Herr Martinetz, viele Metallverarbeiter klagen über Informationssilos zwischen Produktion, Service und Einkauf. Warum wird gerade im industriellen Umfeld der Metallbearbeitung eine intelligente Unternehmenssuche zum unverzichtbaren Baustein für erfolgreiche KI-Initiativen?
Gerald Martinetz: Wie in vielen Bereichen hängen
auch in der Metallbearbeitung fast alle zu treffenden Entscheidungen von
Informationen ab. Das Problem ist: Diese liegen überall verteilt, in
unterschiedlichen Systemen oder oft sogar im Kopf einzelner Mitarbeitender.
Eine intelligente Unternehmenssuche bringt dieses Wissen zusammen und macht es
für KI überhaupt nutzbar. Es entsteht ein zentraler, verlässlicher
Wissenszugang, der die Grundlage für jede erfolgreiche KI-Initiative bildet.
Im Gartner Market Guide heißt es, dass mehr als ein Drittel der Mitarbeitenden Schwierigkeiten hat, relevante Informationen zu finden. Welche Folgen hat dieses Problem speziell für Produktionsbetriebe – etwa in Bezug auf Rüstzeiten, Qualitätsmanagement oder Serviceeinsätze an Maschinen?
Martinetz: Für Produktionsbetriebe
ist das ein echter Effizienz-Killer. Wenn Mitarbeitende die richtigen
Parameter, Materialfreigaben oder Prüfprotokolle nicht finden, verlängern sich
Rüstzeiten automatisch. Im Qualitätsmanagement fehlen oft historische Daten, um
Abweichungen schnell einzuordnen – und im Service wühlt man sich durch
Handbücher oder E-Mails, während die Maschine bereits steht. Das summiert sich
zu enormen Kosten, die sich eigentlich vermeiden lassen. Eine intelligente
Unternehmenssuche stellt diese Informationen sofort bereit. Genau das macht den
Unterschied.
Wie verändert ein unternehmensweiter Knowledge Graph konkret die Fehlerdiagnose und Wartung in metallverarbeitenden Betrieben? Können Sie ein Beispiel nennen, wie sich dadurch Stillstände oder Ausschuss reduzieren lassen?
Auch interessant:
ki
automatisierung
Martinetz: Ein Knowledge Graph
vernetzt alle relevanten Informationen miteinander: Maschinendaten,
Ersatzteillisten, Serviceberichte, Materialchargen. Das verändert die
Fehlerdiagnose vollkommen. Statt nur einzelne Dokumente oder Anwendungen
separat zu durchsuchen, wird einem Techniker das Gesamtbild des Problems per
Knopfdruck zusammengestellt.
Ein Beispiel: Wenn eine
Maschine regelmäßig Störungen zeigt, erkennt das System, welche Werkzeuge damit
im Zusammenhang standen, welche Materialchargen betroffen waren und welche
Wartungsarbeiten in der Vergangenheit durchgeführt wurden. Dadurch lassen sich
Fehlerursachen schneller finden, Stillstände verkürzen und Ausschuss
reduzieren.
Viele Unternehmen erwarten heute, dass KI „sofort spürbaren Wert“ erzeugt. Wo sehen Sie im Maschinen- und Anlagenumfeld die schnellsten und messbarsten Hebel – beispielsweise in Instandhaltung, Qualitätsprüfung oder im technischen Kundensupport?
Martinetz: Instandhaltung,
Qualitätsprüfung und der technische Kundensupport sind aus meiner Sicht die
Bereiche, in denen KI heute am schnellsten einen spürbaren Nutzen bringt. Dort
fallen viele wiederkehrende Aufgaben an. Von der Informationssuche über die
Auswertung von Qualitätsdaten bis zur Erstdiagnose. KI kann diese Schritte
unmittelbar beschleunigen, indem sie relevante Dokumente bereitstellt,
Abweichungen automatisch erkennt oder Serviceteams bei der Fehleranalyse
unterstützt.
Wesentlich sind dabei
multimodale Large Language Models, die Text, Bilder, Videos, Audiodaten und
technische Zeichnungen gleichermaßen verstehen. So lässt sich Wissen aus sehr
unterschiedlichen Quellen, wie etwa Sensordaten, Prüfaufnahmen oder
Maschinendiagrammen, zusammenführen und direkt nutzbar machen.
Durch
Retrieval-Augmented Generation (RAG) ist zudem völlig transparent, woher jede ausgegebene
Information stammt. Die KI bezieht sich lediglich auf legitime Quellen wie
Handbücher, Serviceprotokolle oder Konstruktionsunterlagen. Das reduziert
Halluzinationen und erhöht die Verlässlichkeit der Empfehlungen.
