Ein Praxisleitfaden für technische Dokumentation in der Fertigung
Ihre Dokumentation ist für Menschen gemacht, nicht für KI. Das ist einer der Hauptgründe, warum All-Purpose-KI heute im industriellen Unternehmens-Kontext meist scheitert. Den Modellen fehlt das spezifische Kontextwissen, um wirklich gut zu funktionieren. Als wir vor fünf Jahren mit KNOWRON angefangen haben, war ChatGPT noch nicht einmal öffentlich verfügbar. Heute kommen unsere Nutzer oft zu uns zurück und fragen, warum die Antworten von KNOWRON so viel nützlicher für ihre Arbeit sind als die der Assistenten, die sie vorher getestet oder genutzt haben. Einer der Schlüssel dazu ist, wie wir gelernt haben, mit bestehender technischer Dokumentation zu arbeiten und unsere Kunden dabei zu unterstützen, KI-ready zu werden. In diesem Artikel teile ich einige der Best Practices, die sich beim erfolgreichen Rollout von KNOWRON bei KMU und DAX-Unternehmen über die letzten fünf Jahre als essenziell erwiesen haben.
Bevor wir zum Wie kommen, lohnt sich ein Blick darauf, warum sich das lohnt. In der Fertigung sind zuverlässig zwei Dinge teuer.
Das erste ist eine stillstehende Maschine: Jede Minute, die ein Techniker mit der Suche nach der richtigen Antwort verbringt, ist eine Minute verlorene Produktion.
Das zweite ist Erfahrung, die das Haus verlässt. Wenn ein erfahrener Experte in Rente geht, ist nicht die Rente selbst das Problem. Die hat er sich verdient. Das Problem ist, es geht Jahrzehnte hart erarbeiteten Wissens mit ihm zur Tür hinaus.
Dieses Wissen richtig zu erfassen und dem richtigen Menschen im richtigen Moment das richtige Stück davon zur Verfügung zu stellen, ist der Weg, beide Probleme zu vermeiden.
In den letzten Jahren haben wir viel Zeit in Kundendokumentationen verbracht und dabei beobachtet, wie Retrieval in der Praxis gelingt – und manchmal scheitert. Die Muster sind, zum Glück, immer wieder dieselben. Im Folgenden teile ich die wichtigsten davon, mit Beispielen.
Der Text wird an manchen Stellen recht technisch. Wenn Sie das überspringen möchten: Ich zeige Ihnen gerne in einer kurzen Demo, wie KNOWRON in der Praxis funktioniert – schreiben Sie mir einfach an arturo@knowron.com.
Text, der in Bildern eingebettet ist
Vorweg möchte ich klarstellen: PDFs sind NICHT das ideale Format, um Informationen von KI-Systemen verarbeiten zu lassen. Diese Auszeichnung geht an strukturierten Text: HTML, XML, Markdown, eine Datenbank. In solchen Dateien haben Bilder Beschreibungen, Überschriften sind ausgezeichnet, Beziehungen zwischen Abschnitten sind explizit und so weiter... .
Die Realität ist jedoch: Technische Dokumentation ist nicht dafür gemacht, dass eine Maschine sie gefühllos mit tausend Wörtern pro Sekunde in einem kühlen Serverraum irgendwo in Frankfurt durchliest. Technische Dokumentation ist für den Techniker gemacht, der sie um 2 Uhr nachts auf dem Shopfloor aufruft. PDFs sind das, was versioniert, freigegeben, mit der Maschine ausgeliefert und für die Nachwelt archiviert wird.
Wenn wir aber wollen, dass dieser Techniker findet, was er sucht – in 5 Minuten statt in einer Stunde – dann können wir genau diese Dateien für KI-gestützte Systeme wie KNOWRON optimieren, damit sie verarbeitet, verstanden, abgerufen und zusammengefasst werden können.
