Materialzeugnis-Prüfung mit KI: DIN EN 10204 in der Verteidigungsindustrie

Pexon Consulting | 9 Min. Lesezeit

TL;DR

Ein Materialzeugnis-Gutachten in der Verteidigungsindustrie umfasst 70 bis 150 Seiten mit 30 bis 80 Einzelzeugnissen nach DIN EN 10204. Die manuelle Prüfung dauert 3 bis 5 Stunden — pro Gutachten. Private Dokumenten-KI auf lokaler Infrastruktur extrahiert Inhaltsverzeichnis, validiert Zeugnistypen (2.1/2.2/3.1/3.2), prüft Normverweise und erstellt AQAP-konforme Prüfberichte. Ergebnis: 90 % weniger Prüfzeit bei null Toleranzverlust für die BAAINBw-Abnahme.

70 Seiten, 45 Zeugnisse, 1 falscher DIN-Typ — Abnahme gescheitert

Ein einziges Materialprüfzeugnis mit falschem Zeugnistyp reicht aus, um eine BAAINBw-Abnahme zu blockieren. In der Praxis passiert das öfter als die meisten QM-Leiter zugeben würden.

Das Szenario: Ein Getriebehersteller liefert ein Getriebe für ein militärisches Fahrzeug. Zum Gutachten gehören 45 Materialprüfzeugnisse nach DIN EN 10204 — für Zahnräder, Wellen, Gehäuse, Dichtungen, Lager. Die Bestellanforderung verlangt für sicherheitskritische Bauteile ein 3.1-Zeugnis (Abnahmeprüfzeugnis durch den Hersteller). Der Zulieferer hat für zwei Zahnräder aber nur ein 2.2-Zeugnis (Werkszeugnis) beigelegt. Der QM-Ingenieur hat das bei der manuellen Prüfung übersehen — Seite 87, zwischen zwei korrekt zertifizierten Lagern.

Ergebnis: Abnahme gescheitert. Nachlieferung der korrekten Zeugnisse beim Zulieferer angefordert. Drei Wochen Verzögerung. Bei Bundeswehr-Rahmenverträgen bedeutet Lieferverzug Vertragsstrafen von 1-5 % des Auftragswerts.

Das ist kein Einzelfall. Die Kombination aus hohem Dokumentenvolumen, komplexen DIN-Anforderungen und Zeitdruck im Wareneingang macht die manuelle Prüfung zu einem systematischen Risiko — und den Einsatz von Materialzeugnis KI zur wirtschaftlichen Notwendigkeit.

Was DIN EN 10204 von Prüfabteilungen verlangt

Kurz zur Einordnung für alle, die nicht täglich mit Prüfbescheinigungen arbeiten: DIN EN 10204 definiert vier Typen von Materialprüfzeugnissen, die sich in ihrer Verbindlichkeit und im Aussteller unterscheiden.

• Typ 2.1 (Werksbescheinigung): Hersteller bestätigt Konformität, keine Prüfergebnisse
• Typ 2.2 (Werkszeugnis): Hersteller dokumentiert Prüfergebnisse, aber ohne unabhängige Validierung
• Typ 3.1 (Abnahmeprüfzeugnis): Prüfergebnisse von einem vom Fertigungsprozess unabhängigen Beauftragten des Herstellers
• Typ 3.2 (Abnahmeprüfzeugnis): Wie 3.1, aber zusätzlich von einem unabhängigen Dritten (z. B. TÜV, Lloyd’s) gegengezeichnet

In der Verteidigungsindustrie ist die Zuordnung nicht optional. AQAP 2110 — die NATO-Qualitätsanforderung, die das BAAINBw als Vertragsbestandteil vorschreibt — verlangt eine lückenlose Nachweisführung über alle verbauten Werkstoffe. Jedes sicherheitskritische Bauteil braucht mindestens ein 3.1-Zeugnis. Für besonders beanspruchte Komponenten (Panzerungen, tragende Strukturen, Antriebswellen) oft 3.2.

Die Herausforderung: Ein einzelnes Getriebe kann 30 bis 80 Materialprüfzeugnisse erfordern. Ein komplexes Waffensystem deutlich mehr. Und jedes einzelne muss gegen die Bestellanforderung geprüft werden — nicht nur auf Vorhandensein, sondern auf den korrekten Zeugnistyp, die richtigen Normverweise und plausible Prüfwerte.

Warum klassische QM-Software hier nicht weiterhilft

Wir bekommen die Frage oft: „Können wir das nicht in SAP QM oder einem DMS abbilden?“ Die kurze Antwort: Nein. Nicht für diesen Use Case.

SAP QM kann Prüfpläne verwalten und Prüflose dokumentieren. Aber es kann kein 150-seitiges PDF lesen, das Inhaltsverzeichnis extrahieren, jedes gelistete Zeugnis im Dokument lokalisieren, den Zeugnistyp nach DIN EN 10204 klassifizieren und die Prüfwerte gegen Grenzwerte abgleichen. Das ist ein Problem der Dokumentenverarbeitung, nicht der Qualitätsplanung.

