KI-gestützte Bereitstellung von Erfahrungswissen |
Praktische Erfahrungen aus Unternehmensfällen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 5, Seite 128-135 |
| Open Access | https://doi.org/10.30844/I4SD.26.5.15 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Die Sicherung und Nutzung von Erfahrungswissen stellt Unternehmen weiterhin vor erhebliche Herausforderungen [7]. Die hier dargestellten Forschungsarbeiten fokussieren speziell den Umgang mit Erfahrungswissen, das relevant ist, um Entscheidungen außerhalb von ausformuliertem Regelwerk zu treffen, die Komplexität von Aufgaben zu reduzieren oder durch Prozesserfahrungen Zeit- bzw. Ressourcenverbrauch zu optimieren [1, 4].
In der Gegenwart besteht die Gefahr, Erfahrungswissen durch altersbedingtes Ausscheiden von Beschäftigten, Personalabbau bzw. Veränderung von Arbeitsaufgaben durch Automatisierung/Digitalisierung zu verlieren [7]. Wie die eigene Forschung der letzten 15 Jahre zeigt, müssen Unternehmen darauf einerseits durch sich komplementär ergänzende Lösungen zur Identifikation, Bewahrung und Bereitstellung von Erfahrungswissen reagieren [5, 8]. Andererseits sind effektive Strategien erforderlich, um kontinuierlich neu entstehendes Wissen und neue Informationen im Unternehmenskontext zu identifizieren und regelmäßig in die Unternehmenswissensbasis zu integrieren [3].
Mit der Entwicklung generativer KI, insbesondere von Retrieval-Augmented Generation (RAG)-Systemen werden hohe Erwartungen an die technische Unterstützung der Erfassung und Bereitstellung von Erfahrungswissen geknüpft [9]. RAG-Systeme kombinieren Sprachmodelle mit intelligenten Retrievalmechanismen für lokale Unternehmenswissensbasen und ermöglichen so kontextsensitiven Zugriff [6].
Obwohl RAG-Systeme ein hohes Potenzial für die Bereitstellung von Erfahrungswissen besitzen, stellt ihre praktische Einführung in Unternehmen, v. a. in kleinen und mittleren Unternehmen, hohe technische, organisatorische und personelle Anforderungen. Neben dem Aufbau geeigneter Wissensbasen sind Fragen der Datenaufbereitung, Systemintegration und betrieblichen Implementierung zu berücksichtigen. Vor diesem Hintergrund wurde im Projekt PAL (PerspektiveArbeit Lausitz, gefördert vom BMFTR 2021–2027) ein RAG-Tool entwickelt, das diese Anforderungen aufgreift und das seit 2022 in unterschiedlichen Unternehmenskontexten erprobt wird [9].
Forschungsziel: Rahmenbedingungen des Einsatzes von RAG-Systemen identifizieren
Ziel der Forschungsarbeiten ist es, die Rahmenbedingungen für den erfolgreichen Einsatz von RAG-Systemen zur Bereitstellung von Erfahrungswissen zu analysieren und daraus Handlungsempfehlungen für eine erfolgreiche Implementierung KI-gestützter Lösungen abzuleiten.
Die Untersuchung basiert auf einem Action-Research-Ansatz [2], der wissenschaftliche Erkenntnisgewinnung und die gemeinsame Entwicklung sowie Erprobung praxisnaher Lösungen in enger Zusammenarbeit mit den Unternehmenspartnern verbindet. Sie umfasst vier Unternehmensfälle. In den Unternehmen wurden Projektteams gebildet und ein Co-Creation-Prozess etabliert. Regelmäßige Projekt-Jour-Fixes dienen der Dokumentation von Ideen, Festlegungen und identifizierten Abweichungen. Die Datengrundlage bilden diese Projektdokumentationen sowie Workshopergebnisse und leitfadengestützte Feedbackgespräche mit Beschäftigten.
Zur Bearbeitung der Unternehmensfälle wurden Pilotlösungen in den Unternehmen sowie eigene Teststellungen von RAG-Systemen realisiert.
- Fall A: Zur Effektivierung der Montageprozesse sollen die bereits verfügbaren, sehr umfangreichen (> 150 Seiten) Montageanweisungen mittels RAG-System anhand von Anfragen der Beschäftigten durchsucht werden können, um Antworten auf aktuelle Montageprobleme zu erhalten. Parallel dazu erfolgten Interviews mit erfahrenen Mitarbeitern, um Tipps und Tricks der Arbeitsausführung ergänzend zu den Arbeitsanweisungen zu dokumentieren und in die Wissensbasis zu integrieren.