Der Test: Öffnen Sie ein PDF und versuchen Sie, den Text mit dem Mauszeiger zu markieren. Lässt er sich nicht markieren, kann ihn auch ein KI-System nicht lesen. Bei KNOWRON wenden wir in solchen Fällen Optical Character Recognition (OCR) an – doch dann sind wir auf Bildqualität und Klarheit angewiesen, und die sind nicht garantiert.
Die üblichen Verdächtigen sind vorhersehbar, sobald man einmal genauer hinsieht: eingescannte Dokumente, Konformitätszertifikate, Montagezeichnungen, als Grafik eingefügte Warnschilder, fotografierte Typenschilder. Für eine Maschine sind das nur Pixel.
Beispiel:
Was stattdessen zu tun ist: Jeder Text, der Information enthält, gehört in die Textebene des PDFs – markierbar. Zeichnungen und Fotos können Bilder bleiben, aber die Beschriftungen, Werte und Labels, die sie tragen, müssen zusätzlich als echter Text vorhanden sein – neben der Abbildung, in einer Bildunterschrift oder in einer begleitenden Tabelle. Wenn eine Tatsache nur im Bild existiert, gehen Sie davon aus, dass sie nicht existiert.
Eine Warnung an dieser Stelle: Wer auf einem Mac arbeitet, öffnet PDFs meist mit Preview, Apples eingebautem Bild- und PDF-Viewer. Preview verfügt über integrierte OCR – das bedeutet, Sie können auf den ersten Blick nicht erkennen, ob der Text tatsächlich korrekt eingebettet ist. Öffnen Sie die Datei stattdessen im Browser, um es sicher zu prüfen.
Tabellenstruktur
Technische Inhalte enthalten viele Tabellen, und die haben es leider in sich, wenn es um korrekte Einbettung für KI geht:
Mehrwertige Zellen. Eine Zelle mit dem Inhalt „50/60 Hz" oder „IP55/IP65" packt zwei Fakten in eine Zelle. Beim Extrahieren geht die Struktur verloren, die einem Menschen sagte „das sind zwei Fälle" – manche Systeme können dann nicht mehr unterscheiden, welcher Wert gilt.
Zusammengeführte und übergreifende Überschriften. Eine Überschrift, die sich über drei Spalten erstreckt, liest sich auf Papier sauber. Bei der Extraktion wird die Tabelle jedoch oft in Zeilen und Zellen abgeflacht – der visuelle Effekt geht verloren, und Spalten bleiben ganz ohne Überschrift zurück.
Fußnoten, die Werte stillschweigend einschränken. Eine hochgestellte ¹ neben einem Wert, mit „nur bei Umgebungstemperatur ≤ 40 °C" am unteren Seitenrand, ist für Menschen leicht zu lesen, aber oft schwer für KI. Extraktionssysteme geben dann häufig nur die Zahl aus, ohne die Bedingung, die sie erst gültig macht.
Beispiel:
Was stattdessen zu tun ist: Eine Bedeutung pro Zelle, das ist die Devise. Teilen Sie „50/60 Hz" in zwei Zeilen oder zwei Spalten auf. Wiederholen Sie die Überschrift in jeder Spalte, die sie betrifft, statt sie über mehrere Spalten zu strecken. Und ziehen Sie Bedingungen direkt in die Zelle: „≤ 40 °C Umgebungstemperatur" gehört zum Wert, nicht in eine Fußnote.
Kontrolliertes Vokabular
Dieselbe Komponente trägt drei Namen. Das Engineering nennt sie „Anschlusskasten". Im Feld heißt sie „Verteilerdose". Das Einkaufssystem des Kunden führt sie als „Klemmenkasten". In einer Dokumentation tauchen alle drei auf – oft für dieselbe Maschine.
Warum das ein Problem ist: Retrieval funktioniert über Sprachabgleich. Ein Techniker, der nach der „Verteilerdose" fragt, erreicht möglicherweise nie den Abschnitt, der nur von „Anschlusskasten" spricht – obwohl genau dort die Antwort steht. Synonyme zersplittern ein einzelnes Konzept in mehrere, die das System nicht miteinander verbinden kann.
