Qualitative und wirtschaftliche Vorteile des KI-gestützten 8D-Prozesses
-
Andreas Dangl
Andreas Dangl ist Entrepreneur und Geschäftsführer der Fabasoft Approve GmbH. In seiner Funktion unterstützt er Unternehmen aus der Industrie bei der Einführung von KI-gestütztem Dokumenten- und Qualitätsmanagement (
www.fabasoft.com/approve). 
Abstract
Die 8D-Methode ist ein bewährter, systematischer Ansatz zur Fehlerbehebung und Qualitätsverbesserung. Sie besteht aus acht Disziplinen, die schrittweise zu durchlaufen sind, um Mängel zu identifizieren, zu analysieren und nachhaltig zu beheben. In jüngster Zeit hat die Integration von künstlicher Intelligenz (KI) in den 8D-Prozess zu einer signifikanten Optimierung und Effizienzsteigerung geführt.
Abstract
The 8D method is a proven, systematic approach to problemsolving and quality improvement. It consists of eight disciplines that are followed step by step to identify, analyze, and sustainably solve defects. Recently, the integration of Artificial Intelligence (AI) into the 8D process has led to significant optimization and increased efficiency.
Bei der 8D-Methode handelt es sich um einen teamorientierten Lösungsansatz im Rahmen des Qualitätsmanagements zur Bearbeitung von Reklamationen, die entweder intern oder extern zwischen Lieferanten und Kunden auftreten [1, 2, 3].
Ursprünglich aus der Automobilindustrie stammend, umfasst die Vorgangsweise acht klar definierte Schritte („Disziplinen“), die das verantwortliche Team systematisch abarbeitet und umfassend dokumentiert. Ziel ist es, Qualitätsprobleme zu analysieren, geeignete Maßnahmen abzuleiten und deren Umsetzung zu überwachen. Die Ergebnisse werden in einem standardisierten 8D-Report festgehalten, der sich jedoch unternehmensspezifisch anpassen lässt.
Ein moderner 8D-Prozess im Qualitätsmanagement ergänzt den klassischen Acht-Schritte-Plan durch den Einsatz künstlicher Intelligenz [4]. Dies schafft präzisere Analysen und effizientere Ergebnisse. Dabei übernimmt die KI keine Entscheidungsfunktion, sondern unterstützt bei allen Prozessschritten mit Handlungsempfehlungen. Die abschließende Bewertung und Umsetzung der vorgeschlagenen Maßnahmen bleibt stets in menschlicher Verantwortung.
Effizienzsteigernd und ressourcenschonend
Die KI-gestützte 8D-Methode bietet im Vergleich zur traditionellen Vorgehensweise zahlreiche Vorteile, die eine signifikante Verbesserung auf allen Stufen des Prozesses ermöglichen [5]. Im Folgenden einige Beispiele:
Mehr Effizienz
KI kann große Datenmengen in kürzester Zeit analysieren, um Muster und Ursachen für Qualitätsmängel zu identifizieren. Sie erkennt Defekte und Abweichungen in Produkten automatisch und in hoher Geschwindigkeit.
Optimierte Ressourcen
KI-Vorschläge für die Teambildung helfen bei der optimalen Nutzung der vorhandenen Expertise. Zudem lassen sich viele Prozessschritte automatisieren, was den manuellen Aufwand reduziert.
Verbesserte Präzision
Die automatische Klassifizierung von Defekten führt zu detaillierteren und präziseren Problembeschreibungen, was wiederum fundiertere und objektivere Entscheidungen ermöglicht.
Erhöhte Proaktivität
KI prognostiziert basierend auf historischen Daten die wirksamsten Korrekturmaßnahmen und schlägt präventive Aktionen vor.
Der KI-gestützte 8D-Prozess im Detail
Anhand von Fabasoft Approve, dem KI-gestützten Dokumenten- und Qualitätsmanagementsystem (DMS/QMS), lässt sich zeigen, wie facettenreich die Aufgaben der künstlichen Intelligenz im 8D-Prozess sind (Bild 1) [6].