- Fall B: Ein RAG-System soll das Durchsuchen von über 10 Jahre alten bestehenden Dokumentenbeständen unterstützen. Die technische Herausforderung besteht darin, unterschiedliche Dateiformate zu verarbeiten.
- Fall C: In einem Montagebereich wird das RAG-System eingesetzt, um zu prüfen, wie Beschäftigte bei lange nicht ausgeführten Montageaufgaben unterstützt werden können. Als Ergänzung wird ein selbst erstelltes Video integriert, um taktil determinierte Vorgänge als Erfahrung zur Verfügung zu stellen.
- Fall D: Das RAG-System soll Beschäftigte im Außendienst bei Wartungs- und Inbetriebnahmeaufgaben unterstützen und den Innendienst von wiederkehrenden technischen Nachfragen entlasten. Alle relevanten Bedienungsanleitungen und Arbeitsanweisungen werden als PDF-Dateien bereitgestellt. Zusätzlich wurden Tandemgespräche zwischen ausscheidenden Erfahrungsträgern und weniger erfahrenen Kollegen zu Erfahrungen bei konkreten Arbeitsausführungen durchgeführt. Ein weiterer Mitarbeiter erstellt Videos zu bestimmten Arbeitsaufgaben. Beide Wissensquellen wurden in das RAG-System integriert.
Technische Herausforderungen und Lösungen
Die Literatur beschreibt eine Reihe technischer Herausforderungen beim Einsatz von RAG-Systemen [6].
- Die Wahl geeigneter Strategien und Parameter für die Verarbeitung digitaler Informationen (Chunking, Embedding) ist entscheidend für die Relevanz und Genauigkeit der auf Nachfrage bereitgestellten Informationen. Das ist besonders bei den kleinen Datenbeständen in einem RAG-System bedeutsam.
- Trotz der Retrieval-Komponente können RAG-Systeme fehlerhafte oder erfundene Inhalte erzeugen (sogenannte Halluzinationen).
- Die Verarbeitung großer, heterogener Unternehmensdatenbestände erfordert ausreichende Rechenleistung.
- Unternehmensdaten liegen oft in unterschiedlichen Formaten vor. Die Integration erfordert spezialisierte Schnittstellen oder eine Vorverarbeitung.
- Die begrenzte Kontextlänge von Large Language Models (LLMs) erschwert die Verarbeitung komplexer Anfragen, die Informationen aus mehreren Dokumenten aggregieren.
- Veraltete, unvollständige oder inkonsistente Daten führen zu Fehlern im Retrieval und erhöhen das Halluzinationsrisiko.
Die Analyse zeigt, dass sich diese Aspekte auch in den Unternehmensfällen wiederfinden. Im Folgenden werden die in den Fallstudien identifizierten technischen Rahmenbedingungen und Gestaltungsentscheidungen dargestellt.
Beide Systeme laufen jeweils auf einem leistungsstarken PC mit einer GeForce RTX-Grafikkarte. Letztere ist Bedingung für einen zeitlich akzeptablen Suchprozess, wobei bei den aktuell geringen parallelen Nutzerzahlen keine hierdurch bedingten Wartezeiten auftraten.
Für alle untersuchten Fälle liegt der Schwerpunkt auf der Informationsbeschaffung, nicht auf der KI-gestützten Generierung von Texten. Copilot Pro beispielsweise formuliert standardmäßig kurze Antworten auf Fragen, indem mehrere relevante, gerankte Dokumente bzw. Dokumentpassagen ausgewertet und zu einer kompakten Antwort zusammengeführt werden. Um das Risiko von Halluzinationen zu reduzieren und die Akzeptanz der Systeme zu fördern, wird in Abstimmung mit den Anwendern der Schwerpunkt auf die Anzeige relevanter Dokumente gelegt und auf ausformulierte Antworten verzichtet.
Identifizierte organisatorische und personelle Anforderungen
Die Fallstudien repräsentieren unterschiedliche Anwendungsfälle für den Einsatz von RAG-Systemen. Die wissenschaftliche Begleitung der Erprobungen zeigt, dass die Erwartungen an diese Systeme und die tatsächlichen Voraussetzungen für ihren erfolgreichen Einsatz häufig auseinanderklaffen. Zentrale Herausforderungen bestehen insbesondere in der Verfügbarkeit geeigneter digitaler Wissensquellen sowie der Bereitschaft, Ressourcen für deren kontinuierliche Entwicklung und Pflege bereitzustellen.
