Assistent für technische Dokumentation und Servicehandbücher für Techniker

Ein Servicetechniker, der an einer Maschine steht, braucht den einen richtigen Absatz aus Tausenden Handbuchseiten, in der richtigen Revision für diese Seriennummer und in der eigenen Sprache. Ein Assistent mit Retrieval-Augmented Generation über Handbücher, Bulletins und frühere Reparaturtickets liefert eine kurze Antwort mit Quellenangaben und die passende Abbildung statt eines 600-seitigen PDFs. Die schwierigen Teile sind nicht das LLM, sondern das Parsen der Dokumente, die Filterung nach Version und Variante und die Weigerung zu raten, wo es um Sicherheit geht.

Problem & Nutzen

• Heute: Techniker blättern durch PDFs, rufen den Support der zweiten Ebene an oder verlassen sich auf einige erfahrene Kolleginnen und Kollegen. Handbücher gibt es je Modell, Option und Revision; Fehlercodes, Bulletins und Erfahrungswissen sind verstreut. Erfahrene Beschäftigte gehen in den Ruhestand; neue brauchen lange, bis sie kompetent sind.
• KI-Nutzen: höhere Erstlösungsquote, weniger Eskalationen an Experten, schnelleres Onboarding, einheitliche Antworten in mehreren Sprachen und eine Rückkopplung, die zeigt, wo Dokumentation fehlt.
• Belege mit Quelle (von Anbietern/Unternehmen berichtet, als Richtwert behandeln): Rockwell Automation berichtet, dass sein Werk in Singapur die Einarbeitungszeit neuer Techniker von etwa neun auf etwa drei Monate verkürzt und die Maschinenstillstandszeit um 33 % gesenkt hat; der Werksleiter merkt jedoch an, dass der Copilot eines von mehreren Werkzeugen dahinter ist [1]. Die Zusammenfassung eines Konferenzvortrags zu einer BCG-Feldstudie berichtet, dass graphbasiertes RAG einfaches RAG bei Genauigkeit und Halluzinationen übertraf und die Lösungszeit für Servicetechniker im Feld von 29,5 Minuten auf 20 Sekunden senkte [3]; das ist eine Vortragszusammenfassung, keine begutachtete Studie. PTC positioniert ServiceMax AI ausdrücklich rund um das Problem des Wissenstransfers, wenn erfahrene Techniker in den Ruhestand gehen [2].
• Eine unabhängige, geprüfte Studie in großem Maßstab wurde nicht gefunden; messen Sie Ihre eigene Ausgangslage.

Varianten

• Maschinenbau / industrieller Hersteller-Kundendienst: Assistent über Servicehandbücher und Fehlercodes, gekoppelt an den Datensatz der installierten Basis (Seriennummer zu Konfiguration). Die Identifikation von Ersatzteilen ist ein Nachbarthema, siehe KNOW-021.
• Kundenseitige Anlagenwartung: Das eigene Wartungsteam des Betreibers erhält einen Assistenten über die Handbücher der Lieferanten (Wartungs-Copilot im Stil von Rockwell [1]).
• Kfz-Werkstätten: Reparaturinformationen, technische Service-Bulletins und Diagnose-Fehlercodes.
• Gebäudetechnik / HLK / Aufzüge / Energie: Gerätedokumentation je Standort plus Ticket-Historie.
• Telekommunikation / Netzbetrieb: Runbooks und Herstellerdokumentation für Netzwerkingenieure (Querverweis auf CODE-010).
• Freihändig / vor Ort: Frage und Antwort per Sprache (SPEECH-011) oder kamerabasierte Anleitung (CONV-027).
• Selbstreparatur für Verbraucher ist ein eigener Anwendungsfall (Lieferantenhandbücher, Sicherheitseskalation); diese Datei behandelt professionelle Techniker.