Der KI-gestützte 8D-Prozess in Fabasoft Approve: Team für die Problemlösung bilden (D1) (Quelle: Fabasoft Approve)
Dem eigentlichen 8D-Prozess vorgelagert ist eine Risikobeurteilung, wobei die Software den Schweregrad eines Mangels anhand der Faktoren „Häufigkeit“ und „Auswirkung“ ermittelt. Die künstliche Intelligenz analysiert ähnliche Produktionsfehler aus der Vergangenheit und unterstützt die verantwortlichen Personen bei der Entscheidungsfindung.
Die KI zeigt ihre Stärken auch zu Beginn des 8D-Prozesses, der Teambildung (D1). Das System wertet vergangene Projekte aus und erkennt dabei, welche Fachkräfte im Unternehmen oder in der Lieferkette über die nötigen Kompetenzen verfügen.
Bei der präzisen Problembeschreibung (D2) als Voraussetzung für die künftige Vermeidung von Fehlern hilft die KI in Form der Bilderkennung (Bild 2). Die Software identifiziert und klassifiziert automatisch Mängel oder Abweichungen an Produkten. Die KI liefert zudem gezielte Vorschläge für Sofortmaßnahmen (D3), die sich bei der Behebung ähnlicher Defekte in der Vergangenheit bewährt haben.
Beschreibung des Problems (D2). Der AI Assist unterstützt die verantwortlichen Personen bei jedem Schritt (Quelle: Fabasoft Approve)
Um einen festgestellten Mangel dauerhaft zu vermeiden, ist eine umfassende Ursachenanalyse erforderlich (D4). Dabei berücksichtigt die 8D-Methode nicht nur technische, sondern auch organisatorische Faktoren. Dank der Fähigkeit, große Mengen an Produktionsdaten in kurzer Zeit effizient auszuwerten, ist das KI-gestützte System in der Lage, weitreichende Zusammenhänge zwischen verschiedenen Variablen zu erkennen und Muster sowie potenzielle Auslöser für Qualitätsprobleme aufzudecken. Zusätzlich schlägt es geeignete Methoden zur Fehler-Ursachen-Analyse vor, wie die 5-Why-Methode oder das Ursache-Wirkungs-Diagramm (Ishikawa-Diagramm [7]), die in der Vergangenheit Erfolg gezeigt haben.
Im nächsten Schritt – der Entwicklung geeigneter Maßnahmen, um eine Wiederholung des Fehlers dauerhaft zu verhindern (D5) – analysiert die KI historische Daten und leitet daraus ab, welche Korrekturen mit hoher Wahrscheinlichkeit wirksam sind. Diese Prognosen helfen Fachkräften, die geplanten Aktionen gezielt und effizient umzusetzen (Bild 3).
Korrekturmaßnahmen definieren und einführen (D5 & D6) (Quelle: Fabasoft Approve)
Bewährt sich das in Schritt D5 entwickelte Konzept, folgt die Integration in die Unternehmensprozesse (D6). Die künstliche Intelligenz identifiziert Bereiche entlang der Wertschöpfungskette, in denen ähnliche Mängel auftreten könnten, und informiert gezielt die verantwortlichen Personen über den Ablauf zur Umsetzung der Korrekturmaßnahmen. Dadurch stellen Firmen eine flächendeckende und effiziente Implementierung sicher. Zudem bietet die KI Vorschläge zur Optimierung und Erweiterung der Fehlermöglichkeits- und Einflussanalyse (FMEA) [8], um potenzielle Risiken frühzeitig zu erkennen und zu minimieren (D7).
