Ein Alarm erscheint, eine Komponente muss eingerichtet oder ein Schaltplan angepasst werden. Die passende Information steht möglicherweise im Handbuch, in einer Serviceanweisung oder in einer Kundenrichtlinie. Gesucht wird aber nicht irgendein Dokument, sondern eine konkrete Antwort auf eine technische Frage. Genau diesen Zugang adressieren KI-Assistenten: Sie nehmen Fragen in natürlicher Sprache entgegen und erschließen dafür Dokumente, Produktwissen oder den Kontext eines Automatisierungsprojekts.
Dabei unterscheiden sich die Angebote erheblich. Ein Assistent über internen Unterlagen erfüllt eine andere Aufgabe als ein Copilot in der Konstruktionssoftware. Ein in die Engineering-Umgebung eingebundenes Werkzeug kann zusätzlich Projektinformationen berücksichtigen. Und jede Antwort ist nur so belastbar wie die Wissensbasis, aus der sie stammt. Die gemeinsame Idee ist deshalb nicht ein universeller Chatbot für jede Maschinenfrage, sondern die Verbindung einer klar abgegrenzten Wissensbasis mit einem passenden Zugang für die jeweilige Arbeitssituation.
Eigene Unterlagen statt allgemeiner Antworten
PRODOC Digital bietet lokale KI-Lösungen an, die auf der Infrastruktur des Unternehmens betrieben werden. Zu den beschriebenen Leistungen gehören RAG-Systeme: Retrieval-Augmented Generation verbindet vorhandene Dokumente mit einem Sprachmodell. Der Assistent soll Fragen zu den eigenen Unterlagen beantworten und die Antworten auf diese Wissensbasis stützen.
Für den Maschinenbau lässt sich daraus ein konkreter Anwendungsfall ableiten: Ein Nutzer fragt beispielsweise nach dem in den Unterlagen beschriebenen Wartungsablauf einer bestimmten Baugruppe. Statt nur nach einem Dateinamen oder Schlagwort zu suchen, soll er eine auf die Frage bezogene Antwort erhalten. Das ist ein mögliches Einsatzszenario, kein hier dokumentiertes Kundenprojekt.
PRODOC nennt Wissensmanagement, interne Suche, die Einarbeitung neuer Beschäftigter und technischen Support als typische Anwendungen. Hinzu kommen die lokale Verarbeitung technischer Übersetzungen sowie Dokumenten-Pipelines für Klassifikation, Extraktion und Zusammenfassung. Der Wissensassistent ist damit Teil eines breiteren Angebots zur Erschließung von Unternehmensinformationen.
Der Anbieter beginnt solche Projekte nach eigener Darstellung mit einer Bestandsaufnahme von Infrastruktur, Anforderungen und Daten. Erst danach folgen die Auswahl von Modellen, Architektur und Schnittstellen sowie die Implementierung und Nutzertests mit eigenen Daten. Für den Beitrag ist daran vor allem der anwendungsbezogene Ansatz wichtig: Die technische Auslegung richtet sich nach dem Wissensbestand und der Aufgabe, nicht allein nach der Größe des Sprachmodells.
Wissen im Maschinenkontext nutzen
Beckhoff integriert die Assistenz direkt in die Automatisierungsumgebung. TwinCAT 3 CoAgent for Engineering bietet Zugriff auf die Dokumentation im Beckhoff Information System und liefert kontextbezogene Empfehlungen. Dabei kann der Assistent bestehende Projektstrukturen berücksichtigen. Für den Wissenszugang ist das ein wesentlicher Unterschied zu einem getrennten Chatfenster ohne Bezug zum aktuellen Projekt.
Mit TwinCAT 3 CoAgent for Operations richtet sich Beckhoff an Maschinenbetrieb, Instandhaltung und Systemdiagnose. Der Hersteller nennt neben dem Zugriff auf das Beckhoff Information System ausdrücklich die Einbindung eigener Dokumentationen, Wartungsanweisungen und Wissensdatenbanken. Damit lässt sich Herstellerwissen um maschinen- und unternehmensspezifische Informationen ergänzen.
Der Assistent kann nach Herstellerangaben aktuelle Maschinen- und Prozessdaten, Log-Informationen und Systemmeldungen einbeziehen. Eine technische Frage steht dadurch nicht mehr zwangsläufig isoliert neben der Dokumentation: Der Betriebszustand kann zusätzlichen Kontext liefern. Welche Daten und Unterlagen tatsächlich angebunden sind, hängt jedoch von der konkreten Einrichtung ab.
