- Der Generationenwechsel ist im Maschinenbau das drängendste KI-Thema: Jahrzehnte Erfahrungswissen verlassen den Betrieb mit den Renteneintritten der nächsten Jahre — und sind dann unwiederbringlich weg.
- Klassische Wikis sind daran gescheitert, dass Wissen erst mühsam strukturiert werden musste. RAG dreht das um: Die KI arbeitet mit den Dokumenten, wie sie sind, und antwortet mit Quellenangabe.
- NDA und Geschäftsgeheimnis sprechen für lokalen Betrieb: Wer Konstruktions- und Kundendaten in eine US-Cloud kippt, riskiert Vertragsketten und den Schutzstatus seines Know-hows. Offene Modelle laufen heute im eigenen Haus.
- Der AI Act ist für diesen Use Case Entwarnung: Ein interner Wissensassistent ist kein Hochrisiko-System — wer KI deswegen auf Eis gelegt hat, verschenkt gerade Zeit.
Über Fachkräftemangel wird viel geredet — über das, was mit den Fachkräften geht, erstaunlich wenig. Dabei ist die Rechnung einfach: Die geburtenstärksten Jahrgänge stehen kurz vor oder mitten im Renteneintritt, und im Maschinenbau trifft das eine Wissenskultur, die über Jahrzehnte auf Erfahrung statt auf Dokumentation gebaut hat. Der Sonderfall, der nur einmal alle zwei Jahre auftritt. Die Toleranzentscheidung, die damals bewusst vom Standard abwich. Die Historie einer Maschine, die seit 1998 beim Kunden läuft. Wenn der Mensch geht, der das weiß, beginnt das teure Rekonstruieren — oder der Kunde geht gleich mit.
Die übliche Antwort darauf hieß viele Jahre: Wissensdatenbank. Und fast jeder Betrieb, der es versucht hat, kennt das Ergebnis — ein Wiki-Friedhof. Nicht weil die Idee falsch war, sondern weil das Modell falsch herum stand: Erst sollten Menschen ihr Wissen in Struktur gießen, Artikel schreiben, Kategorien pflegen. Genau die Leute, deren Wissen am wertvollsten ist, haben dafür am wenigsten Zeit. Nach dem ersten Schwung schlief die Pflege ein, die Suche fand nichts, das Vertrauen war weg.
Was RAG anders macht als das gescheiterte Wiki
Der technische Durchbruch der letzten zwei Jahre — leistungsfähige Sprachmodelle plus Vektordatenbanken, zusammen als RAG (Retrieval-Augmented Generation) — dreht die Reihenfolge um. Das Wissen muss nicht mehr zur Struktur kommen; die KI kommt zum Wissen:
Die Wissensbasis nimmt, was da ist. Wartungshandbücher, Maschinenakten, Zeichnungsbegleittexte, Serviceberichte, Übergabeprotokolle, E-Mail-Verläufe zu Reklamationen, Notizfelder im ERP. Keine Vorab-Strukturierung, keine Artikel-Schreibpflicht — die Dokumente werden eingelesen, in eine durchsuchbare Form gebracht und bleiben im Original erhalten.
Sie antwortet statt zu suchen. Der Unterschied zur Volltextsuche ist der Unterschied zwischen 400 Treffern und einer Antwort. „Welche Dichtung braucht die XZ-40 vom Kunden Müller, und gab es da mal ein Temperaturproblem?" wird beantwortet — mit Verweis auf den Servicebericht von 2019 und die Seite im Handbuch. Die Quellenangabe ist dabei nicht verhandelbar: Der Techniker prüft die Originalstelle, statt einer Blackbox zu glauben.
