Fehlerursachenanalyse mit KI: So finden KMU die echte Ursache

Eine Fehlerursachenanalyse mit KI durchsucht Maschinen-, Prozess- und Qualitätsdaten automatisch nach Mustern, die zu einem Fehler passen, und schlägt Ihnen wahrscheinliche Ursachen vor. Gegenüber 5-Why, Ishikawa oder FMEA verarbeitet sie weit mehr Einflussgrößen gleichzeitig, oft in Echtzeit und ohne dass jemand tagelang Tabellen vergleicht. Die Entscheidung, was wirklich die Ursache ist und was Sie dagegen tun, bleibt beim Menschen. Damit das funktioniert, brauchen Sie drei Dinge: saubere Daten mit Zeitstempel, ein Team, das die Hypothesen der KI prüft, und einen festen Weg, auf dem die Ergebnisse in Ihre Abläufe zurückfließen. Wie Sie das im Mittelstand aufsetzen, wo es schon funktioniert und woran Sie Fehlschlüsse oder Bias der KI erkennen, zeigt dieser Leitfaden.

Menter

KI-Ursachenanalyse im Mittelstand angehen

Menter unterstützt KMU mit praxisnaher KI-Beratung, Workshops und Keynotes, zugeschnitten auf Branche und Unternehmensgröße.

KI-Beratung entdecken

Kurz gesagt

KI-gestützte Ursachenanalyse (Root Cause Analysis, RCA) verknüpft viele Datenquellen und liefert Ursachenhypothesen, die Fachleute bewerten.
Die stärksten Ergebnisse entstehen im Zusammenspiel: Expertenwissen plus datengetriebene Modelle, in der Forschung „hybride Intelligenz“ genannt.
Ohne strukturierte Daten mit Zeitbezug (Messwerte, Logs, Änderungen, Ereignisse) findet auch die beste KI nichts Belastbares.
Bias und Fehlschlüsse erkennen Sie mit Tests vor dem Einsatz, laufendem Monitoring und Feedbackschleifen.
Der Nutzen entsteht erst, wenn Erkenntnisse in Maßnahmen, Arbeitsanweisungen und Ihr Qualitätsmanagement einfließen.

Inhaltsverzeichnis

Was KI an der klassischen Fehleranalyse ändert
So läuft eine KI-gestützte Root-Cause-Analyse ab
Wo KI Fehlerursachen im Betrieb findet
Wenn die KI irrt: Fehlschlüsse und Bias erkennen
Von der Erkenntnis zur Maßnahme
Unsere Sicht: Ursachenanalyse ist Teamarbeit mit KI
So unterstützen wir Sie beim Einstieg
Häufige Fragen
Quellen

Was KI an der klassischen Fehleranalyse ändert

Eine Fehleranalyse beginnt immer gleich: Ein Symptom tritt auf, etwa Ausschuss an einer Linie, ein Serverausfall oder eine Häufung von Reklamationen. Klassisch setzt sich dann ein Team zusammen, fragt fünfmal „Warum?“, zeichnet ein Fischgrätdiagramm oder bewertet Risiken in einer FMEA. Diese Methoden sind bewährt, haben aber eine Grenze: Sie hängen davon ab, welche Einflussfaktoren den Beteiligten einfallen, und sie kosten Zeit. Ein Fehler zeigt sich zudem selten dort, wo er entsteht. Eine Abweichung im Spritzguss kann mit der Luftfeuchte, einer neuen Materialcharge und einem Schichtwechsel zusammenhängen, die niemand gemeinsam betrachtet hat.

Hier setzt KI an. Modelle des maschinellen Lernens und statistische Verfahren werten Dutzende oder Hunderte Variablen parallel aus und finden Zusammenhänge, die im Besprechungsraum nicht auffallen. Forschende des Lamarr-Instituts beschreiben zum Beispiel, wie neuronale Netze Ursachenmuster in mehrdimensionalen Zeitreihen finden, die anschließend gemeinsam mit Anwendungsexperten interpretiert werden. Genau dieser zweite Schritt ist entscheidend.

Kriterium	Klassische Methoden (5-Why, Ishikawa, FMEA)	KI-gestützte Ursachenanalyse
Grundlage	Erfahrung und Diskussion im Team	Prozess-, Maschinen- und Qualitätsdaten
Anzahl Einflussfaktoren	begrenzt auf das, was das Team betrachtet	sehr viele Variablen gleichzeitig
Tempo	Stunden bis Wochen, je nach Fall	oft nahezu in Echtzeit, sobald Daten vorliegen
Objektivität	abhängig von Wissen und Sichtweise der Beteiligten	abhängig von Qualität und Vollständigkeit der Daten
Stärke	Kontextwissen, Ursache-Wirkungs-Verständnis	Mustererkennung in großen Datenmengen
Rolle des Menschen	führt die Analyse	prüft Hypothesen, entscheidet Maßnahmen

Die Tabelle zeigt: Es geht nicht um ein Entweder-oder. Eine Studie zur hybriden Fehleranalyse in der Industrie 4.0 kommt zu dem Ergebnis, dass die Verbindung von expertengestützten und datengetriebenen Ansätzen die Stärken beider nutzt. Ihre 5-Why-Runde wird also nicht abgeschafft, sie bekommt bessere Startpunkte.

So läuft eine KI-gestützte Root-Cause-Analyse ab

Der Ablauf ist in Produktion, IT und Dienstleistung ähnlich. Was sich unterscheidet, sind die Datenquellen.

Signale sammeln: Alle relevanten Daten werden zusammengeführt, zum Beispiel Messwerte, Maschinenzustände, Prüfergebnisse, Logfiles oder Änderungen an Anlagen und Software.
Zeitlich ausrichten: Die Daten erhalten ein einheitliches, zeitstempelbasiertes Format. Erst dann lässt sich sagen, was vor dem Fehler geschah.
Muster erkennen: Modelle suchen nach Auffälligkeiten, Korrelationen und typischen Verläufen vor einem Fehlerereignis.
Hypothesen bilden: Die KI stellt mögliche Ursachenketten auf, etwa „Temperaturanstieg nach Werkzeugwechsel, danach Maßabweichung“.
Menschlich bewerten: Fachleute prüfen, ob die Kette technisch plausibel ist, und bestätigen oder verwerfen sie.
Maßnahme ableiten und dokumentieren: Die bestätigte Ursache wird abgestellt, das Ergebnis fließt als Wissen zurück ins System.

Wie das in der IT aussieht, beschreibt ein Praxisbeitrag zur automatisierten Incident-RCA: Metriken, Logs, Traces und Change-Events werden korreliert, die KI erstellt Ursachenhypothesen und einen strukturierten Bericht. Das Prinzip lässt sich auf die Fertigung übertragen, wo statt Server-Logs Sensordaten und Prüfprotokolle die Rolle der Signale übernehmen.

Welche Daten Sie brauchen

Die häufigste Hürde im Mittelstand ist nicht die KI, sondern die Datenlage. Typische Quellen sind:

Prozess- und Sensordaten: Temperatur, Druck, Drehzahl, Stromaufnahme, Taktzeiten.
Qualitätsdaten: Prüfergebnisse, Ausschussquoten, Reklamationen, Messprotokolle.
Ereignisse und Änderungen: Wartungen, Werkzeugwechsel, neue Chargen, Software-Updates, Schichtwechsel.
Stammdaten: Material, Lieferant, Auftrag, Maschine, Rezeptur.
Freitext: Störmeldungen, Schichtbücher, Servicetickets, die KI-Sprachmodelle heute ebenfalls auswerten können.

Wichtig ist, dass diese Daten zusammengeführt werden können, also gemeinsame Schlüssel wie Zeit, Auftragsnummer oder Maschinen-ID tragen. Fehlen Zeitstempel oder sind Fehlercodes uneinheitlich vergeben, ist das der erste Ansatzpunkt. Wie Sie dabei vorgehen, zeigen unsere Leitfäden zur Datenaufbereitung für KI und zum Thema Datenqualität verbessern.

Wo KI Fehlerursachen im Betrieb findet

KI-gestützte Ursachenanalyse ist kein reines Konzernthema. Die Einsatzfelder reichen weit über die Großserienfertigung hinaus.

Produktion und Qualitätssicherung: Hier ist der Nutzen am greifbarsten. Ausschuss, Nacharbeit und ungeplante Stillstände lassen sich auf Prozessparameter zurückführen. Wie weit die Entwicklung geht, zeigt die Automobilindustrie: Audi, das Fraunhofer IAO und die TU München arbeiten an kausalen KI-Ansätzen für die Fabrik, die nachvollziehen sollen, welche Ursachen zu bestimmten Ergebnissen führen. Der Schritt von reiner Mustererkennung zu echter Ursache-Wirkungs-Modellierung ist auch für Zulieferer relevant. Was davon in mittelständischen Betrieben heute schon trägt, haben wir im Beitrag KI in der Produktion zusammengefasst.

IT und Betrieb: Bei Ausfällen von Servern, Netzwerken oder Fachanwendungen korreliert KI Logs und Änderungen und verkürzt die Suche nach dem auslösenden Ereignis.

Handwerk und Service: Ein Heizungsbauer mit vielen Wartungsverträgen kann Störmeldungen, Gerätetypen und Einsatzberichte auswerten lassen, um wiederkehrende Fehlerbilder früh zu erkennen und Ersatzteile gezielter mitzunehmen. Ideen für solche Anwendungen finden Sie auf unserer Seite zu KI im Handwerk.

Ein Heizungsmonteur überprüft eine Anlage im Technikraum

Verkehrsplanung und Infrastruktur: Wo Staus, Verspätungen oder Störungen an Anlagen auftreten, helfen datengestützte Analysen, Muster nach Tageszeit, Wetter oder Baustellen von Zufällen zu trennen.

Marketing und Vertrieb: Auch ein Einbruch der Conversion-Rate oder steigende Kündigungen sind „Fehler“ mit Ursachen. KI kann Kampagnendaten, Website-Änderungen und Kundenfeedback zusammen betrachten, statt dass jede Abteilung nur ihre eigene Kennzahl sieht.

Ingenieurwesen und Entwicklung: Prüfstandsdaten und Testprotokolle lassen sich auf Zusammenhänge zwischen Konstruktionsänderungen und Ausfällen untersuchen.

Wenn die KI irrt: Fehlschlüsse und Bias erkennen

Ja, KI kann bei der Fehleranalyse falsch liegen. Sie findet Korrelationen, und nicht jede Korrelation ist eine Ursache. Wenn Fehler immer in der Nachtschicht auftreten, kann die Ursache die Schicht sein, aber ebenso die niedrigere Hallentemperatur oder eine Charge, die zufällig nachts verarbeitet wird. Deshalb gehört die menschliche Bewertung fest in den Ablauf.

Eine zweite Fehlerquelle ist Bias. Die Wissenschaftlichen Dienste des Bundestages definieren Bias in KI-Systemen als systematische Fehler, die bestimmten Gruppen Vorteile verschaffen oder für andere nachteilige Ergebnisse erzeugen. Als Quellen nennt das Papier unter anderem unausgewogene Trainingsdaten und fehlerhafte Modellierungsentscheidungen. In der Ursachenanalyse heißt das ganz praktisch:

Unausgewogene Daten: Wenn eine Maschine mehr Sensoren hat als die anderen, „sieht“ die KI dort mehr Auffälligkeiten und hält sie womöglich für die Problemquelle.
Lücken in der Erfassung: Werden Fehler an einem Standort sorgfältiger gemeldet als an einem anderen, wirkt der sorgfältige Standort fehleranfälliger.
Menschenbezogene Merkmale: Taucht eine Schicht, ein Team oder eine Person als „Ursache“ auf, ist besondere Vorsicht geboten. Prüfen Sie, welche Prozessfaktoren dahinterstehen, bevor Sie Schlüsse ziehen, und binden Sie bei personenbezogenen Auswertungen Ihren Betriebsrat und Ihre Datenschutzbeauftragte oder Ihren Datenschutzbeauftragten frühzeitig ein.

