FMEA mit KI: Von 120 auf 40 Stunden pro Analyse

Pexon Consulting | 9 Min. Lesezeit | 13.05.2026

TL;DR

FMEA mit KI heißt: Bestehende FMEA-Dokumente, Reklamationsdaten und Konstruktionsunterlagen werden per RAG-System indiziert, ein Sprachmodell schlägt Fehlerarten, Ursachen und Maßnahmen passend zum neuen Bauteil vor. Der Moderator entscheidet, das Modell tippt. Pexon Consulting baut diese Lösungen auf Azure oder On-Premises — AIAG-VDA-konform, mit Anbindung an APIS IQ, PLATO SCIO oder Polarion. Unsere Kunden reduzieren den Aufwand pro Prozess-FMEA von 80 bis 200 Stunden auf 30 bis 60.

Wo die Zeit wirklich verloren geht

Eine vollständige Prozess-FMEA für eine neue Fertigungslinie kostet einen mittelständischen Automotive-Zulieferer typischerweise zwischen 80 und 200 Engineering-Stunden. Bei einem Stundensatz von 110 EUR sind das 8.800 bis 22.000 EUR — pro FMEA. Wer 30 bis 60 FMEAs im Jahr fährt, verbrennt ein halbes Engineering-FTE im Moderationsaufwand.

Das Geld geht nicht in der Sitzung verloren. Es geht davor verloren. Der Moderator sammelt vorhandene FMEAs ähnlicher Bauteile, sucht in Reklamationsdatenbanken nach bekannten Fehlerbildern, gleicht 8D-Reports gegen die Funktionsstruktur ab, baut die Excel- oder APIS-Vorlage auf. Zwei bis drei Tage vor jeder Sitzung gehen für diese Vorbereitung drauf. Und das ist die fleißige Variante — in der Praxis startet das Team oft mit einem leeren Formblatt, weil niemand Zeit für die Recherche hatte.

Das zweite Leck ist die Sitzung selbst. Fünf Personen aus Konstruktion, Fertigung, Qualität, Versuch und Lieferant sitzen vier bis acht Stunden zusammen und kämpfen sich Zeile für Zeile durch die Funktionsstruktur. Jede Zeile braucht eine Fehlerart, eine Folge, eine Ursache, drei Bewertungen, eine Maßnahme. Mit fünf Köpfen mal acht Stunden sind das 40 Personenstunden pro Sitzung — bei drei Sitzungen pro FMEA also schnell 120 Stunden allein für die Workshops.

Und der dritte Pain Point: Wiederverwendung scheitert. Die DGQ schätzt, dass 60 bis 80 Prozent der Fehlerarten in einer neuen FMEA bereits in einer alten dokumentiert sind. Trotzdem wird selten kopiert. Weil niemand weiß, wo die passende alte FMEA liegt. Weil APIS IQ und Excel nebeneinander existieren. Weil die Suche über Stichworte nicht funktioniert, wenn der Vorgänger „Verschmutzung Gehäusedichtung“ geschrieben hat und du nach „Dichtigkeitsverlust Gehäuse“ suchst.

Warum die etablierten FMEA-Tools das Problem nicht lösen

APIS IQ-FMEA ist der Marktführer in DACH. PLATO SCIO, Siemens Polarion und IQS sind die nächsten. Alle vier sind solide Dokumentations-Werkzeuge. Sie strukturieren die 7-Schritte-Methode nach AIAG-VDA-Handbuch 2019 sauber ab, sie generieren AP-Bewertungen, sie binden an PLM-Systeme an.

Was sie nicht tun: Sie schlagen nichts vor. Sie sind reine Eingabemasken. Der Moderator muss jede Fehlerart selbst tippen, jede Ursache selbst formulieren, jede Maßnahme selbst recherchieren. APIS IQ hat Templates und Bibliotheken, aber die muss jemand pflegen — und in der Praxis sind diese Bibliotheken in 80 Prozent der Unternehmen unvollständig oder veraltet.

