Warum bessere KI Erfahrung wertvoller machen könnte – statt weniger wertvoll
Viele Jahre lang gingen wir davon aus, dass bessere Technologie unsere Abhängigkeit von erfahrenen Ingenieuren schrittweise verringern würde.
Wenn ein System Fehler schneller erkennen, mehr Daten analysieren, Tausende frühere Probleme durchsuchen und innerhalb von Sekunden Maßnahmen empfehlen könnte, müsste Erfahrung doch sicherlich weniger wichtig werden.
KI bringt uns dieser Möglichkeit nun näher.
Doch möglicherweise geschieht etwas Interessantes.
Je leichter sich Antworten erzeugen lassen, desto wertvoller kann die Fähigkeit werden, diese Antworten zu beurteilen.
Der künftige Vorteil eines Ingenieurs liegt möglicherweise nicht darin, mehr Antworten zu kennen.
Dies kann aus dem Wissen entstehen, wenn eine Antwort nicht plausibel ist.
1. Die Antwort wird zum einfachen Teil
Betrachten Sie ein typisches Qualitätsproblem.
Bei der Endprüfung wird ein Fehler festgestellt.
Heute kann ein Ingenieur KI nutzen, um verfügbare Daten zu ordnen, Zusammenhänge zu erkennen, frühere Fehler zu untersuchen, mögliche Ursachen vorzuschlagen, ein Ishikawa-Diagramm zu entwerfen, Untersuchungsfragen vorzubereiten und sogar eine erste Fassung eines 8D-Berichts zu erstellen.
Aufgaben, die früher mehrere Stunden in Anspruch nahmen, lassen sich zunehmend beschleunigen.
Dies geht bereits über die Experimentierphase hinaus. Bosch setzt KI in Fertigung und Entwicklung ein, unter anderem für Produktionsanalysen, Bilderkennung und Fertigungsoptimierung. Ford hat ebenfalls den Einsatz KI-gestützter Bildverarbeitung in der Produktion beschrieben, um Fertigungsanomalien zu erkennen.
Das ist ein guter Fortschritt.
Dadurch entsteht jedoch eine neue Frage.
Wenn jeder eine technisch beeindruckende Analyse erstellen kann, was unterscheidet dann einen hervorragenden Ingenieur von einem durchschnittlichen?
Vielleicht nicht die Analyse selbst.
Vielleicht das darauf angewandte Urteilsvermögen.
2. Stellen Sie sich vor, die KI liegt vollkommen richtig
Stellen Sie sich eine Montagelinie vor, an der ein KI-basiertes Qualitätssystem eine starke Korrelation erkennt.
Die meisten Fehler traten in einer bestimmten Schicht auf.
Die Daten sind korrekt.
Die Analyse ist korrekt.
Die Empfehlung erscheint logisch:
Untersuchen Sie die Bediener dieser Schicht.
Ein weniger erfahrener Ingenieur könnte sofort beginnen, Schulungen, die Einhaltung von Arbeitsanweisungen oder die Disziplin der Bediener zu untersuchen.
Ein erfahrener Ingenieur stellt möglicherweise eine andere Frage.
Was hat sich vor Beginn dieser Schicht geändert?
Gab es einen Werkzeugwechsel?
Wurde Material nachgefüllt?
Wurde die Instandhaltung durchgeführt?
Hat sich die Temperatur verändert?
Wurde die erste Charge nach einem Wiederanlauf einbezogen?
Hat sich ein anderer vorgelagerter Prozess geändert?
Die KI hat möglicherweise korrekt erkannt wo das Muster auftritt.
Technisches Urteilsvermögen fragt:
Warum besteht dieses Muster?
Dies sind zwei sehr unterschiedliche Fragen.
3. Korrekte Daten können dennoch zur falschen Entscheidung führen
An diesem Punkt muss sich die Diskussion über KI in der Qualität meiner Ansicht nach weiterentwickeln.
Das größte Risiko besteht möglicherweise nicht darin, dass KI offensichtlich falsche Antworten liefert.
Diese lassen sich vergleichsweise leichter hinterfragen.
Schwieriger wird es, wenn KI uns eine Antwort gibt, die:
logisch,
gut strukturiert,
durch Daten gestützt,
professionell dargestellt,
und dennoch unvollständig.
Qualitätsfachleute kennen dieses Problem bereits.
Ein Pareto-Diagramm kann korrekt sein und unsere Aufmerksamkeit dennoch in die falsche Richtung lenken.
Eine Fähigkeitsuntersuchung kann mathematisch korrekt sein, obwohl das zugrunde liegende Messsystem schwach ist.
Ein 8D-Bericht kann jeden geforderten Abschnitt enthalten und dennoch die tatsächliche Ursache nicht identifizieren.
Eine FMEA kann vorbildlich ausgefüllt sein und dennoch den Fehler übersehen, der schließlich den Kunden erreicht.
