FMEA- und 8D/CAPA-Assistent für das Qualitätsengineering

Qualitätsingenieure verbringen Tage in Workshops und Tabellen, um FMEAs zu schreiben, und tippen dasselbe Wissen anschließend in Produktionslenkungspläne und 8D-Berichte erneut ein. Ein LLM, das auf den eigenen früheren FMEAs, Reklamationen, Produktionslenkungsplänen und Produktstrukturen des Unternehmens aufsetzt, entwirft Fehlerarten, Ursachen und Maßnahmen für Design- und Prozess-FMEAs nach AIAG-VDA, schlägt Ursachenhypothesen für 8D/CAPA vor und weist auf Widersprüche zwischen den Dokumenten hin. Es beschleunigt den ersten Entwurf und bewahrt Lessons Learned; Bedeutung, Auftreten und Entdeckung bewertet weiterhin das funktionsübergreifende Team.

Problem & Nutzen

• Heute: FMEAs entstehen in Team-Workshops, oft durch Kopieren der Excel-Datei eines Vorgängerprodukts. Das Wissen steckt in Tausenden Zeilen, die niemand durchsucht; dieselben Fehlerarten werden nach jedem Feldproblem neu entdeckt. 8D- und CAPA-Berichte entstehen unter Termindruck der Kunden, mit oberflächlicher Ursachenanalyse („Bedienfehler“) und schwacher Rückverknüpfung zu FMEA und Produktionslenkungsplan.
• KI-Nutzen: Wiederverwendung des Unternehmenswissens (was bei ähnlichen Teilen und Prozessen ausgefallen ist), schnellere und vollständigere erste Entwürfe, Ursachenanalysen von besserer Qualität und automatische Erkennung von Lücken (eine Fehlerart im 8D, die in der FMEA nie vorkam; ein Merkmal im Produktionslenkungsplan ohne FMEA-Ursache).
• Belege: etablierte Anbieter von FMEA- und Qualitätssoftware (APIS, PLATO, Siemens, Relyence) ergänzen ihre Suiten um KI-Funktionen (Herstellerangaben; der Umfang FMEA-spezifischer KI ist unterschiedlich, prüfen Sie ihn in einer Demo) [2][3][4][5]. Veröffentlichte, unabhängige Zeitersparnis-Zahlen sind selten; messen Sie an der eigenen Ausgangslage, statt sich auf Herstellerangaben zu verlassen.
• Warum eigenständig: Der Anwendungsfall folgt einer festen Methode (AIAG-VDA-FMEA, IATF 16949, 8D) mit strukturierten Datenmodellen, die generisches RAG (KNOW-014) und Berichtserstellung (LANG-003) nicht abdecken.

Varianten

• Automobilzulieferer (IATF 16949): AIAG-VDA-DFMEA/PFMEA mit 7 Schritten, Handlungspriorität (Action Priority, AP) statt RPZ, kundenspezifische Anforderungen, 8D in OEM-Portalen [1].
• Medizinprodukte & Pharma: Risikomanagementakten nach ISO 14971, FMEA als Werkzeug der Risikoanalyse, CAPA nach ISO 13485 / 21 CFR 820 und EU-MDR; strengere Dokumentation und Validierung.
• Luft- und Raumfahrt sowie Maschinenbau: AS9100 / FMECA, Kritikalität im Stil von MIL-STD-1629; die FMEA zur funktionalen Sicherheit (ISO 26262, IEC 61508) ist ein eigener, sicherheitskritischer Anwendungsfall.
• KMU-Lohnfertiger / Auftragsfertiger: schlanke PFMEA und 8D aus Vorlagen, Prüfung von Lieferanten-8Ds bei eingehenden Reklamationen.
• Prüfung von Lieferanten-8Ds: vom Lieferanten eingereichte 8Ds auf Tiefe und Plausibilität prüfen (siehe ANOM-011).