Für die Mitarbeitenden
bedeutet das: präzise, kontextbezogene Antworten, nachvollziehbare Diagnosen
und sichere Schritt-für-Schritt-Anleitungen. Der Nutzen zeigt sich schnell:
weniger Stillstand, weniger Nacharbeit und kürzere Reaktionszeiten. Genau dort
entsteht der sofortige Wert, den viele Unternehmen erwarten.
Metallverarbeitung ist geprägt von komplexen Fertigungsabläufen, strengen Normen und hoher Dokumentationspflicht. Wie hilft Cognitive Search dabei, Compliance-Anforderungen zu erfüllen und gleichzeitig das Erfahrungswissen der Belegschaft zu sichern?
Martinetz: In der
Metallverarbeitung ist entscheidend, dass jede Änderung, jede Messung und jeder
Vertrag stets nachvollziehbar bleibt. Eine intelligente Wissensmanagementlösung
hilft dabei, indem sie alle relevanten Informationen aus ERP-Systemen,
Fileservern, Archiven oder älteren PDFs zu einer einheitlichen 360-Grad Sicht
zusammenführt. So sind Dokumente, Versionen, Fristen und Prozessnachweise auf
Knopfdruck auffindbar. Ein großer Vorteil für Compliance und Audits.
Gleichzeitig ermöglicht
die Lösung eine automatische Analyse dieser Inhalte: Vertragsdaten, Risiken,
Abweichungen oder wichtige Fristen werden erkannt und strukturiert dargestellt.
Auch komplexe Dokumente lassen sich rasch zusammenfassen oder miteinander vergleichen,
was die Prüfung deutlich beschleunigt.
Und ein weiterer Punkt
ist die Wissenssicherung: Schulungsunterlagen, interne Hinweise oder Lessons
Learned bleiben verfügbar und durchsuchbar, statt in Silos zu verschwinden.
Damit erfüllt man nicht nur die Dokumentationspflicht, sondern stellt sicher, dass
das Erfahrungswissen der Belegschaft langfristig erhalten bleibt.
Was sind aus Ihrer Sicht die häufigsten Missverständnisse, wenn metallverarbeitende Unternehmen über KI nachdenken – und wie löst eine intelligente Suche diese typischen Blockaden?
Eines der größten
Missverständnisse ist der Glaube, KI könne einfach so magisch Wissen erzeugen.
In Wahrheit ist KI nur so gut wie die Daten, auf die sie zugreifen kann. Ganz
nach dem Garbage in, Garbage out Prinzip – wenn ich dem System nur Datenmüll
liefere, dann sind auch die Ergebnisse unzuverlässig. Eine intelligente Suche
räumt genau dieses Hindernis aus dem Weg: Sie bringt Ordnung ins Datenchaos,
macht Wissen auffindbar und sorgt dafür, dass die KI auf verlässliche Quellen
zugreift. Das ist oft der Moment, in dem Unternehmen merken, dass der Wert von
KI nicht durch das Modell allein entsteht, sondern durch die Qualität des
zugrunde liegenden Wissens.
Welche Best Practices sehen Sie bei Industrieunternehmen, die KI durch Enterprise Cognitive Search erfolgreich von Pilotprojekten in den produktiven Alltag überführt haben? Welche Schritte empfehlen Sie Fertigungsbetrieben, die jetzt starten wollen?
Was wir branchen- und
industrieübergreifend bei vielen Unternehmen sehen, die KI erfolgreich vom
Pilotprojekt in den produktiven Alltag überführen, ist ein sehr klar gewählter
Einstiegspunkt mit schnellem, sichtbarem Nutzen. Ein typisches Beispiel dafür
ist der Customer Service, aber genauso eignen sich auch andere operative
Bereiche. Entscheidend ist, dass der Use Case nah an der täglichen Arbeit liegt
und ein konkretes Problem löst.
Ein gutes Beispiel dafür
ist FANUC, ein Anbieter von Automatisierungs- und Robotiklösungen. Dort haben
wir Mindbreeze InSpire direkt in das bestehende Serviceportal integriert, ganz
unkompliziert über unsere Konnektoren. So konnten wir sofort alle relevanten
Informationen aus unterschiedlichsten Systemen zugänglich machen und mit
KI-Funktionen wie das Chatten mit Dokumenten oder Erstellen von
Zusammenfassungen echten Mehrwert schaffen. Der Nutzen war für die
Service-Teams rasch sichtbar.
Für Unternehmen, die
jetzt starten wollen, lässt sich daraus ein Handlungsplan ableiten: mit einem
klar definierten Use Case beginnen, messbare Ziele festlegen, einen Proof of
Concept mit realen Daten umsetzen und die Mitarbeitenden früh einbinden. So
gelingt nicht nur der Einstieg, sondern auch die nachhaltige Skalierung im
Unternehmen.