So funktioniert es

1. Handbücher (PDF/XML/iiRDS) + Bulletins + Tickets
2. Einlesen: Layout, Tabellen, Abbildungen parsen; Chunking nach Abschnitt; Metadaten anhängen (Modell, Revision, Sprache, Option)
3. Index: hybrid (BM25 + Embeddings) + optionaler Wissensgraph aus Teilen/Fehlern/Verfahren Frage (Text/Sprache/Foto) + Maschinenkontext (Seriennummer
4. Konfiguration)
5. Umformulierung der Anfrage + Metadatenfilter (nur Dokumente, die für diese Seriennummer/Revision gelten)
6. abrufen
7. neu ordnen
8. LLM-Antwort mit Quellenangaben (Abschnitt, Seite, Abbildung)
9. Sicherheitsschicht: Warnhinweise wörtlich zitiert, „keine Antwort gefunden“ statt Raten
10. Rückmeldung des Technikers (hilfreich / falsch)
11. Ticket-Entwurf oder Eskalation an Experten

• Das Parsen ist der Qualitätshebel. Tabellen mit Drehmomentwerten, Fehlercode-Listen und Explosionszeichnungen überfordern die einfache Textextraktion aus PDFs. Es kommen layoutbewusste Parser oder ein Vision-Sprachmodell zum Einsatz; strukturierte Quellen (XML im Stil von DITA/S1000D, iiRDS-Metadatenpakete der tekom) sind weit besser als PDFs, sofern der Hersteller sie hat [5].
• Variantenfilterung: Der gefährlichste Fehler ist eine korrekte Antwort für das falsche Modell oder die falsche Revision. Metadatenfilter aus dem Datensatz der installierten Basis verhindern das.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Techniker bleibt verantwortlich; sicherheitskritische Schritte (Freischalten/Sichern gegen Wiedereinschalten, Hochspannung, Druck, Gas) müssen als Quelltext mit dem ursprünglichen Warnhinweis angezeigt und nie umformuliert werden. Fragen mit geringer Sicherheit oder ohne Abdeckung gehen an den Support der zweiten Ebene.

Datenaufbereitung

Technische Dokumentation ist die schwierigste Art von RAG-Eingangsdaten. Typische Quellen sind PDF-Handbücher, CAD- und Stücklisten aus PLM oder ERP, Serviceberichte und Tickets, Schaltpläne, Schulungsunterlagen und ein alter Dateiserver. Typische Lücken sind gescannte Handbücher älterer Maschinengenerationen, Tabellen und Zeichnungen, die bei der reinen Textextraktion ihren Sinn verlieren, viele Produktvarianten und -versionen, uneinheitliche Teilenummern und Know-how, das nur bei erfahrenen Technikern liegt.

Schritte der Aufbereitung: - Dokumente je Produktlinie und Version erfassen und mit Maschinentyp und Seriennummernbereich verknüpfen (PREP-001, PREP-010). - Daten aus ERP und PLM über Exporte oder APIs extrahieren (PREP-005). - Layoutbewusste OCR und Parsing für Scans, Tabellen und Zeichnungen durchführen (Docling, Azure Document Intelligence, DOC-014, PREP-006). - Altformate konvertieren (PREP-007) sowie Terminologie und Teilenummern vereinheitlichen (PREP-015). - Serviceberichte nach gelösten Fällen auswerten, Kundendaten entfernen (PREP-020, PREP-022). - Mit erfahrenen Technikern einen Testsatz erstellen (PREP-018).

Rechnen Sie mit 50 bis 60 Prozent des Aufwands an dieser Stelle, besonders bei der Zuordnung von Varianten und Versionen. Eine einzelne Produktlinie ist der richtige erste Umfang. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg B, weil ein Maschinenbauer oder Serviceunternehmen den Assistenten an die eigenen Handbücher, Stücklisten und Servicetickets koppeln muss und nur wenige KMU eine der Plattformen aus Weg A betreiben.
• Großunternehmen: Weg B, weil der Assistent in Service-, PLM- und Dokumentationssysteme integriert werden muss; nutzen Sie Weg A, wo bereits eine Plattform wie ServiceMax oder Dynamics Field Service im Einsatz ist.
• Entwicklung: Weg C, weil Open-Source-RAG mit layoutbewusstem Parsing technische Handbücher bewältigt und das Produkt-Know-how im Haus hält (HW3 für gute Modelle).

