Ein mittelständischer Anlagenbauer mit zehn Konstrukteuren und rund hundert abgeschlossenen Projekten. Nach dem ersten produktiven Agenten sinkt der Suchanteil von 35 auf 20 Prozent. Das sind rund 2.400 Engineering-Stunden im Jahr, ohne eine einzige Einstellung.
Engineering-Erfahrung in Sperrgastafelsystemen, Druckbehältern und verfahrenstechnischen Komponenten. Bei Personalwechsel geht Erfahrung verloren, und jede neue Anfrage wird oft ohne Bezug zur Projekthistorie bearbeitet.
Drei Wege führen heute zur Antwort, und keiner ist gut: komplett neu aufsetzen (teuer, kein Lerneffekt), zufällig fündig werden (zwei bis fünf Stunden Suche pro Anfrage), oder der erfahrene Kollege erinnert sich (nicht skalierbar, geht mit Fluktuation verloren).
2.400 Stunden entsprechen anderthalb Vollzeitstellen. Der Unterschied: Sie müssen niemanden einstellen, und Sie gewinnen die Kapazität dort zurück, wo Ihre erfahrensten Leute sitzen. Das ist der erste Fall. Jeder weitere baut auf demselben Fundament auf.
Die 35 Prozent stammen nicht aus einer Studie, sondern aus der Struktur- und Datenanalyse bei diesem Kunden: Auswertung der Projektablagen, Angebotshistorie und Mail-Threads. Die 20 Prozent nach dem ersten Agenten sind das Ergebnis aus der Testphase, gemessen an den im Workshop vereinbarten Kriterien. Beides sind Werte dieses Falls, keine garantierten Ergebnisse.
Das kam in Stufe 1 heraus, nach einem Gespräch und zwei freigegebenen Datenpaketen:
~100 Ordner, ~20 GB. Projektordner mit über die Jahre unterschiedlich gewachsenen Strukturen.
~500 Threads pro Projekt. Klärungen und Entscheidungen, die nirgends sonst dokumentiert sind.
Belege und Kommerzielles. Technisches Projektwissen nur in Bruchstücken.
Implizites Erfahrungswissen. Nirgends erfasst, verschwindet mit dem Menschen.
Der Befund war nicht, dass Wissen fehlt. Der Befund war, dass es vier Ablagen ohne gemeinsame Sprache gibt. Genau das entscheidet, ob ein KI-Einsatz trägt oder nicht.
Derselbe Weg wie bei jedem Projekt. Nach jeder Stufe konnte der Kunde aussteigen.
Der Engineering-Leiter schildert, was Kapazität frisst: jede Anfrage beginnt bei null, die Historie ist nicht auffindbar.
Zwei Datenpakete freigegeben, Projektablagen und Angebotshistorie. Ergebnis: der Befund oben, plus die 35-Prozent-Zahl.
Ein Tag mit Engineering. Drei Fälle herausgearbeitet, der Projektwissens-Zugriff als erster. Erfolgskriterien schriftlich.
Agent auf echten Projektdaten, getestet an echten Anfragen aus dem Tagesgeschäft. Auswertung gegen die Kriterien.
Produktiv im Azure-Tenant, Zugang über Teams. Dossierstruktur, Berechtigungen, Pflegeprozess und die Ausbildung des internen Champions.
Bis zur Entscheidung über den POC hatte der Kunde 4.000 € investiert. Zu diesem Zeitpunkt lag die Rechnung von oben bereits auf dem Tisch, mit Zahlen aus dem eigenen Haus.
Struktur erfasst, Lesezugriff auf das freigegebene Paket. ½ Tag IT-Aufwand.
Zwei Stunden mit Engineering: die im Workshop festgelegten Kriterien auf die Datenlage übersetzen.
Erste automatisch erzeugte Projektdossiers, Filter-Index über alle Kriterien.
An echten Anfragen aus dem laufenden Geschäft, Übergabe an die Konstrukteure.
Datenqualitätsbewertung, Umsetzungskonzept, Kostenkorridor, Empfehlung. Trägt auch bei einem Nein.
Liest und extrahiert Inhalt aus PDF, Word, Excel, .msg und CAD-Metadaten.
Erkennt Projektmerkmale: Medium, Zertifizierung, Einsatzgebiet, Material, Kunde.
Füllt pro Projekt das im Workshop definierte Dossier: Kerndaten, KPIs wie Laufzeit und Lieferverzug, Lessons Learned.
Macht alle Dossiers deterministisch durchsuchbar. Vollständige Trefferlisten, keine Ähnlichkeitstreffer.
Der übliche Weg wäre, zwanzig Gigabyte in einen Vektorindex zu kippen und die KI suchen zu lassen. Das funktioniert für einfache Fragen und versagt genau dann, wenn es darauf ankommt. Deshalb steht am Anfang nicht die Suche, sondern die Definition: Was macht ein Projekt aus?
Warum diese Reihenfolge entscheidend ist: Eine Abfrage auf den Dossiers ist deterministisch. medium:Wasserstoff & druck:>30bar liefert jedes Mal alle Treffer, nicht die fünf ähnlichsten. Ein Konstrukteur, der auslegt, braucht die vollständige Liste. Ein reiner Vektorindex kann ihm nie sagen, ob er alles gesehen hat.
Alles im Microsoft-Stack, den der Kunde ohnehin betreibt. Kein Parallel-System, kein zusätzlicher Anbieter in der Kette. Wer keinen Microsoft-Stack hat, bekommt denselben Aufbau anders verankert: EU-Cloud, semi On-Prem im eigenen Haus oder voll On-Prem. Die Sicherheitsstufe wählt der Kunde, sie bestimmt den Aufwand.
Das wichtigste Ergebnis der Umsetzung ist kein Agent, sondern ein Mensch. Ein Mitarbeiter wird ausgebildet, bis er das System im Alltag selbst betreut. Er ist die Anlaufstelle im Haus, nicht wir.
Damit verschiebt sich auch unsere Rolle. Der Alltag liegt beim Kunden, wir kommen für das, was darüber hinausgeht: der nächste Prio-Fall, ein Modellwechsel, die Qualitätsprüfung der Antworten, die strukturellen Themen. Nicht dafür, dass jemand ein Dokument nachlädt.
Diese drei Zeilen sind der eigentliche Wert. Sie verhindern, dass derselbe Fehler ein zweites Mal Geld kostet, und sie werden in der Angebotsphase sichtbar, nicht erst in der Abwicklung.
Projektordner durchsuchbar, Dossiers automatisch erzeugt, filterbar nach Kriterien und Kennzahlen.
Betriebsanleitungen und Doku-Bausteine aus den Projektdaten vorbereiten, der Ingenieur prüft und gibt frei.
Normencheck, Variantenempfehlung, Abstimmungsreduktion. Die strukturellen Themen, sobald Kapazität frei ist.
Inklusive Rechenweg, Architektur und Umsetzung. Sie bekommen das PDF direkt nach dem Absenden, dazu eine kurze E-Mail von mir.
Wir sehen uns Ihre Datenlage an und sagen Ihnen, wo bei Ihnen Kapazität gebunden ist. Der Einstieg ist eine Struktur- und Datenanalyse für 1.200 € netto. Sieht eine Seite kein Potential, endet es an dieser Stelle.
30-Minuten-Gespräch buchen →