VDA 6.3 Audit-Report mit KI: 4 Tage Doku auf 4 Stunden

Pexon Consulting | 11 Min. Lesezeit | 02.06.2026

TL;DR

Ein VDA-6.3-Audit-Report (APR/AUR) entsteht heute manuell aus FMEA, Risikoliste und Lastenheft — typisch 2 bis 4 Tage pro Audit. Pexon Consulting baut einen KI-Agenten, der diese Quellen liest, gegen die P1–P7-Struktur prüft und einen IATF-16949-konformen Report-Entwurf in unter 4 Stunden liefert. 6-Wochen-Pilot, Azure-Stack, eigener Tenant.

Das eigentliche Problem ist nicht das Audit — sondern der Bericht danach

Ein Tier-1-Zulieferer mit drei Werken hat im Schnitt 30 bis 50 interne Prozessaudits pro Jahr nach VDA 6.3, dazu 10 bis 20 Lieferantenaudits. Das Audit selbst dauert je nach Umfang 1 bis 3 Tage. So weit, so dokumentiert.

Was nicht im VDA-QMC-Schulungsmaterial steht: die Nachbereitung. FMEA-Auszüge aus dem laufenden Projekt, Risikoliste (ARL) aus dem QM-System, Lastenheft des Kunden, ASE-Selbstbewertung, Maßnahmenpläne aus dem letzten Audit. Daraus entsteht der Audit-Process-Report (APR) und das Unterlagen-Dossier (AUR) — strukturiert nach den sieben Prozesselementen, mit klarer Befund-Logik und nachvollziehbarer AP-Einstufung (Action Priority nach AIAG-VDA-Handbook).

Ein QM-Leiter eines Maschinenbau-Zulieferers hat es uns kürzlich so formuliert: „Das Audit ist anstrengend, aber machbar. Die zwei bis vier Tage Reporting danach kosten mich pro Jahr ungefähr 80 bis 120 Tage Reinarbeit. Das ist eine halbe Stelle.“

Rechnen wir nach: 40 Audits × 3 Tage Doku × 650 EUR interner Tagessatz = 78.000 EUR pro Jahr, nur für das Schreiben des Reports. Bei Tier-1-Zulieferern mit fünf bis zehn Standorten skaliert das schnell auf eine halbe Million.

Warum ein generischer FMEA-Chatbot dafür nicht reicht

Hier eine unbequeme Position vorweg: Wir raten Kunden aktuell davon ab, einen der generischen „AI-FMEA-Bots“ für die VDA-6.3-Berichterstattung einzusetzen. Omnex O-BOT, Tacit AI, Fabasoft Approve — die Tools können FMEAs erstellen oder reviewen, sind aber nicht auf die Report-Logik nach VDA 6.3:2023 oder die AP-Tabelle aus dem AIAG-VDA-Handbook 2024 trainiert. Sie produzieren generische Risikoanalysen, keine Auditoren-tauglichen Berichte.

Der Unterschied:

Ein FMEA-Bot beantwortet „Welche Fehlerarten sind möglich?“. Ein Audit-Report-Generator beantwortet „Welche Befunde laut P-Element-Katalog liegen vor, wie ist die AP-Einstufung, welche Maßnahmen sind nachweisfähig?“ — und gegen die exakte Reportstruktur, die der externe Auditor erwartet.

Das ist ein anderes Problem. Die generischen Tools machen die Vorarbeit (Risikoanalyse), aber nicht den Report. Und genau diese letzten zwei Tage kosten am meisten.

