KI News
Mi., 11. März 2026
Ein neuer Benchmark namens BullshitBench enthüllt, dass viele aktuelle große Sprachmodelle Schwierigkeiten haben, offensichtlich unsinnige Anfragen zu erkennen und abzulehnen; Anthropic-Modelle zeigen hier die besten Ergebnisse. Parallel dazu beweist KI ihren Wert im industriellen Wissensmanagement, indem sie prozedurales Know-how ereignisbasiert erfasst und so die betriebliche Effizienz deutlich steigert.
Quelle: www.bigdata-insider.de
INDUSTRIE 4.0 DIE SYMBIOSE AUS MENSCH UND KI ENTSCHEIDET ÜBER DEN ERFOLG
11.03.2026 Quelle: Moritz Maier, CEO bei Synera 5 min Lesedauer
Anbieter zum Thema
Wer im Maschinen- und Anlagenbau ohne Schweißperlen auf der Stirn in die Zukunft
blickt, der hat Begriffen, dass Zeit Geld ist und die richtigen Maßnahmen
eingeleitet. Ein Zauberwort heißt KI-Agent.
Im Maschinen- und Anlagenbau zählt jede Minute – und zwar von der ersten
CAD-Skizze bis zur Inbetriebnahme des Systems. Außerdem werden Produkte
komplexer, Fachkräfte rarer und alles soll auch noch immer schneller geliefert
werden. Die Time-to-Market wird deshalb zum zentralen Faktor für den
langfristigen Unternehmenserfolg. Um wettbewerbsfähig zu bleiben, müssen
Unternehmen also ihre Entwicklungs- und Fertigungsprozesse konsequent auf
Effizienz ausrichten.
DER UNSICHTBARE BREMSFAKTOR HEISST SYSTEMKOMPLEXITÄT
Moderne Maschinen und Anlagen vereinen bekanntlich Mechanik, Elektronik,
Software und vernetzbare Komponenten zu komplexen Gesamtsystemen. Die Abstimmung
dieser Disziplinen ist aufwendig und erfordert präzise Koordination. Viele
Ingenieure arbeiten deshalb parallel an mehreren Projekten, was hohen Aufwand
für Dokumentation und Abstimmung bedeutet. Und Ausfälle durch Krankheit oder
Urlaub verschärfen die Situation dann noch. Einer Studie von Siemens und
Tech-Clarity zu folge sehen über 60 Prozent der Beschäftigten in großen
Unternehmen darin eine der größten Produktivitätsbremsen.
In der Praxis führt das zu versteckten Wartezeiten zwischen Prozessschritten,
die sich zu deutlichen Effizienzverlusten summieren. Das ist ein Problem, das
klassische Optimierungsansätze kaum erfassen. Gleichzeitig binden stets
wiederkehrende, manuelle Aufgaben viel Arbeitszeit. Untersuchungen zeigen dazu,
dass bis zu einem Viertel der Arbeitszeit für administrative oder koordinative
Tätigkeiten verloren geht – Zeit, die schließlich für Innovation fehlt.
KI-AGENTEN SCHAFFEN LUFT BEI ROUTINEARBEITEN
Die fortschreitende der Arbeitswelt führt aber zu bahnbrechenden und hilfreichen
Innovationen. KI-Agenten (KI = ) markieren dabei den Beginn einer neuen
Entwicklungsstufe. Mit Plattformen wie Synera können etwa KI-Agenten im
Engineering implementiert werden, die nicht nur analysieren, sondern
selbstständig handeln können. Sie verbinden dazu die kognitive
Leistungsfähigkeit moderner Sprachmodelle mit direktem Zugriff auf
Engineering-Systeme wie CAD, CAE oder ERP.