So funktioniert es

1. Quellen (FMEA-Dateien, QMS 8D/CAPA, Prüfpläne, Stückliste/PLM, Prozessflussdiagramm, Feldrückläufer)
2. Parsen & Normalisieren in ein strukturiertes FMEA-Modell (Strukturbaum, Funktion, Fehlernetz)
3. Indexierung: hybride Suche + Embeddings + Wissensgraph (Teil/Prozess ↔ Fehler ↔ Ursache ↔ Maßnahme)
4. Generierung: zu neuer Produktstruktur/neuen Prozessschritten ähnliche frühere Zeilen abrufen, Fehlerarten, Folgen, Ursachen, Maßnahmen, vorgeschlagene B/A/E und AP entwerfen, mit Quellenangaben zu den Ursprungszeilen
5. 8D/CAPA: Reklamationstext + Daten
6. Sofortmaßnahmen, priorisierte Ursachenhypothesen (5-Why, Ishikawa, Ist/Ist-nicht), Korrektur- und Vorbeugemaßnahmen, Vorschläge zur Aktualisierung von FMEA/Prüfplan
7. Konsistenzprüfungen (Regeln + LLM): FMEA ↔ Prüfplan ↔ 8D ↔ Arbeitsanweisungen
8. menschliche Prüfung im FMEA-Werkzeug/Workshop
9. Freigabe
10. Rückschreiben ins QMS/PLM

• Zuerst das strukturierte Modell: Das Fehlernetz nach AIAG-VDA (Funktion → Fehlerart → Fehlerfolge/Ursache) ist ein Graph; Zeilen gegen dieses Schema zu erzeugen (strukturierte Ausgaben) ist verlässlicher als Freitext.
• Quellenbindung: Jeder Vorschlag nennt die historische Zeile oder den Bericht, aus dem er stammt; Vorschläge ohne Quelle werden als „Modellwissen“ gekennzeichnet.
• Regelschicht: Deterministische Prüfungen (AP aus S/O/D-Tabellen berechnet, jede Position mit hoher AP hat eine Maßnahme, jedes besondere Merkmal hat eine Lenkung) sind Code, kein LLM.
• Mensch-in-der-Schleife (Human-in-the-Loop): Das Team vergibt S/O/D, nimmt Zeilen an oder lehnt sie ab und zeichnet 8D-Schritte ab. Ursachenschlüsse brauchen eine physische Verifizierung (D4/D5), nicht nur textliche Plausibilität.

Datenaufbereitung

Das Rohmaterial ist die eigene Qualitätshistorie des Unternehmens: Design- und Prozess-FMEAs (meist Excel, manchmal Werkzeugexporte oder PDF), 8D-/CAPA- und Reklamationsberichte im QMS, Produktionslenkungspläne, Prozessflussdiagramme sowie Stückliste und Produktstruktur in PLM oder ERP. In einem KMU liegt vieles auf Dateiablagen und in E-Mail-Anhängen, teils als eingescannte Kunden-8Ds.

Typische Lücken: Jede FMEA ist eine Kopie eines Vorgängers mit eigenem Spaltenaufbau, eigener Wortwahl und Sprache; Fehlerarten sind Freitext mit vielen Synonymen; Verknüpfungen zwischen FMEA, Produktionslenkungsplan und 8D bestehen nur aus Gewohnheit; Scans ohne OCR; vertrauliche Kundeninhalte vermischt mit internen Dateien; Namen von Bedienern in Reklamationen.

Schritte der Aufbereitung: (1) Bestand aufnehmen und eine Produktfamilie auswählen (siehe PREP-001, PREP-002); (2) Dateien exportieren und in eine saubere Tabelle aus Funktion, Fehlerart, Folge, Ursache, Lenkungsmaßnahmen und Bewertungen überführen (PREP-011, PREP-007); eingescannte 8Ds mit Docling oder Paperless-ngx per OCR erfassen (PREP-006); (3) ein kontrolliertes Vokabular für Fehlerarten und Ursachen mit Synonymen aufbauen (PREP-015, PREP-019); (4) die besten FMEAs als Musterbeispiele und einen Evaluationsdatensatz gemeinsam mit Qualitätsingenieuren kuratieren (PREP-016, PREP-018); (5) Namen pseudonymisieren und Zugriffsrechte je Kunde prüfen (PREP-022, PREP-023).