Auch klassische OCR-Systeme scheitern an der Aufgabe. Sie können Text aus Scans extrahieren — aber sie verstehen nicht, was sie lesen. Ein OCR-System weiß nicht, dass „Rm: 520 N/mm²“ eine Zugfestigkeit ist, die gegen einen werkstoffspezifischen Grenzwert geprüft werden muss. Es weiß nicht, dass ein Zeugnis auf Seite 43 zum Bauteil „Zahnrad Z-14“ aus dem Inhaltsverzeichnis auf Seite 3 gehört.

Was hier gebraucht wird, ist ein System das Dokumente nicht nur liest, sondern versteht: Semantic Document Intelligence.

Wie Materialzeugnis KI 150 Seiten in 15 Minuten prüft

Die Lösung kombiniert drei Technologien, die in den letzten zwei Jahren produktionsreif geworden sind. Entscheidend: Alle drei laufen auf lokaler oder souveräner Cloud-Infrastruktur — kein Byte Gutachten-Daten verlässt die Behörde oder das Werk.

Schicht 1: Layout-Analyse und Dokumentenstruktur

Ein Vision Language Model analysiert die visuelle Struktur des Gutachtens. Es erkennt das Inhaltsverzeichnis, identifiziert Seitenumbrüche zwischen verschiedenen Zeugnissen und ordnet jeder Seite den zugehörigen Zeugnis-Eintrag zu. Das funktioniert unabhängig vom Layout — ob Hersteller-Template, handschriftlich ergänzte Scans oder mehrspaltige Laborberichte.

Schicht 2: Klassifikation und Extraktion

Ein Custom Classifier bestimmt für jedes identifizierte Zeugnis den Typ nach DIN EN 10204. Gleichzeitig extrahiert ein spezialisiertes Modell die Schlüsselfelder: Werkstoffbezeichnung, Schmelznummer, Prüfwerte (Zugfestigkeit, Streckgrenze, Kerbschlagarbeit), Normverweise und die Identität des Prüfers.

# Beispiel: Extraktion und Validierung eines Materialprüfzeugnisses
from pexonparse import DocumentAnalyzer, DIN10204Validator

analyzer = DocumentAnalyzer(model="material-cert-v2")
validator = DIN10204Validator()

# Gutachten laden (lokal, keine Cloud-Übertragung)
gutachten = analyzer.load("/secure/incoming/gutachten_getriebe_2026-03.pdf")

# Inhaltsverzeichnis extrahieren und Zeugnisse identifizieren
toc = gutachten.extract_table_of_contents()
certificates = gutachten.identify_certificates(toc)

# Jedes Zeugnis validieren
for cert in certificates:
    result = validator.check(
        certificate=cert,
        required_type="3.1",        # Aus Bestellanforderung
        norm_refs=["DIN EN 10025-2", "DIN EN ISO 6892-1"],
        tensile_min=470,            # Rm min in N/mm²
        yield_min=355               # ReH min in N/mm²
    )
    if not result.passed:
        print(f"FEHLER Seite {cert.page}: {result.reason}")
        # z.B.: "Zeugnistyp 2.2 statt gefordertem 3.1"
        # z.B.: "Zugfestigkeit 450 N/mm² unter Grenzwert 470 N/mm²"

Schicht 3: Vollständigkeits-Check und Prüfbericht

Das System gleicht jeden Eintrag im Inhaltsverzeichnis gegen die tatsächlich gefundenen Zeugnisse im Dokument ab. Fehlt ein Zeugnis oder stimmt die Seitenreferenz nicht, wird es sofort markiert. Am Ende steht ein maschinenlesbarer Prüfbericht im AQAP-konformen Format — bereit für die BAAINBw-Abnahmedokumentation.

Datensouveränität: Kein Gutachten verlässt das Werk

Das ist der Punkt, an dem viele Gespräche in der Verteidigungsindustrie enden, bevor sie angefangen haben. „Wir können keine Materialzeugnisse in die Cloud schicken.“ Völlig richtig — und genau deshalb setzen wir auf private, lokale KI-Infrastruktur.

Die gesamte Verarbeitung läuft On-Premises oder auf einer souveränen Cloud-Infrastruktur in deutschen Rechenzentren. Keine API-Calls an OpenAI, keine Datenübertragung an US-Server. Die Modelle werden einmal deployt und arbeiten dann vollständig isoliert.

Für Unternehmen mit VS-NfD-Einstufung (Verschlusssache — Nur für den Dienstgebrauch) ist das nicht verhandelbar. Aber auch für nicht eingestufte Materialzeugnisse gilt: Prüfwerte, Werkstoffbezeichnungen und Zuliefererdaten sind Geschäftsgeheimnisse. Eine KI-Lösung, die diese Daten an externe Server überträgt, ist in der Verteidigungsindustrie nicht einsetzbar.