Zum Abschluss des Prozesses ist es entscheidend, alle gewonnenen Erkenntnisse aus den acht Schritten umfassend zu dokumentieren (D8) (Bild 4). Diese Informationen dienen als wertvolle Grundlage für die Bearbeitung ähnlicher Probleme in künftigen Projekten. Das durch KI gestützte System leitet aus den umgesetzten Sofort- und Vorbeugemaßnahmen solide Erkenntnisse („Lessons Learned“ [9]) ab. Diese stehen künftig für die effiziente Behebung vergleichbarer Fehler und Abweichungen zur Verfügung. Die KI optimiert ihr Wissen dabei kontinuierlich durch eigenständiges, implizites Lernen – ohne zusätzlichen manuellen Aufwand. Dadurch verbessert sie ihre Unterstützung bei zukünftigen Reklamationsprozessen stetig.
Erstellung des 8D-Reports in Fabasoft Approve mit „Lessons Learned“ (D8) (Quelle: Fabasoft Approve)
Zusammenfassung
Die Kombination von 8D-Methode und KI bietet Unternehmen ein leistungsfähiges Werkzeug zur Steigerung ihrer Produktqualität und Kundenzufriedenheit.
Die KI unterstützt bei allen Schritten des 8D-Prozesses von der Teambildung über die Problembeschreibung bis hin zur Ursachenanalyse und Maßnahmenplanung. Durch den Einsatz von KI lassen sich große Datenmengen schnell analysieren, Muster erkennen und datenbasierte Entscheidungen treffen. Dies führt zu einer erhöhten Effizienz unter signifikanter Schonung der Ressourcen, zu einer verbesserten Präzision und zu einer beschleunigten Mängelbehebung im Qualitätsmanagement.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Advisory-Board-Mitgliedern des ZWF-Sonderheftes wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the author
Andreas Dangl ist Entrepreneur und Geschäftsführer der Fabasoft Approve GmbH. In seiner Funktion unterstützt er Unternehmen aus der Industrie bei der Einführung von KI-gestütztem Dokumenten- und Qualitätsmanagement (www.fabasoft.com/approve).
Literatur
1 Verband der Automobilindustrie, Qualitäts-Management-Center (Hrsg.): 8D – Problemlösung in 8 Disziplinen. Methode, Prozess, Bericht. 2018Suche in Google Scholar
2 Jung, B.; Schweißer, S.; Wappis, J.: 8D – Systematisch Probleme lösen. 4. Aufl., Carl Hanser Verlag, München 2020 DOI:10.1007/978-3-446-46439-110.1007/978-3-446-46439-1Suche in Google Scholar
3 TÜV SÜD Akademie (Hrsg.): Erfolgreiche Problemlösung mit der 8D-Methode, Whitepaper, o. J. (https://www.tuvsud.com/INTERSHOP/static/BOS/TUEVSUED-Divisions-Site/DE/BA-Academy-DE/de_DE/Qualitaetsmanagement/QM%20Auto/AC110-Whitepaper-8D-Methode-pb-210x297-22-03-01.pdf [Abgerufen am 17.2.2025])Suche in Google Scholar
4 Dangl, A.: Innovation in der Problemlösung: Wie KI die 8D-Methode optimiert. 2024 (https://www.fabasoft.com/de/news/innovation-der-problemloesung-wie-kidie-8d-methode-optimiert [Abgerufen am 17.2.2025])Suche in Google Scholar
5 Fabasoft Approve (Hrsg.): KI in der Praxis. Intelligentes Dokumenten- und Qualitätsmanagement für die Industrie. Whitepaper, o. J. (https://www.fabasoft.com/de/mediathek/ki-der-praxis-intelligentes-dokumenten-undqualitaetsmanagement [Abgerufen am 17.2.2025])Suche in Google Scholar
6 Fabasoft Approve (Hrsg.): KI-gestützter 8D-Prozess für smartes Qualitätsmanagement, Whitepaper, o. J. (https://www.fabasoft.com/de/mediathek/ki-gestuetzter-8dprozess-fuer-smartes-qualitaetsmanagement [Abgerufen am 17.2.2025])Suche in Google Scholar
7 Personio (Hrsg.): Ishikawa-Diagramm. Erklärung zum Ursache-Wirkung-Diagramm. (https://www.personio.de/hr-lexikon/ishikawa-diagramm [Abgerufen am 17.2.2025])Suche in Google Scholar
8 Fehlermöglichkeits– und Einflussanalyse (FMEA). In: Bundesverwaltungsamt (Hrsg.): Organisationshandbuch bis 2018 (https://www.orghandbuch.de/Webs/OHB/DE/Organisationshandbuch/6_MethodenTechniken/63_Analysetechniken/633_FehlermoeglichkeitUndEinflussanalyse/fehlermoeglichkeitundeinflussanalysenode.html [Abgerufen am 17.2.2025])Suche in Google Scholar
9 T2Informatik: Lessons Learned. (https://t2informatik.de/wissen-kompakt/lessonslearned [Abgerufen am 17.2.2025])Suche in Google Scholar
© 2025 Andreas Dangl, publiziert von De Gruyter
Dieses Werk ist lizensiert unter einer Creative Commons Namensnennung 4.0 International Lizenz.
