Visuelle Pruefung ist oft der erste AI-Use-Case in der Produktion. Das ist nachvollziehbar: Bilder sind greifbar, Defekte sichtbar, und manuelle Pruefung ist teuer, variabel oder schwer skalierbar.
Aber Defekterkennung ist nicht dasselbe wie Qualitaetsverbesserung.
Wenn ein System schneller erkennt, dass ein Teil schlecht ist, hat das Werk ein frueheres Signal. Die entscheidende Frage bleibt: Warum ist der Defekt entstanden, und wie verhindern wir ihn beim naechsten Auftrag?
Die Trennung ist das Problem
Viele Pruefsysteme leben am Ende des Prozesses. Sie zaehlen Defekte, sortieren aus oder geben Warnungen. Prozessdaten leben woanders: Maschine, Historian, MES, Rezeptur, Material, Wartung, Schichtlogik.
Solange diese Welten getrennt bleiben, wird Qualitaetspruefung zur besseren Endkontrolle. Wertvoll, aber nicht ausreichend.
Varianten machen es schwieriger
Je mehr Produktvarianten, Oberflaechen, Materialien und Lichtbedingungen, desto aufwendiger wird robuste Pruefung. Gleichzeitig wird Ursachenarbeit komplexer: Ein Defekt kann mit Werkzeugzustand, Handling, Parameterdrift, Materiallos oder Umgebungsbedingungen zusammenhaengen.
Teams brauchen deshalb nicht nur bessere Erkennung, sondern einen Pfad von Defektbild zu Prozesshypothese.
Was Jidokai hier leisten sollte
Der starke Jidokai-Winkel ist nicht: AI sieht mehr.
Sondern: AI verbindet Qualitaetssignale mit Prozesskontext, damit Teams schneller verstehen, welche Bedingungen Defekte beguenstigen.
Ein Lean-Praktiker sorgt dafuer, dass daraus Standards entstehen: Reaktionsplaene, Pruefschritte, Eskalationslogik, Training und Verbesserungsmassnahmen.
Die richtige Pilotfrage
Nicht: Koennen wir Defekte automatisch erkennen?
Besser: Welche Defekte kosten uns wirklich Geld, wie frueh koennen wir sie erkennen, und welche Prozessdaten brauchen wir, um Ursachen zu lernen?
Fazit
Visuelle AI kann Pruefung skalieren. Operative Exzellenz entsteht erst, wenn Pruefung, Prozessdaten und Ursachenarbeit zusammengefuehrt werden.