In den meisten Industrieunternehmen ist das Wissen längst vorhanden. Es steht in Handbüchern, Datenblättern, Prüfprotokollen, Montageanleitungen und Wartungsplänen. Es liegt in Ordnern, auf Netzlaufwerken, in PDF-Archiven und in den Köpfen einiger weniger Fachleute. Wenn ein Kunde oder ein Kollege eine Frage hat, muss jemand danach suchen. Die Antwort existiert, sie ist nur schwer zugänglich.
Das betrifft nahezu jedes Unternehmen. Nach Schätzungen von IDC und Gartner liegen 80 bis 90 Prozent der Unternehmensdaten unstrukturiert vor, also in Texten und Dokumenten statt in gepflegten Datenbankfeldern. Rund 90 Prozent dieser Inhalte werden nie ausgewertet und bleiben als sogenannte Dark Data ungenutzt liegen. Im industriellen Mittelstand ist diese Dark Data die technische Dokumentation, die über Jahrzehnte gewachsen ist.
Der Reiz von KI liegt darin, genau dieses Wissen abrufbar zu machen. Der Weg von den Dokumenten zu einem verlässlichen Assistenten führt aber über mehr als das Hochladen einiger PDFs.
Warum das Hochladen von PDFs in ein Wissensmanagement nicht reicht
Der naheliegende erste Versuch ist, ein paar Dokumente in ein allgemeines KI-Werkzeug zu geben und Fragen zu stellen. Für einen schnellen Test funktioniert das, für den produktiven Einsatz nicht, da häufig die Aktualität fehlt. Eine hochgeladene Datei ist eine Momentaufnahme. Ändert sich der Wartungsplan oder die Stückliste, weiß das Werkzeug nichts davon. Die Herkunft fehlt. Wer im technischen Umfeld eine Auskunft gibt, muss sagen können, aus welcher Quelle und welchem Stand sie stammt. Die Struktur geht verloren. Ein Datenblatt lebt von Tabellen, Einheiten und Grenzwerten, ein Handbuch von Schaltplänen und beschrifteten Screenshots. Beim einfachen Einlesen verschwimmen diese Bezüge, und eine klassische Suche findet oft nur, was wörtlich im Text steht, während Diagramme und Bilder unsichtbar bleiben. Und die Prüfbarkeit fehlt. Ein Modell, das frei formuliert, liefert eine plausible Antwort auch dann, wenn das zugrunde liegende Faktum fehlt. Wie diese Quellenbindung technisch gelingt, steht im Beitrag zu Halluzinationen bei KI-Chatbots.
Der Weg von Dokumenten zur KI
Aus einer Dokumentenlast wird ein verlässlicher Assistent, wenn fünf Schritte zusammenkommen.
Erfassen. Zuerst kommen die Quellen zusammen: Handbücher, Datenblätter, Anleitungen, interne Wikis, dazu die strukturierten Daten aus ERP und Produktdatenstamm. Das Ziel ist ein gemeinsamer Zugriff, nicht ein weiteres Silo oder ein neues System, welches Pflege und Wartung benötigt.
Aufbereiten. Die Dokumente werden in sinnvolle Abschnitte zerlegt und mit Metadaten versehen, etwa Gültigkeit, Version und Produktbezug. So findet die KI später die richtige Stelle und nicht irgendeine ähnlich klingende.
An Quellen binden. Jede Antwort wird an einen belegbaren Abschnitt gebunden. Das Sprachmodell formuliert, die Fakten stammen aus dem Dokument. Findet sich keine Quelle, gibt der Assistent das zu, statt zu raten.
Aktuell halten. Technische Doku ändert sich. Die Wissensbasis muss diese Änderungen aufnehmen, damit die Auskunft den heutigen Stand wiedergibt und nicht den von vorletztem Jahr.
Prüfen und übergeben. Was der Assistent nicht belegen kann, geht an einen Menschen. Diese kontrollierte Übergabe hält die Auskunft verlässlich, gerade im technischen Umfeld, wo eine falsche Angabe teuer wird.
Was für Industrie und Mittelstand besonders zählt
Im industriellen Umfeld hängt an der Antwort oft eine Entscheidung mit Folgen. Drei Punkte wiegen deshalb schwerer als anderswo.
Die technische Genauigkeit steht über allem. Eine verwechselte Variante oder ein falscher Grenzwert führt zu Fehlteilen, Stillstand oder Reklamation.
Der Versionsstand entscheidet mit. Für eine Maschine aus dem Jahr 2015 gilt eine andere Doku als für das aktuelle Modell, und der Assistent muss die richtige heranziehen.
Und das Erfahrungswissen droht verloren zu gehen. Der DIHK-Fachkräftereport 2025/26 nennt den Fachkräftemangel für mehr als die Hälfte der Betriebe als größtes Geschäftsrisiko. Wenn erfahrene Fachleute in Rente gehen, geht ihr Wissen mit, sofern es nicht in den Quellen gesichert ist. Eine gut gepflegte Wissensbasis hält dieses Wissen im Haus. Für Serviceanfragen im After-Sales zahlt sich das direkt aus, wie der Beitrag zum First-Level-Support im Maschinenbau zeigt.
Aus der Praxis: technischer Support im Live-Betrieb
Wie dieser Weg im Betrieb aussieht, zeigt ein Projekt aus dem technischen Support. Ein Hersteller vernetzter Industriegeräte betreibt seine Systeme über ein zentrales Web-Portal, über das die Betreiber im Feld auf die Technik zugreifen. Mit jedem zusätzlichen Gerät wächst das Anfragevolumen. Die Antworten stecken in langen Handbüchern, die vor Ort unter Zeitdruck kaum aufgeschlagen werden und teils nur auf Englisch vorliegen. Statt zu suchen, greifen die Technikerinnen und Techniker zum direkten Weg über Telefon oder E-Mail, und jede Frage landet im Support.
