Waste-Report lässt sich nicht erstellen? KI verwandelt die Ursachen in eine Liste konkreter Verbesserungen für die Produktion

Aus den mittelgroßen Druckereien, die ich zuletzt begleitet habe, klingt es überall nach „kontinuierlicher Verbesserung“. Schaut man in die Protokolle der Qualitätsmeetings, bleiben die Verbesserungsmaßnahmen meist an zwei Stellen stecken: Man findet die wirkliche Ursache nicht, und die Verbesserungsvorschläge sind zu abstrakt. Ein Ausschussfoto wandert von der Linie zur QS, von dort zum Vorgesetzten, der Vorgesetzte schreibt „bitte am Shopfloor verstärkt darauf achten“ – Fall erledigt. Im nächsten Monat taucht derselbe Fehler wieder auf, und niemand wundert sich

Was in der Mitte fehlt, ist keine Einstellung, sondern ein Ablauf, mit dem Ausschussdaten sauber klassifiziert, zurückverfolgt und in Handlungen übersetzt werden können. Der echte Wert von KI in diesem Umfeld liegt nicht in irgendeiner schicken automatischen Fehlererkennung, sondern darin, die verstreuten Infos aus LINE-Gruppen, Kameraspeicherkarten und QS-Excels an einem Strang zusammenzuziehen, damit jeder Schadensfall zu etwas wird, das man abfragen und sammeln kann

Wenn ich mir den Alltag in kleinen und mittelgroßen Druckereien in Taiwan anschaue, liegen die Ausschussdaten meist an mehr Stellen, als man denkt:

・Am Ort des Geschehens: Handy-Fotos neben der Maschine, Meldungen in der LINE-Gruppe

・In der QS-Dokumentation: Excel-Tabellen, QS-Belege, Freigabezettel

・In der Weiterverarbeitung:Retourenfotos aus Rillen, Bindung, Lackierung – fremdvergeben oder in der Halbfabrikatezone

・Auf der Reklamationsseite: Kundenfotos, die der Vertrieb weiterleitet, Retourenscheine

Was diese Daten gemeinsam haben: Das Format ist wild, die Benennung ist wild, es hängen viele Gespräche dran, die mit dem Fehler nichts zu tun haben. Ohne Aufbereitung lässt sich später nichts damit anfangen. Bevor KI ins Spiel kommt, steht nicht der Werkzeugkauf, sondern das Melde-SOP

Wie ein Ausschuss-Melde-SOP aussehen sollte

Ich empfehle, mit den einfachsten Feldern zu starten, statt auf einen Schlag alles aufzudrängen und am Shopfloor Widerstand zu erzeugen:

・Ausschussfotos: Mindestens eine Aufnahme, die das ganze Problem zeigt, und eine fürs Detail (am besten mit Lineal oder Münze als Größenreferenz)

・Zeitpunkt des Vorfalls und Maschinennummer: Ohne diese beiden Felder wird jede Trendanalyse zur Qual

・Schichtleiter und Bediener zum Zeitpunkt: Für die Klärung der Verantwortung und die spätere Schulung

・Sofortmaßnahme: Verschrottung, Nacharbeit, Retourenabwicklung – erst einmal festhalten

・Papier- und Farbcharge: Bei vielen Fehlern sind diese beiden Variablen die Übeltäter

Wenn die Felder stehen, kann KI die Daten stabil einlesen, auf ein Format bringen und weiter klassifizieren. Ohne SOP KI einzuführen heißt, dass die KI der menschlichen Beliebigkeit hinterherläuft – und am Ende ärgert sich jeder

Wenn es um Bildklassifikation geht, fragen Linienverantwortliche am häufigsten: „Wie genau ist das?“ Meine Antwort: Für die Ausschuss-Klassifikation reichen 70 bis 80 Prozent Trefferquote völlig. Der Grund ist einfach: Wir brauchen von der KI keine endgültige Entscheidung, sondern nur eine Vorsortierung von tausenden Fotos in Bucket, sodass die QS am Ende nur noch einen Bucket gegenprüfen muss

Die typischen Ausschussarten sind für KI vergleichsweise einfach:

・Farbabweichung: Chargenbedingter Farbdrift, Abweichung gegen den Andruck

・Passer: Versatz beim Vierfarbdruck, Deckenregister beim zweiseitigen Druck

・Papier: Papierstaub, Fusseln, Falten, Rollneigung, Maßtoleranz

・Kratzer: Kratzer im Stack durch ungenügende Trocknung, Transportspuren

・Verschmutzung:Spritzer, Restantipulver, Fingerabdrücke

・Verarbeitungsfehler: Versetzte Rillinien, schiefe Bindung, ungleichmäßiger Lack

Bei diesen Kategorien sind die visuellen Merkmale deutlich, und die Trainingsdaten sind relativ leicht zu beschaffen. Schwieriger wird es bei Retouren, die unter „der Kunde will es so nicht“ laufen – hier helfen weiterhin nur menschliche Dokumentation und Kundengespräche