Artikel in diesem Heft
- Grußwort
- Grußwort
- Inhalt
- Künstliche Intelligenz
- Künstliche Intelligenz (KI)
- Menschzentrierte Einführung von Künstlicher Intelligenz in Produktion und Engineering
- Generative AI and Agentic Architecture in Engineering and Manufacturing
- Intelligent Industry
- Von Piloten zu skalierbaren Lösungen
- KI in Engineering
- KI-Anwendungen im Engineering
- KI-Adaption in der Produktentwicklung
- KI-Transformation im Engineering
- Code the Product – Vision für die Produktentstehung der Zukunft
- Machine Learning in Transmission Design
- AI Enables Data-Driven Product Design
- Optimierung von Entwicklungsprozessen durch KI-gestütztes Generatives Engineering und Design
- Human-AI Teaming in a Digital Twin Model for Virtual Product Development
- Kundenorientierte Innovationspotenziale durch KI
- Scheitert Systems Engineering an seiner eigenen Komplexität?
- AI-Augmented Model-Based Systems Engineering
- Prompt Engineering im Systems Engineering
- Sustainable Product Development and Production with AI and Knowledge Graphs
- AI-Driven ERP Systems
- Optimale Produktion dank Künstlicher Intelligenz
- KI in PLM-Systemen
- KI in Produktion
- Durchblick in der Produktion
- Production of the Future
- Der Use-Case-First-Ansatz zum Einsatz von Künstlicher Intelligenz in der Produktion
- Überwindung der Programmierkluft in der Produktion und Fertigung
- Lean Data – Anwendungsspezifische Reduktion großer Datenmengen im Produktionsumfeld
- KI-Zuverlässigkeit in der Produktion
- KI in der Smart Factory: Warum Standardanwendungen besser sind
- Data-Driven Decision-Making: Leveraging Digital Twins for Reprocessing in the Circular Factory
- Extended Intelligence for Rapid Cognitive Reconfiguration
- Erfahrungsbasierte Bahnoptimierung von Montagerobotern mittels KI und Digitalen Zwillingen
- Integration of Machine Learning Methods to Calculate the Remaining Useful Life of Mandrels
- AI-Driven Load Sensing for Wind Turbine Operations
- ChatPLC – Potenziale der Generativen KI für die Steuerungsentwicklung
- Developing and Qualifying an ML Application for MRO Assistance
- Applying AI in Supporting Additive Manufacturing Machine Maintenance
- Kollaboratives Modelltraining und Datensicherheit
- KI-basierte Partikelgrößenbestimmung in Suspensionen
- Intelligente Prozessüberwachung für die flexible Produktion
- Robuste Bauteilidentifikation mittels digitaler Fingerabdrücke
- Herausforderungen der Digitalisierung in der Klebetechnik
- Vom Webshop zum Shopfloor
- Scoring-Prozess mit Vorhersagemodell
- Automatisierte Optimierung von Metamaterialien im Leichtbau
- KI-gestützte Prozessoptimierung in der Massivumformung
- AI-Supported Process Monitoring in Machining
- Federated Learning in der Arbeitsplanung
- KI in der Kommissionierung
- KI-basiertes Assistenzsystem zur Qualitätskontrolle
- Qualitätssteigerung durch Digitalisierung
- Qualitative und wirtschaftliche Vorteile des KI-gestützten 8D-Prozesses
- KI-gestützte Prognose von Durchlauf- und Lieferzeiten in der Einzel- und Kleinserienfertigung