KI-Agenten können damit Aufgaben entlang der gesamten Wertschöpfungskette
übernehmen, was von der automatisierten CAD-Modellierung über Simulationen bis
hin zur Erstellung normgerechter Fertigungsunterlagen reicht. So entstehen quasi
digitale Kollegen, die Routinearbeiten eigenständig ausführen, Entscheidungen
auf Basis von Fachwissen treffen und Prozesse automatisiert abwickeln – und das
rund um die Uhr!
DER GRÖSSTE ZEITFRESSER HEISST ANGEBOTSERSTELLUNG
In vielen Kundenprojekten zeigt sich besonders deutlich, dass die größte
Hebelwirkung von KI-Agenten sich in Angebotsprozessen (RFQ – Request for Quote)
entfalten kann. Kaum ein Bereich ist nämlich so zeitkritisch und gleichzeitig
stark von Erfahrungswissen geprägt, wie die Angebotserstellung. Im klassischen
Ablauf prüfen Kalkulations- und Projektteams jede Anfrage manuell. Dabei werden
zunächst CAD-Daten geöffnet, Herstellbarkeitsanalysen durchgeführt, Materialien
und Normteile kalkuliert, Einkaufspreise abgefragt und Kosten geschätzt. Das
sind solche wiederkehrenden Tätigkeiten, die hochqualifizierte Fachkräfte binden
und so wertvolle Zeit kosten.
Weitere Verzögerungen entstehen durch ineffiziente Übergaben zwischen den
involvierten Mitarbeitern. Fertigungsbetriebe berichten übrigens, dass die
Bearbeitung einer komplexen Anfrage bisher zwischen einem halben und zwei
Arbeitstagen dauert. Verzögerungen erhöhen das Risiko, Aufträge zu verlieren.
KI-Agenten können mit diesem Engpass aufräumen. Auf Basis von Engineering-Daten,
CAD-Geometrien und ERP-Informationen analysieren sie Bauteile, berechnen
Bearbeitungsvolumina, gleichen Materialkosten ab und erstellen automatisch eine
vollständige Kostenabschätzung. Solche Workflows lassen sich auch noch an
unternehmensspezifische Daten und Regeln anpassen – etwa an vergangene Projekte
und Bauteildatenbanken, Kostenmodelle oder Erfahrungswerte aus der Fertigung.
ANGEBOTE KÖNNEN IN WENIGEN MINUTEN ERSTELLT WERDEN
Das Ergebnis beim Einsatz eines KI-Agenten ist außerdem messbar. Ein digitaler
Workflow erledigt eine komplexe Angebotskalkulation in wenigen Minuten – ein
Prozess, der zuvor Stunden oder Tage benötigte. Typische Projekte zeigen, dass
die Bearbeitungszeit bei Fertigungsbetrieben für ein Angebot von zwölf Stunden
auf rund zweieinhalb Minuten sinkt – bei gleichbleibender Genauigkeit und
reproduzierbarer Qualität. Außer der Zeitersparnis sorgt die Standardisierung
für zusätzliche Vorteile. Denn jede Anfrage wird nach denselben Parametern
bewertet: Subjektive Schätzungen entfallen, Fehlerquoten sinken, und
Preisentscheidungen werden nachvollziehbar. Gleichzeitig entsteht eine wertvolle
Datenbasis für zukünftige Angebote und Prozessoptimierungen. Ein weiterer Effekt
ist, dass das Wissen erfahrener Mitarbeiter digitalisiert wird. Statt in
einzelnen Köpfen zu verbleiben, wird es in Form von Logik, Regeln und
Datenbanken in den Workflow integriert. So bleibt das Know-how erhalten, auch
wenn die Experten das Unternehmen verlassen haben.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
DIE KI-AGENTEN GIBT ES AUCH IN DER SPEZIALVERSION
KI-Agenten besitzen folglich das Potenzial, Entwicklungsprozesse im Maschinen-
und Anlagenbau grundlegend zu verändern. Die Herausforderung liegt jedoch in der
Verbindung großer Sprachmodelle () mit der heterogenen CAx-Softwarelandschaft.
