KI-Wissensdatenbank Maschinenbau: Wissen vor der Rente sichern

Pexon Consulting | 10 Min. Lesezeit | 09.06.2026

TL;DR

KI-Wissensdatenbank Maschinenbau ist das ungelöste Strukturthema 2026: Die Senior-Konstrukteure und Service-Techniker, die das Werks-Know-how 30 Jahre lang im Kopf tragen, gehen zwischen 2026 und 2030 in Rente. Klassische Wikis lösen das Problem nicht — niemand schreibt 30 Jahre Erfahrung in Confluence. Pexon Consulting baut eine RAG-basierte Wissensdatenbank, die bestehende Dokumente, Audio-Transkripte aus Experten-Interviews und Mail-Verläufe als semantisches Gedächtnis bündelt und über einen Chatbot zugänglich macht.

Warum die Renten-Welle das größte Engineering-Risiko ist

In jedem zweiten Erstgespräch im Maschinenbau hören wir aktuell die gleiche Story: Der CTO oder der Engineering-Leiter eines Mittelständlers zählt aus dem Stand vier bis sieben Schlüssel-Experten auf, die in den nächsten 36 Monaten in Rente gehen. Jeder dieser Experten ist über 25-35 Jahre ins Werk reingewachsen — kennt die Werkstoff-Tücken, die Toleranz-Erfahrung bei Sonderanfertigungen, die historischen Konstruktions-Entscheidungen, die Lieferanten-Stärken und -Schwächen. Nichts davon steht in Confluence.

Das Problem ist nicht Faulheit der Senior-Experten. Das Problem ist, dass kein Mensch 30 Jahre Erfahrung produktiv in Wiki-Artikel runterschreibt. Die typische Wissens-Doku-Quote, die wir messen, liegt bei 5-15% des tatsächlich verfügbaren Wissens. Die restlichen 85-95% leben im Kopf, gehen mit dem Eintritt der Rente verloren und müssen vom Junior-Konstrukteur über Jahre nochmal teuer wiederentdeckt werden — meist durch Fehler im Auftrag, die das ursprüngliche Wissen verhindert hätte.

Die emotionale Komponente macht das Thema bei Geschäftsführungen besonders wirksam: Wir hören Sätze wie „Wenn Herr Müller geht, geht ein Stück Firma mit“. Das ist nicht übertrieben. Bei einem Sondermaschinenbauer haben wir kalkuliert: Der Verlust eines Senior-Konstrukteurs ohne Wissens-Transfer kostet im Schnitt 280.000 EUR über die nächsten 24 Monate — durch Fehler-Konstruktionen, Mehraufwände bei Reklamationen, verlängerte Time-to-Production bei Sonderaufträgen. Bei drei abgehenden Experten sind das fast eine Million Euro stille Kosten.

Was eine KI-Wissensdatenbank konkret tut

Wir sind 2026 weit weg von „noch ein Wiki, aber mit KI“. Die produktive Antwort heißt RAG (Retrieval-Augmented Generation) plus systematische Wissens-Extraktion plus konversationelle Oberfläche. In dieser Reihenfolge.

Wissens-Extraktion ist der Schritt, der in den meisten KI-Projekten fehlt. Wir interviewen die Senior-Experten strukturiert — typisch 4-8 Stunden pro Experte, verteilt auf zwei oder drei Sitzungen — und transkribieren die Audio-Aufnahmen mit Whisper oder einem deutsch-spezialisierten Speech-to-Text-Modell. Das Transkript wird thematisch sortiert, mit Konstruktions-, Werkstoff- und Lieferanten-Tags versehen und in die Wissens-Quelle eingespeist. Bei einem Pilotkunden mit fünf abgehenden Experten haben wir so 230 Stunden Audio in einer strukturierten Wissens-Basis dokumentiert — das wäre als geschriebenes Wiki nicht entstanden.