Anhand der Fallstudien konnte eine Reihe von Einzelbefunden ermittelt werden:
In Fall B zeigte sich, dass RAG-Systeme insbesondere bei großen und über längere Zeit gewachsenen Dokumentenbeständen sinnvoll eingesetzt werden könnten. Die Möglichkeit, Informationen unabhängig von exakten Suchbegriffen zu finden, ist insbesondere für neue Mitarbeitende von Vorteil. Die Listendarstellung der Fundstellen zu den gesuchten Informationen liefert einen schnellen und umfassenden Überblick über in der Vergangenheit formulierte Festlegungen.
Während im Fall D konkreter Informationsbedarf im Außendienst besteht, fehlt dieser Bedarf im Fall C, da bei klar strukturierten und bekannten Arbeitsanweisungen kein Anlass für eine zusätzliche informationsbasierte Unterstützung besteht.
Technisch herausfordernd, aber lösbar ist der Umgang mit unterschiedlichen Dateiformaten. WINI wurde mit zusätzlicher Funktionalität versehen, um Textdokumente automatisch in PDF-Dokumente umzuwandeln. Grafik- und zahlenbasierte Formate, z. B. Excel, entziehen sich jedoch einer Verarbeitung mit sprachmodellgestützten Systemen, es sei denn, sie enthalten auswertbaren Text als Metainformation. Für die Videos, die von Beschäftigten zu ihrer Arbeitsausführung erstellt wurden (Fall C, Fall D), wurden deshalb Transkripte der Kommentierung/Erläuterung durch den Ausführenden erstellt und in das System eingebunden. Damit werden die Videos anhand der „Bildbeschreibung“ für Information Retrieval zugänglich.
In den Fällen A, B und C konnte das System aus Gründen der Cybersicherheit nicht in die Unternehmens-IT-Infrastruktur integriert werden, weshalb jeweils ein separater Rechner erforderlich wurde. Dies beeinflusst einerseits die Akzeptanz negativ, andererseits behindert es auch objektiv die Nutzung im Arbeitsprozess. Im Fall D wurde das browserbasierte System WINI den Außendienstmitarbeitern auf den Tablets bereitgestellt, mit denen jeder für die Auftragsabwicklung ausgestattet ist. Es zeigt sich, dass die Einbeziehung der zuständigen IT zur Schaffung der notwendigen Voraussetzungen von immenser Bedeutung ist.
Die Akzeptanz der Beschäftigten spielt insgesamt eine zentrale Rolle für die Bereitstellung und Nutzung von Erfahrungswissen. Die Beschäftigten in den Fallbeispielen B bis D testeten WINI und formulierten positives Feedback zu Funktionalität und Usability. In Fall A scheiterte die RAG-Nutzung unter anderem an fehlender Bereitschaft der Beschäftigten zur Explizierung von Erfahrungswissen. Es wird deutlich, dass ohne erkennbare Vorteile bei der Arbeitsausführung oder zielgerichtete Anreize die Bereitschaft zur Wissensexplizierung gering ist, da dieser Prozess mit großem Aufwand für die kontinuierliche Sammlung, Überprüfung und Pflege von Informationen aus verschiedenen Quellen verbunden ist. Fall D zeigt, dass eine hohe Wertschätzung durch die Geschäftsleitung zu einem hohen Prozentsatz von eigenständig erstellten Videodateien in der Wissensbasis führte.
Ein weiterer zentraler Befund betrifft den Zeitraum bis zur produktiven Nutzung des RAG-Systems. Die Fallbeispiele C und D zeigen, dass Beschäftigte, die bisher ohne digitale Unterstützung gearbeitet haben, nicht sofort oder automatisch einen Bedarf für diese neuen Formen der Informationsbeschaffung entwickeln. Im Fall D hat der Vorgang bis zu einem systematischen Test durch Beschäftigte 7 Monate gedauert.
Daher sollte ein initialer Nutzungsfall gewählt werden, z. B. ein neues Produkt oder ein neuer Prozess, für den noch wenig Erfahrungswissen vorhanden und damit hoher Austauschbedarf gegeben ist. Ein angemessen langer Erprobungszeitraum mit einer initialen Einführungsaktivität und wiederholter Animation zur Nutzung durch die Führungskräfte ist erforderlich, um die tatsächliche Nutzung durch die Breite der Beschäftigten und damit die Wirksamkeit der Lösung beurteilen zu können.
