Tausende Fotos und technische Dokumente aus Feldinstallationen von Hand zu prüfen, gehört zu den zähesten Prozessen in ausführenden und betreibenden Unternehmen. Wer bisher wachsen und mehr Projekte abwickeln wollte, musste sein Team aus Prüferinnen und Prüfern im gleichen Maß vergrößern. Das verursachte erhebliche Kosten, verzögerte Abnahmen und begrenzte die Skalierbarkeit des Betriebs.
Im Folgenden analysieren wir ausführlich, wie eine komplexe technische Aufgabe in eine flexible Geschäftslösung verwandelt wurde, die das Team vollständig von Routinearbeit befreit hat.
Die operative Herausforderung und die Qualität der Felddaten
Der bisherige Prozess beruhte vollständig auf der Handarbeit eines siebenköpfigen Prüfteams. Jedes Foto musste einzeln auf korrekte Installation geprüft werden – etwa auf die Lage der Mikroröhrchen, auf Kassetten oder auf das Vorhandensein bestimmter Bauteile. Die Prüfenden mussten außerdem Betrugsversuche erkennen und gefälschte Fotos zurückweisen.
Bei Hunderttausenden Objekten war klassische Automatisierung wegen der Eigenheiten des Feldmaterials unmöglich:
- Fehlende Standardisierung: Feldfotos entstehen aus unterschiedlichen Winkeln bei ungleichmäßigem Licht und sind mitunter überbelichtet, unscharf oder völlig verwackelt.
- Informationsrauschen: In den Dokumentationspaketen tauchten regelmäßig überflüssige oder gänzlich unnötige Fotos auf.
- Fehlende Trainingsdaten: Damit ein klassisches Computer-Vision-Modell zuverlässig arbeitet, braucht es 200 bis 1.000 gelabelte Fotos je Element. Für manche seltenen Infrastrukturbauteile lagen jedoch nur 30 echte Aufnahmen in der Datenbank.
Wie funktioniert die Lösung? Technologie in Geschäftslogik übersetzt
Um diese Probleme zu lösen, ohne ein schweres, starres System zu bauen, wählten die Entwickelnden einen modularen Ansatz, bekannt als Composable AI. Die Plattform arbeitet wie ein Ökosystem aus Legosteinen – sie lässt sich für einzelne Aufträge flexibel konfigurieren, ohne dass jedes Mal teuer neu programmiert werden muss.
Schritt 1: Datenknappheit überwinden (synthetische Daten)
Fehlerbilder und seltene Bauteile, von denen es nur 30 Fotos gab, wurden digital modelliert. Statt monatelang Hunderte echte Feldfotos zu sammeln, trainierte man die künstliche Intelligenz mit synthetischen Daten.
Schritt 2: ein Team aus 13 digitalen Fachleuten
Statt eines einzigen riesigen Algorithmus entstanden 13 unabhängige, spezialisierte KI-Mikromodelle. Jedes verantwortet einen schmalen Ausschnitt der Infrastruktur – etwa das Erkennen von Verteilerkästen, optischen Abschlusspunkten, Spleißkassetten oder Kabeleinführungen. Das macht das System flexibel und leicht erweiterbar.
Schritt 3: intelligente Eingangsprüfung und geringere Cloud-Kosten
Jedes Foto durch alle 13 Modelle laufen zu lassen, würde in der AWS-Cloud extrem hohe Serverkosten verursachen. Deshalb sitzt am Eingang ein leichtgewichtiger, vorhersagender Klassifikator. Bewertet er ein Foto mit über 85 % Sicherheit, filtert er unnötige Dateien sofort aus und leitet die übrigen ausschließlich an das Modul weiter, das sie tatsächlich auswerten soll.

Schritt 4: der automatisierte digitale Prüfer
Das System erkennt nicht nur Objekte auf Fotos, sondern prüft automatisch auch ihre Übereinstimmung mit den technischen Regeln. Es analysiert unter anderem, ob ein Kabel im richtigen Port steckt und ob die Elemente korrekt angeordnet sind. Jede Abweichung vom Standard wird im Bericht automatisch markiert.