Das ist die Lücke, in die KI passt. Nicht als Ersatz für APIS IQ, sondern als Vorschlagsmaschine, die vor und während der Sitzung dem Moderator zuarbeitet.

Wie eine KI-gestützte FMEA-Pipeline konkret arbeitet

Wir bauen die Lösung in drei Schichten auf.

Schicht 1 — Document Intelligence: Alle vorhandenen FMEAs (APIS-Export, Excel, PDF), 8D-Reports, Reklamationsdaten aus dem CAQ-System, Prüfprotokolle und Konstruktionsstücklisten werden eingelesen. Bei Excel und APIS ist das strukturierte Extraktion über die XML-Exporte. Bei gescannten alten FMEAs läuft Azure AI Document Intelligence oder ein Vision-Language-Modell drüber, um Tabellenstruktur und Bewertungszahlen wiederzugewinnen. Wir sehen in der Praxis Trefferquoten von 92 bis 97 Prozent bei der Strukturerkennung — der Rest ist manuelle Nachbearbeitung beim Erstaufbau.

Schicht 2 — Vektor-Index plus Funktionsbaum: Die extrahierten Fehlerarten, Ursachen und Maßnahmen werden semantisch indiziert. Heißt: Eine Suche nach „Dichtigkeitsverlust“ findet auch „Leckage“, „Undichtigkeit“, „Verlust der Dichtwirkung“ und „Verschmutzung Dichtfläche“ — egal wie der Kollege vor sieben Jahren formuliert hat. Zusätzlich legen wir eine Funktionsbaum-Struktur darüber, damit das Modell bei „Bauteil X soll Funktion Y erfüllen“ gezielt die Fehlerarten ähnlicher Funktionen zieht.

Schicht 3 — Vorschlags-Layer: Der Moderator gibt das neue Bauteil und seine Funktionsstruktur ins System. Ein Sprachmodell — Azure OpenAI GPT-4o, Claude Sonnet oder ein selbst betriebenes Llama 3.3 — schlägt für jede Funktion drei bis fünf Fehlerarten vor, jeweils mit Begründung und Referenz auf die FMEA, aus der der Vorschlag stammt. Der Moderator akzeptiert, verwirft oder editiert. Die akzeptierten Zeilen werden direkt nach APIS IQ oder Polarion zurückgeschrieben.

# Beispiel: Vorschlags-API-Call aus dem FMEA-Frontend
response = fmea_assistant.suggest_failure_modes(
    function="Gehäuse muss Schutz IP67 sicherstellen",
    component_type="Sensorgehäuse",
    similar_fmea_ids=["FMEA-2023-0142", "FMEA-2024-0089"],
    return_references=True
)
# Liefert: 5 Vorschläge mit B/A/E-Begründung und Quell-FMEA-ID

Wichtig: Das Modell entscheidet nichts. Es schlägt vor. Die AP-Bewertung nach AIAG-VDA bleibt beim interdisziplinären Team. Aber statt drei Tage Vorbereitung hat der Moderator vier Stunden — und statt mit einem leeren Formblatt startet das Team mit 60 bis 80 Prozent vorbefüllten Zeilen, die nur noch zu validieren sind.

Was das in einem mittelständischen Fertigungsunternehmen bedeutet

Ein typischer Automotive-Tier-2-Zulieferer mit 800 Mitarbeitern fährt 40 bis 60 Prozess-FMEAs pro Jahr, dazu 20 bis 30 Konstruktions-FMEAs. In Summe 70 bis 90 FMEAs jährlich. Bei einem Durchschnittsaufwand von 120 Stunden pro FMEA sind das 8.400 bis 10.800 Personenstunden — also vier bis fünf FTE allein für FMEA-Moderation und -Pflege.