Werkzeuge machen Urteilsvermögen nicht überflüssig. Bessere Werkzeuge können den Bedarf daran sogar erhöhen.
Mit dem zunehmenden Einsatz industrieller KI im Betrieb gewinnt diese Unterscheidung an Bedeutung. Die Arbeit des World Economic Forum zur intelligenten Fertigung aus dem Jahr 2026 beschreibt die Entwicklung der KI von isolierten Anwendungen zu einer betrieblichen Fähigkeit und betont zugleich neu gestaltete Rollen, neue Kompetenzen und die Zusammenarbeit zwischen Mensch und Maschine.
Die Technologie entwickelt sich weiter.
Die Rolle des Menschen verschwindet nicht.
Es verändert sich.
4. Was genau ist technisches Urteilsvermögen?
Ingenieurmäßiges Urteilsvermögen wird manchmal mit Erfahrung verwechselt.
Sie hängen zusammen, sind aber nicht dasselbe.
Zwanzig Jahre Branchenerfahrung führen nicht automatisch zu gutem Urteilsvermögen.
Gutes Urteilsvermögen entsteht, wenn Erfahrung immer wieder in Lernen umgewandelt wird.
Es ist die Fähigkeit zu erkennen, dass zwei ähnlich aussehende Situationen tatsächlich unterschiedlich sein können.
Es bedeutet zu wissen, welche Annahme hinterfragt werden sollte.
Es bedeutet, ein schwaches Signal zu erkennen, bevor daraus ein offensichtlicher Trend wird.
Es bedeutet zu verstehen, dass Korrelation nicht notwendigerweise Kausalität ist.
Es bedeutet zu fragen, was sich geändert hat, selbst wenn die Prozessdokumentation besagt, dass sich nichts geändert hat.
Es bedeutet zu erkennen, wann eine Messung hinterfragt werden muss, bevor der Prozess angepasst wird.
Und manchmal bedeutet es einfach, das Selbstvertrauen zu haben, Folgendes zu sagen:
„Die Daten sagen uns das. Aber irgendetwas ergibt hier keinen Sinn.“
Dieser Satz könnte in einer KI-gestützten Organisation zunehmend wertvoll werden.
5. Erfahrung bietet einen Vorteil, der leicht unterschätzt wird
Erfahrene Ingenieure verfügen über etwas, das nur selten vollständig in einer Datenbank zu finden ist.
Kontext.
Sie erinnern sich an das Lieferantenproblem vor drei Jahren, das scheinbar nicht zusammenhing, sich aber genau gleich verhielt.
Sie erinnern sich daran, dass sich eine Maschine unmittelbar nach einer Instandhaltung anders verhält.
Sie wissen, dass zwei Maße einzeln innerhalb der Spezifikation liegen können, ihr Zusammenwirken aber dennoch ein Montageproblem verursacht.
Sie erkennen, wann die informelle Umgehungslösung eines Bedieners tatsächlich eine Schwäche im Prozess ausgleicht.
Sie bemerken das Geräusch, die Abfolge, die Verzögerung, die Bewegung oder das Verhalten, das nie in den Datensatz aufgenommen wurde.
Dies sollte nicht zu einem Argument gegen KI werden.
Ganz im Gegenteil.
Stellen Sie sich vor, diese Erfahrung mit einem KI-System zu verbinden, das Tausende Datensätze in Sekunden analysieren kann.
Genau dort entfaltet sich die Wirkung.
Nicht:
Mensch gegen KI.
Aber:
KI findet in den Daten, was Menschen möglicherweise übersehen.
Menschen hinterfragen, was KI im jeweiligen Kontext übersehen könnte.
Auch die NIST-Leitlinien zum KI-Risikomanagement betrachten menschliche Aufsicht, festgelegte Verantwortlichkeiten und das Zusammenspiel von Mensch und KI als wichtige Elemente beim Management von KI-Systemen.
6. Dadurch verändert sich die Karrierefrage für junge Ingenieure
Diese Diskussion hat noch eine andere Seite.
Als junger Ingenieur sind Sie möglicherweise versucht zu fragen:
Was sollte ich lernen, damit KI mich nicht ersetzen kann?
Ich halte das möglicherweise für die falsche Frage.
Allein das Erlernen weiterer Softwarewerkzeuge wird das Problem nicht lösen.
Weitere Zertifikate zu sammeln, löst das Problem nicht.
Das Auswendiglernen von Normen löst dieses Problem nicht.
Selbst sehr gute Fähigkeiten in der Berichtserstellung bieten möglicherweise nicht mehr den Vorteil, den sie früher boten.
Die aussagekräftigere Frage lautet:
Welche Fähigkeit wird wertvoller, wenn Informationen im Überfluss vorhanden sind?
Ich würde mehrere Fähigkeiten ganz oben einordnen.
