21 wirtschaft economy oder IQS) sind exzellente Dokumenta- tions-Werkzeuge, da sie die 7-Schritte Me- thode gemäß dem aktuellen AIAG & VDA FMEA-Handbuch strukturieren, die rele- vanten AP-Bewertungen ableiten und diese an zentrale Softwarelösungen weitergeben (PLM-Systeme zur Steuerung aller Daten, Prozesse und Dokumente eines Produkts über den gesamten Produktlebenszyklus). Allerdings können sie nicht die zuvor ge- nannte technische Leistung einer KI-Assis- tenz übernehmen. Das gelingt erst durch Kombination beider Tools. Wichtig ist dabei zu betonen, dass das KI-Modell Vorschläge nicht „frei erfin- den“ darf, Vorschläge müssen auf eine reale Quelle rückführbar sein und auf vorangegangenen Bewertungen basieren. Die AIAG-VDA fordert eine systematische und nachvollziehbare Bewertung; durch Konsistenz können die tatsächlich kriti- schen Teile bzw. Abläufe viel schneller er- kannt werden. Das KI-Modell fungiert als intelligente Entscheidungshilfe, aber die Entscheidung über die Auswahl der Einga- ben sowie die Bewertung nach AIAG-VDA muss gemäß EU AI Act beim FMEA-Team verbleiben. Bei der Auswahl einer geeigneten Softwarelösung ist darauf zu achten, dass diese 1) nur begründete und auf eine konkrete Quelle referenzierte Vorschläge ab- gibt, welche auf bereits erfolgten Be- wertungen beruht, 2) an die bestehenden FMEA-Tools an- gebunden werden kann, 3) lokal oder in einer nachweisbaren EU-Cloud betrieben werden kann, 4) mit einem entsprechenden Audit-Log- ging ausgestattet ist, damit jedes Er- eignis (z. B. Datenzugriffe, Fehler, An- meldungen) im System nachvollzogen werden kann. Potenziale & Herausforderungen Im Lebensmittelbereich ergeben sich da- raus erhebliche Potenziale. Die steigende Komplexität globaler Lieferketten, die Vielfalt an Rohstoffen sowie die Sensibi- lität gegenüber Kontaminationsrisiken erfordern robuste präventive Werkzeuge. Die FMEA kann hier helfen, Schwach- stellen frühzeitig zu identifizieren, bei- spielsweise bei temperaturkritischen Prozessen, Kreuzkontaminationen oder Verpackungsfehlern. Zudem unterstützt sie die systematische Bewertung neuer Technologien, etwa alternativer Proteine oder innovativer Verarbeitungsverfahren. Die Praxis zeigt auch, dass immer öfter eine FMEA eingesetzt wird, um Fehler am realen Produkt aufzudecken anstatt sich potentielle Fehler „auszudenken“. Bei der sogenannten Reverse FMEA wird ein bereits bestehendes Produkt oder ein Prototyp systematisch in seine Einzelteile zerlegt und analysiert, um Schwachstellen bereits vor der Auslieferung aufzudecken. Mit dieser Anwendung kann die Prozess- sicherheit zielgerichtet erhöht werden, idealerweise noch vor Start einer Serien- produktion, um damit die Fehlerkosten einer Produktion auf ein Minimum zu senken. Ein weiteres Potenzial liegt in der Kom- bination mit Nachhaltigkeitszielen. Feh- lervermeidung bedeutet auch Ressourcen- schonung, da Ausschuss, Nacharbeit und Rückrufe reduziert werden. In diesem Sinne trägt die FMEA indirekt zur ökolo- gischen und ökonomischen Effizienz bei. Trotz der Stärken der FMEA gibt es auch Herausforderungen. Die Durchführung einer fundierten FMEA ist zeit- und res- sourcenintensiv und erfordert interdis- ziplinäres Know-how. Zudem hängt die Qualität der Ergebnisse stark von der Erfahrung der beteiligten Expertinnen und Experten ab. Hier kann mit standar- disierten Leitlinien und Schulungen sowie digitalen Assistenzsystemen die Anwen- dungsfreundlichkeit maßgeblich verbes- sert werden. Fazit Insgesamt zeigt sich, dass die FMEA im Lebensmittelproduktionsbereich ein hohes Entwicklungspotenzial besitzt. Insbeson- dere durch Digitalisierung, Datenintegra- tion und die Verknüpfung mit bestehenden Sicherheitskonzepten kann diese zu einem noch wirkungsvolleren Instrument der präventiven Qualitätssicherung werden. DI Dr. Ulrike Zitz, Ass.-Prof. DI Dr. Klaus Dürrschmid, beide: Institut für Lebensmittelwissen- schaften, Department für Biotechnologie und Lebensmittelwissenschaften, BOKU University Literatur – Action Priority Table. Action Priority (AP) for DFMEA & PFMEA. AIAG & VDA FMEA Handbook 2019 https://de. scribd.com/document/466509393/Acti- on-Priority-Table-AIAG-VDA-FMEA – Automotive Industry Action Group & Verband der Automobilindustrie (2019): AIAG & VDA FMEA-Hand- buch, Design-FMEA, Prozess-FMEA, FMEA-Ergänzung – Monitoring und Systemreaktion. 1. Auflage – European Union. EU AI Act. Verord- nung (EU) 2024/1689 des Europäischen Parlaments und des Rates vom 13. Juni 2024 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz und zur Änderung der Verordnungen (EG) Nr. 300/2008, (EU) Nr. 167/2013, (EU) Nr. 168/2013, (EU) 2018/858, (EU) 2018/1139 und (EU) 2019/2144 sowie der Richtlinien 2014/90/EU, (EU) 2016/797 und (EU) 2020/1828 (Ver- ordnung über Künstliche Intelligenz). https://eurlex.europa.eu/legalcontent/ DE/TXT/?uri=CELEX:32024R1689 – EU AI Act. The EU Artificial Intelligence Act. Up-to-date developments and analyses of the EU AI Act. https://artificialintelligen- ceact.eu/ zuletzt besucht am 31.07.2026 – Lean Six Sigma Definition. Glossary. Action Priority. https://www.leansixsig- madefinition.com/glossary/action-priority/ – Luft, T. (2026): EU AI Act und FMEA - was Mittelständler 2026 wissen müssen https://fmeaki.de/2026/05/eu-ai-act- fmea/ zuletzt besucht am 31.07.2026 – Oancea, A.-V., Ionescu, L.-M., Rontes- cu, C., Ionescu, N., Misztal, A., Bogatu, A.-M., Stirbu, C., Cicic, D.-T., Stanciu, E.-M. (2026): An inteligent framework for implementing AIAG-VDA FMEA and Action Priority (AP) assessment. 16, 2591, Applied Sciences. https://doi. org/10.3390/app16052591 – Pexon-Consulting (2026) FMEA mit KI: Von 120 auf 40 Stunden pro Ana- lyse https://pexon-consulting.de/blog/ fmea-mit-ki/ – Pfeufer, H.-J. (2021): FMEA – Feh- ler-Möglichkeits- und Einfluss-Analyse nach AIAG und VDA. Carl Hanser Verlag GmbH & Co. KG, 2. Auflage – Tietjen T., Decker A. (2026): FMEA-Praxis. Einstieg in die Risiko- abschätzung von Produkten, Prozessen und Systemen. Carl Hanser Verlag GmbH & Co. KG, 5. Auflage volume 50 | 05. 2026 ERNÄHRUNG | NUTRITION