Weg A — Kaufen

• Field-Service-Plattformen mit eingebauten Assistenten: PTC ServiceMax AI Assistant (vermittelt zwischen Arbeitsauftragsdaten, Einsatzplanung und Handbuchwissen) [2]; Microsoft Dynamics 365 Field Service mit Copilot; Salesforce Field Service / Agentforce; IFS- und SAP-Service-Suiten (SAP Joule).
• Industrieanbieter: Siemens Industrial Copilot (für Werke auf Siemens-Basis); Maschinenbauer liefern zunehmend einen Assistenten mit der Maschine aus.
• Anbieter auf der Dokumentationsseite (EU/Deutschland): Quanos (SCHEMA ST4), DOCUFY (COSIMA) und Empolis bieten Content-Delivery-Portale mit KI-Suche/-Antworten auf Basis ihres Component-Content-Managements und der iiRDS-Ausgabe [5]; sinnvoll, wenn Sie bereits in diesen Systemen erstellen.
• Wählen Sie A, wenn: Sie bereits eine dieser Plattformen betreiben, die Dokumentation vom Anbieter verwaltet wird und EU-Hosting sowie Mandantentrennung vertraglich abgedeckt sind.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: ein LLM-Endpunkt in einer EU-Region (Mistral-Modelle über La Plateforme, Azure OpenAI oder Anthropic Claude über AWS Bedrock/Google Vertex in EU-Regionen) plus ein mehrsprachiges Embedding-Modell und ein Reranker (z. B. Cohere Rerank, Voyage, Mistral Embed).
• Stack: verwaltete Vektor-/Hybridsuche (Azure AI Search, OpenSearch, Qdrant Cloud EU), Dokumentenparsing über Azure AI Document Intelligence oder Mistral OCR, Orchestrierung mit n8n oder eigenem Dienst, MCP-Konnektoren zu CMMS/ERP.
• Integration: Seriennummernabfrage in der installierten Basis, SSO, mobile Oberfläche/PWA, offlinetolerante Bedienung.
• Wählen Sie B, wenn: das Unternehmen eigene Dokumente hat, eigene Logik braucht (Variantenfilterung, Rückschreiben in Tickets) und keine Anforderung an On-Premises-Betrieb besteht.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie Qwen3 oder gpt-oss (Apache 2.0) oder Mistral Small/Medium mit offenen Gewichten; Embeddings und Reranker aus den Familien BGE-M3 oder Qwen3-Embedding/Qwen3-Reranker; vLLM oder Ollama für den Betrieb.
• Pipeline: Docling (MIT-Lizenz) für das Parsen von PDF/Office [4], optional ein VLM für Abbildungen; Qdrant, pgvector oder OpenSearch für die hybride Suche; RAGFlow, LlamaIndex oder Haystack (deepset, Berlin) als Framework; Evaluation mit RAGAS.
• Hardware: HW3 für ein Modell mit 30–120 Mrd. Parametern mit guter mehrsprachiger und fachlicher Genauigkeit; HW2 funktioniert für ein quantisiertes Modell mit ca. 14–30 Mrd. Parametern bei kleinem Nutzerkreis. Standorte mit Werken ohne Netzanbindung (Rüstungszulieferer, Pharma, kritische Infrastruktur) brauchen oft diesen Weg.
• Betrieb: Index aktualisieren, sobald Dokumentation freigegeben wird, Überwachung, Rückkopplung durch die Nutzer.