Viele Tools verfügen aber über keine standardisierten Schnittstellen und
erfordern tiefes Spezialwissen – eine Hürde, die ein LLM allein nicht überwinden
kann. Synera adressiert dieses Problem aber mit über 75 Konnektoren, die als
Brücke zwischen LLMs und CAx-Software fungieren. Das System muss die Software
auch nicht im Detail verstehen, sondern ruft den passenden Konnektor auf,
übergibt Parameter und erhält strukturierte Ergebnisse zurück. Diese Architektur
ermöglicht eine schnelle Einführung und lässt sich schrittweise erweitern –
ideal für Engineering-Teams, die KI-Agenten in bestehende Abläufe integrieren
möchten.
DIE NÄCHSTE GENERATION: MULTI-AGENTEN-SYSTEME
Sogenannte Multi-Agenten-Systeme arbeiten nach dem Prinzip menschlicher
Entwicklungsteams. Es gibt dafür spezialisierte Agenten: Die „Experten“ und die
übergeordneten „Manager“, der alles koordinieren und als Schnittstelle zum
Ingenieur dienen. Der Effekt ist, dass ineffiziente Wartezeiten vollständig
passé sind. Diese drei Hauptvorteile lassen sich so ins Haus holen:
* Kontinuierliche Verfügbarkeit: KI-Agenten arbeiten 24/7 und lassen sich
nahezu beliebig skalieren,
* nahtlose Kommunikation: Informationen werden in Echtzeit weitergegeben – ohne
Verzögerung sowie
* parallele Bearbeitung: Mehrere Agenten können simultan an unterschiedlichen
Aufgaben arbeiten.
Die Gesamtprozesszeit reduziert sich damit auf die Laufzeit der eingesetzten
Softwaretools. Gleichzeitig entlasten KI-Agenten Ingenieure, sodass sie mehr
Zeit für ihre Kernaufgaben haben – bei gleichbleibender Qualität und hoher
Effizienz.
ES ENTSTEHEN NEUE FORMEN DER ZUSAMMENARBEIT
Was früher Tage oder Wochen oder gar Monate dauerte, lässt sich also mit
KI-Agenten heute in wenigen Stunden umsetzen. Mehrere KI-Agenten können dann
auch noch zu einem Multi-Agenten-System zusammengeschlossen werden, die dann ein
digitales Engineering-Team darstellen, das ohne Pausen und Skalierungsgrenzen
auskommt. Für Unternehmen bedeutet das nicht nur Effizienzsteigerung, sondern
auch eine neue Form der Zusammenarbeit zwischen Mensch und Maschine.
Entwicklungsteams werden gezielt von Routinetätigkeiten entlastet und können
sich stärker auf Konstruktion, Optimierung und Innovation konzentrieren – auf
das also, was den technologischen Fortschritt im Maschinenbau wirklich
vorantreibt.
Dieser Artikel stammt von unserem Partnerportal .
(ID:50764012)
11.03.2026 Quelle: Moritz Maier, CEO bei Synera 5 min Lesedauer
Anbieter zum Thema
Wer im Maschinen- und Anlagenbau ohne Schweißperlen auf der Stirn in die Zukunft
blickt, der hat Begriffen, dass Zeit Geld ist und die richtigen Maßnahmen
eingeleitet. Ein Zauberwort heißt KI-Agent.
Im Maschinen- und Anlagenbau zählt jede Minute – und zwar von der ersten
CAD-Skizze bis zur Inbetriebnahme des Systems. Außerdem werden Produkte
komplexer, Fachkräfte rarer und alles soll auch noch immer schneller geliefert
werden. Die Time-to-Market wird deshalb zum zentralen Faktor für den
langfristigen Unternehmenserfolg. Um wettbewerbsfähig zu bleiben, müssen
Unternehmen also ihre Entwicklungs- und Fertigungsprozesse konsequent auf
Effizienz ausrichten.