Rolle der Wissensbasis ist prioritär
Die Priorität für eine KI-gestützte Wissensbereitstellung, so zeigen die Fallbeispiele, liegt jedoch eindeutig bei der Wissensbasis und damit in der Verantwortung der Anwenderunternehmen. Die bekannten großen Sprachmodelle stoßen insbesondere bei domänenspezifischen und wissensintensiven Fragestellungen an Grenzen [6]. RAG-Systeme nutzen deshalb firmenspezifisches Know-how, das jedoch entsprechend komplex und umfangreich sein muss, um einen Mehrwert bei der Benutzung generieren zu können.
Zur Untersuchung des Einflusses der Wissensbasis auf die Leistungsfähigkeit von RAG-Systemen wurden diese für die Wissensbasis des Falls D vergleichend bewertet..
Hierzu wurden identische Fragestellungen an die jeweiligen RAG-Systeme gestellt. Bewertet wurden die Anzahl korrekt identifizierter Dokumente bzw. Dokumentpassagen sowie die Nutzbarkeit des erzeugten Outputs für die Beantwortung der Fragestellungen. Ergänzend erfolgte eine qualitative Bewertung der Art der Antwortbereitstellung und ihrer Eignung für die praktische Nutzung (Bild 4).
Fragen:
- Wie muss der Bürostuhl eingestellt werden?
- Wie muss der Bildschirm positioniert sein? Welche Winkel sind zu beachten?
- Welche Abstände am Schreibtisch und in die Umgebung sind einzuhalten?
- Was ist bei der Verwendung von LED-Leuchtmitteln zu beachten?
- Wer ist für die Gestaltung der Bildschirmarbeitsplätze verantwortlich?
Die Erprobungen zeigen einen Zusammenhang zwischen Systemfunktionalität, Wissensbasis, Art der Anfragen und den Erwartungen des Benutzers an den Output des RAG-Systems . Die Tests demonstrieren beispielsweise, dass die ausformulierten Antworten von Copilot zunächst einen hohen Informationskomfort bieten, deren praktische Nutzbarkeit jedoch von der Bereitschaft der Nutzenden abhängt, die Antworten zu lesen und gegebenenfalls zu verifizieren. Die unternehmensspezifische Abstimmung von Systemfunktionalität, Wissensbasis und Nutzererwartungen aufeinander ist daher ein zentraler Bestandteil einer erfolgreichen Implementierungsstrategie.
Die Definition und kontinuierliche Weiterentwicklung der Wissensbasis sollte eng mit der Unternehmensstrategie verknüpft werden, z. B. im Rahmen regelmäßiger Anforderungsworkshops mit den Beschäftigten, wie sie auch im Fall D stattgefunden haben. Aus diesen Workshops lassen sich neue Themenschwerpunkte ableiten, zu denen retrospektiv oder prozessbegleitend Erfahrungswissen gemeinsam dokumentiert werden soll. Darüber hinaus ist die kontinuierliche Pflege der Wissensbasis hinsichtlich Aktualität und Qualität zu organisieren, beispielsweise unter Auswertung von Nutzungshäufigkeiten, Nutzerfeedback und häufig nachgefragten Wissensinhalten.
Schlussfolgerung und weiterführende Handlungsempfehlungen
Die Fallstudien bestätigen, dass der erfolgreiche Einsatz von RAG-Systemen maßgeblich von der Qualität der Wissensbasis sowie geeigneten organisatorischen und personellen Rahmenbedingungen abhängt [6]. Der nachhaltige Nutzen solcher Systeme entsteht weniger durch die Wahl einer spezifischen technischen Lösung als vielmehr durch die kontinuierliche Entwicklung, Pflege und Nutzung der Wissensbasis.
Für detaillierte Untersuchungen unter Nutzungsgesichtspunkten ist die systematische Entwicklung geeigneter Evaluations- und Testinstrumente erforderlich, um Funktionalität, Nutzerakzeptanz und praktischen Nutzen von RAG-Systemen unter realen Einsatzbedingungen vergleichbar bewerten zu können. Ein eigenständiger Forschungs- und Entwicklungsbedarf besteht zudem hinsichtlich der Befähigung der Beschäftigten zur Wissensexplizierung [8]. Dies umfasst vor allem die Förderung von individueller Reflexionsfähigkeit und kommunikativer Artikulationskompetenz sowie die Implementierung von Dokumentationsprinzipien in den Unternehmen, die eine maschinelle Weiterverarbeitung unterstützen.
Für die praktische Umsetzung in Unternehmen sollte der Schwerpunkt primär auf der Gestaltung von Bereitstellungs- und Nutzungsprozessen sowie der kontinuierlichen Weiterentwicklung der Wissensbasis liegen und nicht auf der Bindung an eine spezifische technische Lösung, da sich entsprechende Technologien in hoher Dynamik weiterentwickeln [6, 9]. Die Akzeptanz kann wesentlich durch eine transparente Kommunikation von wechselseitigen Nutzenpotenzialen für alle betroffenen Beschäftigtengruppen gestützt werden.
