Wissensmanagement mit Künstlicher Intelligenz Wie lässt sich Wissen in der Industrie technisch erfassen?

Anbieter zum Thema

Fsas Technologies GmbH

QUNIS GmbH

BigData-Insider

Wenn erfahrene Fachkräfte in Rente gehen, verschwindet oft kritisches Prozesswissen aus der Produktion. Ansätze mithilfe von Künstlicher Intelligenz (KI) versprechen Abhilfe. Doch wo kann sie im Wissensmanagement konkret einen Mehrwert bieten?

Der demografische Wandel verschärft ein strukturelles Problem in der Industrie: Kritisches Prozess- und Erfahrungswissen ist oft an einzelne Personen gebunden und nur unzureichend dokumentiert. Während Anlagen, Produkte und Varianten komplexer werden, sinkt gleichzeitig die Zeit, in der neues Personal dieses Wissen erlernen kann. Die Folge sind längere Störungsbehebungen, steigende Fehlerquoten und wachsende Abhängigkeiten von wenigen Experten. Hier verspricht KI-gestütztes Wissensmanagement Abhilfe. Doch Für welche Prozesse eignet sich das und wie lässt sich Wissen technisch erfassen?

Welche Wissensbestände technisch erfassbar sind

Aus technischer Sicht ist es entscheidend, zwischen verschiedenen Wissensarten zu unterscheiden.Für KI gestütztes Wissensmanagement ist entscheidend, zwischen beobachtbarem und implizitem Wissen zu unterscheiden:

• Erfassbar: Prozedurale Abläufe wie Rüst- und Wechselvorgänge, Maschineneinstellungen, Troubleshooting-Schritte, Prüfprozesse oder logistische Handlungen. Dieses Wissen manifestiert sich in konkreten Aktionen und ist an Maschinen, Varianten oder Umgebungsbedingungen gebunden.

• Nur begrenzt erfassbar: Implizite Entscheidungsheuristiken, strategische Überlegungen oder abstrakte Erfahrungswerte ohne klar sichtbare Handlung.

Damit gilt: Technisch erfassbar ist vor allem Wissen, das sich in beobachtbaren Schritten ausdrückt. Wissensmanagement wird überall dort wirksam, wo Handlungen dokumentiert und kontextualisiert werden können.

Warum klassische Dokumentationsansätze scheitern

Viele Unternehmen setzen weiterhin auf vorgelagerte Dokumentation: Arbeitsanweisungen, Checklisten, zentrale Wissensdatenbanken. In der Praxis scheitert das oft aus zwei Gründen:

• 1. Relevante Routinen werden nicht erkannt. Mitarbeiter wissen häufig selbst nicht, welche Feinheiten ihrer Arbeit entscheidend sind.

• 2. Kein Zeitfenster für Dokumentation. Gerade in Störfällen oder Engpässen ist spätere nachträgliche Dokumentation schlicht unrealistisch.

Ein zentraler Schwachpunkt klassischer Ansätze liegt darin, dass sie Wissen planen wollen, bevor klar ist, wo es tatsächlich fehlt. Relevante Wissenslücken werden jedoch meist erst im laufenden Betrieb sichtbar, wenn eine Aufgabe nicht wie vorgesehen abgeschlossen werden kann.

Ereignisbasierte Wissensentstehung im Arbeitsprozess

Ein alternativer Ansatz koppelt Wissensentstehung direkt an Ereignisse in der Produktion. Wissenslücken werden erfasst, wenn Mitarbeitende beim Arbeitsvorgang an Grenzen stoßen.

Ein Beispiel verdeutlicht das Prinzip:

Ein Produktionsband kommt zum Stillstand. Der anwesende Mitarbeiter kennt die Störung nicht und fordert über die Plattform Hilfe an. Automatisch werden qualifizierte Kollegen informiert. Ein erfahrener Techniker übernimmt, behebt den Fehler während der weniger erfahrene Mitarbeiter den Vorgang filmt oder dokumentiert. Die KI:

• segmentiert das Videomaterial,

• extrahiert relevante Schritte,

• verknüpft die Handlung mit Maschinendaten, Fehlercodes und Varianten,

• ordnet sie dem Kontext (Maschine, Produkt, Skill-Level) zu.

Beim nächsten ähnlichen Fehler liefert das System die passende Anleitung automatisch aus, bevor Hilfe angefordert werden muss.