Sie deckt Lücken präzise auf. Wo keine Quelle existiert, sagt das System das — und genau diese Lücken sind die Landkarte fürs Wissenssichern: strukturierte Interviews mit den erfahrenen Leuten, bevor sie gehen. Transkribiert und eingespeist wird aus dem Gespräch von heute die dokumentierte Antwort von morgen. Das ist der Teil, den Software allein nicht löst — aber sie macht ihn zum ersten Mal planbar.
| Wissensquelle | Typischer Zustand | In der Wissensbasis |
|---|---|---|
| Technische Doku (Handbücher, Begleittexte) | Vorhanden, aber verstreut über Laufwerke und Formate | Durchsuchbar mit Quellenangabe, versionsübergreifend |
| Maschinenakten & Servicehistorie | Je Kunde/Maschine fragmentiert in ERP, Mail, Papier | Eine Frage liefert die ganze Historie einer Maschine |
| Sonderfall-Wissen | Nur in Köpfen — geht mit dem Renteneintritt | Über Erfahrungs-Interviews transkribiert und gesichert |
| Projekt-Entscheidungen („warum so gebaut?") | In alten E-Mails und Besprechungsnotizen begraben | Auffindbar, mit Kontext und Datum |
Typische Wissensbestände im Maschinenbau und was eine RAG-Wissensbasis daraus macht. Digital Maker, Stand Juli 2026.
NDA, Geschäftsgeheimnis, AI Act — die drei Rechtsfragen
Kunden-NDAs sind der härteste Grund für lokalen Betrieb. Wer als Zulieferer Zeichnungen, Spezifikationen und Projektdaten seiner Kunden verarbeitet, hat dafür fast immer Geheimhaltungsvereinbarungen unterschrieben — und die vertragen sich schlecht damit, dieselben Daten zur Verarbeitung an einen US-Clouddienst weiterzureichen. Eine Wissensbasis, die auf einem Server im eigenen Haus oder auf dedizierter EU-Infrastruktur läuft, hält die Vertragskette intakt: Es lässt sich für jede Stufe benennen, wo die Daten verarbeitet werden.
Das eigene Know-how ist nur geschützt, solange es geschützt wird. Der Schutz als Geschäftsgeheimnis setzt angemessene Geheimhaltungsmaßnahmen voraus — wer sein Konstruktionswissen unkontrolliert in fremde Systeme gibt, schwächt genau diesen Status. Die lokal betriebene Wissensbasis ist hier doppelt sinnvoll: Sie sichert das Wissen und dokumentiert die Schutzmaßnahme.
Der AI Act ist für diesen Use Case kein Stoppschild. Etliche Industriebetriebe haben KI-Projekte auf Eis gelegt, als die Verordnung kam. Für interne Wissensassistenten ist das die falsche Vorsicht: Sie fallen nicht in die Hochrisiko-Kategorie — die betrifft Bereiche wie Sicherheitskomponenten von Maschinen oder Personalentscheidungen, nicht das Durchsuchbarmachen der eigenen Dokumentation. Was ab wann wirklich gilt, steht in unserer AI-Act-Einordnung; warum lokale Modelle inzwischen auch qualitativ tragen, im Local-LLM-Leitfaden.
So läuft die Einführung — ohne Zwei-Jahres-Projekt
Der Fehler der alten Wissensmanagement-Projekte war auch ihr Zuschnitt: alles auf einmal, unternehmensweit, mit Lenkungskreis. Der Weg, der funktioniert, ist kleiner und schneller: ein abgegrenzter Wissensbereich als Pilot — etwa die Servicehistorie einer Produktlinie oder die Doku eines Maschinentyps. Daran zeigt sich in Wochen, wie gut die eigenen Bestände tragen, wie das Team fragt und wo die Lücken liegen. Danach wächst die Basis Bereich für Bereich, und die Erfahrungs-Interviews füllen gezielt, was nirgends dokumentiert ist.
Wichtig ist die Eigentumsfrage von Anfang an: Die Wissensbasis gehört dem Betrieb — Modelle, Datenbank, Code. Ein System, das das gesammelte Firmenwissen enthält und bei Vertragsende beim Anbieter bleibt, wäre die Wiederholung des Problems, das man gerade löst, nur eine Ebene höher.