DER UNSICHTBARE BREMSFAKTOR HEISST SYSTEMKOMPLEXITÄT
Moderne Maschinen und Anlagen vereinen bekanntlich Mechanik, Elektronik,
Software und vernetzbare Komponenten zu komplexen Gesamtsystemen. Die Abstimmung
dieser Disziplinen ist aufwendig und erfordert präzise Koordination. Viele
Ingenieure arbeiten deshalb parallel an mehreren Projekten, was hohen Aufwand
für Dokumentation und Abstimmung bedeutet. Und Ausfälle durch Krankheit oder
Urlaub verschärfen die Situation dann noch. Einer Studie von Siemens und
Tech-Clarity zu folge sehen über 60 Prozent der Beschäftigten in großen
Unternehmen darin eine der größten Produktivitätsbremsen.
In der Praxis führt das zu versteckten Wartezeiten zwischen Prozessschritten,
die sich zu deutlichen Effizienzverlusten summieren. Das ist ein Problem, das
klassische Optimierungsansätze kaum erfassen. Gleichzeitig binden stets
wiederkehrende, manuelle Aufgaben viel Arbeitszeit. Untersuchungen zeigen dazu,
dass bis zu einem Viertel der Arbeitszeit für administrative oder koordinative
Tätigkeiten verloren geht – Zeit, die schließlich für Innovation fehlt.
KI-AGENTEN SCHAFFEN LUFT BEI ROUTINEARBEITEN
Die fortschreitende der Arbeitswelt führt aber zu bahnbrechenden und hilfreichen
Innovationen. KI-Agenten (KI = ) markieren dabei den Beginn einer neuen
Entwicklungsstufe. Mit Plattformen wie Synera können etwa KI-Agenten im
Engineering implementiert werden, die nicht nur analysieren, sondern
selbstständig handeln können. Sie verbinden dazu die kognitive
Leistungsfähigkeit moderner Sprachmodelle mit direktem Zugriff auf
Engineering-Systeme wie CAD, CAE oder ERP.
KI-Agenten können damit Aufgaben entlang der gesamten Wertschöpfungskette
übernehmen, was von der automatisierten CAD-Modellierung über Simulationen bis
hin zur Erstellung normgerechter Fertigungsunterlagen reicht. So entstehen quasi
digitale Kollegen, die Routinearbeiten eigenständig ausführen, Entscheidungen
auf Basis von Fachwissen treffen und Prozesse automatisiert abwickeln – und das
rund um die Uhr!
DER GRÖSSTE ZEITFRESSER HEISST ANGEBOTSERSTELLUNG
In vielen Kundenprojekten zeigt sich besonders deutlich, dass die größte
Hebelwirkung von KI-Agenten sich in Angebotsprozessen (RFQ – Request for Quote)
entfalten kann. Kaum ein Bereich ist nämlich so zeitkritisch und gleichzeitig
stark von Erfahrungswissen geprägt, wie die Angebotserstellung. Im klassischen
Ablauf prüfen Kalkulations- und Projektteams jede Anfrage manuell. Dabei werden
zunächst CAD-Daten geöffnet, Herstellbarkeitsanalysen durchgeführt, Materialien
und Normteile kalkuliert, Einkaufspreise abgefragt und Kosten geschätzt. Das
sind solche wiederkehrenden Tätigkeiten, die hochqualifizierte Fachkräfte binden
und so wertvolle Zeit kosten.
Weitere Verzögerungen entstehen durch ineffiziente Übergaben zwischen den
involvierten Mitarbeitern. Fertigungsbetriebe berichten übrigens, dass die
Bearbeitung einer komplexen Anfrage bisher zwischen einem halben und zwei
Arbeitstagen dauert. Verzögerungen erhöhen das Risiko, Aufträge zu verlieren.