Was der Agent konkret tut

Die Architektur ist nicht exotisch — sie ist die direkte Kombination aus Azure Document Intelligence (für die Eingangsdokumente) und einem domänen-trainierten RAG-Layer (für die VDA-6.3-Logik).

input_dokumente:
  - fmea_dfmea_pfmea: PDF, Excel, FMEA-Pro Export
  - arl_risikoliste: Excel, SharePoint-Listen
  - lastenheft: PDF, Word
  - ase_self_evaluation: VDA-QMC Template
  - vorgaengerreport: PDF des letzten Audits

verarbeitung:
  - extraktion: Azure Document Intelligence (Layout v4.0)
  - chunking: semantisch nach P-Element + Findings-Block
  - retrieval: Azure AI Search mit VDA-6.3-Katalog als Ground-Truth
  - generierung: GPT-4o im Microsoft-EU-Tenant (oder Azure OpenAI mit DataZone DE)
  - validierung: regelbasierter Layer checkt AP-Konsistenz + P-Element-Pflichtfelder

output:
  - apr_entwurf: docx mit P1-P7-Struktur, Findings, Befunden, AP-Einstufung
  - aur_dossier: Liste aller referenzierten Evidenzen mit Quellen-Markierung
  - reviewer_checkliste: Punkte, die Auditor:in checken muss

Drei Dinge sind hier nicht verhandelbar:

1. Keine Halluzinationen bei Quellenangaben. Jeder Befund im Entwurf trägt einen Anker zur Originalquelle (Seite, Zeile, Zelle). Wer das nicht hat, riskiert beim Re-Audit Major-Findings.
2. AP-Bewertung deterministisch, nicht LLM-generiert. Severity, Occurrence und Detection kommen aus der FMEA, die Action Priority wird über die AIAG-VDA-Tabelle berechnet — nicht vom Modell geschätzt.
3. Datenresidenz EU. Lastenheft und FMEA enthalten oft Kunden-IP. Azure OpenAI Service mit europäischer DataZone oder Private AI im eigenen Subscription-Tenant sind Pflicht, kein „Nice to have“.

Wo der Auditor weiter mitreden muss

Was die KI gut kann: strukturieren, mappen, aus FMEA-Risiken P-Element-konforme Befunde formulieren, Konsistenz testen. Sie liest 200 Seiten Lastenheft in zwei Minuten und findet die Stellen, an denen Anforderungen aus P2 (Projektmanagement) nicht in P4 (Prozessentwicklung) abgebildet sind.

Was die KI nicht kann und auch nicht können soll: die finale Beurteilung. Ein Audit-Befund ist eine bewertende Aussage über einen Prozesszustand — das ist juristisch und fachlich Sache des qualifizierten Auditors. Der Agent liefert einen 80%-Entwurf, der Auditor macht die letzten 20% und unterschreibt.

Genauso wichtig: die KI ersetzt nicht das VDA-6.3-Zertifikat des Auditors. Sie macht die qualifizierte Person produktiver, sie macht sie nicht überflüssig. Wer das anders verkauft, hat den Standard nicht gelesen.

Realistische Kosten und Zeitrahmen

Wir bauen das als 6-Wochen-Pilot mit klar abgegrenztem Scope:

Investment für den Pilot: 75.000 EUR. Daraus folgt typischerweise ein Roll-out auf alle Standorte als Bundle (Phase 2) im Bereich 120–180k EUR. Wir sind transparent: wenn nach Woche 3 absehbar ist, dass die Genauigkeit unter 70% bleibt, brechen wir ab und Sie zahlen anteilig. Das steht im Vertrag.

ROI-Rechnung für einen typischen Tier-1 mit drei Werken: 40 Audits × 2 gesparte Tage × 650 EUR = 52.000 EUR Einsparung pro Jahr, Standort-übergreifend leicht das Doppelte. Amortisation üblicherweise 8 bis 14 Monate, ohne den weichen Faktor „QM-Team kann sich auf inhaltliche Audits statt auf Tippen konzentrieren“.