Diese Form der Wissensentstehung ist situationsgetrieben, multimodal und kontextreich. Genau darin liegt der technische Mehrwert.

Datenquellen und Integration

Technisch basiert dieser Ansatz primär auf der Arbeitsausführung selbst. Die wichtigste Wissensquelle ist der Mensch in der konkreten Situation. Ergänzend sind Kontextsichten erforderlich, etwa:

• Auftrags , Produkt und Varianteninformationen aus MES/ERP

• Maschinen und Prozessdaten aus OT Systemen

• Sensorik zur Zustandsüberwachung

• CAD oder PDF-Dokumente sowie weitere Betriebsinformationen

Die Integration erfolgt typischerweise über industrielle Standardprotokolle und APIs. Sensorik liefert zusätzliche Zustandsinformationen, ersetzt jedoch keine wissensrelevanten Inhalte. Der eigentliche Integrationsaufwand liegt in der konsistenten Bereitstellung von Arbeits- und Prozesskontext über Systemgrenzen hinweg.

Rolle und Grenzen von KI

KI übernimmt drei Kernaufgaben:

• 1. Strukturierung von Inhalten: Segmentierung von Videos, Transkription, Zusammenfassungen.

• 2. Kontextualisierung: Verknüpfung von Handlungen mit Maschinenzuständen, Varianten oder Skills.

• 3. Situative Ausspielung: Bereitstellung von Wissen genau dann, wenn es im Prozess relevant ist.

Wichtig ist jedoch eine realistische Erwartungshaltung:

• KI erkennt nicht autonom, welches Wissen wichtig ist, sofern kein Ereignis vorliegt.

• Fachliche Validierung bleibt notwendig — Versionierung und Freigaben sind zentrale Elemente industrieller Wissenssysteme.

• KI ersetzt keine Erfahrung, sondern macht vorhandenes Erfahrungswissen skalierbar und reproduzierbar.

Messbare Ergebnisse aus der Praxis

In der Praxis zeigen sich unter anderem verkürzte Störungsbehebungszeiten, geringere Wiederholfehler und stabilere Prozessqualität. Ein Beispiel liefert der Fahrradhersteller Royal Dutch Gazelle: Durch die digitale Erfassung von Bandstillständen, kontextbezogene Unterstützung der Mitarbeitenden und die strukturierte Rückführung von Problemlösungen in den Arbeitsprozess konnte die Stillstandszeit um 35 Prozent reduziert werden. Auf gleicher Infrastruktur werden dadurch rund 3.500 zusätzliche Fahrräder pro Jahr produziert. Der Effekt entstand nicht durch zusätzliche Dokumentation, sondern durch die systematische Verfügbarkeit von Erfahrungswissen genau dort, wo es im Betrieb benötigt wurde.

Was in der Praxis nicht funktioniert

Grenzen zeigen sich bei hochabstrakten kognitiven Tätigkeiten ohne beobachtbare Handlungen sowie bei stark automatisierten Prozessen mit seltenen menschlichen Eingriffen. Ebenso scheitern Ansätze, die auf Vollständigkeit oder zentrale Wissenssammlungen setzen, ohne den Nutzungskontext zu berücksichtigen. Wissensmanagement kann operative Kompetenz absichern und verbreitern, aber keine Erfahrung ersetzen.

Fazit

Industrielles Wissensmanagement ist keine Dokumentationsaufgabe, sondern eine Systemfrage. Technisch wirksam wird es dort, wo Arbeitskontext, Ereignisse und Wissen miteinander verknüpft sind. KI fungiert dabei als Infrastruktur zur Strukturierung und Verteilung.

Die Grenze verläuft dort, wo Wissen nicht beobachtbar, nicht validierbar oder nicht kontextualisierbar ist.

Über den Autor

Norman Hartmann ist CEO und Mitgründer der Workerbase GmbH. Er beschäftigt sich seit vielen Jahren mit der Digitalisierung von Produktions- und Shopfloor-Prozessen und verbindet technisches Produktverständnis mit einem Fokus auf nutzerzentrierte Softwarelösungen für die Industrie. Vor der Gründung von Workerbase sammelte er Erfahrung in internationalen Technologieunternehmen, unter anderem in den Bereichen Produktentwicklung und digitale Plattformen.

(ID:50707894)