Artikel in diesem Heft
- Grußwort
- Grußwort
- Inhalt
- Künstliche Intelligenz
- Künstliche Intelligenz (KI)
- Menschzentrierte Einführung von Künstlicher Intelligenz in Produktion und Engineering
- Generative AI and Agentic Architecture in Engineering and Manufacturing
- Intelligent Industry
- Von Piloten zu skalierbaren Lösungen
- KI in Engineering
- KI-Anwendungen im Engineering
- KI-Adaption in der Produktentwicklung
- KI-Transformation im Engineering
- Code the Product – Vision für die Produktentstehung der Zukunft
- Machine Learning in Transmission Design
- AI Enables Data-Driven Product Design
- Optimierung von Entwicklungsprozessen durch KI-gestütztes Generatives Engineering und Design
- Human-AI Teaming in a Digital Twin Model for Virtual Product Development
- Kundenorientierte Innovationspotenziale durch KI
- Scheitert Systems Engineering an seiner eigenen Komplexität?
- AI-Augmented Model-Based Systems Engineering
- Prompt Engineering im Systems Engineering
- Sustainable Product Development and Production with AI and Knowledge Graphs
- AI-Driven ERP Systems
- Optimale Produktion dank Künstlicher Intelligenz
- KI in PLM-Systemen
- KI in Produktion
- Durchblick in der Produktion
- Production of the Future
- Der Use-Case-First-Ansatz zum Einsatz von Künstlicher Intelligenz in der Produktion
- Überwindung der Programmierkluft in der Produktion und Fertigung
- Lean Data – Anwendungsspezifische Reduktion großer Datenmengen im Produktionsumfeld
- KI-Zuverlässigkeit in der Produktion
- KI in der Smart Factory: Warum Standardanwendungen besser sind
- Data-Driven Decision-Making: Leveraging Digital Twins for Reprocessing in the Circular Factory
- Extended Intelligence for Rapid Cognitive Reconfiguration
- Erfahrungsbasierte Bahnoptimierung von Montagerobotern mittels KI und Digitalen Zwillingen
- Integration of Machine Learning Methods to Calculate the Remaining Useful Life of Mandrels
- AI-Driven Load Sensing for Wind Turbine Operations
- ChatPLC – Potenziale der Generativen KI für die Steuerungsentwicklung
- Developing and Qualifying an ML Application for MRO Assistance
- Applying AI in Supporting Additive Manufacturing Machine Maintenance
- Kollaboratives Modelltraining und Datensicherheit
- KI-basierte Partikelgrößenbestimmung in Suspensionen
- Intelligente Prozessüberwachung für die flexible Produktion
- Robuste Bauteilidentifikation mittels digitaler Fingerabdrücke
- Herausforderungen der Digitalisierung in der Klebetechnik
- Vom Webshop zum Shopfloor
- Scoring-Prozess mit Vorhersagemodell
- Automatisierte Optimierung von Metamaterialien im Leichtbau
- KI-gestützte Prozessoptimierung in der Massivumformung
- AI-Supported Process Monitoring in Machining
- Federated Learning in der Arbeitsplanung
- KI in der Kommissionierung
- KI-basiertes Assistenzsystem zur Qualitätskontrolle
- Qualitätssteigerung durch Digitalisierung
- Qualitative und wirtschaftliche Vorteile des KI-gestützten 8D-Prozesses
- KI-gestützte Prognose von Durchlauf- und Lieferzeiten in der Einzel- und Kleinserienfertigung
