Viele Unternehmen haben massiv in KI investiert – und merken erst im Betrieb, dass etwas Grundsätzliches fehlt. Es liegt nicht an der Technologie.
Stellen Sie sich vor, ein erfahrener Instandhalter verlässt das Unternehmen. Er weiß, welche Wartungsanweisung wirklich gilt – nicht die im System, sondern die, die nach der letzten Maschinenänderung angepasst wurde. Er weiß, wen man anruft, wenn die Prüffreigabe fehlt. Er weiß, wo die aktuelle Zeichnung liegt, obwohl sie nie ins PLM eingepflegt wurde. Dieses Wissen ist nirgendwo aufgeschrieben. Es ist einfach weg.
Genau dieses Problem versuchen viele Unternehmen gerade mit KI zu lösen. Und genau hier scheitern sie – nicht weil KI schlecht ist, sondern weil KI nur so gut ist wie die Wissensgrundlage, auf der sie arbeitet.
Was der Hype verschweigt
„ChatGPT fürs Unternehmen“ klingt verlockend. Mitarbeitende stellen Fragen in normaler Sprache, die KI liefert Antworten. Im Pilotprojekt funktioniert das oft erstaunlich gut.
Doch sobald es ernst wird, zeigt sich das eigentliche Problem: Ein Sprachmodell weiß nicht, welche Version einer Arbeitsanweisung freigegeben ist. Es weiß nicht, ob ein Dokument für Werk A oder Werk B gilt. Es kennt keine internen Freigabeprozesse, keine Verantwortlichkeiten, keinen Unterschied zwischen „noch gültig“ und „längst ersetzt“.
Eine Antwort, die plausibel klingt, aber auf dem falschen Dokument basiert, ist in der Fertigung kein Mehrwert – sie ist ein Risiko.
Laut Gartner werden mindestens 50 % aller GenAI-Projekte nach dem ersten Proof-of-Concept abgebrochen. Nicht wegen der Technologie, sondern wegen mangelnder Datenqualität und fehlender Nachvollziehbarkeit. In der DACH-Region kommt hinzu: Compliance, Betriebsrat und Haftungsfragen dulden keine KI, die ihre Quellen nicht nennen kann.
Das eigentliche Problem: Dokumente ohne Zusammenhang
Die meisten Industrieunternehmen haben keine schlechten Daten. Sie haben gute Daten – aber ohne Kontext.
Ein Dokument im SharePoint „weiß“ nicht, dass es zur Maschine in Halle 3 gehört, dass es seit letztem Monat durch eine neue Version ersetzt wurde und dass der Qualitätsleiter in Werk B dafür verantwortlich ist. Diese Beziehungen existieren – aber sie stecken in den Köpfen der Mitarbeitenden, nicht im System.
Das ist der Unterschied zwischen Datenstruktur und Wissensstruktur. Ordner, Versionsnummern und Bibliotheken erzeugen Ordnung – aber keine Bedeutung. KI braucht beides.
Die Folgen sind im Alltag spürbar: Mitarbeitende verbringen täglich 45 bis 60 Minuten mit Suchen und Rückfragen. Rework entsteht, weil veraltete Dokumente angewendet wurden. Und irgendwann baut jedes Team seine eigene inoffizielle Ablage – weil das offizielle System nicht das richtige liefert.
Was wirklich hilft: eine Kontextschicht
Der Lösungsansatz heißt nicht „besseres KI-Modell“. Er heißt: die richtige Grundlage schaffen.
Was Industrie-KI produktiv macht, ist eine Kontextschicht – eine semantische Verbindung zwischen all den Systemen, die bereits im Einsatz sind. ERP, PLM, QMS, DMS, SharePoint – sie alle bleiben, wie sie sind. Die Kontextschicht macht sie gemeinsam nutzbar.
Konkret bedeutet das: Inhalte werden nicht nur gespeichert, sondern eingeordnet. Welches Dokument gilt für welchen Geltungsbereich? Wer hat es freigegeben, wann, in welchem Status? Welche Arbeitsanweisung gehört zu welchem Prüfplan, welcher Zeichnung, welcher Abweichungsmeldung?
Erst wenn diese Beziehungen maschinenlesbar hinterlegt sind, kann KI verlässliche Antworten liefern – mit nachvollziehbarem Quellenbezug, nicht als gut gemeinte Vermutung.
Semantische Suche: der schnellste erste Schritt
Der Einstieg muss nicht groß sein. Semantische Suche ist ein pragmatischer erster Schritt, der in sechs bis zehn Wochen echten Mehrwert zeigt.
Anders als klassische Volltextsuche findet semantische Suche Inhalte nach Bedeutung – nicht nur nach exaktem Wortlaut. Sie versteht Synonyme, Abkürzungen und abteilungsspezifische Begriffe. Sie zeigt nicht hundert Treffer, sondern die relevanten – gefiltert nach Werk, Produkt, Freigabestatus.
Der Weg dorthin: die zwanzig häufigsten Suchanfragen aus Engineering, Qualität und Instandhaltung erheben, die wichtigsten Wissensquellen anbinden, minimalen Kontext definieren – und loslegen. Nicht als großes IT-Projekt, sondern als gezielter Piloten mit messbarem Ergebnis.
KI ersetzt kein Urteilsvermögen – sie entlastet es
Ein wichtiger Punkt für alle, die KI im Betrieb einführen: Es geht nicht darum, Expertise zu ersetzen. Es geht darum, sie freizusetzen.
Wenn eine Fachkraft in der Instandhaltung zwanzig Minuten sucht, bevor sie mit der eigentlichen Arbeit beginnen kann, ist das keine Kleinigkeit – das ist struktureller Produktivitätsverlust. KI, die auf einer validierten Wissensbasis arbeitet, löst dieses Problem. Die Verantwortung für Entscheidungen bleibt dort, wo sie hingehört: beim Menschen.
Das schafft Akzeptanz – auch im Betriebsrat. Nicht weil KI harmlos klingt, sondern weil sie transparent ist: Jede Antwort mit Quellenbezug, jede Freigabe weiterhin in der Organisation, jede Unsicherheit klar gekennzeichnet.
Wie der vollständige Architekturansatz aussieht, welche Rollen in der Einführung entscheidend sind und wie ein realistischer Projektverlauf aussieht – das beschreibt unser Whitepaper „Context Enabled AI in der Industrie“ im Detail.