Ein Assistent im Portal setzt an drei Stellen an. Er versteht auch bildlastige Dokumente: Schaltpläne, Tabellen und beschriftete Screenshots werden erschlossen und in eine schrittweise Anleitung übersetzt, statt als Bild unlesbar zu bleiben. Er führt heterogene Quellen zusammen: Gerätehandbücher, Schulungsunterlagen, Tickets aus dem Vorgangssystem und E-Mail-Verläufe bilden gemeinsam die Wissensbasis. Und er erkennt Fachbegriffe im richtigen Kontext: Domänenausdrücke wie Whitelist, Freischaltzeiten oder Geräte-ID ordnet er der passenden Funktion zu, auch wenn ein Nutzer sie umgangssprachlich umschreibt.
Dazu kommt die notwendige Rollentrennung: Das Portal übergibt beim Login die Rolle des Nutzers an den Assistenten, sodass jede Nutzergruppe nur die für sie freigegebenen Antworten erhält. Ein Servicetechniker sieht andere Inhalte als eine Teamleitung, und vertrauliche Informationen bleiben zwischen den Gruppen getrennt.
Der Weg dahin war kurz. In der ersten Woche wurden die vorhandenen Handbücher und Supportverläufe erschlossen, in den Wochen darauf die Wissensbasis ohne Entwicklungsaufwand an das Portal angebunden, und nach rund vier Wochen nutzten die ersten Anwender den Assistenten im System. Aus der Einzellösung wird so eine Grundlage, die sich auf weitere Fachbereiche übertragen lässt.
Wie Mercury.ai aus Dokumenten einen Assistenten macht
Mercury.ai führt diesen Weg über den Knowledge Hub zusammen. Er nimmt die Quellen eines Unternehmens auf, bereitet sie strukturiert auf und bindet jede Antwort an einen belegbaren Abschnitt. Dabei erschließt der Hub auch bildlastige Inhalte wie Schaltpläne, Tabellen und Screenshots, verarbeitet über 20.000 Seiten technische Dokumentation ohne Informationsverlust und lässt die Wissensbasis bis zu minütlich aktualisieren. Ein Orchester spezialisierter Modelle erkennt das Anliegen, prüft die Quelle und formuliert erst am Ende. So bleibt die Auskunft an das geprüfte Wissen gebunden, und das Risiko erfundener Antworten sinkt deutlich. Über die Rollentrennung erhält jede Nutzergruppe nur die für sie freigegebenen Antworten, und die Pflege läuft No-Code. Einen Überblick über die Wissensbasis bietet die Seite zum Knowledge Hub, die Anbindung strukturierter Systeme beschreibt der Beitrag zur CRM- und ERP-Integration.
Häufige Fragen
Kann man einfach PDFs in eine KI laden und Fragen stellen?
Für einen Test ja, für den produktiven Einsatz nicht. Es fehlen Aktualität, Herkunft, Struktur und Prüfbarkeit. Eine belastbare Lösung bindet die Antworten an geprüfte, aktuelle Quellen.
Was ist unstrukturiertes Wissen?
Wissen, das in Texten und Dokumenten steckt statt in Datenbankfeldern, etwa in Handbüchern, Datenblättern oder Anleitungen. Nach Schätzungen von IDC und Gartner sind 80 bis 90 Prozent der Unternehmensdaten unstrukturiert.
Wie bleibt die KI auf dem aktuellen Stand?
Die Wissensbasis nimmt Änderungen der Dokumente auf. Bei Mercury.ai lässt sie sich bis zu minütlich aktualisieren, sodass die Auskunft den heutigen Stand wiedergibt.
Wie verhindert man falsche Auskünfte aus Dokumenten?
Durch Quellenbindung. Jede Antwort wird an einen belegbaren Abschnitt gebunden. Ohne Quelle gibt der Assistent keine Auskunft und übergibt an einen Menschen.
Hilft das gegen den Verlust von Erfahrungswissen?
Ja. Wenn das Wissen erfahrener Fachleute in den Quellen gesichert und abrufbar ist, bleibt es dem Unternehmen erhalten, auch wenn Mitarbeitende das Haus verlassen.
Aus Dokumenten wird Auskunft
Das Wissen im industriellen Mittelstand ist vorhanden, es ist nur in Dokumenten und Köpfen gebunden. Der Weg zur KI besteht darin, diese Quellen zu erfassen, aufzubereiten, an sie zu binden und aktuell zu halten. Dann wird aus einer Dokumentenlast ein Assistent, der rund um die Uhr verlässlich antwortet, Fachleute entlastet und ihr Wissen im Haus hält.
Sie möchten das Wissen aus Ihren Dokumenten nutzbar machen? Sprechen Sie mit uns oder sehen Sie sich den Knowledge Hub an.
Über den Autor: Dr. Maximilian Panzner ist CTO und Mitbegründer von Mercury.ai. Er hat am CITEC-Institut der Universität Bielefeld in Informatik promoviert und dort zu multimodalem maschinellem Lernen und intelligenten Interaktionssystemen geforscht. Seit über 20 Jahren arbeitet er an Künstlicher Intelligenz, Mensch-Maschine-Interaktion und dialogorientierten KI-Plattformen für den Unternehmenseinsatz.