Retrieval holt aus diesem Bestand plus den klassischen Quellen (Lastenhefte, Konstruktions-Doku, Reklamations-Berichte, ERP-Stammdaten) die relevanten Snippets zur konkreten Frage. Wir nutzen Hybrid-Retrieval — Dense Embeddings für semantische Ähnlichkeit plus BM25 für exakte Begriff-Treffer plus Reranking via Cross-Encoder. Damit landen bei der Frage „Welche Toleranz für die Welle in Werkstoff X bei Anwendung Y“ sowohl die schriftlichen Konstruktions-Standards als auch die Audio-Stelle, an der Herr Müller im Interview seine Faustregel dafür erklärt hat.

Konversationelle Oberfläche ist der Chatbot — Claude oder ein anderes Frontier-Modell, das die Antwort aus den Retrieval-Treffern synthetisiert und immer die Quellen-Referenz mitgibt. Ohne Quellen-Referenz ist die Antwort wertlos, weil der Junior-Konstrukteur sie nicht plausibilisieren kann. Mit Quellen-Referenz wird daraus ein Werkzeug, das er ernsthaft nutzt.

Architektur und Quellen-Strategie

Die Pexon-Standard-Architektur für eine KI-Wissensdatenbank Maschinenbau hat fünf Komponenten.

Erstens Quellen-Sammler: Anbindung an PLM (Teamcenter, Windchill, Aras), ERP (Stammdaten, Historie), DMS (Konstruktions-Doku, Reklamationen), E-Mail-Archive (wenn rechtlich zulässig) und das Audio-Interview-Archiv. Wir bauen die Quellen-Anbindung über MCP-Server pro Quelle — das ist das gleiche Pattern wie im Universal MCP Client.

Zweitens Chunking und Embedding: Dokumente werden in semantisch sinnvolle Chunks (200-800 Tokens) zerlegt, mit Metadaten (Quelle, Datum, Autor, Konstruktions-Tag) versehen und in eine Vektor-Datenbank (Postgres mit pgvector, Qdrant oder Weaviate) geschrieben.

Drittens Hybrid-Retrieval: Bei jeder Anfrage werden Dense-Embeddings (semantisch) und BM25 (lexikalisch) kombiniert, die Top-Treffer durch einen Cross-Encoder neu sortiert. Das fängt sowohl „Toleranz-Faustregel“ als auch „TGL 25340“ als Synonyme im selben Treffer-Set.

Viertens Generierung mit Quellen: Das LLM bekommt die Top-5-Treffer als Kontext, generiert eine Antwort, listet die genutzten Quellen mit Klick-Link zurück ins PLM oder DMS. Der Konstrukteur kann jeden Satz der Antwort nachvollziehen.

Fünftens Feedback-Loop: Jede Antwort kann mit Daumen hoch/runter bewertet werden, niedrig bewertete Antworten landen im Improvement-Backlog. Wir messen wöchentlich die Antwort-Qualität — bei einem unserer Kunden ist die Quote der „korrekt und vollständig“-Bewertungen von 67% (Wochen 1-4) auf 89% (Wochen 17-20) gestiegen, allein durch Quellen-Erweiterung und Chunking-Tuning.

Drei Quick-Wins für die ersten 8 Wochen

Volle KI-Wissensdatenbank ist ein 12-16-Wochen-Projekt. Drei Use-Cases liefern wir in den ersten acht Wochen produktiv — als Vertrauens-Anker und Quick-ROI.

Quick-Win 1: Reklamations-Lookup. Der Service-Techniker bekommt eine neue Reklamation rein und fragt den Chatbot „Hatten wir das schon mal in den letzten zehn Jahren“. Antwort kommt mit Verweis auf historische Reklamations-Berichte plus die damals angewendete Lösung. Spart pro Reklamations-Vorgang 30-90 Minuten Recherche, oft erkennt der Techniker das Muster schneller als ohne.