KI-Agenten können mit diesem Engpass aufräumen. Auf Basis von Engineering-Daten,
CAD-Geometrien und ERP-Informationen analysieren sie Bauteile, berechnen
Bearbeitungsvolumina, gleichen Materialkosten ab und erstellen automatisch eine
vollständige Kostenabschätzung. Solche Workflows lassen sich auch noch an
unternehmensspezifische Daten und Regeln anpassen – etwa an vergangene Projekte
und Bauteildatenbanken, Kostenmodelle oder Erfahrungswerte aus der Fertigung.
ANGEBOTE KÖNNEN IN WENIGEN MINUTEN ERSTELLT WERDEN
Das Ergebnis beim Einsatz eines KI-Agenten ist außerdem messbar. Ein digitaler
Workflow erledigt eine komplexe Angebotskalkulation in wenigen Minuten – ein
Prozess, der zuvor Stunden oder Tage benötigte. Typische Projekte zeigen, dass
die Bearbeitungszeit bei Fertigungsbetrieben für ein Angebot von zwölf Stunden
auf rund zweieinhalb Minuten sinkt – bei gleichbleibender Genauigkeit und
reproduzierbarer Qualität. Außer der Zeitersparnis sorgt die Standardisierung
für zusätzliche Vorteile. Denn jede Anfrage wird nach denselben Parametern
bewertet: Subjektive Schätzungen entfallen, Fehlerquoten sinken, und
Preisentscheidungen werden nachvollziehbar. Gleichzeitig entsteht eine wertvolle
Datenbasis für zukünftige Angebote und Prozessoptimierungen. Ein weiterer Effekt
ist, dass das Wissen erfahrener Mitarbeiter digitalisiert wird. Statt in
einzelnen Köpfen zu verbleiben, wird es in Form von Logik, Regeln und
Datenbanken in den Workflow integriert. So bleibt das Know-how erhalten, auch
wenn die Experten das Unternehmen verlassen haben.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
DIE KI-AGENTEN GIBT ES AUCH IN DER SPEZIALVERSION
KI-Agenten besitzen folglich das Potenzial, Entwicklungsprozesse im Maschinen-
und Anlagenbau grundlegend zu verändern. Die Herausforderung liegt jedoch in der
Verbindung großer Sprachmodelle () mit der heterogenen CAx-Softwarelandschaft.
Viele Tools verfügen aber über keine standardisierten Schnittstellen und
erfordern tiefes Spezialwissen – eine Hürde, die ein LLM allein nicht überwinden
kann. Synera adressiert dieses Problem aber mit über 75 Konnektoren, die als
Brücke zwischen LLMs und CAx-Software fungieren. Das System muss die Software
auch nicht im Detail verstehen, sondern ruft den passenden Konnektor auf,
übergibt Parameter und erhält strukturierte Ergebnisse zurück. Diese Architektur
ermöglicht eine schnelle Einführung und lässt sich schrittweise erweitern –
ideal für Engineering-Teams, die KI-Agenten in bestehende Abläufe integrieren
möchten.
DIE NÄCHSTE GENERATION: MULTI-AGENTEN-SYSTEME
Sogenannte Multi-Agenten-Systeme arbeiten nach dem Prinzip menschlicher
Entwicklungsteams. Es gibt dafür spezialisierte Agenten: Die „Experten“ und die
übergeordneten „Manager“, der alles koordinieren und als Schnittstelle zum
Ingenieur dienen. Der Effekt ist, dass ineffiziente Wartezeiten vollständig
passé sind. Diese drei Hauptvorteile lassen sich so ins Haus holen:
* Kontinuierliche Verfügbarkeit: KI-Agenten arbeiten 24/7 und lassen sich
nahezu beliebig skalieren,
* nahtlose Kommunikation: Informationen werden in Echtzeit weitergegeben – ohne
Verzögerung sowie
* parallele Bearbeitung: Mehrere Agenten können simultan an unterschiedlichen
Aufgaben arbeiten.
