PLM-Doku-Klassifikations-Agent: Auto-Tag für Altbestand

Pexon Consulting | 10 Min. Lesezeit | 02.06.2026

TL;DR

PLM Doku Klassifikation ist 2026 das ungelöste Bestands-Problem bei deutschen Maschinen- und Fahrzeugbauern: Zehntausende R&D-Dokumente liegen in Teamcenter, Windchill oder Aras mit falschen, fehlenden oder veralteten Klassifikations-Tags. Manuelles Re-Tagging ist unrealistisch. Pexon Consulting baut einen Klassifikations-Agent, der den Inhalt liest, einen Doku-Typ vorschlägt (AFM, ALR, APD, ARL, FMEA, Lastenheft etc.), einen Confidence-Score liefert und unklare Fälle in eine Reviewer-Queue schickt — als Bulk-Migration in 6-10 Wochen.

Warum der Altbestand das ungelöste PLM-Problem ist

Wer als PLM-Admin oder Doku-Manager in einem mittelständischen Maschinen- oder Anlagenbauer sitzt, kennt die Realität: Das PLM-System enthält 30.000 bis 300.000 R&D-Dokumente, gewachsen über 15-25 Jahre. Frühe Migration aus dem Files-Server hat die Klassifikation grob hinterlassen, Folge-Projekte haben neue Doku-Typen eingeführt, die im Klassifikations-Schema nicht sauber zugeordnet wurden, einzelne Konstrukteure haben unzureichend getaggt. Das Ergebnis: 30-55% der Dokumente sind falsch, ungenau oder gar nicht klassifiziert.

Konsequenzen sind real und teuer. Erstens: Such-Performance leidet, weil semantisch falsche Tags die Trefferlisten füllen. Konstrukteure verlieren 1-3 Stunden pro Woche bei der Suche nach Vorlage-Dokumenten. Zweitens: Compliance leidet, weil sicherheits-kritische Dokumente unter „Sonstiges“ oder „Bestandsdoku“ liegen, statt klar als FMEA, ARL oder Lastenheft typisiert. Im CE-Audit ist das ein Problem. Drittens: KI-Anwendungsfälle werden blockiert. RAG-Pipelines, Spec-Vergleiche, Cross-Projekt-Analysen brauchen verlässliche Klassifikationen — schlechte Tags führen zu schlechten KI-Outputs.

Manuelles Re-Tagging skaliert nicht. Bei 50.000 Dokumenten und einer realistischen Bearbeitungszeit von 3-8 Minuten pro Dokument (Öffnen, Inhalt grob lesen, Tag setzen, Speichern) sind das 2.500-6.700 Personen-Stunden. Bei 95 EUR pro Stunde 240k-635k EUR allein für die Klassifikation, ohne Qualitätsprüfung. Niemand startet das Projekt — der Bestand bleibt schlecht, die Probleme bleiben, die KI-Use-Cases warten.

Drei Klassifikations-Anti-Patterns

Wir haben bei drei Mittelständlern systematische Bestand-Audits gemacht. Drei Anti-Patterns wiederholten sich konstant — und sie sind die Grundlage, gegen die der Klassifikations-Agent prüft.

Anti-Pattern 1: Sammel-Tag „Sonstiges“. 12-25% der Dokumente landen historisch unter generischen Tags wie „Allgemeine Doku“, „Bestandsdoku“ oder „Sonstiges“. Das ist die PLM-Variante von „Posteingang voll“. Inhaltlich sind das oft FMEA-Auszüge, ARL-Drafts, Konstruktions-Reviews — also klar typisierbare Dokumente, die aus Zeitmangel nicht sauber klassifiziert wurden. Der Agent identifiziert diese Sammel-Bucket-Dokumente prioritär.

Anti-Pattern 2: Versions-Folgefehler. Eine V1 wird korrekt als „Lastenheft“ klassifiziert, V2 erbt den Tag aus dem Versions-Mechanismus, V3 wird neu erstellt und der Konstrukteur tagt sie „Spec“ oder „Anforderung“, ohne dass das ins offizielle Schema passt. Über mehrere Versions-Generationen entstehen inkonsistente Klassifikations-Bäume.

Anti-Pattern 3: Schema-Verschiebung. Das Klassifikations-Schema wurde 2018 von 8 auf 23 Doku-Typen erweitert. Bestand vor 2018 nutzt die alten 8 Tags, Bestand nach 2018 die neuen 23. Eine durchgängige Such-Erfahrung ist damit unmöglich. Der Agent erkennt den jeweiligen Schema-Stand und bietet eine konsistente Re-Klassifikation an.