Quick-Win 2: Konstruktions-Standard-Bot. Der Junior-Konstrukteur fragt „Welche Werkstoff-Klasse für Anwendung X bei Belastung Y“ und bekommt die interne Konstruktions-Richtlinie referenziert, plus die typische Erfahrungs-Kommentierung der Senior-Konstrukteure aus den Interview-Transkripten. Spart pro Konstruktion 1-3 Stunden Stöbern in alten Lastenheften.

Quick-Win 3: Lieferanten-Erfahrungs-Bot. Der Einkauf fragt „Wie zuverlässig ist Lieferant X für Werkstoff-Klasse Y“ und bekommt die historischen Reklamations-Zahlen plus die qualitativen Erfahrungen der Senior-Einkäufer aus den Interviews. Verhindert die Wiederholung von Lieferanten-Fehlentscheidungen.

Bei einem Mittelständler mit 1.300 Mitarbeitern haben wir diese drei Quick-Wins in den ersten acht Wochen produktiv gebracht — täglich rund 40-80 Anfragen, 89% Korrekt-Rate nach drei Monaten Reife, ROI-Belegung gegen den Investment in den ersten neun Monaten.

Häufig gestellte Fragen

Wie schnell ist die Wissensdatenbank produktiv?

Erster Quick-Win in 4-6 Wochen (Reklamations-Lookup), drei Quick-Wins in 8 Wochen, vollständige Wissens-Architektur mit Audio-Interview-Pipeline in 12-16 Wochen. Wir liefern als Sprint mit festem Preis. Investment 80-150k EUR je nach Quellen-Anzahl und PLM-Komplexität.

Welche Audio-Transkriptions-Qualität ist möglich?

Bei deutschen Maschinenbau-Interviews mit Fachsprache erreichen wir mit Whisper Large V3 oder einem deutsch-spezialisierten Modell rund 92-96% Wort-Genauigkeit. Wir nachbearbeiten kritische Fachbegriffe mit einem domänen-spezifischen Glossar, was die effektive Trefferquote weiter erhöht. Der Senior-Experte bekommt das Transkript zur Review, bevor es in die Wissensbasis fließt.

Was passiert mit personenbezogenen Daten in alten Mail-Verläufen?

Mail-Verlauf-Integration ist optional und braucht eine klare DSGVO-Folgenabschätzung plus Betriebsrats-Zustimmung. Wir empfehlen, im ersten Sprint ohne Mail-Quellen zu starten und sie erst hinzuzunehmen, wenn der Use-Case und die rechtliche Lage geklärt sind. Strukturierte PLM- und ERP-Quellen liefern für die meisten Anwendungs-Fälle bereits 80% des Werts.

Wie verhindern wir, dass die KI Antworten erfindet?

Drei Schutz-Schichten. Erstens: Antworten ohne Retrieval-Treffer werden nicht generiert, sondern als „kein Treffer in der Wissensbasis“ zurückgegeben. Zweitens: Jede Aussage muss durch eine Quellen-Referenz belegbar sein, sonst wird sie gestrichen. Drittens: Konfidenz-Scoring pro Antwort, niedrig-konfidente Antworten werden klar markiert. Damit fällt die Halluzinations-Rate von typisch 15-25% auf unter 3%.

Reicht das auch für die Maschinenrichtlinie 2027-Compliance?

Die Wissensdatenbank selbst ist nicht sicherheitskritisch, aber sie kann den Sicherheitsingenieuren bei der Risikobeurteilung helfen. Für die formale ARL-Doku siehe unseren ARL-Generator-Blog.

Nächster Schritt

Wenn dein Maschinenbau-Unternehmen Senior-Experten in den nächsten 24-36 Monaten in Rente schickt und die Frage „wie sichern wir das Wissen“ offen ist: Wir machen einen 45-Minuten-Call mit dir und idealerweise einem Senior-Engineering-Manager. Du beschreibst die Experten-Lage und Quellen-Landschaft, wir skizzieren die Architektur mit Festpreis-Sprint.

Verwandte Themen