Was stattdessen zu tun ist: Sie pflegen mit ziemlicher Sicherheit bereits Synonymlisten – sie sind fester Bestandteil jedes Übersetzungs- und Terminologieprozesses. Setzen Sie sie als Retrieval-Brücke ein. Eine gepflegte Zuordnung über die Sprachebenen von Feld, Engineering und Kunde hinweg lässt das System „Klemmenkasten", „Verteilerdose" und „Anschlusskasten" als ein Konzept behandeln. Sie müssen dafür keine Dokumente umschreiben und überall denselben Begriff verwenden – Sie müssen nur erklären, dass diese Begriffe gleichbedeutend sind, und diese Arbeit haben Sie wahrscheinlich größtenteils schon erledigt.
Wie wir bei KNOWRON mit diesen Herausforderungen umgehen
Die Muster oben beschreiben den Idealfall. In der Realität kommt Dokumentation selten so sauber an – ein großer Teil unserer Arbeit bei KNOWRON besteht darin, genau diese Lücken auf unserer Seite zu schließen. Zwei davon sind der Kern dessen, was uns unterscheidet:
Eine industriespezifische Hierarchie. Wir bilden Dokumente in eine strukturierte Projekt-/Produkt-/Maschinen-Hierarchie ab, sodass ein abgerufener Fakt weiß, zu welcher Maschine, welchem Produkt und welchem Standort er gehört – und nicht nur, von welcher Seite er stammt. Generische Tools behandeln eine Dokumentensammlung als flachen Textberg; wir geben ihr die Form der Anlage, die sie beschreibt.
Eine belastbare Feedbackschleife. Wenn Dokumentation mehrdeutig oder schlicht lückenhaft ist, sagen uns das die Techniker, die sie nutzen. Dieses Feedback fließt zurück ins System, sodass Retrieval genau dort besser wird, wo die Quelldokumente an ihre Grenzen stoßen. Das Produkt lernt von den Menschen auf dem Shopfloor – nicht nur aus den Handbüchern.
Der Rest ist die weniger glamouröse Detailarbeit, die diese beiden Punkte erst funktionieren lässt:
Individuelle Ingestion-Pipelines. Jede Herstellerdokumentation hat ihre eigenen Eigenheiten. Wir bauen und optimieren Extraktionspipelines pro Dokumenttyp, damit Tabellen, Überschriften und Struktur die Ingestion überstehen, statt zu einer undifferenzierten Textwand zu verschmelzen.
OCR. Steckt Text in einem Bild oder Scan fest, setzen wir Optical Character Recognition ein, um ihn zurückzugewinnen. Wie erwähnt: Das Ergebnis ist nur so gut wie die Quellabbildung – ein Grund mehr, Text von vornherein in die PDF-Ebene zu bringen, statt sich später auf visuelle Rekonstruktion zu verlassen.
Explizite Übersetzung. Technisches Wissen verteilt sich oft über mehrere Sprachen: eine deutsche Engineering-Quelle, ein englisches Handbuch, lokale Servicenotizen. Wir übersetzen explizit, damit eine Frage in einer Sprache eine Antwort erreicht, die in einer anderen geschrieben wurde.
Zusätzliche Datenquellen. PDFs sind selten das ganze Bild. Wir binden weitere Quellen ein – strukturierte Daten, vorherige Servicefälle und mehr – sodass Antworten auf dem gesamten Wissen der Organisation basieren, nicht nur auf dem, was ins Handbuch geschafft hat.
Der Idealfall: Die Quelle veröffentlichen, nicht nur die Seite
Manche Dokumente sind eigentlich keine Dokumente – sie sind getarnte Datenbanken. Zwei Fälle kommen immer wieder vor, und beide verdienen es, primär als Datenquelle behandelt zu werden.