Rechnen Sie mit etwa der Hälfte des Gesamtaufwands für diese Aufbereitung sowie mit laufender Pflege des Vokabulars. Bei Weg A erzwingt das Werkzeug des Anbieters oft das strukturierte Modell, was diese Arbeit verlagert, aber nicht beseitigt. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil ausgereifte deutsche FMEA-/QMS-Suiten (APIS, PLATO, beide inzwischen Teil der PeakAvenue-Gruppe) KI-Funktionen zu KMU-tauglichen Preisen ergänzen und AIAG-VDA ein Standardprozess ist.
• Großunternehmen: Weg B, weil der Nutzen aus Quervergleichen über eigene QMS-, PLM- und ERP-Daten entsteht, die Standard-Erweiterungen selten abdecken und die zu einer gemeinsamen internen KI-Plattform passen.
• Entwickler: Weg C, weil Open-Weight-Modelle plus Docling und ein Graph-/Vektorspeicher volle Kontrolle für NDA-gebundene Konstruktionen und eigene Konsistenzregeln bieten.

Weg A — Kaufen (Standardsoftware) (empfohlen für KMU)

• FMEA-/Qualitätssuiten mit KI: APIS IQ-RM (Deutschland; FMEA-Referenzwerkzeug, KI-Funktionen beim Anbieter prüfen) [2], PLATO e1ns (Deutschland; PeakAvenue bewirbt KI-Funktionen für Sprache, Suche und Analysen zur Problemlösung) [3], Siemens Opcenter Quality (im Xcelerator-Portfolio) [4], Relyence (USA) [5]. Außerdem Ansys Medini analyze (Sicherheitsanalyse), ETQ Reliance, Sphera/Intelex und MasterControl für QMS/CAPA.
• In das QMS eingebettetes CAPA: Veeva Vault Quality, MasterControl, Greenlight Guru (Medizinprodukte) ergänzen zunehmend KI-Zusammenfassungen und die Suche nach ähnlichen Fällen.
• EU-Anbieter: APIS, PLATO, d.velop und andere deutsche QMS-Anbieter sind mit Blick auf den Datenstandort attraktiv; prüfen Sie das Hosting und ob Prompts an einen US-Modellanbieter gehen.
• Wählen Sie A, wenn: Sie bereits eines dieser Werkzeuge nutzen oder Standard-Workflows nach AIAG-VDA haben; das Modell des Anbieters sieht Ihre Daten unter vertraglichem Schutz.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Spitzen-LLMs mit strukturierten Ausgaben (Claude, Gemini, GPT) oder Mistral (EU-Anbieter), betrieben in EU-Regionen (Azure OpenAI EU, Vertex AI EU, AWS Bedrock Frankfurt, Mistral La Plateforme).
• Stack: Excel-/PDF-FMEAs einlesen (Docling oder Azure Document Intelligence), einbetten (bge-m3 oder Embeddings des Anbieters) in pgvector/OpenSearch/Qdrant, eine Graphschicht (Neo4j) für die Verknüpfung von Struktur und Fehlern ergänzen, mit LangGraph oder n8n orchestrieren, über QMS-/PLM-Schnittstellen zurückschreiben.
• Wählen Sie B, wenn: Sie eigene Prüfungen über Ihr QMS, PLM (Teamcenter, Windchill) und ERP benötigen und Ihr FMEA-Werkzeug keine KI bietet.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Reasoning-/LLM-Modelle (Qwen3, Mistral Small/Large, Llama, gpt-oss), bereitgestellt über vLLM; Embeddings bge-m3 plus ein Reranker.
• Stack: Docling, Qdrant/pgvector, Neo4j oder Apache AGE, Langfuse für das Tracing.
• Hardware: HW3 (eine GPU mit 48-80 GB) für ein Modell mit ca. 30-70 Mrd. Parametern bei mehreren gleichzeitig arbeitenden Ingenieuren; HW2 reicht für ein kleineres Modell mit schwächerem ursächlichem Schlussfolgern.
• Wählen Sie C, wenn: FMEAs vertrauliche Kundenkonstruktionen unter NDA enthalten, die das Haus nicht verlassen dürfen (häufig bei OEM-CSRs).

Weg D — Eigenes Training

Anfangs selten nötig. Ein kleines Modell oder einen Klassifikator mit den angenommenen/abgelehnten Vorschlägen des Unternehmens feintunen, um das Vokabular der Fehlerarten zu normalisieren oder S/O/D vorherzusagen, sobald einige Tausend geprüfte Zeilen vorliegen. Der bessere erste Schritt: ein kontrollierter Katalog von Fehlerarten und Folgen plus Retrieval.

