Ein Pumpen- und Apparatebauer mit eigenem Service: acht Techniker, rund 2.000 Maschinen im Feld. Nach dem ersten produktiven Agenten steigt die Erstlösungsquote von 70 auf 85 Prozent. Das sind rund 60 vermiedene Folgeeinsätze und etwa 780 Servicestunden im Jahr.
Pumpen, Dichtungen, Sensorik, Ventile, über viele Branchen und Medien. Die Diagnose-Erfahrung steckt in Serviceberichten und in einzelnen Köpfen. Mit jedem Personalwechsel verschwindet ein Teil davon.
Repräsentatives Profil. Die Aggregat-Zahlen sind Modellannahme, die Servicefälle und das Beispiel weiter unten stammen aus echten, anonymisierten Fällen.
Bei einer Störung entscheidet, wer gerade vor Ort ist, oft ohne zu wissen, dass derselbe Fehler längst dokumentiert ist. Es wird die erste Vermutung verfolgt, nicht die bekannte Ursache. Der Preis dafür steht nicht in der Nachkalkulation, weil er sich auf zwei Einsätze verteilt.
780 Stunden entsprechen einer halben Vollzeitstelle im Feld. Der zweite Effekt steht in keiner eigenen Zeile und ist trotzdem der teurere: 60 Folgeeinsätze weniger heißt 60-mal weniger verlängerter Stillstand beim Kunden, oft mit einem SLA dahinter.
Die Erstlösungsquote von 70 Prozent stammt nicht aus einer Studie, sondern aus der Struktur- und Datenanalyse bei diesem Kunden: Auswertung der Serviceberichte und der Einsatzhistorie. Die 85 Prozent nach dem ersten Agenten sind das Ergebnis 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. Jede Quelle für sich ist nützlich, zusammen sind sie unauffindbar, schon gar nicht vor Ort am Gerät:
Pro Einsatz, meist Freitext. Symptom, Diagnose, Maßnahme, Zeit bis zur Lösung. Die eigentliche Erfahrung, aber unstrukturiert.
Schnittzeichnungen, Schaltpläne, Wartungsintervalle. Vorhanden, aber im Einsatz nicht schnell greifbar.
Artikelnummern und Werkstoffvarianten, OEM gegen Nachbau. Die falsche Variante kostet einen zweiten Einsatz.
Fehlerbilder und Faustregeln einzelner Senior-Techniker. 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.
Die Service-Leitung schildert, was Kapazität frisst: Zweiteinsätze, falsche Ersatzteile, der Senior am Telefon.
Zwei Datenpakete freigegeben, Serviceberichte und Einsatzhistorie. Ergebnis: der Befund oben, plus die Erstlösungsquote.
Ein Tag mit dem Service. Drei Fälle herausgearbeitet, das Fehlerbild-Dossier als erster. Erfolgskriterien schriftlich.
Agent auf echten Serviceberichten, getestet an fünf realen Störungen aus dem Tagesgeschäft.
Produktiv im Azure-Tenant, Zugang über Teams, auch mobil im Einsatz. 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.
Kleines, abgegrenztes Paket übergeben, zum Beispiel eine Geräte- oder Fehlerbild-Gruppe. ½ Tag IT-Aufwand.
Zwei Stunden mit dem Service: Symptome, Komponenten, Medien und die Lesson-Learned-Felder festlegen.
Reader, Klassifizierer, Dossier-Builder und Filter-Index konfiguriert. Erste Fall-Dossiers entstehen automatisch.
Validierung an fünf realen Störungen, Walkthrough mit dem Team, Übergabe an die Techniker.
Datenqualitätsbewertung, Umsetzungskonzept, Kostenkorridor, Empfehlung. Trägt auch bei einem Nein.
Liest und extrahiert aus Serviceberichten, Handbüchern, Ersatzteillisten und .msg. Versteht Freitext.
Erkennt Fehlermerkmale anhand der gemeinsam definierten Kriterien: Komponente, Symptom, Medium, Werkstoff, Maschine.
Aggregiert pro Fehlerbild: Symptom, erste Vermutung, tatsächliche Ursache, Maßnahme, Ersatzteil, Lesson Learned.
Macht alle Fälle deterministisch durchsuchbar nach Symptom, Bauteil, Medium und Maschine. Vollständige Trefferlisten.
Der übliche Weg wäre, alle Unterlagen 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 einen Servicefall aus?
Warum diese Reihenfolge entscheidend ist: Eine Abfrage auf den Dossiers ist deterministisch. komponente:Gleitringdichtung & medium:zuckerhaltig liefert jedes Mal alle Treffer, nicht die fünf ähnlichsten. Ein Techniker, der vor der Maschine steht, braucht die vollständige Liste aller vergleichbaren Fälle, nicht die fünf ähnlichsten. Ein reiner Vektorindex kann das nie zusichern.
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.
Der Techniker fragt in Teams, wie er einen Kollegen fragen würde. Der Agent rät nicht, er fragt nach, wenn ein entscheidendes Merkmal fehlt.
Diese drei Zeilen sind der eigentliche Wert. Sie verhindern den zweiten Einsatz, und zwar für jeden Techniker im Team, nicht nur für den, der den Fall damals hatte.
Serviceberichte durchsuchbar, Fall-Dossiers automatisch erzeugt, filterbar nach Symptom, Bauteil und Medium.
Aus dem Fehlerbild direkt die richtige Variante und das Serviceangebot ableiten, statt zweimal zu fahren.
Häufungen über 2.000 Maschinen sichtbar machen: welche Baureihe, welches Medium, welche Paarung fällt wo aus.
Inklusive Rechenweg, Architektur und Umsetzung. Sie bekommen das PDF direkt nach dem Absenden, dazu eine kurze E-Mail von mir.
Wir testen den Nutzen an einem echten Fehlerbild aus Ihrem Service, innerhalb einer Woche, mit Ihren Daten. Der Einstieg davor ist eine Struktur- und Datenanalyse für 1.200 € netto. Sieht eine Seite kein Potential, endet es an dieser Stelle.
30-Minuten-Gespräch vereinbaren →