MISSION 100 % - QM LIVE: PIZZA BELAG UNDER CONTROL

Veröffentlicht am 2. März 2026 um 08:21

Autor Stephan Schmitz

Qualitätsmanagement: Computer Vision prüft in Echtzeit, auditsicher dokumentiert.

Warum digitale Transformation in der Lebensmittelindustrie dort gewinnt, wo Prozesse strukturiert werden: klar, standardisiert, messbar.

Stell dir vor, du stehst am Band. Die Linie läuft. Irgendwo piept ein Sensor. Irgendwann ruft jemand: „Aber das haben wir doch schon immer so gemacht, einfach laufen lassen." Und  gleichzeitig wird oben in der GL-Etage mit dem Projektteam und  dem Betriebsrat  diskutiert, ob und wie KI jetzt „endlich alles profitabel automatisiert“.

Spoiler: Wenn das hauseigene Projektteam KI in unstrukturiertes Chaos steckt, wird’s chaotischer, heftiger und kostenintensiv.

Und genau da setzt dieser Artikel an: KI und Robotik sind nicht nur Technologieprojekte – sie sind krasse Eingriffe in (bewährte oder ineffiziente) Strukturen.

Funktioniert nicht wie „neue App installieren“.

Eher wie: Tragende Wand raus – "aber die Linie P1 soll weiterhin mindestens 6060 Pizzen am Tag TK-ready produzieren." 

Aber nun von vorne …

KI generierte Cartoon Grafik by Google Nano Banana

Die harte Wahrheit: Automatisierung verstärkt, was schon da ist

Wenn Prozesse heute…

  • historisch gewachsen sind („das macht man an P1 schon seit Bundesmuttis Amtseinführung so“),

  • von Excel zu Excel wandern („Version_final_final2.xlsx“),

  • und in Silos feststecken (Produktion ↔ Vertrieb ↔ Supply Chain = Funkloch)

… dann ist KI nicht der Heilsbringer, eher der Turbokompressor auf einem Motor, der nie einen Ölwechsel gesehen hat.

Der unstrukturierte Workflow zeigt es glasklar: Wer KI in einen ineffizienten Prozess implementiert, automatisiert die Ineffizienz.

(C) Adobe Stockfotos

Diagnose: Woran Transformation krankt

Hier sind  5 Klassiker, die ich in Werken (und Großküchen) oft sehe – vielleicht erkennst du 2 – 3 davon wieder:

  1. Prozesse sind beschrieben – aber nicht gelebt.
    Der echte Ablauf passiert „zwischen den Kästchen“.

  2. Standardisierung ist „nice to have“ – bis Robotik oder Datenmigration kommt.
    Dann ist sie plötzlich überlebensnotwendig.

  3. Automatisiert wird zunächst zu groß gedacht („Big Bang“).
    Ergebnis: Big Bang im Budget. Und dann wird’s still.

  4. Rollen bleiben alt, obwohl Aufgaben neu sind.
    Menschen werden weiter als Ausführer geplant – obwohl sie jetzt Ausnahme-Manager werden müssten.

  5. Silos verhindern Datenfluss.
    KI braucht bereichsübergreifende strukturierte Daten – Silos liefern … bestenfalls Teilstücke, gerne in "bunt gemischten" Formaten.

(C) Adobe Stockfotos

STRUKTUREFFIZIENZ IST DAS "MIS EN PLACE" FÜR KI-PROJEKTE

Perspektivwechsel. In Profiküchen gibt’s einen pragmatischen Grundsatz:

Mise en place schlägt Hektik.
Erst Zutaten vorbereiten, dann nach Rezeptvorgabe zubereiten, um zeitnah hochwertig, zudem entspannt abliefern zu können.

Nur im Dreiklang von Reifegrad-Check, Change-Management und  Struktureffizienz-Check funktioniert die digitale Transformation:

zuerst Soll-Ist Abgleich, dann Kommunikation mit allen Stakeholdern, die Prozessabläufe in Abstimmung (gegebenenfalls neu denken) strukturieren, dann final die Automatisierung als Pilotprojekt starten, möglichst parallel.

WENN GRÜNES LICHT GEGEBEN

 pragmatische, prozessorientierte 4-Schritt-Roadmap:

1: Prozess-Inventur (mit Automatisierungs-Score)

Bewerte Prozesse entlang von zwei Achsen:
Standardisierungsgrad × Wiederholfrequenz/Volumen.
Hoher Standard + hohe Frequenz = Jackpot für KI/RPA/Robotik.

2: Process Mining – „Röntgenbild“ statt Bauchgefühl

PM zeigt dir, wie Prozesse wirklich laufen: Schleifen, Wartezeiten, Abweichungen. Das ist kein Controlling-Report. Das ist: „Aha – deshalb ungeordneter Pizzabelag jeden zweiten Dienstag, gegen 13:47 Uhr.“

3: Nicht alles automatisieren. Nur die Knoten.