Ersatzteillisten. Eine mehrseitige Ersatzteiltabelle in einem PDF zwingt jede Anfrage durch Textparsing – und genau dort, beim Parsen einer abgeflachten Tabelle, häufen sich die Fehler (zusammengeführte Zellen, mehrwertige Felder, verlorene Überschriften). Als JSON oder CSV veröffentlicht, liefert dieselbe Liste eine saubere Antwort. Eine Anfrage wie „alle Teile für Modell G-225" wird zum Lookup statt zur Vermutung.
Seriennummern- und Größenvarianten-Logik. Variantentabellen, die Größenbezeichnungen auf Konfigurationen abbilden, müssen eindeutig sein: Jede Bezeichnung muss auf genau eine Variante abgebildet sein – ohne Lücken, Überschneidungen oder Ausnahmen per Fußnote. Wo mehrere Dimensionen zusammenspielen (Spannung, Lagerung, Gehäuse), sollten benannte Varianten-Enums statt linearer Wertebereiche verwendet werden, damit der Lookup eindeutig bleibt.
Was stattdessen zu tun ist: Behalten Sie das PDF als Output für menschliche Leser, aber machen Sie die strukturierten Daten zur kanonischen Quelle. Die Daten speisen sowohl das PDF als auch das Retrieval-System – und beide laufen nie auseinander.
Was bleiben sollte
Für alle technischen Redakteure und Serviceteams, die das hier lesen, eine kurze konzeptionelle Zusammenfassung:
Ein einfacher Test: Ist es markierbar? Ist es explizit?
Der Test, den Sie im Kopf behalten sollten, ist für jeden Abschnitt Ihrer Dokumentation im Grunde ganz einfach:
Lässt er sich mit dem Cursor markieren?
Ist er verständlich, ohne den Kontext des ganzen Kapitels zu kennen?
Das war's. Lässt sich ein Fakt markieren, beschriften und herauslösen, ohne dabei zu verlieren, was ihn wahr macht, sollte jedes Retrieval-System ihn sofort nutzen können. Steckt er dagegen in einem Bild, einer Farbe, einer zusammengeführten Zelle oder im Gefühl des Lesers dafür, was „darüber" bedeutet – dann kann es das nicht. Schreiben Sie für den ersten Fall, und das PDF hört auf, eine Mauer zu sein, die die KI erklimmen muss – und wird zur Quelle, die sie lesen kann.
Das Rad muss nicht neu erfunden werden
Sie arbeiten bereits mit PDFs, und das ist gut so. Der Weg zu etwas Mächtigerem – einer Wissensquelle, auf die sich Ihre Leute verlassen können – ist nicht weit.
Gleichzeitig hoffe ich, dass die Beispiele oben gezeigt haben: Was für eine Maschine schwer zu lesen ist, ist manchmal auch für einen Menschen schwer zu lesen. Wenn Sie also die nächste Version Ihrer Dokumentation anpassen, verbessern Sie ihre Qualität für KI.
Wenn Sie sehen möchten, wie führende Unternehmen KNOWRON bereits einsetzen, um ihre Techniker zu stärken – hier finden Sie Erfolgsgeschichten und Testimonials.
Möchten Sie wissen, wo Ihre eigene Dokumentation steht? Schicken Sie uns eine Probe Ihrer Dokumentensammlung, und wir führen dieselben Tests darauf aus – wir zeigen Ihnen, wo Retrieval heute funktioniert und wo es bei Ihren tatsächlichen Dateien scheitert. Kein Commitment, nur ein klares Bild davon, wo Sie stehen und was es braucht, um mehr aus dem herauszuholen, was Sie bereits haben.
Und wenn Sie einfach über eines dieser Themen sprechen möchten – oder darüber, wie Ihr Wissen in Ihrer Organisation bleibt und rechtzeitig die richtigen Menschen erreicht – lassen Sie uns reden. Schreiben Sie mir einfach an arturo@knowron.com.
.png)