Problemabgrenzung.
Diagnose.
Systemdenken.
Schnittstellen verstehen.
Risikoorientiertes Denken.
Bessere Fragen stellen.
Informationen funktionsübergreifend verknüpfen.
Annahmen respektvoll hinterfragen.
Entscheidungen treffen, wenn die verfügbaren Informationen unvollständig sind.
Diese Fähigkeiten lassen sich nur schwer allein durch Lesen aufbauen.
Sie entstehen, wenn Ingenieure Zeit mit Produkten, Prozessen, Fehlern, Kunden, Bedienern, Lieferanten und realen Problemen verbringen.
Junge Ingenieure sollten daher auf jeden Fall den Umgang mit KI erlernen.
Sie sollten jedoch auch gezielt etwas sammeln, das KI ihnen nicht sofort geben kann:
Engineering-Erfahrung.
7. Auch Führungskräfte müssen Urteilsvermögen schützen
Auch für Organisationen besteht ein Risiko.
Wenn KI Analysen beschleunigt, erwartet das Management möglicherweise, dass Entscheidungen ebenso schnell getroffen werden.
Eine schnellere Analyse sollte jedoch nicht automatisch zu einem schnelleren Urteil führen.
Ein System kann innerhalb von Sekunden eine Hypothese zur Grundursache erzeugen.
Das bedeutet noch nicht, dass die Grundursache nachgewiesen wurde.
Sie kann eine FMEA erstellen.
Das bedeutet nicht, dass das Team die Fehlermechanismen verstanden hat.
Sie kann ein ungewöhnliches Muster erkennen.
Das bedeutet nicht, dass die Organisation seine Bedeutung versteht.
Sie kann eine Korrekturmaßnahme empfehlen.
Das bedeutet nicht, dass die Maßnahme die Ursache beseitigt.
Die Rolle der Führung wird daher wichtig.
Belohnen wir Menschen dafür, schnell Antworten zu liefern?
Oder belohnen wir auch den Ingenieur, der die Diskussion unterbricht und fragt:
„Welche Nachweise haben wir dafür, dass dies tatsächlich die Ursache ist?“
Fords jüngste Beschreibung seiner Qualitätsverbesserungsarbeit liefert ein interessantes Signal. Neben KI-Bildverarbeitungssystemen zur Erkennung von Anomalien betonte das Unternehmen, dass Führungskräfte mehr Zeit in der Fertigung verbringen, mit Bedienern zusammenarbeiten und von ihnen lernen.
Technologie und Nähe zum Prozess sind keine Gegensätze.
Sie können einander benötigen.
8. Die Qualitätsfachkraft der Zukunft
Vielleicht wird die Qualitätsfachkraft der Zukunft weniger Zeit mit dem Sammeln von Daten verbringen.
Weniger Zeit für die Erstellung von Diagrammen.
Weniger Zeit für die Formatierung von Berichten.
Weniger Zeit für die Suche in Normen.
Weniger Zeit für die erste Fassung einer Analyse.
KI kann all diese Tätigkeiten zunehmend unterstützen.
Das ist zu begrüßen.
Denn dadurch können wir mehr Zeit für die wirklich wichtigen Aufgaben aufwenden.
Verständnis.
Hinterfragen.
Verknüpfen.
Verifizieren.
Hinterfragen.
Entscheiden.
Und die Verantwortung für die Entscheidung zu übernehmen.
Das Qualitätswesen hat sich schon mehrfach weiterentwickelt.
Wir sind von der Prüfung zur Vermeidung übergegangen.
Von der Produktqualität zur Prozessqualität.
Von der Korrektur zum risikobasierten Denken.
KI könnte den nächsten Wandel auslösen.
Von der Erstellung von Analysen zur Beurteilung von Analysen.
Vielleicht ist genau das das Paradox des KI-Zeitalters:
Je besser unsere Maschinen darin werden, uns Antworten zu geben, desto wertvoller könnten Menschen darin werden, diese zu hinterfragen.
Die Zukunft gehört möglicherweise nicht dem Ingenieur, der am meisten weiß.
Sie könnte dem Ingenieur gehören, der weiß was zu hinterfragen und zu überprüfen ist und wann eine einfache Antwort nicht akzeptiert werden sollte.
Das ist ingenieurmäßiges Urteilsvermögen.
Und ich bin überzeugt, dass wir wesentlich mehr davon brauchen werden.
Eine Frage an die Quality Shift-Community:
Während KI in Entwicklungs- und Qualitätsentscheidungen Einzug hält, welche menschliche Fähigkeit wird Ihrer Meinung nach künftig eher wertvoller als weniger wertvoll?
Redaktioneller Hinweis: Für die sprachliche Überarbeitung der Inhalte und die Erstellung originärer konzeptioneller Grafiken dieser Ausgabe von Quality Shift wurde KI-Unterstützung eingesetzt.