Stand der Technik (2026)

• Methodische Ausrichtung: Das harmonisierte AIAG-VDA-FMEA-Handbuch (2019) mit sieben Schritten und Handlungspriorität ist die Referenz; Werkzeuge bilden das Fehlernetz inzwischen ab und ermöglichen KI in jedem Schritt [1].
• RAG über historische FMEAs ist das vorherrschende Muster; Forschung zur LLM-gestützten FMEA berichtet nützliche Entwurfsqualität und Abdeckung, aber auch halluzinierte, generische oder widersprüchliche Ursachen und unzuverlässige Schweregrad-Bewertungen, daher bleiben die Bewertungen beim Menschen.
• Agentische 8D: Assistenten ziehen Daten heran (SPC, Prüfergebnisse, MES-Rückverfolgbarkeit), führen Ist-/Ist-nicht-Analyse und 5-Why-Dialog und schlagen Verifizierungsversuche vor; am stärksten sind sie als strukturierter Interviewer.
• Multimodal: Bild-Sprach-Modelle lesen Fehlerfotos und Prüfkurven, die Reklamationen beigefügt sind (siehe VIS-001).
• Grenzen: generische Ursachen („unzureichende Schulung“), erfundene Normverweise, übermäßig selbstsichere S/O/D, falscher Kontext aus einem Vorgängerprodukt und fehlende neuartige Fehlerarten außerhalb der Trainingshistorie. Behandeln Sie die Ausgabe als Anregung für eine Checkliste, nicht als Ergebnis.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack (llm-general, embedding-text, vector-db, knowledge-graph): KNOW-014 (Lessons Learned), SCI-013 (MBSE/Anforderungen: gemeinsame Produktstruktur- und Funktionsmodelle), LANG-003 (Berichtserstellung).
• Dateneingänge: SCI-022 (Testdatenanalyse), PRED-014 (virtuelle Sensoren), VIS-001 (Prüfbefunde), OPT-009 (Prozessparameter), DOC-019 (Zertifikatsprüfung), ANOM-011 (Lieferantenrisiko).
• Nachgelagert: Aktualisierte Produktionslenkungspläne fließen in Prüfpläne und SPC; CODE-010 zeigt das analoge Muster der Ursachenanalyse bei Störungen in der IT.
• Ein selbst betriebener LLM-/RAG-Server (HW3) kann diesen und die oben genannten Anwendungsfälle bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen, um ein KI-Zusatzmodul freizuschalten; Lizenzkosten pro Nutzer/Modul.
• Weg B: 3-6 Monate einschließlich Einlesen alter FMEAs, Evaluationsdatensatz und QMS-Integration.
• Weg C: 4-8 Monate; GPU-Server plus MLOps-Aufwand.
• Kostentreiber: Bereinigung alter FMEAs (uneinheitliche Wortwahl, Sprachen), Integration in PLM/QMS, Expertenzeit für die Evaluation.
• Kennzahlen: Stunden pro FMEA/8D, Anteil angenommener Vorschläge, Wiederholung von Fehlerarten (wiederholte 8D), Durchlaufzeit der 8D und Ablehnungsquote der 8D durch Kunden, Abdeckung von Feldausfällen durch die FMEA, Inkonsistenzbefunde je Audit.

Menschen & Veränderung

Binden Sie die Geschäftsleitung früh für Budget und KI-Richtlinie ein und die Leitung der Qualitätsabteilung als Prozessverantwortliche. Qualitätsingenieure und 8D-Verantwortliche sind die täglichen Nutzer: Lassen Sie sie den Evaluationsdatensatz und den Pilot mitgestalten. IT und IT-Sicherheit klären Integration, Hosting und Risiken durch Prompt-Injection; Dateneigentümer geben FMEA- und QMS-Daten frei, wobei die Rechtsabteilung die Einschränkungen aus Kunden-NDA/CSR prüft. Die oder der Datenschutzbeauftragte wird benötigt, weil Reklamationen Bediener namentlich nennen können; führen Sie eine Datenschutz-Folgenabschätzung (DSFA) durch, wenn das Werkzeug Personen bewertet, und schließen Sie mit jedem Anbieter einen Auftragsverarbeitungsvertrag (AVV) ab.