Die Gesamtprozesszeit reduziert sich damit auf die Laufzeit der eingesetzten
Softwaretools. Gleichzeitig entlasten KI-Agenten Ingenieure, sodass sie mehr
Zeit für ihre Kernaufgaben haben – bei gleichbleibender Qualität und hoher
Effizienz.
ES ENTSTEHEN NEUE FORMEN DER ZUSAMMENARBEIT
Was früher Tage oder Wochen oder gar Monate dauerte, lässt sich also mit
KI-Agenten heute in wenigen Stunden umsetzen. Mehrere KI-Agenten können dann
auch noch zu einem Multi-Agenten-System zusammengeschlossen werden, die dann ein
digitales Engineering-Team darstellen, das ohne Pausen und Skalierungsgrenzen
auskommt. Für Unternehmen bedeutet das nicht nur Effizienzsteigerung, sondern
auch eine neue Form der Zusammenarbeit zwischen Mensch und Maschine.
Entwicklungsteams werden gezielt von Routinetätigkeiten entlastet und können
sich stärker auf Konstruktion, Optimierung und Innovation konzentrieren – auf
das also, was den technologischen Fortschritt im Maschinenbau wirklich
vorantreibt.
Dieser Artikel stammt von unserem Partnerportal .
(ID:50764012)
Quelle: www.bigdata-insider.de
WISSENSMANAGEMENT MIT KÜNSTLICHER INTELLIGENZ WIE LÄSST SICH WISSEN IN DER
INDUSTRIE TECHNISCH ERFASSEN?
11.03.2026 Von Norman Hartmann 4 min Lesedauer
Anbieter zum Thema
Wenn erfahrene Fachkräfte in Rente gehen, verschwindet oft kritisches
Prozesswissen aus der Produktion. Ansätze mithilfe von Künstlicher Intelligenz
(KI) versprechen Abhilfe. Doch wo kann sie im Wissensmanagement konkret einen
Mehrwert bieten?
Der demografische Wandel verschärft ein strukturelles Problem in der Industrie:
Kritisches Prozess- und Erfahrungswissen ist oft an einzelne Personen gebunden
und nur unzureichend dokumentiert. Während Anlagen, Produkte und Varianten
komplexer werden, sinkt gleichzeitig die Zeit, in der neues Personal dieses
Wissen erlernen kann. Die Folge sind längere Störungsbehebungen, steigende
Fehlerquoten und wachsende Abhängigkeiten von wenigen Experten. Hier verspricht
-gestütztes Wissensmanagement Abhilfe. Doch Für welche Prozesse eignet sich das
und wie lässt sich Wissen technisch erfassen?
WELCHE WISSENSBESTÄNDE TECHNISCH ERFASSBAR SIND
Aus technischer Sicht ist es entscheidend, zwischen verschiedenen Wissensarten
zu unterscheiden.Für KI gestütztes Wissensmanagement ist entscheidend, zwischen
beobachtbarem und implizitem Wissen zu unterscheiden:
* Erfassbar: Prozedurale Abläufe wie Rüst- und Wechselvorgänge,
Maschineneinstellungen, Troubleshooting-Schritte, Prüfprozesse oder
logistische Handlungen. Dieses Wissen manifestiert sich in konkreten Aktionen
und ist an Maschinen, Varianten oder Umgebungsbedingungen gebunden.
* Nur begrenzt erfassbar: Implizite Entscheidungsheuristiken, strategische
Überlegungen oder abstrakte Erfahrungswerte ohne klar sichtbare Handlung.
Damit gilt: Technisch erfassbar ist vor allem Wissen, das sich in beobachtbaren
Schritten ausdrückt. Wissensmanagement wird überall dort wirksam, wo Handlungen
dokumentiert und kontextualisiert werden können.