Mit der KI-Pipeline sehen wir Reduktionen auf 30 bis 60 Stunden pro FMEA. Bei 80 FMEAs im Jahr und einer Ersparnis von 70 Stunden pro Stück sind das 5.600 eingesparte Stunden — also rund 2,8 FTE oder etwa 280.000 bis 350.000 EUR Personalkosten pro Jahr.

Aber das ist die kleinere Zahl. Die größere ist: Konsistenz. AIAG-VDA fordert eine systematische, nachvollziehbare AP-Bewertung. In der Praxis bewerten zwei Moderatoren denselben Fehler oft mit B=6/A=4/E=5 versus B=8/A=3/E=4 — beides plausibel begründbar, aber unterschiedliche AP-Stufen. Wenn das Sprachmodell auf Basis vergangener Bewertungen Vorschläge macht, verschiebt sich die Bandbreite. Wir messen bei Bestandskunden eine Reduktion der Bewertungs-Streuung um 40 bis 55 Prozent.

Das ist nicht nur Kosmetik. Wer AP-Bewertungen konsistent vergibt, identifiziert die wirklich kritischen Pfade schneller. Und das ist der eigentliche Zweck einer FMEA: nicht das Formblatt füllen, sondern die richtigen Maßnahmen vor Serieneinsatz ergreifen.

Compliance: AIAG-VDA, IATF 16949, DIN EN 60812

Das ist der Punkt, an dem viele KI-Diskussionen im Automotive-Umfeld kippen. Ein OEM oder ein zertifizierter Tier-1 fragt im Audit: „Wie habt ihr diese FMEA erstellt? Welche Quellen habt ihr verwendet? Welches Modell hat welche Bewertung vorgeschlagen?“

Unsere Implementierung loggt jede Vorschlags-Akzeptanz mit Zeitstempel, Modell-Version, Quell-FMEA und Moderator-ID. Das ergibt ein vollständiges Audit-Log, das im IATF-16949-Audit als Nachweis dient. Das Modell selbst läuft entweder auf Azure OpenAI in einer EU-Region mit dem Pexon-Standardvertrag oder On-Premises auf einer GPU-Box — bei Wehrtechnik-Kunden und einigen OEM-Lieferanten ist Letzteres Pflicht.

Wichtig zu verstehen: Das Modell trifft keine sicherheitsrelevante Entscheidung. Es schlägt vor. Die Maßnahme, der Maßnahmenstand, die abschließende AP-Bewertung — das bleibt beim Team. Damit fällt die Lösung nicht unter EU AI Act Hochrisiko-Klassifikation. Wir prüfen das bei jedem Kunden explizit mit, weil die Einordnung je nach Einsatzfeld (zivile Fahrzeuge versus Medizintechnik versus Wehr) variiert.

Worauf Sie bei der Auswahl achten sollten

Wenn Sie sich Anbieter ansehen, prüfen Sie diese fünf Punkte. Die Hälfte der Anbieter im Markt fällt schon bei Punkt eins durch.

1. Anbindung an Ihre bestehenden FMEA-Tools. Wenn die Lösung nicht in APIS IQ, PLATO SCIO oder Polarion zurückschreiben kann, ist sie für die meisten Mittelständler unbrauchbar. Eigene UI heißt Doppelarbeit.
2. Self-Hosted-Option. Wer FMEAs in der Cloud eines US-Anbieters pflegt, bekommt im OEM-Audit ein Problem. Die Lösung muss On-Premises oder in einer dedizierten EU-Cloud betreibbar sein.
3. Audit-Logging granular bis zur Zelle. Pauschale Logs reichen nicht. IATF 16949 fordert Nachvollziehbarkeit auf Maßnahmen-Ebene.
4. Keine Halluzinationen ohne Quelle. Jeder Vorschlag muss auf eine konkrete vorhandene FMEA, einen 8D-Report oder eine dokumentierte Norm referenzieren. Modelle, die „kreativ“ frei generieren, sind im Automotive-Kontext disqualifiziert.
5. Pilot in 6 bis 8 Wochen. Wenn der Anbieter Ihnen ein 18-Monats-Programm verkaufen will, lehnen Sie ab. Das Thema ist in einem Pilot mit zwei realen FMEAs in sechs Wochen demonstrierbar.