Betriebsrat: abhängig vom Einzelfall. Wo ein Betriebsrat besteht, greift § 87 Abs. 1 Nr. 6 BetrVG, wenn das System Nutzeraktivitäten protokolliert oder Vorschläge und 8D-Befunde einzelnen Beschäftigten zuordnen kann (die objektive Eignung genügt nach dem BAG); § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Information über KI-geplante Arbeitsabläufe. Vereinbaren Sie, dass keine individuelle Leistungsbewertung abgeleitet wird. Im öffentlichen Dienst gilt der Personalrat.

Maßnahmen zur Förderung der KI-Kompetenz (Art. 4 KI-Verordnung): kurze Schulung zu halluzinierten Ursachen, Automatisierungsverzerrung und Quellenangabe. Vermitteln Sie, dass das Werkzeug Entwürfe vorbereitet, während das Team die S/O/D-Bewertungen, die D4/D5-Verifizierung und die Freigabe behält. Beginnen Sie mit einer Produktfamilie und einer kleinen Pilotgruppe williger Ingenieure, prüfen Sie abgelehnte Vorschläge gemeinsam und begegnen Sie der Sorge vor Kompetenzverlust, indem das Brainstorming im Workshop an erster Stelle bleibt.

Leitfäden: GUIDE-004, GUIDE-008, GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko (interne Produktivität im Engineering); KI-Kompetenz (Art. 4) ist erforderlich. Das Risiko steigt, wenn die FMEA ein Sicherheitsbauteil eines regulierten Produkts betrifft (z. B. Medizinprodukt, Maschine) - das KI-Werkzeug selbst ist nicht das Sicherheitsbauteil, aber Ausgaben, die in eine Risikomanagementakte einfließen, müssen validiert werden [6].
• DSGVO: Reklamationen und 8Ds können Mitarbeiternamen (Bediener) und Kundendaten enthalten; pseudonymisieren Sie, beschränken Sie den Zugriff und vermeiden Sie schuldzuweisende Profilbildung einzelner Personen. Mitbestimmung des Betriebsrats in Deutschland, wenn die Nutzung Beschäftigte überwacht.
• Regeln des Qualitätssystems: IATF 16949, ISO 13485, ISO 14971, 21 CFR Part 11/820 verlangen nachvollziehbare, validierte Aufzeichnungen; erforderlich sind Computer Software Assurance und ein Audit-Trail der KI-Vorschläge gegenüber dem freigegebenen Text.
• Vertraulichkeit: Kundenkonstruktionen unter NDA/CSR - Bedingungen des Anbieters prüfen, EU-Hosting, kein Training mit Eingaben.
• Risiken und Gegenmaßnahmen: Automatisierungsverzerrung (verpflichtende Teamprüfung und Quellenangabe), halluzinierte Ursachen (Quellenbindung, Verifizierungsschritt in D4), Verlust des Lerneffekts im FMEA-Team (KI nach dem Brainstorming im Workshop einsetzen, nicht anstelle davon).

Erste Schritte

1. FMEAs, 8Ds und Produktionslenkungspläne erfassen; eine Produktfamilie mit brauchbaren Daten und klarer Struktur auswählen.
2. 30-50 historische FMEAs in eine strukturierte Tabelle überführen und einen kleinen Evaluationsdatensatz bekannter Fehlerarten aufbauen.
3. Die KI-Funktion des vorhandenen Werkzeugs (Weg A) oder einen RAG-Prototyp gegen den Evaluationsdatensatz testen; die Trefferquote bekannter Ursachen messen.
4. In einer echten PFMEA-Aktualisierung und einer 8D pilotieren und dabei ein Prüfprotokoll der Vorschläge und Entscheidungen führen.
5. Automatische Konsistenzprüfungen zwischen FMEA und Produktionslenkungsplan ergänzen, dann auf weitere Produktlinien ausweiten.

Quellen

1. AIAG & VDA — FMEA Handbook (1st ed. 2019), Failure Mode and Effects Analysis — https://www.aiag.org/
2. APIS Informationstechnologien — APIS IQ-RM FMEA software — https://www.apis.de/en/
3. PeakAvenue (PLATO, iqs, APIS) — PLATO e1ns FMEA / quality software — https://www.peakavenue.de/
4. Siemens — Opcenter Quality — https://plm.sw.siemens.com/en-US/opcenter/quality/
5. Relyence — FMEA software — https://relyence.com/products/fmea/
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. IATF — IATF 16949 automotive quality management standard — https://www.iatfglobaloversight.org/