Von der Klassifikation zur Ursache ist es noch ein Stück

Klassifikation liefert nur Etiketten. Die Ursache beantwortet die Frage „Warum passiert das?“. Der Wert der KI an dieser Stelle liegt darin, Klassifikationsergebnisse, Auftragsdaten, Papierchargen und Maschinenparameter auf einen Tisch zu legen und quer zu vergleichen, damit man mögliche Richtungen sofort sieht:

・Die Ausschussquote einer Maschine steigt in einem bestimmten Zeitfenster plötzlich an

・Bestimmte Ausschusstypen häufen sich bei einer Papiercharge

・Während der Schicht eines bestimmten Bedieners weicht die Ausschussquote deutlich vom Schnitt ab

Solche Zusammenhänge lassen sich mit Pivot-Tabellen in Excel ebenfalls finden. Der Vorteil von KI-Werkzeugen ist, dass man näher an natürlicher Sprache fragen kann. „Zeig mir die Farbabweichungs-Ausschüsse von Maschine B, zweite Schicht, im August – konzentrieren die sich auf eine Papiercharge?“ – solche Fragen gehen ohne komplizierte Formeln

Das ist für mich der Teil, in den man am meisten Zeit investieren sollte. Egal wie hübsch die Datenanalyse ist – wenn am Ende „Bediener bitte aufpassen“ und „QS bitte verstärken“ als Verbesserungsmaßnahme herauskommt, hat das System nur ineffektive Besprechungsprotokolle digitalisiert

Eine brauchbare Verbesserungsliste muss ein paar Eigenschaften mitbringen:

・Zuweisbar: Klar, wer was bis wann macht

・Überprüfbar: Wie lässt sich nach Abschluss feststellen, dass es wirkt (zum Beispiel: Ausschussquote an gleicher Maschine und gleichem Material in der Folgewoche unter X %)

・Zurückverfolgbar: Verlinkung zum Originalfoto, Auftrag und Diskussionsverlauf

Was KI in dieser Phase beitragen kann, ist ein „Entwurf“. Wirft man die klassifizierten Ausschussdaten, die Ursachenvermutung und die Verbesserungsrichtung hinein, produziert die KI einen strukturierten Erstentwurf einer Verbesserungsliste, mit vorgeschlagenen Rollen, möglichen Verifikationswegen und passenden historischen Fällen. Die QS-Leitung überarbeitet diesen Entwurf – das geht deutlich schneller, als auf einer leeren Seite zu beginnen

Typische Verbesserungsrichtungen je Ausschusstyp

Hier eine Übersicht aus der Praxis bei Kunden vor Ort, als Anhaltspunkt:

・Farbabweichung: Farbmanagement prüfen, Maschine neu kalibrieren, Standardlichtquelle zwischen Andruck und Druck angleichen

・Passer: Registereinstellung prüfen, Wendevorrichtung für den Schöndruck kontrollieren, Unterlage anpassen

・Papier: Mit dem Papierlieferanten die Eigenschaftsveränderung dieser Charge klären, Greiferspannung und Entstaubung nachstellen

・Kratzer: Trocknung und Puderauftrag prüfen, Stapelweise anpassen

・Versetzte Rillinien: Rillmaschine neu justieren, Faserlauf und Rilllinienanlage prüfen

Das klingt nach Grundlagen, aber in vielen Betrieben sind die Standardabläufe gar nicht sauber dokumentiert. Neue lernen nur durch Mund-zu-Mund-Propaganda der Altgedienten – die Qualität schwankt entsprechend

In vielen Betrieben besteht die Einarbeitung am Shopfloor aus „Meister macht es vor“. Fällt der Meister aus oder geht, muss sich der Neue allein durchwursteln. Aus den gesammelten Ausschussfällen Schulungsmaterial zu machen, ist der Schlüssel, damit Verbesserungserfahrung nicht mit Menschen verschwindet

Ich empfehle eine dreischichtige Struktur:

・Schicht 1: Fallbibliothek, nach Fehlertyp sortiert. Jeder Fall mit Foto, Rahmenbedingungen, Ursache und Verbesserungsmaßnahme

・Schicht 2: Standardarbeitsanweisungen (SOP), in denen die standardisierbaren Handlungen aus den Fällen festgehalten werden, etwa „Farbabweichungs-Prüfung nach dem ersten Druck nach Papierwechsel“

・Schicht 3: Tests und Wiederholungsschulungen, mit Bildern aus der Fallbibliothek als kurze Tests, um zu prüfen, ob neue Mitarbeiter Fehlertypen und passende Maßnahmen erkennen