Weg D — Eigenes Training

Selten der erste Schritt. Erwägenswert: Feintuning eines Embedding-Modells auf Paaren aus (Frage des Technikers, richtiger Abschnitt) aus abgeschlossenen Tickets sowie ein fachspezifischer Reranker, was typischerweise mehr bringt als das Feintuning des Generators. Es braucht Hunderte bis Tausende kuratierter Paare aus Frage und Quelle. Das Feintuning des LLM selbst ist nur gerechtfertigt für strikte Terminologie/Stil oder wenn ein kleines Modell auf dem Gerät offline laufen muss.

Stand der Technik (2026)

• RAG mit hybrider Suche + Reranking + Quellenangaben ist der Standard; die größten Gewinne kommen aus besserem Parsen, Metadatenfilterung und Evaluation, nicht aus größeren Modellen.
• Graphgestützte Suche (Teile, Fehlercodes, Verfahren als Knoten) hilft nach Berichten bei Mehrschritt-Fragen wie „Welcher Fehlercode führt zu welchem Teil“, die Belege stammen bisher jedoch von Anbietern oder aus Vorträgen [3].
• Agentische Assistenten verbinden die Handbuchsuche mit Tool-Aufrufen zu Arbeitsaufträgen, Teileverfügbarkeit und Einsatzplanung (ServiceMax AI nutzt getrennte Agenten für Daten, Einsatzplanung und Handbuchwissen) [2].
• Multimodal: Foto des Typenschilds oder der Fehlermeldung, um Modell und Fehler zu bestimmen; das Lesen von Schaltplänen durch ein VLM wird besser, ist bei dichten Schaltplänen aber noch unzuverlässig; als Vorschlag behandeln.
• Strukturierte Dokumentation: iiRDS bietet einen herstellerneutralen Metadatenstandard, mit dem Assistenten je Produktvariante die richtige Informationseinheit abrufen können [5].
• Grenzen und Fehlerbilder: falsche Revision oder Variante; erfundene Drehmomentwerte, Teilenummern oder Verdrahtungen; Vermischung von Anleitungen zweier Produkte; veralteter Index nach einem Bulletin; schlechte Scans alter Handbücher; fehlende Negativantworten („nicht dokumentiert“). Sicherheitsrelevante Zahlenwerte sollten aus der Quelle kopiert und mit der Originalabbildung angezeigt werden, und Antworten ohne auffindbare Quelle müssen verweigert werden. Bewerten Sie mit einem Referenzsatz echter Technikerfragen je Modellfamilie.

Gemeinsame Bausteine & Kombinationen

• Gleicher RAG-Stack (llm-general + embedding-text + reranker + vector-db): KNOW-002 (RAG über Unternehmensdokumente), KNOW-003 (HR-Assistent), KNOW-009 (Fragen zu Normen), DOC-014 (Dokumentenparsing für RAG): Eine Suchplattform und ein GPU-Server (HW3) können alle mit getrennten Indizes und Zugriffsrechten bedienen.
• Inhaltsversorgung: LANG-022 (Erstellung von Handbüchern im CCMS) ist die vorgelagerte Quelle; KNOW-011 (Erzeugung von Wissensdatenbanken) und KNOW-027 (Erzeugung von Arbeitsanweisungen aus Experten-Videos) machen Erfahrungswissen und abgeschlossene Tickets zu neuen, indexierten Inhalten.
• Angrenzende Field-Service-Anwendungsfälle: KNOW-021 (Identifikation von Ersatzteilen), CONV-027 (Live-Kameraanleitung), SPEECH-011 (freihändige Sprachsteuerung), PRED-006 (Warnungen der vorausschauenden Wartung, die das passende Verfahren auslösen), OPT-019 (Einsatzdisposition von Technikern nach Qualifikation und Teilen).
• Gemeinsame Daten: Stammdaten der installierten Basis/Seriennummern, CMMS-/FSM-Ticket-Historie, Pipeline zum Parsen von Dokumenten, Übersetzung (Fähigkeit translation) für mehrsprachige Teams.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Einspielen der Inhalte und Zuordnung der Varianten dominieren); Abonnement pro Nutzer plus Nutzungsguthaben [2].
• Weg B: etwa 2–4 Monate für einen Pilot mit einer Produktfamilie; die Kosten bestehen hauptsächlich aus Entwicklung und Aufbereitung der Dokumente, die API-Kosten pro Frage sind im Vergleich zur Zeit der Techniker gering.
• Weg C: 3–6 Monate inkl. Evaluation; GPU-Server plus Betrieb. Weg D erhöht den Aufwand für das Labeln der Daten.
• Kennzahlen: Erstlösungsquote, mittlere Reparaturzeit, Eskalationsquote an die zweite Ebene, Akzeptanzquote der Antworten und Korrektheit der Quellenangaben (gemessen an einem Referenzfragensatz), Anteil der Fragen ohne dokumentierte Antwort, Zeit bis zur Kompetenz neuer Techniker, Vorfälle mit falscher Variante (Ziel null).