Beispiele aus der Lebensmittelproduktion 4.0

  • Computer Vision zur Live-Qualitätsprüfung am Förderband Verpackung oder Wareneingang

  • Demand Forecasting für bedarfsorientierte Produktionsplanung

  • Robotik in Kommissionierung/Handling Belag

4: Mensch – Maschine neu denken 

Nach Automatisierung ändern sich die Jobs an der Linie:
weg von Ausführung, hin zu Ausnahmebehandlung und Systemüberwachung.
Das muss strukturell sauber stehen: Verantwortlichkeiten, Entscheidungskompetenzen, Eskalationspfade.

Unbedingt im Change-Management beachten, sonst scheitert’s leise vor sich hin.

 

Cartoon Grafik: Computer Vision in Pizza-Produktion 4.0 Qualitätsmanagement Lebensmittelindustrie

KI generierte Cartoon Grafik by Google Nano Banana

QUALITÄTSMANAGEMENT LIVE AM LAUFENDEN BAND 

Use Case: Computer Vision checkt den Pizzabelag 

 

Stell dir eine klassische TK- Pizza-Linie vor:

Teigling → Vorbacken → Sauce → Käse → Toppings → Schockfroster

Und irgendwo zwischen „Belag drauf“ und „ab in den Froster“ passieren die kleinen Katastrophen, die später teuer werden:

  • Belag fehlt (z. B. 2 von 10 Salami-Scheiben zu wenig)

  • Belag falsch verteilt (Rand überladen, Mitte kahl → optischer Ausschuss)

  • Falscher Belag / Allergen-Risiko (z. B. „vegan“ mit Käsekrümeln)

  • Gewichtsschwankungen (zu viel = Marge, zu wenig = Reklamation)

PILOT SET-UP

1) Kamera-Checkpoint als definierter Prozessknoten
Die Kamera sitzt typischerweise nach dem Belagauftrag und vor dem Ofen (weil hier Korrektur/Reject am effektivsten ist). Dazu gehören:

  • reproduzierbare Beleuchtung (sonst „lernt“ das System Schatten statt Belag)

  • definierter Abstand/Winkel, stabiler Produkt-Track (Bandführung!)

  • hygienegerechtes Set-up (IP-Schutz, Reinigungsroutine, schnelle Wechselteile)

2) QM-Kriterien werden messbar gemacht (Spezifikation statt Bauchgefühl)
Damit das audit- und schichtfest wird, übersetzt man „sieht gut aus“ in messbare Regeln, z. B.:

  • Belag-Abdeckung in % (gesamt und zoniert: Mitte/Rand)

  • Anzahl/Fläche definierter Toppings (z. B. Salami-Scheiben zählen)

  • Verteilung/Cluster (keine „Inseln“, keine „Löcher“)

  • Fremdobjekte / Fehlfarben (z. B. zu dunkle Stellen, Fremdkörper-Detektion)

  • Deklarations-/Artikelprüfung (richtige Rezeptur zum richtigen Auftrag)

3) Abweichungs-Workflow (QM-Logik + Linienlogik zusammenbringen)
Computer Vision wird nicht nur zum „Alarmgeber“, sondern zum Teil eures QM-Systems:

  • OK → läuft durch

  • NOK → automatisches Reject (Weiche/Schieber) oder Stop/Andon, je nach Risikoklasse

  • Eskalationsregeln:

    • „Optikfehler“ → aussortieren + Nachstellen

    • „Allergen-/Verwechslungsverdacht“ → stoppen + Sperrung + Ursachencheck

  • Dokumentation: Bild + Zeitstempel + Artikel + Linie + Schicht → direkt als Nachweis für Audits/Traceability

 

4) Der unterschätzte Hebel: Trend-Erkennung statt reines Aussortieren
Perfekt wird’s, wenn das System nicht nur Fehler erkennt, sondern Drift:

  • Käse-Abdeckung sinkt seit 3 Minuten → Dosierer prüfen, bevor Ausschuss hochgeht

  • Topping-Cluster nimmt zu → Streuer reinigen/entklumpen

  • Abweichungen häufen sich in Schicht B → Training/Parameter/Materialcheck

So wird aus „Qualitätskontrolle“ ein Frühwarnsystem.

 

ZIELSETZUNG KPIs ERREICHT

Messbarkeit für QM und die Betriebsleitung

  • Weniger Reklamationen (sichtbare Fehler fallen zuerst auf)

  • Weniger Give-away durch Überdosierung (Belag wird „zahlenfähig“)

  • Stabilere Linienleistung (weniger ungeplante Stopps durch späte Entdeckung)

  • Audit- und rückverfolgungsfähige Dokumentation (Ereignisse + Bilder statt Papier-Chaos)

  • Entlastung der QS: weniger „Dauer-Prüfen“, mehr Ursachenarbeit und Prozessverbesserung

 

 

 WHITEPAPER IN WORK:

"KI- & Robotik-Pilotprojekte in der Food-Branche: Roadmap zur Struktureffizienz"

"Prozess-Struktur-Matrix der Gemeinschaftsverpflegung im Überblick: Wo bringt die digitale Transformation mit welchem Konzept am schnellsten Entlastung und Kosteneinsparung" 

«   »