KI kann in diesem Abschnitt beim Entwurf von Material und Testfragen helfen. Füttert man die Fallbibliothek hinein, schreibt sie Einzelfälle in didaktische Szenarien um und produziert passende Multiple-Choice- oder offene Fragen. Wenn das Grundgerüst steht, ergänzen erfahrene Meister die Feinheiten aus dem Shopfloor

Wer eine fertige Vorgehensweise sehen möchte: Das Beraterteam der Mai Strategy Wissensakademie hat einen kompletten Ablauf von Ausschuss-Meldung über Ursachenanalyse bis zum Schulungsmaterial aufbereitet (Beraterteam der Mai Strategy Wissensakademie), inklusive Kundenbeispielen aus echten Implementierungen

Nach der Begleitung mehrerer Betriebe bei der Einführung dieses Ablaufs haben sich drei typische Auslöser für ein Scheitern herauskristallisiert:

・Widerstand am Shopfloor gegen das Ausfüllen: Zu viele Felder, zu umständlich. Lösung: Mit dem Minimum an Feldern drei Monate lang fahren und dann schrittweise erweitern

・Kein klar Verantwortlicher: Eine passende Person, die den Betrieb langfristig pflegt, schlägt jedes teure KI-Werkzeug

・Verbesserungsmaßnahmen ohne Tracking: Nach dem Meeting ist Schluss – das ist wie nicht gemacht. Jede Maßnahme braucht eine zuständige Person und ein Fälligkeitsdatum

Das sind keine Technik-, das sind Managementprobleme. Das beste KI-Werkzeug bringt nichts, wenn die Menschen nicht mitmachen

Ausschussdaten als Vermögenswert zu begreifen statt als Fotos, die in den Müll gehören – das ist die entscheidende Umstellung in der Denkweise. Jeder Schadensfall und jede Retoure ist investierter Aufwand, damit ein bestimmter Fehler nicht zweimal passiert

Bei den Kunden, denen ich begegne, zeigt sich bei den Betrieben, die diesen Ablauf tatsächlich leben, meist innerhalb von sechs Monaten eine Reihe sichtbarer Veränderungen: Die Ausschuss-Klassifikationsmeetings werden kürzer, die Verbesserungsmaßnahmen werden tatsächlich umsetzbar, die Einarbeitung neuer Mitarbeiter greift besser. Dass die Ausschussquote in Zahlen sinkt, kommt eher an zweiter Stelle, weil Auftragsstruktur, Papierqualität und Kundenanforderungen da mitspielen

Der nächste Schritt kann so klein sein wie „die Felder für die Ausschuss-Meldung festlegen“. Theoretisieren bringt nichts – erst laufen lassen, dann optimieren

・Die Ausschussquote sinkt nicht, weil die Daten nicht sauber klassifiziert und zurückverfolgt werden – das Problem liegt selten am Shopfloor selbst

・KI-Bildklassifikation für die Vorsortierung von Fehlern reicht mit 70 bis 80 Prozent Trefferquote aus, um die QS spürbar zu entlasten

・Eine Verbesserungsliste muss zuweisbar, überprüfbar und zurückverfolgbar sein – sonst digitalisiert man nur ineffektive Meetings

・Die Ausschuss-Fallbibliothek ist der Rohstoff für das Schulungsmaterial neuer Mitarbeiter und sorgt dafür, dass Verbesserungserfahrung nicht mit den Menschen verschwindet

・Scheitern liegt meist am Management, nicht am Werkzeug: Widerstand am Shopfloor, fehlende Verantwortliche, fehlendes Tracking

Für die Druckproduktion ist das Strukturieren von Ausschussdaten der erste Schritt der digitalen Transformation – und der, der am leichtesten übersehen wird. Viele Betriebe investieren viel Geld in ERP und MES und vernachlässigen die elementarste Datenhygiene am Shopfloor. Am besten mit dem Papier- oder Excel-Ausschussmeldebogen starten, Felder und Ablauf sauber hinkriegen, dann über KI-Mehrwert reden. Für KI- und SaaS-Anbieter ist das Ausschussmanagement in Druckereien ein hochgradig spezialisiertes Feld: Generische Bildklassifikationsmodelle reichen nicht, man muss die Terminologie und die Ursache-Wirkung-Zusammenhänge im Druckprozess wirklich verstehen, um ein nützliches Produkt zu bauen. Für die Gestaltungsseite hilft das Wissen um typische Ausschusstypen und Ursachen dabei, in der Dateivorbereitung riskante Konstruktionen zu vermeiden – zu feine Passerarbeiten, vollflächige dunkle Flächen, die leicht abschmieren – und so die Retourenkommunikation auf beiden Seiten zu entschärfen

(Dieser Text ist ein Original-Lehrinhalt der Mai Strategy Wissensakademie. Das darin verwendete Branchenwissen und die Praxisanleitungen stammen aus erster Hand aus der Beratungsarbeit des Teams.)