Jedes Anti-Pattern hat eine andere Lösungs-Strategie. Der Agent ist nicht ein Generalist, der „irgendwie Tags vergibt“ — er kennt die typischen Bestand-Pathologien und bearbeitet sie systematisch.

Wie der Klassifikations-Agent funktioniert

Architektur in Stichworten: Bulk-Inputter liest das PLM-System (Teamcenter, Windchill, Aras) per REST-API oder direktem Vault-Zugriff. Pro Dokument wird der Inhalt extrahiert (PDF, DOCX, XLSX, DWG/DXF — bei CAD-Daten via Metadaten plus Vorschau-Bild), durch einen Klassifikations-Agent geschickt, der gegen das eigenkonfigurierte Schema klassifiziert und einen Confidence-Score liefert.

from pexon_doku_classifier import DokuClassifier

classifier = DokuClassifier(
    schema_file="company_doku_schema_v3.yaml",
    confidence_threshold=0.85,
    reviewer_queue="postgres://plm-audit/queue",
)

results = classifier.process_batch(
    source="teamcenter://prod-vault/all-rd-docs",
    chunk_size=500,
    parallelism=8,
)

Was der Agent pro Dokument tut: Erster Pass extrahiert Volltext und Metadaten. Zweiter Pass identifiziert strukturelle Marker (Tabellen-Layout, Header-Hierarchie, Kennzeichnungs-Felder) — ein Lastenheft hat andere strukturelle Marker als eine FMEA-Tabelle oder ein Konstruktions-Bericht. Dritter Pass läuft einen domänen-spezialisierten Klassifikator über Volltext und strukturelle Marker. Vierter Pass vergibt Confidence-Score basierend auf Volltext-Match, Struktur-Match und Metadaten-Konsistenz.

Confidence-Routing: Über dem Schwellwert (typisch 0,85) wird der Tag automatisch gesetzt, und das Dokument geht in den auto-getaggten Pool. Unter dem Schwellwert landet das Dokument in der Reviewer-Queue — sortiert nach Confidence absteigend, sodass die wahrscheinlich-richtig-aber-grenzfälligen Klassifikationen zuerst geprüft werden. Der Reviewer bestätigt oder korrigiert, und der Agent lernt aus jeder Korrektur für ähnliche Folge-Dokumente.

Wichtiger Architektur-Punkt: Der Agent ändert keine PLM-Tags direkt im Produktiv-System. Er schreibt alle Vorschläge zunächst in einen Shadow-Tag-Store, sodass PLM-Admin und Doku-Manager die Auswirkungen prüfen können, bevor produktive Tags überschrieben werden. Erst nach Freigabe wird per Bulk-Update das Produktiv-System aktualisiert.

Reviewer-Queue Pattern für Unsicherheiten

Die Reviewer-Queue ist nicht „manuelle Doppelarbeit“, sondern die kontrollierte Konsequenz aus Confidence-Scoring. Bei typischen Bestand-Audits liegen 5-12% der Dokumente unter der Confidence-Schwelle — das sind 2.500 bis 6.000 Dokumente bei einem 50.000er Bestand.

Wir bauen die Queue so, dass sie für die Reviewer attraktiv ist. Erstens: UI ist auf Schnell-Klassifikation ausgelegt — Dokument-Vorschau plus die Top-3-Vorschläge des Agenten mit Erklärung, ein Klick bestätigt oder ändert. Reviewer-Geschwindigkeit liegt typisch bei 60-120 Dokumenten pro Stunde, je nach Doku-Typ-Komplexität. Zweitens: Gleiche Doku-Familien werden gebatcht angezeigt, sodass der Reviewer in mentaler Single-Threadedness bleibt. Drittens: Lern-Loop ist sichtbar — der Reviewer sieht, wie seine letzten 50 Korrekturen die Treffer-Quote bei ähnlichen Folge-Dokumenten verbessert haben.

Bei einem Pilotkunden mit 47.000 Dokumenten lag der Reviewer-Aufwand bei 8% des Bestands manuell — also ~3.760 Dokumente. Bei 90 Dokumenten pro Stunde sind das 42 Stunden Reviewer-Zeit, verteilt auf zwei erfahrene Doku-Manager über drei Wochen. Plus die anfängliche Schema-Validierung (3-5 Tage) und die finale Sign-Off-Runde (1-2 Tage). Insgesamt fünf Wochen produktiver Bearbeitung statt fünf Jahre Vollzeit-Re-Tagging.

ROI: Realistische FTE-Einsparung

Konkrete Hausnummern aus unseren drei Pilotprojekten in 2025. Mittelständischer Maschinenbauer, 1.300 Mitarbeiter, 65.000 R&D-Dokumente im Teamcenter-Bestand, vorher 38% mit „Sonstiges“ oder fehlendem Tag.