ROI-Rechnung: Warum sich das ab 15 Gutachten pro Monat lohnt

Die Frage ist nicht ob Materialzeugnis KI wirtschaftlich ist, sondern ab welchem Volumen. Hier eine konservative Rechnung für einen Zulieferer mit 30 Gutachten pro Monat:

Ist-Zustand (manuelle Prüfung):

30 Gutachten × 4 Stunden × 75 EUR/Stunde = 9.000 EUR/Monat. Dazu kommen durchschnittlich 3 Abnahmeverzögerungen pro Jahr à 25.000 EUR durch übersehene Fehler und 2 Nachlieferungen falscher DIN-Typen à 3.500 EUR. Gesamtkosten: rund 190.000 EUR pro Jahr.

Mit KI-Lösung (90 % Automatisierung):

30 Gutachten × 30 Minuten Nachprüfung × 75 EUR/Stunde = 1.125 EUR/Monat. Plus 4.000 EUR/Monat Betrieb und Lizenz. Keine vermiedenen Verzögerungen mehr (das System erkennt 98 %+ der Fehler). Gesamtkosten: rund 61.500 EUR pro Jahr.

Einsparung: ~128.500 EUR pro Jahr. Bei einer Projektinvestition von 75.000 EUR für den Foundation-Rollout amortisiert sich das in unter 7 Monaten.

Ab 15 Gutachten pro Monat rechnet sich ein Proof of Concept. Ab 30 ist der ROI eindeutig.

Häufig gestellte Fragen

Was kostet eine KI-gestützte Materialzeugnis-Prüfung?

Ein Proof of Concept mit 10 echten Gutachten kostet ab 25.000 EUR und dauert 4 Wochen. Der Foundation-Rollout für den Regelbetrieb liegt bei 75.000 EUR, eine Enterprise-Lösung mit mehreren Standorten und vollständiger ERP-Integration bei 120.000 EUR. Laufende Betriebskosten: rund 5.000 EUR/Monat für Hosting, Monitoring und KI-Retraining. Bei 30 Gutachten pro Monat amortisiert sich die Investition in unter 7 Monaten.

Kann die KI alle Zeugnistypen nach DIN EN 10204 unterscheiden?

Ja. Das Klassifikationsmodell unterscheidet zuverlässig zwischen Werksbescheinigung (2.1), Werkszeugnis (2.2), Abnahmeprüfzeugnis (3.1) und Abnahmeprüfzeugnis mit Drittprüfer (3.2). Die Genauigkeit liegt bei über 98 % — auch bei schlecht gescannten Dokumenten oder handschriftlich ergänzten Zeugnissen. Grenzfall: Sehr alte Zeugnisse nach der Vorgängernorm DIN 50049 werden ebenfalls erkannt und korrekt zugeordnet.

Materialzeugnis-Prüfung manuell vs. KI — wo liegen die Grenzen?

Die KI ersetzt nicht den QM-Ingenieur, sondern die Routinearbeit. Sie extrahiert, klassifiziert und validiert automatisch. Der Mensch entscheidet bei den 2-5 % der Fälle, die als auffällig markiert werden: ungewöhnliche Normverweise, Grenzwerte knapp am Limit, fehlende Zulieferer-Stempel. Das Ergebnis ist eine Arbeitsteilung, bei der die KI 100 % der Zeugnisse sichtet und der Ingenieur sich auf echte Entscheidungen konzentriert.

Ist die Lösung AQAP-konform und BAAINBw-abnahmefähig?

Die KI erstellt einen strukturierten Prüfbericht, der die AQAP-2110-Anforderungen an die Qualitätsdokumentation erfüllt. Der Bericht dokumentiert: welche Zeugnisse geprüft wurden, welcher DIN-EN-10204-Typ erkannt wurde, ob Prüfwerte innerhalb der Grenzwerte liegen und ob das Inhaltsverzeichnis vollständig ist. Dieser Report ist als Teil der Abnahmedokumentation für das BAAINBw verwendbar — natürlich nach Freigabe durch den verantwortlichen QM-Beauftragten.

Welche Branchen außerhalb der Verteidigung profitieren von dieser Lösung?

Überall dort, wo Materialprüfzeugnisse nach DIN EN 10204 geprüft werden: Automotive-Zulieferer nach IATF 16949, Druckgerätehersteller nach PED/AD 2000 (die 3.1/3.2-Zeugnisse erfordern), Stahlhandel, Anlagenbau und Energieversorgung. Die KI-Modelle sind identisch — nur die Bestellanforderungen und Grenzwerte werden branchenspezifisch konfiguriert.

Nächster Schritt

In einem 4-Wochen Proof of Concept prüfen wir 10 Ihrer echten Gutachten mit der KI-Lösung. Sie sehen konkret, welche Fehler das System findet, wie der Prüfbericht aussieht und ob die Lösung für Ihr Dokumentenvolumen wirtschaftlich ist.

Verwandte Themen