Quellen und Einordnung
Rechtsbezüge: Gesetz zum Schutz von Geschäftsgeheimnissen (GeschGehG, insb. § 2: Schutz setzt angemessene Geheimhaltungsmaßnahmen voraus), DSGVO (Art. 28 Auftragsverarbeitung), EU AI Act (Verordnung (EU) 2024/1689, Risikoklassen und Transparenzpflichten). Die demografische Lage — Renteneintritt der geburtenstarken Jahrgänge bis in die 2030er — ist Konsens der einschlägigen Arbeitsmarkt- und Branchenanalysen. Beobachtungen zu Wissensverlust und Wiki-Projekten stammen aus unserer Projektpraxis. Dieser Artikel ist eine Praxis-Einordnung, keine Rechtsberatung.
Häufige Fragen: KI-Wissensbasis im Maschinenbau
Was bringt eine KI-Wissensbasis, wenn unsere Doku lückenhaft ist?
Mehr, als man denkt — und sie deckt die Lücken auf. Eine RAG-Wissensbasis arbeitet mit dem, was da ist: Handbücher, Wartungsberichte, Maschinenakten, E-Mail-Verläufe, ERP-Notizen. Sie muss nicht erst in eine saubere Struktur gebracht werden, das war der Kardinalfehler der alten Wiki-Projekte. Und wo die KI keine Quelle findet, ist das ein präziser Hinweis, welches Wissen nur noch in Köpfen existiert — genau dort setzen dann strukturierte Erfahrungs-Interviews an, deren Transkripte in die Wissensbasis wandern.
Verlässt unser Konstruktions- und Kundenwissen dabei das Haus?
Nicht, wenn die Architektur stimmt. Offene Modelle laufen heute auf einem Server im eigenen Betrieb oder auf dedizierter EU-Infrastruktur — Zeichnungsbegleittexte, Stücklisten und Kundenkorrespondenz werden dann verarbeitet, ohne je einen US-Clouddienst zu berühren. Das ist nicht nur ein Datenschutzthema: Wer Kunden-NDAs unterschrieben hat oder sein Know-how als Geschäftsgeheimnis schützt, braucht nachweisbar angemessene Geheimhaltungsmaßnahmen — eine lokal betriebene Wissensbasis ist dafür das sauberste Setup.
Ist ein Wissensassistent ein Hochrisiko-System nach dem EU AI Act?
Nein. Hochrisiko im Sinne des AI Act sind Systeme in Bereichen wie Sicherheitskomponenten von Maschinen, kritischer Infrastruktur oder Personalentscheidungen. Ein interner Assistent, der Dokumentation durchsuchbar macht und Antworten mit Quellenangabe liefert, fällt nicht darunter — es gelten die allgemeinen Transparenzpflichten, mehr nicht. Die nüchterne Einordnung steht in unserem AI-Act-Artikel; im Audit ordnen wir die konkreten Use Cases ein. (Einordnung aus Betreiber-Praxis, keine Rechtsberatung.)
Was kostet der Einstieg — und wie lange dauert er?
Der Einstieg ist das KI-Audit für 2.000 € Festpreis: Wissensbestände sichten, Use Cases priorisieren, Architektur festlegen — bei einem Pilotprojekt binnen 60 Tagen wird das voll angerechnet. Ein Pilot mit einem abgegrenzten Wissensbereich kostet 12.000 € Festpreis; große Bestände über Jahrzehnte und Standorte liegen als Richtwert bei 15.000–30.000 €. Betrieb und Weiterentwicklung: 500 € pro Monat je System, jederzeit kündbar — kündbar ist dabei nur unser Service, nicht deine KI.
Wer geht bei euch in den nächsten fünf Jahren in Rente?
Wenn dir bei der Frage Namen einfallen, ist das der Startpunkt. Was KI im Maschinenbau konkret übernimmt und was sie kostet, steht auf der Maschinenbau-Seite — wie eine Wissensbasis technisch aufgebaut ist, auf der Wissensmanagement-Seite. Oder in 10 Minuten selbst prüfen, wo dein Betrieb steht: der KI-Selbstcheck.