Schritt 5: Dokumenten- und Messwertanalyse (über Bilder hinaus)
Die Plattform geht über die reine Fotoanalyse hinaus. Sie liest und klassifiziert Protokoll-PDFs eigenständig und verarbeitet Binärdateien optischer Messungen (SOR-Format aus OTDR-Geräten), um zu prüfen, ob die Signalpegel den technischen Vorgaben entsprechen.
Schritt 6: Grenzfälle unterscheiden – gemeinsam mit Menschen
Geräte wie die Teilnehmeranschlussdose (GF-TA) und der optische Abschlusspunkt (ONT) sind mit bloßem Auge praktisch identisch. Die KI wurde mit Negativbeispielen trainiert, um diese Zwillinge fehlerfrei auseinanderzuhalten. Zudem enthält jede KI-Bewertung einen Konfidenzwert. Ist ein Fall mehrdeutig, übergibt das System ihn zur Prüfung an einen Menschen – das beseitigt das Fehlerrisiko und senkt die kognitive Belastung der Prüfenden drastisch.
Messbare geschäftliche Ergebnisse und … unerwartete Entdeckungen
Das bestehende siebenköpfige Team hat wiederkehrende Handarbeit in einen automatisierten, reproduzierbaren Prozess verwandelt. Die Ergebnisse in Zahlen und Fakten:
- Arbeit, für die ein Mensch ein Jahr bräuchte, schafft das System in einer Woche.
- Die Reaktionszeit auf Fehler sank von mehreren Wochen auf einen einzigen Tag.
- Das automatisierte System prüft 100 %, mindestens aber über 99 % der Fälle, während ein Mensch bei statistischer Stichprobenprüfung nur 10 bis 15 % der Fotos erfasst.
- Die Kosten der Anschlussprüfung im Verhältnis zum Produktwert sind fest und betragen weniger als 1 % des Gesamtpreises.
Bemerkenswert: Nach dem Start in einer Stadt erkannte die KI, dass an 90 % der geprüften Geräte die vorgeschriebenen Kennzeichnungsetiketten fehlten – ein Fehler, der ermüdeten Menschen bei der Routineprüfung entgangen war. Zudem deckte sie eine undokumentierte Art der Kabelverbindung auf, sodass die Leitung reagieren und die Verfahren vor künftigen Rollouts verbessern konnte.
Eine universelle Lösung – bereit für neue Branchen
Die gebaute Architektur erlaubt das Zehnfache an verarbeiteten Aufgaben, ohne mehr Personal. Die Mitarbeitenden sind keine Knöpfchendrücker mehr, sondern beratende Fachleute.
Der entscheidende Vorteil der Plattform: Das Problem der manuellen Prüfung von Felddaten existiert in vielen weiteren Wirtschaftszweigen. Dank des modularen Aufbaus lässt sich die Plattform leicht an neue Einsatzbereiche anpassen:
- Energie und erneuerbare Energien – automatische Auswertung von Drohnenfotos auf Schäden an Hochspannungsleitungen, Erkennung von Mikrorissen in Photovoltaikmodulen und Inspektion von Rotorblättern.
- Bauwesen – Überwachung des Baufortschritts, Prüfung der Montagegenauigkeit von Tragwerken und automatisierte Audits der Arbeitsschutzvorgaben.
- Schienen- und Straßeninfrastruktur – automatische Bewertung des Zustands von Gleisen, Oberleitungen, Beschilderung und Fahrbahnoberflächen.
- Versicherung und Schadenregulierung – sofortige Bewertung und Einordnung von Schäden an Gebäuden oder Fahrzeugen anhand der von Kundinnen eingereichten Fotos.
Ein neuer Standard der Prüfung
Die Automatisierung der manuellen Qualitätskontrolle bedeutet den Übergang von reaktiver, fehleranfälliger Dokumentenprüfung durch Menschen zu sofortiger, digitaler Aufsicht im großen Maßstab.
Die Lehre aus dieser Einführung ist eindeutig: Wiederkehrende, eintönige Datenprüfung darf in keinem Unternehmen länger die Wachstumsbremse sein. Eine flexible KI-Architektur befreit die Mitarbeitenden von Routinearbeit und lenkt ihr Potenzial dorthin, wo es den größten Wert schafft – in fachliche Aufgaben, Beratung und Risikomanagement.