Menschen & Veränderung

Geschäftsführung und die Leitung von Service oder Dokumentation verantworten den Umfang. Die Techniker sind die eigentlichen Experten und Nutzer: Beziehen Sie sie früh ein, damit sie Testfragen liefern, Antworten beurteilen und Fehler melden. Die IT stellt Integration und mobilen Zugang bereit; die Datenverantwortlichen der PLM-, ERP- und Dokumentationssysteme geben die Daten frei. Kunden und Lieferanten spielen eine Rolle, wenn Handbücher oder Servicedaten mit ihnen geteilt werden; prüfen Sie Vertraulichkeitsklauseln.

Betriebsrat: kommt darauf an. Wird der Assistent im Außendienst genutzt und protokolliert er Anfragen, Standort oder Arbeitszeiten der Techniker, ist er geeignet, das Verhalten zu überwachen, und die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG ist wahrscheinlich; §90 Abs. 1 Nr. 3 verlangt frühe Unterrichtung. Handelt es sich nur um eine öffentliche Handbuchsuche ohne Protokollierung der Nutzer, wird sie möglicherweise nicht ausgelöst. Klären Sie das früh (GUIDE-004).

Datenschutz: Handbücher enthalten wenig personenbezogene Daten, Servicetickets aber schon (Kundenkontakte, Namen der Techniker); beziehen Sie die/den Datenschutzbeauftragte(n) ein und entfernen Sie personenbezogene Daten aus indexierten Tickets (GUIDE-005).