Die Konstrukteur-Suchzeit-Einsparung ist der größte Hebel. 1,7 Stunden pro Konstrukteur pro Woche, mal 280 Konstrukteure, mal 48 Wochen, mal 95 EUR pro Stunde — 21,7 Mio EUR theoretisch, konservativ 240k EUR praktisch realisiert. Plus die Qualitäts-Verbesserung bei RAG-Pipelines und KI-gestützten Workflows, die jetzt erst produktiv werden können.

Doku-Reife-Score als Tool

Als Ableitung des Klassifikations-Agents bauen wir aktuell einen Doku-Reife-Score als webbasiertes Selbst-Test-Tool. PLM-Admins laden eine Stichprobe von 50-200 ihrer Dokumente hoch, das Tool liefert eine Reife-Bewertung des Bestand-Stands — Klassifikations-Konsistenz, Tag-Vollständigkeit, Schema-Adhärenz, Such-Tauglichkeit. Output ist ein Score 0-100 plus ein konkreter Lücken-Bericht.

Das Tool ist im Beta-Stadium, Release voraussichtlich Q3 2026 in der Form unseres bewährten Lastenheft-Qualitätsprüfers. Wer als PLM-Admin den Reife-Stand seines Bestands quantifiziert wissen möchte, bevor er einen Bulk-Migration-Sprint anfragt, kann sich für den Beta-Zugang melden.

Häufig gestellte Fragen

Funktioniert das mit unserem PLM-System? Wir nutzen Teamcenter / Windchill / Aras.

Ja, alle drei sind unterstützt. Teamcenter über die TC OData / Active Workspace APIs, Windchill über die REST-Services ab Version 11, Aras über die OData-Interfaces. Setup der PLM-Anbindung typisch 1-2 Wochen zusätzlich zum Klassifikations-Sprint. Auch SharePoint, M-Files und einige Branchen-DMS sind unterstützt — wir prüfen das in der Pre-Sprint-Phase konkret bei deinem Setup.

Was passiert mit unseren existierenden Tags? Werden die überschrieben?

Nein, nicht ohne explizite Freigabe. Der Agent schreibt alle Vorschläge zunächst in einen Shadow-Tag-Store, der parallel zum Produktiv-PLM läuft. PLM-Admin und Doku-Manager prüfen, vergleichen alte und neue Tags, geben Bulk-Updates ein. Erst nach Freigabe werden produktive Tags überschrieben. Wir versionieren die alten Tags, sodass ein Rollback technisch möglich bleibt.

Wie behandelt der Agent vertrauliche oder ITAR-relevante Dokumente?

Bei vertraulichen Daten läuft die Klassifikation On-Prem mit einem Open-Source-Modell (Qwen 3.5, Llama 3.3), nicht via Cloud-API. Bei ITAR-relevanten Dokumenten ist die Bestand-Klassifikation oft Teil eines Compliance-Audits und wir bauen explizit gegen US-Export-Kontroll-Klassifikationen. Siehe auch CAD/STEP IP-Schutz.

Was kostet der laufende Betrieb nach der Bulk-Migration?

Neue Dokumente werden im Live-Modus klassifiziert, sobald sie ins PLM kommen. Modell-Tokens bei typischen Volumina (200-800 neue Dokumente pro Tag) liegen bei 6.000-15.000 EUR pro Jahr über Bedrock mit EU-Profil. Plus laufende Schema-Updates und Modell-Tuning: 12.000-25.000 EUR pro Jahr. Gegen den Suchzeit-Gewinn ist das eine klare Rechnung.

Wie zuverlässig ist die 94%-Quote wirklich? Wir haben sehr eigenwillige Doku-Typen.

Die 94% sind eine Hausnummer aus Pilotprojekten mit relativ standardisiertem Doku-Stack. Bei spezialisierten Branchen (Defense, Pharma-Anlagenbau, Sonder-Schiffbau) sind 86-91% realistisch — der „Long Tail“ der seltenen Doku-Typen ist anspruchsvoller. Wir messen das vor jedem Sprint mit einer 200-Dokumente-Stichprobe, sodass die Erwartung kalibriert ist.

Nächster Schritt

Wenn dein PLM-Bestand jenseits von 20.000 Dokumenten liegt und die Klassifikations-Qualität deine KI-Pläne blockiert: Wir machen einen 45-Minuten-Call mit dir und idealerweise einem Doku-Manager. Du beschreibst das PLM-System und ein typisches Schema-Sample, wir liefern eine Reife-Einschätzung und einen Festpreis-Sprint.

Verwandte Themen