KI-Agenten im Qualitätsmanagement - Gastbeitrag QZ-Online

KI-Agenten im Qualitätsmanagement: Wie semantisches Matching den Bearbeitungsaufwand um 70 % reduziert

Gemeinsam mit dem renommierten Fachjournal QZ haben wir zum Thema „KI-Agenten im Qualitätsmanagement" gesprochen. In dem Beitrag zeigen wir, warum das Kernproblem bei Produktkonformitätsanfragen nicht fehlende Daten sind, sondern uneinheitliche Formate und wie KI-Agenten dieses Problem lösen.

Das Problem: Gleiche Fragen, hunderte Formate

Qualitätsmanager:innen kennen die folgende Situation: Ein Kunde schickt eine Excel-Tabelle mit 150 Zeilen, in der Konformitätsdaten zu REACH, RoHS oder branchenspezifischen Standards abgefragt werden. Der nächste Kunde stellt dieselben Fragen, aber in einem völlig anderen Format. Was folgt, ist manuelle Kopierarbeit: Fragebogen für Fragebogen, Spalte für Spalte.

Ein Kunde fragt nach „SVHC > 0,1 Gew.-%", der nächste nach „Kandidatenliste-Status", ein dritter nach „Art. 33 REACH-konform". Dieselbe Frage nach RoHS-Konformität kommt mal formlos per E-Mail, mal als Teilfrage in einem PDF-Formular, mal als Teil eines umfassenden Excel-Fragebogens. Der Aufwand liegt nicht in der Antwort selbst, sondern im manuellen Befüllen der Formulare.

Die Lösung: Semantisches Matching mit KI-Agenten

Sprachmodelle ermöglichen einen neuen Ansatz: Sie verstehen das Layout und Format von Fragebögen und erkennen Fragen sowohl inhaltlich als auch strukturell. Die KI analysiert Spaltenbezeichnungen, Antwortfelder und Sheet-Zusammenhänge. Gleichzeitig versteht sie die semantische Bedeutung hinter unterschiedlichen Formulierungen derselben Frage.

So wird der automatisierte Transfer von Wissen zwischen internen Unternehmensdaten und Kundenanfragen möglich und zwischen einzelnen Kundenanfragen untereinander.

Praxisbeispiel: 70 % weniger Aufwand in der Intralogistik

Ein international tätiger Intralogistikanbieter erhält regelmäßig umfangreiche Kundenanfragen zu Lieferantenauskünften, Stoffdeklarationen und Produktkonformität. Die Informationen lagen größtenteils bereits vor, doch die bisherige Bearbeitung erforderte mehrere Stunden pro Anfrage.

Nach Einführung des KI-Systems liest dieses eingehende Anfragen, erkennt die semantische Bedeutung der Fragen und durchsucht die hinterlegte Wissensbasis nach passenden Informationen. Auf dieser Grundlage erstellt es einen Antwortentwurf, den die Fachabteilung prüft und freigibt. Das Ergebnis: Der interne Koordinationsaufwand sank um etwa 70 Prozent.

Halluzinationen verhindern: Sicherheit durch Architektur

Im Compliance-Kontext wäre das Generieren plausibler, aber falscher Aussagen fatal. Um dies zu verhindern, greifen die Systeme ausschließlich auf intern freigegebene Dokumente zu. Informationen aus dem allgemeinen Weltwissen des Sprachmodells fließen nicht in die Antworten ein.

Zusätzlich arbeitet das System mit einem LLM-as-a-Judge-Ansatz: Ein zweites Sprachmodell prüft die generierten Antworten kritisch gegen die zugrundeliegenden Quelldokumente. Bei fehlender Datengrundlage wird keine Antwort generiert, sondern die Position explizit als offen markiert.

Die Rolle des Menschen im Prozess

Selbst wenn nur 70 Prozent der Informationen strukturiert vorliegen, bedeutet deren automatisierte Übertragung eine massive Zeitersparnis. Die verbleibenden 30 Prozent werden systematisch zur manuellen Prüfung markiert — genau dort, wo menschliche Expertise unverzichtbar ist.

Die wichtigsten Erkenntnisse aus der Praxis:

- Der erreichbare Automatisierungsgrad hängt unmittelbar von der Qualität der vorhandenen Daten ab

- Bereits beantwortete Fragebögen sind die wertvollste Datenquelle

- Die Akzeptanz im Team steigt, wenn jede generierte Antwort transparent auf die Quelle verweist

- Das Fachpersonal behält die Verantwortung für die finale Freigabe

- Mit jeder manuellen Korrektur wächst die Wissensbasis und die Trefferquote verbessert sich kontinuierlich

---

Der vollständige Artikel mit Video-Interview ist hier auf QZ-Online einsehbar: KI-Agenten im Qualitätsmanagement