Wählen Sie als Pilotgruppe fünf bis zehn erfahrene Techniker einer Produktlinie. Ein typisches Bedenken lautet „Das Wissen der Erfahrenen wird abgesaugt“ (Antwort: Der Assistent bewahrt und verbreitet es, würdigen Sie die Beitragenden). Ein weiteres sind falsche Reparaturempfehlungen: Zeigen Sie Quellen und Seitenverweise, verlangen Sie eine Bestätigung bei sicherheitsrelevanten Schritten und lassen Sie die Entscheidung beim Techniker. Fördern Sie die KI-Kompetenz mit praktischen Workshops (GUIDE-006, GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Ein Dokumentationsassistent hat normalerweise minimales Risiko (Art. 4 KI-Kompetenz gilt). Die Chatbot-Transparenz nach Art. 50 wird durch eine klare Kennzeichnung des Assistenten erfüllt. Wird die KI zu einem Sicherheitsbauteil der Maschine selbst (z. B. Steuerungsfunktionen), unterliegt die Maschine Anhang I und der Maschinenverordnung; das ist ein anderer Fall. Er fällt nicht unter Anhang III, außer er wird zur Überwachung oder Leistungsbewertung von Beschäftigten genutzt, was durch die Gestaltung ausgeschlossen werden sollte. Prüfen Sie den aktuellen Stand des Zeitplans des „Digital Omnibus“ zum AI Act für die Hochrisiko-Regeln.
• Maschinenverordnung (EU) 2023/1230: gilt ab dem 20. Januar 2027; sie verlangt Anleitungen für Maschinen und erlaubt die digitale Bereitstellung, was die Bedeutung korrekter, versionierter und maschinenlesbarer Dokumentation erhöht. Der Assistent ersetzt nicht die gesetzlich geforderten Anleitungen; maßgeblich bleibt das freigegebene Handbuch.
• Produkthaftung: Falsche Reparaturempfehlungen können zu Verletzungen oder Schäden führen. Ratsam sind eine vertragliche Aufteilung zwischen Hersteller und Betreiber, die verpflichtende Anzeige der ursprünglichen Sicherheitshinweise und die Protokollierung von Frage, Antwort und Quellen für die Vorfallanalyse.
• DSGVO / Arbeitsrecht: Tickets und Technikernotizen enthalten personenbezogene Daten (Namen, Standorte, Leistungsspuren); Fragenprotokolle können individuelle Leistung offenlegen. In Deutschland gilt für solche Protokollierung in der Regel die Mitbestimmung des Betriebsrats (BetrVG §87). Pseudonymisieren Sie Protokolle und beschränken Sie Auswertungen auf aggregierte Ebene.
• Geistiges Eigentum / Vertraulichkeit: Herstellerhandbücher sind oft lizenziert; prüfen Sie Weitergaberechte und nutzen Sie für vertrauliche Konstruktionsunterlagen EU-Mandanten oder Selbstbetrieb.
• Sicherheit: Prompt-Injection über Dokumente oder Tickets sowie Zugriffskontrolle je Kunde/Vertrag (ein Techniker darf nur Dokumente sehen, auf die sein Vertrag ihn berechtigt).

Erste Schritte

1. Wählen Sie eine Produktfamilie und sammeln Sie 100–200 echte Technikerfragen mit bekannten richtigen Quellstellen; das ist Ihr Bewertungssatz.
2. Erfassen Sie Dokumentationsquellen und -formate (PDF vs. strukturiertes XML/iiRDS), Revisionen und Sprachen; klären Sie die Zuordnung von Seriennummer zu Dokument.
3. Erstellen Sie einen Prototyp mit Weg B oder dem Assistenten Ihrer vorhandenen FSM-Plattform; messen Sie vor einer Einführung Korrektheit der Quellenangaben und Quote falscher Varianten.
4. Legen Sie Sicherheitsregeln fest (wörtliche Warnhinweise, Verweigerung ohne Quelle, Eskalation) und vereinbaren Sie die Protokollierung mit Betriebsrat und Datenschutzbeauftragten.
5. Führen Sie einen Pilot mit 5–10 Technikern über 4–8 Wochen durch, werten Sie das „Keine Antwort“-Protokoll gemeinsam mit den Autoren der Dokumentation aus und erweitern Sie dann auf weitere Familien.

Quellen

1. PYMNTS — "Ford and Rockwell Fast-Track Rookie Technicians With AI" (Rockwell Singapore plant: training time, downtime figures) — https://www.pymnts.com/?p=4268797
2. diginomica — ServiceMax agentic AI assistant (PTC), launched 12 Feb 2025 — https://diginomica.com/servicemax-agentic-ai-assistant-ptc-generative-ai
3. MIT CSAIL event page — "From the Front Lines to the Test Bench: Applied AI and RAG Evaluation, ft. BCG" (graph RAG vs. RAG for field engineers; talk summary) — https://www.csail.mit.edu/event/front-lines-test-bench-applied-ai-and-rag-evaluation-ft-bcg
4. Docling project (MIT licence document parser) — https://github.com/docling-project/docling
5. iiRDS standard (tekom) — https://iirds.org
6. Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj