Definition
Produktionsumgebung, in der Maschinen, Werkstücke und Logistiksysteme durch IIoT, Cloud und KI eigenständig kommunizieren und sich selbst optimieren. Charakteristika: vollvernetzte Wertströme, adaptive Produktionssteuerung, Echtzeit-Qualitätsregelung, autonome Logistik. Qualitätsmanagement im Smart-Factory-Kontext: kontinuierliche Datenströme erlauben adaptive SPC, sofortige Reaktion auf Prozessabweichungen — aber auch neue Risiken bei Datenintegrität und KI-Entscheidungen.
In der Praxis
In der Smart Factory ändert sich die Rolle der Qualitätssicherung fundamental: Stichproben werden zu Datenströmen, und die Prüfung nach der Fertigung wandert in den Prozess. Das ist die Chance — und die Falle. Erstes Fehlerbild: die Blackbox-Freigabe. Ein KI-Modell sortiert Gut und Schlecht, aber niemand kann erklären, nach welchen Kriterien — im Reklamationsfall und im Audit ist das nicht haltbar; automatisierte Qualitätsentscheidungen brauchen dokumentierte Freigabekriterien und einen Eingriffsprozess. Zweites Fehlerbild: Datenintegrität. Wenn Sensorwerte manipuliert oder falsch zugeordnet werden, regelt die adaptive SPC den falschen Prozess — Integrität, Zeitstempel und Rückverfolgbarkeit der Daten sind Qualitätsmerkmale, keine IT-Details. Drittes Fehlerbild: Die Prüfmittelfähigkeit wird auf Software vergessen. Auch Bildverarbeitung und Sensorsysteme brauchen den Nachweis, dass sie das Merkmal überhaupt auflösen können — die MSA-Logik endet nicht an der Kamera. Und planen Sie die Kompetenz mit: Wer früher die Regelkarte gelesen hat, muss heute Alarme interpretieren und Modellgrenzen kennen.
Verwandte Begriffe
Häufige Fragen zu Smart Factory
Wo liegt der Unterschied zwischen Smart Factory und Digital Twin?
Die Smart Factory ist die reale, vollvernetzte Produktionsumgebung — Maschinen, Werkstücke und Logistik kommunizieren und optimieren sich selbst. Der Digital Twin ist dagegen das digitale Abbild eines einzelnen Objekts oder Prozesses, das mit dem Original Daten austauscht und Simulationen ermöglicht. Die Beziehung: Der Digital Twin ist ein Werkzeug innerhalb der Smart Factory — etwa für die virtuelle Inbetriebnahme einer neuen Linie oder die vorausschauende Wartung einer Anlage. Eine Smart Factory kann mehrere Twins enthalten, braucht sie aber nicht zwingend; umgekehrt existiert ein Twin auch ohne Smart Factory. Für das Qualitätsmanagement unterscheiden sich die Prüffragen: Beim Twin geht es um Modellgültigkeit und Validierung, bei der Smart Factory um Datenintegrität, Freigabeprozesse und die Beherrschung automatisierter Entscheidungen.
Unterliegt KI-gestützte Qualitätsentscheidung in der Produktion dem EU AI Act?
In der Regel nicht als Hochrisiko-System — die meisten KI-Anwendungen in der Produktion, etwa optische Sortierung oder Prozessoptimierung, fallen in keine Hochrisiko-Kategorie des Anhangs III. Anders sieht es aus, wenn die KI Sicherheitsbauteile von Produkten steuert, die selbst unter Harmonisierungsrecht fallen — dann kann sie über diesen Weg hineinwachsen. Unabhängig von der Einstufung lohnt der Blick in die Verordnung: Artikel 15 formuliert für Hochrisiko-Systeme Anforderungen an Genauigkeit, Robustheit und Cybersicherheit, die als guter fachlicher Maßstab auch für freiwillige Anwendungen taugen. Prüfen Sie zusätzlich die Transparenzpflichten, falls Menschen mit KI-Ergebnissen arbeiten. Und dokumentieren Sie Ihre Einstufungsentscheidung — die Frage „warum ist unsere KI kein Hochrisiko-System" wird kommen (Verordnung (EU) 2024/1689, Art. 15).
Wie machen wir automatisierte Qualitätsentscheidungen in der Smart Factory auditfest?
Definieren Sie für jede automatisierte Entscheidung drei Dinge schriftlich: das Freigabekriterium, die Modellgrenzen und den Eingriffsprozess. Das Kriterium beschreibt, wann Gut und Schlecht gelten — in messbaren Größen, nicht im Verweis auf „die KI". Die Modellgrenzen dokumentieren, unter welchen Bedingungen das System nicht validiert ist: neue Varianten, geänderte Materialien, verschobene Beleuchtung bei Bildverarbeitung. Der Eingriffsprozess regelt, wer bei Abweichungen eingreifen darf und wie die manuelle Übersteuerung dokumentiert wird. Validieren Sie die Entscheidungsqualität initial und nach jeder Modelländerung — analog zur Prozessvalidierung, mit dokumentiertem Abgleich gegen Referenzprüfungen. Führen Sie Änderungen am Modell über Ihr Änderungsmanagement. Und schulen Sie die Bediener: Wer Alarme quittiert, muss wissen, was das System kann — und was nicht.