Beispielszenario Maschinenbau: Wissenssuche mit RAG.

In diesem Beispielszenario zeigen wir nicht nur ein mögliches Ergebnis, sondern die Methodik unserer Arbeit. Ausgangslage ist ein typischer mittelständischer Sondermaschinenbauer mit einem klassischen Dilemma: volle Auftragsbücher, aber ein überlasteter Vertriebsinnendienst.

Hochspezialisierte Ingenieure verbringen einen großen Teil ihrer Arbeitszeit mit administrativen Tätigkeiten, statt technische Lösungen zu entwickeln. Naheliegend wäre die Einführung eines Chatbots. Die Analyse zeigt jedoch: Ein Chatbot ist hier das falsche Werkzeug. Was fehlte, war keine „Plaudertasche“, sondern eine tiefe Augmentierung der Ingenieure.

Wir raten in solchen Fällen davon ab, KI als Ersatz für Mitarbeiter zu sehen. Stattdessen entsteht ein System, das langjähriges Firmenwissen (PDFs, Pläne, Mails) schnell verfügbar macht.

Schritt 1: Die forensische Prozess-Analyse

Bevor eine Zeile Code entsteht, zerlegen wir den Status quo. Typischerweise zeigt sich: Der Flaschenhals ist nicht die Kreativität der Ingenieure, sondern die „Archäologie“ in alten Datenbeständen.

Das Wiederholungs-Problem

Jedes Angebot wird neu geschrieben, obwohl ein Großteil der technischen Anforderungen bereits in früheren Projekten gelöst wurde. Das Wissen liegt brach in Silos auf diversen Servern und in Postfächern.

Datenschutz als Hürde

Sensible Konstruktionsdaten dürfen nicht in öffentliche KI-Modelle wie ChatGPT. Gefragt ist eine „souveräne KI“, die ausschließlich lokal auf Unternehmensdaten zugreift.

Akzeptanz-Risiko

Belegschaften fürchten in dieser Lage oft Rationalisierung und Überwachung. Die Aufgabe ist, das Narrativ von „Ersetzung durch Technik“ zu „Befreiung von lästiger Sucharbeit“ zu drehen.

Schritt 2: Technische Architektur (RAG)

Statt einer Standard-Lösung setzen wir eine maßgeschneiderte RAG-Architektur (Retrieval Augmented Generation) ein. Das ist der ProzessX-Standard für Unternehmen, die mit sensiblen Daten arbeiten und Halluzinationen der KI strikt vermeiden müssen. Die KI muss ihre Aussagen durch die internen Vektordaten belegen.

• Vektorisierung des Archivs: Alte Angebote und technische Zeichnungen werden in einen Vektor-Index überführt. Die KI erfasst so den semantischen Inhalt der Unternehmensvergangenheit.
• Der Guardrail-Prompt: Wenn ein Ingenieur fragt „Erstelle ein Angebot für Anlage X“, sucht die KI zuerst intern nach ähnlichen Fällen. Sie darf ausschließlich auf Basis der gefundenen Dokumente antworten.
• Zitierpflicht: Das System liefert nicht nur Text, sondern Fußnoten, zum Beispiel: „Ich empfehle Bauteil Y, weil wir es in einem früheren Projekt eingesetzt haben (siehe PDF mit Seitenangabe).“

Das Ergebnis ist eine faktentreue KI, die Antworten nicht erfindet, weil sie technisch an die eigenen Quellen gebunden ist.

Manuell vs. Augmented Workflow

• Vorher: Der Ingenieur durchsucht den Fileserver, nutzt Copy & Paste aus alten Word-Dokumenten und prüft manuell die Kompatibilität.
• Nachher: Eingabe der Parameter. Der Agent erstellt einen Entwurf inklusive technischer Referenzen. Der Ingenieur prüft und veredelt.

Schritt 3: Business Case

Am Ende zählt für den Mittelstand nicht die Technologiebegeisterung, sondern die betriebswirtschaftliche Wirkung. Wir zeigen den Rechenweg statt einer Erfolgsbehauptung. Die Werte sind Annahmen für dieses Beispiel:

• Annahme: 20 komplexe Angebote pro Monat, je 6 Stunden Recherche in Altdaten und alten Angeboten.
• Annahme: Mit der RAG-Suche sinkt die Recherche auf rund 2 Stunden pro Angebot, weil ähnliche Fälle mit Quelle vorgeschlagen werden.
• Rechnung: 20 Angebote × (6 − 2) Stunden = 80 Stunden pro Monat, die wieder für Konstruktion und Entwicklung frei werden.
• Qualität: Statt Copy & Paste prüft die KI Spezifikationen gegen die validierte Wissensbasis. Die Freigabe bleibt beim Ingenieur.
• Kapazität: Die gewonnene Zeit dient nicht dem Personalabbau, sondern Forschung, Entwicklung und Neuentwicklungen.

Checkliste: Transformation zur Augmented Organization

Welche technischen und strukturellen Voraussetzungen Ihr Unternehmen erfüllen muss, fassen wir in einer Checkliste zusammen. Sie können sie direkt bei uns anfordern.

• Identifikation von RAG-Use-Cases
• Data Readiness Audit
• Compliance- und Datenschutz-Prüfung