KI-gestütztes Wissensmanagement: Erst das Prinzip, dann die Technologie

Moderne KI-Systeme verarbeiten große Datenmengen in Echtzeit, erkennen Muster in komplexen Datensätzen und verbessern ihre Ergebnisse kontinuierlich durch maschinelles Lernen. Damit bietet KI enormes Potenzial für das Wissensmanagement in der Produktion.

Doch diese Fähigkeiten sind Werkzeuge, keine fertigen Lösungen. Die entscheidende Frage lautet: In welcher Form und mit welchem Konzept lässt sich dieses Potenzial tatsächlich nutzen?

ChatGPT & Co.

Mit der rasanten Entwicklung großer Sprachmodelle (LLMs) wie ChatGPT scheint das Thema Wissensmanagement schlagartig gelöst zu sein. Deshalb fokussieren viele Unternehmen derzeit auf den Einsatz dieser Technologie, die im allgemeinen Sprachgebrauch (fälschlicherweise) mit „KI“ gleichgesetzt wird. Hierbei sollten jedoch einige grundsätzliche Einschränkungen bedacht werden, die sich in nächster Zeit auch nicht durch die rasante Weiterentwicklung der Modelle lösen lassen werden.

Wenn Sie große Sprachmodelle nach einem konkreten Problem fragen, erhalten Sie meist auch eine sehr gute, konkrete Lösung (von möglichen Halluzinationen abgesehen). Beispiel:

„Ich muss bei meinem 5er Golf einen Ölwechsel machen. Wie geht das?“

Bei einer Produktionsstörung kennen Sie aber in der Regel das zugrunde liegende Problem nicht und es möglichst schnell zu finden ist die zentrale Leistung menschlicher Experten. Deshalb sind LLMs vergleichbar mit klassischen Wissensmanagementsystemen ohne Datenanbindung, die erfahrenen Mitarbeitenden bei einer sehr zielgerichteten Suchanfrage helfen. Bei diffusen Symptombeschreibungen wie

„Ich habe einen Produktstau am Auslauf meiner Thermoform-Maschine. Wie löse ich das Problem?“

erhalten Sie entweder ebenfalls eine lange, generische Trefferliste oder das LLM startet einen Dialog. Letzteres ist vor allem bei Retrieval-Augmented Generation (RAG) basierten Systemen mit entsprechenden Datenquellen im Hintergrund häufig der Fall. Im Endeffekt navigiert Sie das Sprachmodell dabei durch einen Fehlerbaum, genauso, wie das der menschliche Kunden-Support an der Hotline seit Jahrzehnten macht. Und wie waren da bisher Ihre Erfahrungen? Kann klappen, nervt aber meistens und dauert ewig, stimmt’s?

Wie wäre es also, wenn man den LLMs zusätzliche Kontextinformationen, beispielsweise in Form von Maschinendaten mitgibt? Zugegeben, die Modelle wurden in letzter Zeit im Bereich Datenanalyse merklich besser, aber es bleiben Sprach-Modelle, die mit Zeitreihendaten und Binärsignalen aus Maschinensteuerungen nur sehr begrenzt zurecht kommen. Dafür ist die zugrunde liegende Transformer-Technologie nicht der passende Ansatz.

Bleibt noch das Thema Bilderkennung, in dem die neuste KI-Generation ebenfalls beeindruckendes leistet. Hier scheitert es in der Produktionspraxis schlicht an der Verfügbarkeit von Trainingsdaten. Versuchen Sie mal, ein Foto von einer komplexen Maschine mit einem nicht offensichtlichen Problem hochzuladen und Informationen zur Ursache zu erhalten. Mit großer Wahrscheinlichkeit hat das Modell – gerade bei Sondermaschinen – noch nie eine Detailaufnahme von dem betreffenden Modul „gesehen“, geschweige denn von der Störung. Da können die Modelle noch so gut sein; eine echte Chance werden sie erst haben, wenn entsprechende Trainingsdaten aus der Industrie offen und in ausreichender Menge verfügbar sind, was in absehbarer Zeit nicht der Fall sein wird.

Vom Prinzip zur Lösung

Mitunter wird vergessen, dass es auch vor dem 30.11.2022 (Veröffentlichung von ChatGPT 3.5) KI gab mit einer riesigen Bandbreite von Algorithmen für ganz verschiedene Anwendungsfälle. Darunter sind spezielle Machine Learning Verfahren zur Mustererkennung in typischen Zeitreihendaten aus Produktionsprozessen. Diese lernen schnell und sind trotzdem so performant, dass sie auf Standard-Hardware on-premise laufen.

Und die fehlenden Trainingsdaten aus der Industrie? Die existieren bereits – als Erfahrungswissen der Mitarbeiter, die täglich an den Maschinen arbeiten. Dieses Wissen ist oft der wertvollste Bestand eines Unternehmens. Die Frage ist, wie es ins System gelangt. Wenn das Teilen so einfach wird wie ein Bild oder ein kurzes Video an der Maschine, wird Erfahrungswissen nutzbar. Wenn die eigene Erfahrung sichtbar zur Lösung beiträgt, steigt die Motivation. So entsteht der Treibstoff, den KI braucht – nicht aus externen Quellen, sondern aus dem Unternehmen selbst.

Der Weg führt nicht von der Technologie zum Problem, sondern umgekehrt. Wer die Herausforderungen des Wissensmanagements in der Produktion wirklich versteht – warum Wissen nicht gefunden wird, warum Systeme nicht genutzt werden, warum Erfahrung verloren geht – und wer die Prinzipien kennt, die gutes Wissensmanagement ausmachen, kann eine Lösung entwickeln, die KI dort einsetzt, wo sie ihre Stärken hat. Nicht als Selbstzweck, sondern als Enabler.

So entsteht ein System, das nicht darauf wartet, dass ein Mitarbeiter die richtige Frage stellt. Es erkennt die Situation – eine Störung, ein Muster, einen Kontext – und liefert die passende Lösung von selbst. Das Wissen erscheint, wenn es gebraucht wird. Nicht weil die Technologie das vorgibt, sondern weil die Prinzipien es erfordern. Wenn eine Lösung auf dieser Grundlage entwickelt wird, entsteht nicht einfach Digitalisierung — sondern ein grundlegend besserer Umgang mit Wissen in der Produktion.

LLMs bleiben dabei eine sinnvolle Ergänzung – z.B. zum effizienteren Verfassen oder zur logischen Strukturierung von Wissenseinträgen. Aber die Grundlage bilden sie nicht.