Wie ein Unternehmen damit umgeht, zeigt die ING: Dort wird Bias laut einem Interview zu Explainable AI bei der ING durch interne Richtlinien, Vorgaben für das Training und umfangreiche Tests vor dem produktiven Einsatz reduziert. Feedbackschleifen im Monitoring decken Schwachstellen auf und lösen bei Bedarf ein Modell-Update aus. Dieselben Bausteine eignen sich für Ihre Ursachenanalyse:

Gegenprobe mit bekannten Fällen: Lassen Sie die KI Fehler analysieren, deren Ursache Sie bereits kennen. Findet sie diese?
Erklärbarkeit verlangen: Ein Ergebnis muss zeigen, welche Variablen es stützen. Eine Ursache ohne nachvollziehbare Begründung wird nicht umgesetzt.
Fachliche Plausibilität prüfen: Passt die Ursachenkette zur Physik, zum Prozess, zur Erfahrung der Werkstatt?
Rückmeldung erfassen: Jede bestätigte oder verworfene Hypothese wird dokumentiert und verbessert das Modell.
Datenqualität überwachen: Neue Sensoren, geänderte Fehlercodes oder Lücken in der Erfassung verändern die Ergebnisse. Prüfen Sie sie regelmäßig.

Von der Erkenntnis zur Maßnahme

Eine gefundene Ursache ist erst dann etwas wert, wenn sie den Fehler dauerhaft abstellt. Viele Projekte scheitern nicht an der Analyse, sondern an der Übergabe. Bewährt haben sich in unserer Praxis diese Schritte:

An bestehende Qualitätsabläufe andocken: Wenn Sie mit 8D-Reports, Maßnahmenplänen oder einem Reklamationsprozess arbeiten, wird die KI-Analyse ein fester Schritt darin, etwa in der Phase der Ursachenermittlung. So entsteht kein Parallelprozess.
Klare Verantwortung festlegen: Wer bewertet die Hypothesen der KI? Wer entscheidet über Maßnahmen? Wer prüft die Wirksamkeit? Diese Rollen gehören vor dem Start geklärt.
Ergebnisse dorthin bringen, wo gearbeitet wird: Ursachen und Maßnahmen landen als Aufgabe im ERP-, Wartungs- oder Ticketsystem, nicht in einer separaten Auswertung, die niemand öffnet.
Wirksamkeit messen: Nach der Maßnahme zeigt dieselbe Datenbasis, ob der Fehler tatsächlich seltener auftritt.
Wissen sichern: Bestätigte Ursachen, Maßnahmen und Gegenproben werden so abgelegt, dass Kolleginnen und Kollegen bei ähnlichen Fällen darauf zugreifen können. Wie KI diesen Wissenstransfer unterstützt, lesen Sie im Beitrag zum Wissensmanagement mit KI.

Der Einstieg muss nicht groß sein. Wählen Sie einen Fehler, der häufig auftritt, teuer ist und zu dem bereits Daten vorliegen. Wer vorher seine Abläufe strukturiert betrachtet, findet diesen Startpunkt schneller; eine Anleitung dazu bietet unsere Prozessanalyse für KMU.

Ein angenommenes Beispiel macht den Ablauf greifbar: Ein Metallbaubetrieb mit 60 Beschäftigten stellt fest, dass Schweißnähte an einer Baugruppe immer wieder bei der Endprüfung durchfallen. Statt erneut im Team zu raten, werden Prüfergebnisse, Drahtchargen, Schutzgasverbrauch und Wartungsdaten der Anlage zusammengeführt. Die KI zeigt, dass die Ausfälle gehäuft nach dem Wechsel auf einen bestimmten Drahtlieferanten auftreten. Das Team prüft die Hypothese mit einer Stichprobe, bestätigt sie, passt die Wareneingangsprüfung an und hält die Erkenntnis im Maßnahmenplan fest. Drei Monate später zeigt dieselbe Auswertung, ob die Fehlerquote tatsächlich gesunken ist.