Das Projekt PAL – Perspektive Arbeit Lausitz wird mit Mitteln des Bundesministeriums für Forschung, Technologie und Raumfahrt unter den Förderkennzeichen 02L19C300 – 02L19C333 gefördert.
Literatur
[1] Baumhauer, M.; Meyer, R.: Berufliche Handlungsfähigkeit und Erfahrungswissen: Stellenwert für die Facharbeit in der digitalen Transformation. Eine empirische Analyse am Beispiel der Chemieindustrie. In: Arbeit 30 (2021), S. 263–282. DOI: https://doi.org/10.1515/arbeit-2021-0019.[2] Franke-Jordan, S.; Hausmann, S.; Hunger, K.; Krause-Jüttler, G.; Ott, G.; Schmauder, M.: Wissen teilen – Technologietransfer aus Sicht der Arbeitsforschung. In: Borowski, E.; Cernavin, O.; Hees, F.; Joerißen, T. (Hrsg.): Erfolgreicher Transfer in der Arbeitsgestaltung. Wie Dienstleistungen zur präventiven Arbeitsgestaltung und Ergebnisse der Arbeitsforschung die Akteure in Unternehmen wirkungsvoll erreichen. Münster/New York 2023. DOI: https://doi.org/10.31244/9783830998082.
[3] Bretschneider, J.; Zösch, A.; Ott, G.; Hausmann, S.; Gonsior, J.; Hauer, F.; Naumann, U.; Scherbaum, R.; Zimmermann, M.: Digitalisierung in der Werkstoffprüfung. In: Nitsch, V.; Brandl, C.; Häußling, R.; Roth, P.; Gries, T.; Schmenk, B. (Hrsg.): Digitalisierung der Arbeitswelt im Mittelstand 3. Ergebnisse und Best Practice des BMBF-Forschungsschwerpunkts „Zukunft der Arbeit: Mittelstand – innovativ und sozial“. Berlin/Heidelberg 2023, S. 369–402.
[4] Büssing, A.; Herbig, B.: Implizites Wissen und Wissensmanagement – Schwierigkeiten und Chancen im Umgang mit einer wichtigen menschlichen Ressource. In: Zeitschrift für Personalpsychologie 2 (2003) 2, S. 51–65. DOI: https://doi.org/10.1026//1617-6391.2.2.51.
[5] CIMTT Zentrum für Produktionstechnik und Organisation: StratEWiss – Entwicklung innovativer Strategien zur Ermittlung und Systematisierung betrieblicher Wissensressourcen, insb. Erfahrungswissen, und neuer Methoden für deren Transfer unter Berücksichtigung der demografischen Entwicklung. TU Dresden. URL: https://tu-dresden.de/ing/maschinenwesen/cimtt/projekte/abgeschlossene-forschungsprojekte/stratewiss-entwicklung-innovativer-strategien-zur-ermittlung-und-systematisierung-betrieblicher-wissensressourcen-ins-erfahrungswissen-und-neue-methoden-fuer-deren-transfer-unter-beruecksichtigung-der-demografischen-entwicklung, Abrufdatum 11.06.2026.
[6] Gao, Y.; Xiong, Y.; Gao, X.; Jia, K.; Pan, J.; Bi, Y.; Dai, Y.; Sun, J.; Wang, M.; Wang, H.: Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv 2024. DOI: 10.48550/arXiv.2312.10997.
[7] Maier, E.: Erfahrung – der unsichtbare Erfolgsfaktor in Wirtschaftsunternehmen. Dokumentation der Ergebnisse einer Befragung von Führungskräften in der Schweiz, Österreich und Deutschland. Europa-Institut Erfahrung & Management – METIS. 2016.
[8] Ott, G.; Hausmann, S.; Schmauder, M.: Werkzeuge zum Umgang mit Erfahrungswissen in der Werkstoffprüfung. In: Vortragsband. DGM – Deutsche Gesellschaft für Materialkunde e.V. 2022.
[9] Schönwälder, E.; Hahmann, M.; Ott, G.: Using Compact Retrieval-Augmented Generation for Knowledge Preservation in SMBs. In: Human Interaction and Emerging Technologies (IHIET-AI 2025): Artificial Intelligence and Future Applications. 2025. DOI: https://doi.org/10.54941/ahfe1005891.
Potenziale: Management
Das könnte Sie auch interessieren