Häufig gestellte Fragen

Was kostet ein FMEA-KI-Pilot bei Pexon?

Der Standard-Pilot liegt zwischen 75.000 und 120.000 EUR und dauert 6 bis 8 Wochen. Enthalten sind: Setup der Document-Intelligence-Pipeline, Indizierung von 200 bis 500 vorhandenen FMEAs, Anbindung an Ihr FMEA-Tool (APIS IQ, PLATO, Polarion), zwei reale FMEAs als Referenzfälle, Schulung von zwei Moderatoren. Die laufenden Betriebskosten danach hängen vom Hosting-Modell ab — bei Azure typisch 1.500 bis 4.000 EUR pro Monat, On-Premises auf eigener GPU 600 bis 1.200 EUR pro Monat.

Funktioniert das auch mit unseren alten Excel-FMEAs aus 2008?

Ja, aber mit Aufwand. Excel-FMEAs ohne durchgängige Spaltenstruktur müssen wir per Document Intelligence und manueller Nachbearbeitung in ein strukturiertes Format bringen. Wir kalkulieren typisch 0,5 bis 2 Stunden pro Alt-FMEA, abhängig vom Zustand. Bei 500 Alt-FMEAs sind das also 250 bis 1.000 Stunden Migrations-Aufwand — eine einmalige Investition, die sich nach 15 bis 25 neu erstellten FMEAs amortisiert.

APIS IQ vs. KI-Lösung — entweder oder?

Klares Nein. Wir ersetzen APIS IQ nicht, wir ergänzen es. APIS bleibt das System of Record, die KI ist eine vorgelagerte Vorschlagsmaschine. Über die APIS-XML-Schnittstelle schreiben wir akzeptierte Vorschläge zurück. Das Team arbeitet weiter in APIS, sieht aber im Moderations-Frontend zusätzlich die KI-Vorschläge.

Wie verhindert ihr, dass das Modell Quatsch vorschlägt?

Drei Mechanismen. Erstens: Jeder Vorschlag muss auf eine existierende Quelle referenzieren (vorhandene FMEA, 8D, Norm). Vorschläge ohne Quelle werden vom System abgelehnt. Zweitens: Die Top-3-Vorschläge pro Funktion werden angezeigt, der Moderator wählt aus oder verwirft alle drei. Drittens: Das Modell wird monatlich auf den eigenen Bestandsdaten nachgetrained, sodass die Vorschläge dem hauseigenen Sprachgebrauch entsprechen — nicht generischem Internet-Vokabular.

Was passiert mit unseren FMEA-Daten? Trainiert ihr damit eure Modelle?

Nein. Bei Azure-OpenAI-Setups laufen die Daten über Microsofts EU-Hosting mit ausgeschlossenem Training. Bei On-Premises bleiben die Daten ohnehin in Ihrer Infrastruktur. Wir signieren auf Wunsch einen AVV, der die Datennutzung explizit auf den vereinbarten Zweck beschränkt. Mehrere unserer Kunden in der Wehrtechnik betreiben die komplette Lösung in einer abgeschotteten Umgebung ohne Internet-Anbindung.

Nächster Schritt

Wenn Sie 30 oder mehr FMEAs pro Jahr fahren und die Vorbereitung Ihrer Moderatoren chronisch zu kurz kommt, ist das Thema einen ehrlichen Pilot wert. Wir setzen mit Ihnen in 90 Minuten auf, welche zwei Ihrer FMEA-Typen sich für den Erstaufbau am besten eignen, und welche Datenquellen wir indizieren müssen.

Verwandte Themen