Unsere Sicht: Ursachenanalyse ist Teamarbeit mit KI

In vielen mittelständischen Betrieben, die wir begleiten, liegen die Antworten auf wiederkehrende Fehler längst in den Daten. Sie stecken in Schichtbüchern, Maschinensteuerungen und Reklamationslisten, verteilt über Abteilungen, die selten gemeinsam darauf schauen. KI kann diese Daten zusammenbringen. Das eigentliche Projekt ist aber, die Menschen zusammenzubringen, die die Ergebnisse bewerten und umsetzen.

Deshalb starten wir nie mit einem Tool, sondern mit dem Prozess: Welcher Fehler kostet Sie am meisten? Welche Daten gibt es dazu? Wer im Team weiß, was die Zahlen bedeuten? Aus diesen Antworten entwickeln wir einen Fahrplan, der zu Ihrer Betriebsgröße und Branche passt und schnell einen messbaren Nutzen zeigen soll.

Wichtig ist uns auch der Datenschutz. Wenn Auswertungen Schichten oder Personen berühren, gehören klare Regeln und Transparenz von Anfang an dazu. Unsere Erfahrung als zertifizierte INQA-Coaches hilft dabei, Belegschaft und Führung gemeinsam mitzunehmen, damit KI als Unterstützung verstanden wird und nicht als Kontrolle.

Shaun

So unterstützen wir Sie beim Einstieg

Sie möchten wissen, welche Fehler in Ihrem Betrieb sich mit KI schneller aufklären lassen und was das bringt? Bei menter.digital analysieren wir mit Ihnen Ihre Geschäftsprozesse, prüfen die vorhandene Datenbasis und entwickeln einen individuellen KI-Fahrplan. Auf Wunsch suchen wir passende Förderprogramme und unterstützen Sie beim Antrag.

Menter

Für Teams, die selbst mit KI arbeiten sollen, bieten wir branchenspezifische Workshops und Mitarbeitertrainings an. Einen kompakten Einstieg mit Fokus auf den Return on Investment bietet unser KI-ROI-Tag. Wir betreuen Unternehmen deutschlandweit, mit Standorten im Saarland und in Bayern. Sprechen Sie uns an und vereinbaren Sie einen Termin.

Häufige Fragen

Was ist eine RCA-Analyse?

RCA steht für Root Cause Analysis, auf Deutsch Fehlerursachenanalyse. Sie sucht nicht nur das Symptom, sondern die eigentliche Ursache eines Problems, damit es nicht wieder auftritt. Klassische Werkzeuge sind 5-Why, Ishikawa-Diagramm und FMEA, KI ergänzt sie um die automatische Auswertung großer Datenmengen.

Kann KI bei der Fehleranalyse Fehler machen?

Ja. KI erkennt Zusammenhänge in Daten, und nicht jeder Zusammenhang ist eine Ursache. Unvollständige oder unausgewogene Daten können Ergebnisse verzerren. Deshalb prüfen Fachleute jede Hypothese, und Tests mit bekannten Fällen sowie laufendes Monitoring sichern die Qualität.

Welche KI eignet sich am besten für Analysen?

Das hängt von Ihren Daten und Ihrem Fehlerbild ab. Für Sensordaten und Zeitreihen eignen sich Verfahren des maschinellen Lernens, für Störmeldungen und Tickets in Textform Sprachmodelle. Entscheidender als das einzelne Werkzeug sind saubere Daten und ein klarer Prozess, in dem die Ergebnisse geprüft und umgesetzt werden.

Lohnt sich KI-Ursachenanalyse auch für kleine Betriebe?

Ja, wenn Sie mit einem konkreten, wiederkehrenden Fehler beginnen, zu dem bereits Daten vorliegen. Viele Betriebe starten mit einem überschaubaren Pilotprojekt und bauen erst aus, wenn der Nutzen sichtbar ist. Eine strukturierte Prozessanalyse vorab zeigt, wo sich der Einstieg am meisten lohnt.

Quellen

Empfehlungen

KI-Business-Case: So rechnen KMU den Nutzen ehrlich durch