung der Modellleistung bei sich wandelnden Daten oder Einsatzbedingungen. Modell 8 Gemini 3.6 Flash Die offiziell dokumentierte multimodale Eingabe, das lange Kontextfenster und die Agentenwerkzeuge machen das Modell für Dokument-, Daten- und Automatisierungsworkflows prüfenswert. Eine Eignung für QM-Aufgaben ist damit noch nicht nachgewiesen. GPT-5.6 Sol OpenAI beschreibt GPT-5.6 Sol als Modell für langlaufende Coding-, Tool- und Agentenaufgaben. Für FQI sind vor allem Prozessbeherrschung, reproduzierbare Tool-Nutzung und evidenzgebundene Dokumentarbeit zu prüfen. Claude Fable 5 Anthropic hebt Software Engineering, Wissensarbeit, Vision und längere autonome Abläufe hervor. Für Qualitätsarbeit bleiben methodische Trennung, Evidenztreue und sichere Abbruchkriterien separat zu validieren. Mistral Small 4 Apache-2.0-Lizenz, offene Gewichte sowie Text- und Bildeingaben machen das Modell für kontrollierte lokale Versuche interessant. Hardwarebedarf und reale QM-Leistung sind nicht aus der Veröffentlichung ableitbar. Qwen3 4B Das kompakte, offene Textmodell ist ein sinnvoller Kandidat für lokale Vergleichstests mit Dokumenten, strukturierten Ausgaben und einfachen Automationsaufgaben. Die praktische QM-Eignung ist noch nicht durch FQI-Messungen belegt. Ministral 3 3B Instruct Die kleine offene Variante ist wegen Text- und Bildeingaben für lokale Vorversuche mit technischen Dokumenten und visuellen Prüffällen interessant. Ergebnisse müssen je Anwendungsfall gegen eine belastbare Referenz geprüft werden. gpt-oss-20b Offene Gewichte, Tool-Nutzung und lokaler Betrieb machen das Modell für kontrollierte Agenten- und Dokumenttests interessant. Die Repository-Größe ist keine Aussage über Arbeitsspeicherbedarf oder Geschwindigkeit. Gemma 3 4B IT Die kompakte multimodale Variante eignet sich als Kandidat für lokale Dokument- und Bildtests. Das angegebene GGUF-Paket stammt aus dem llama.cpp-Ökosystem; Lizenzbedingungen und fachliche Prüfgrenzen bleiben separat zu beachten. Standard / Regulation 2 EU AI Act Europäischer Rechtsrahmen für KI mit risikobasierten Pflichten. ISO 9001 Internationaler Standard für Qualitätsmanagementsysteme. Anwendungsfall 5 Technische Dokumentenanalyse Strukturierte Auswertung von Spezifikationen, Prüfanweisungen und technischen PDFs. Prüfberichtsanalyse Erkennen von Befunden, Abweichungen und fehlenden Nachweisen in Prüfberichten. FMEA-Unterstützung Assistenz bei Strukturierung, Wissenssuche und Konsistenzprüfung einer FMEA. Fehlerklassifikation Zuordnung von Fehlerbildern oder Abweichungen zu definierten Klassen. Ursachenanalyse Evidenzgebundene Prüfung von Ursachehypothesen und Wirkzusammenhängen. Keine passenden Knoten Suche oder Typfilter ergeben aktuell keine Treffer.