CoAgent for Operations geht zudem über die reine Informationssuche hinaus und kann TwinCAT-Befehle ausführen. Für die Auslegung eines solchen Systems müssen Wissensauskunft und Systemeingriff deshalb getrennt betrachtet werden. Ein Vorschlag für einen Prüfschritt ist etwas anderes als die Freigabe, einen Maschinenbefehl auszulösen. Der Umfang zulässiger Aktionen gehört in die anwendungsspezifische Projektierung.
Konstruktionsvorgaben im E-CAD abfragen
WSCAD bringt die Assistenz in die Elektrokonstruktion. Die E-CAD-Software ELECTRIX AI enthält einen AI Copilot, der nach Herstellerangaben natürliche Sprache versteht, elektrotechnisches Wissen anwendet und Fragen direkt beantworten kann. Zugleich setzt der Copilot Anweisungen um, etwa das Erstellen einer Materialliste oder eines Klemmenplans.
Für den Wissenszugang ist vor allem der mit der Version 2026 eingeführte Bereich „AI-Wissen“ interessant. Dort lassen sich unternehmensspezifische Dokumente wie Kundenrichtlinien, Herstellerfreigaben oder Vorgaben zur Klemmenbezeichnung hinterlegen. Der Copilot liefert daraus auf Anfrage die passende Information; das Durchsuchen von Ordnerstrukturen oder PDF-Dokumenten soll damit entfallen.
Ein weiterer Baustein betrifft Altbestände: ELECTRIX AI 2026 importiert Schaltpläne aus PDF- oder DWG-Dateien, erkennt Symbole, Leitungen und Funktionsgruppen und erzeugt daraus ein bearbeitbares Projekt. Aus einer nur lesbaren Dokumentation wird so wieder eine nutzbare Datenbasis.
Die Verantwortung bleibt klar verteilt: Die KI soll Routinearbeiten übernehmen, der Konstrukteur behält die Kontrolle über Struktur, Qualität und Bewertung.
Erst die Wissensbasis ordnen
M&M Software setzt eine Ebene früher an: bei der Struktur der Daten, auf die ein Assistent zugreifen soll. Der Software- und Digitalisierungsdienstleister aus St. Georgen hat gemeinsam mit SEW-EURODRIVE einen Enterprise Knowledge Graph aufgebaut. Er verknüpft Daten aus unterschiedlichen Quellen über ein gemeinsames semantisches Modell, mit ECLASS als Wörterbuch für eindeutige Begriffe und Eigenschaften.
Ein solcher Wissensgraph ist kein Chatbot, sondern eine Voraussetzung für belastbare Antworten. Nach Angaben von M&M ermöglicht er komplexe Abfragen über alle angebundenen Systeme hinweg; über die Asset Administration Shell entstehen daraus standardisierte digitale Zwillinge. Domänenexperten bringen fortlaufend Wissen über ihre Daten ein – die Wissensbasis wird gepflegt, nicht einmalig befüllt.
Ein zweiter Ansatz betrifft die Qualität der Antworten selbst. M&M beschreibt das Verfahren LLM-as-a-Judge: Ein Sprachmodell bewertet die Ausgaben eines anderen Modells nach festgelegten Kriterien wie Relevanz, Faktentreue und Verständlichkeit. Solche Evaluationstechniken setzt das Unternehmen nach eigener Aussage in Projekten ein. Zugleich benennt es die Grenzen: KI-Urteile seien nicht als absolute Wahrheit zu betrachten, wichtige Ergebnisse sollten weiterhin stichprobenartig von Menschen geprüft werden.
Aus einer Antwort muss eine belastbare Information werden
Verschiedene Anbieter, verschiedene Zugänge: PRODOC erschließt eigene Unterlagen, Beckhoff verknüpft Dokumentation mit Projekt- und Maschinendaten, WSCAD macht Konstruktionsvorgaben im E-CAD abfragbar, und M&M Software schafft mit einem Wissensgraphen die strukturierte Grundlage, auf die Assistenten zugreifen können. Gemeinsam ist ihnen, dass die KI kein neues Wissen erzeugt. Sie bringt vorhandenes Wissen schneller dorthin, wo es gebraucht wird: ins Engineering, in die Instandhaltung, an die Maschine. Ob das im Alltag trägt, hängt weniger vom Sprachmodell ab als von der Pflege der Wissensbasis. Nur wenn Handbücher, Richtlinien und Produktdaten aktuell, eindeutig zugeordnet und fachlich geprüft sind, wird aus einer schnellen Antwort eine verlässliche Information. Wer einen Wissensassistenten einführt, sollte deshalb vor allem testen, wie er reagiert, wenn die passende Antwort fehlt. [hjs]