Was Sie bei der Auswahl checken sollten

Wenn Sie das selbst evaluieren oder einen anderen Partner anfragen, hier die Checkliste, an der wir uns messen lassen:

• Wird die AP-Einstufung deterministisch über die AIAG-VDA-Tabelle berechnet, oder rät das LLM?
• Kann der Agent rückwärts auf jede Aussage die Originalquelle (Dokument, Seite, Zeile) anzeigen?
• Liegt das Modell in einer europäischen DataZone oder im eigenen Subscription-Tenant?
• Ist der VDA-6.3:2023-Katalog (nicht die 2016er-Version!) als Ground-Truth eingebunden?
• Funktioniert die Pipeline auch ohne Internet-Zugang aus dem Werks-Netzwerk?
• Wird die FMEA aus dem führenden System (Plato, IQ-FMEA, APIS) direkt gelesen oder müssen Sie exportieren?

Die letzten beiden Punkte sind erfahrungsgemäß die Stolperfallen, an denen Pilotprojekte scheitern.

Häufig gestellte Fragen

Was kostet ein VDA-6.3-Audit-Report-Agent für einen mittelständischen Zulieferer?

Pilot mit einem Pilot-Audit: 75.000 EUR fix. Roll-out auf einen Standort mit ca. 40 Audits pro Jahr: zusätzliche 60–90k EUR inklusive Schulung und Integration in das bestehende QM-System. Laufende Azure-Kosten für Document Intelligence und Azure OpenAI: 800 bis 1.800 EUR pro Monat, je nach Audit-Volumen.

Wie unterscheidet sich das von Omnex O-BOT oder Tacit AI?

Omnex und Tacit AI fokussieren auf FMEA-Erstellung und Risikoanalyse — also die Vorarbeit. Unser Agent setzt darauf auf und macht den eigentlichen Audit-Report nach VDA 6.3:2023 mit P1–P7-Struktur und AIAG-VDA-AP-Logik. Wer noch keine FMEA hat, braucht ein FMEA-Tool. Wer FMEAs hat und damit Audits dokumentieren muss, braucht den Report-Generator. Beide Klassen sind komplementär, nicht konkurrierend.

Ist der KI-Einsatz in der Automotive-QM-Doku überhaupt erlaubt?

Ja, sofern Sie die Bewertung weiterhin durch qualifizierte Auditoren freigeben lassen und die Daten DSGVO-konform verarbeiten. Das VDA QMC hat im Februar 2026 ein „Yellow Volume“ zu AI in Quality Management veröffentlicht, das genau diesen Einsatz als zulässig dokumentiert. Der EU AI Act stuft Automotive als High-Risk ein — das bedeutet höhere Dokumentationspflichten, nicht ein Verbot.

Was passiert, wenn der Agent etwas Falsches in den Entwurf schreibt?

Es ist ein Entwurf. Der Auditor liest, korrigiert und unterschreibt. Genau wie bei einem Werkstudenten, der den Erstentwurf macht. Der Unterschied: unser Agent halluziniert keine Quellen, weil jeder Befund einen Anker zur Originaldatei hat. Wenn die Quelle nicht existiert, taucht der Befund gar nicht erst auf.

Können wir das auch ohne Azure on-prem betreiben?

Technisch ja, mit Llama 3.3 oder Qwen 2.5 auf NVIDIA-GPUs im eigenen Rechenzentrum. Wirtschaftlich selten sinnvoll bei unter 100 Audits pro Jahr, weil die GPU-Auslastung gering bleibt. Wir empfehlen Azure DataZone EU für 95% der Fälle und Private AI nur, wenn die IT-Sicherheitsrichtlinie das vorgibt.

Nächster Schritt

Wenn Sie gerade evaluieren, wo KI im QM den größten Hebel hat, ist die VDA-6.3-Reportautomatisierung erfahrungsgemäß der schnellste ROI-Case — schneller als FMEA-Generierung, schneller als Reklamationsbearbeitung, schneller als Lieferanten-Risikoscoring. Wir machen das einmalig in einem 90-minütigen Workshop transparent.

Verwandte Themen