WARUM KLASSISCHE DOKUMENTATIONSANSÄTZE SCHEITERN
Viele Unternehmen setzen weiterhin auf vorgelagerte Dokumentation:
Arbeitsanweisungen, Checklisten, zentrale Wissensdatenbanken. In der Praxis
scheitert das oft aus zwei Gründen:
* 1. Relevante Routinen werden nicht erkannt. Mitarbeiter wissen häufig selbst
nicht, welche Feinheiten ihrer Arbeit entscheidend sind.
* 2. Kein Zeitfenster für Dokumentation. Gerade in Störfällen oder Engpässen
ist spätere nachträgliche Dokumentation schlicht unrealistisch.
Ein zentraler Schwachpunkt klassischer Ansätze liegt darin, dass sie Wissen
planen wollen, bevor klar ist, wo es tatsächlich fehlt. Relevante Wissenslücken
werden jedoch meist erst im laufenden Betrieb sichtbar, wenn eine Aufgabe nicht
wie vorgesehen abgeschlossen werden kann.
EREIGNISBASIERTE WISSENSENTSTEHUNG IM ARBEITSPROZESS
Ein alternativer Ansatz koppelt Wissensentstehung direkt an Ereignisse in der
Produktion. Wissenslücken werden erfasst, wenn Mitarbeitende beim Arbeitsvorgang
an Grenzen stoßen.
Ein Beispiel verdeutlicht das Prinzip:
Ein Produktionsband kommt zum Stillstand. Der anwesende Mitarbeiter kennt die
Störung nicht und fordert über die Plattform Hilfe an. Automatisch werden
qualifizierte Kollegen informiert. Ein erfahrener Techniker übernimmt, behebt
den Fehler während der weniger erfahrene Mitarbeiter den Vorgang filmt oder
dokumentiert. Die KI:
* segmentiert das Videomaterial,
* extrahiert relevante Schritte,
* verknüpft die Handlung mit Maschinendaten, Fehlercodes und Varianten,
* ordnet sie dem Kontext (Maschine, Produkt, Skill-Level) zu.
Beim nächsten ähnlichen Fehler liefert das System die passende Anleitung
automatisch aus, bevor Hilfe angefordert werden muss.
Diese Form der Wissensentstehung ist situationsgetrieben, multimodal und
kontextreich. Genau darin liegt der technische Mehrwert.
DATENQUELLEN UND INTEGRATION
Technisch basiert dieser Ansatz primär auf der Arbeitsausführung selbst. Die
wichtigste Wissensquelle ist der Mensch in der konkreten Situation. Ergänzend
sind Kontextsichten erforderlich, etwa:
* Auftrags , Produkt und Varianteninformationen aus MES/ERP
* Maschinen und Prozessdaten aus OT Systemen
* Sensorik zur Zustandsüberwachung
* CAD oder PDF-Dokumente sowie weitere Betriebsinformationen
Die Integration erfolgt typischerweise über industrielle Standardprotokolle und
APIs. Sensorik liefert zusätzliche Zustandsinformationen, ersetzt jedoch keine
wissensrelevanten Inhalte. Der eigentliche Integrationsaufwand liegt in der
konsistenten Bereitstellung von Arbeits- und Prozesskontext über Systemgrenzen
hinweg.
ROLLE UND GRENZEN VON KI
KI übernimmt drei Kernaufgaben:
* 1. Strukturierung von Inhalten: Segmentierung von Videos, Transkription,
Zusammenfassungen.
* 2. Kontextualisierung: Verknüpfung von Handlungen mit Maschinenzuständen,
Varianten oder Skills.
* 3. Situative Ausspielung: Bereitstellung von Wissen genau dann, wenn es im
Prozess relevant ist.
Wichtig ist jedoch eine realistische Erwartungshaltung:
* KI erkennt nicht autonom, welches Wissen wichtig ist, sofern kein Ereignis
vorliegt.
* Fachliche Validierung bleibt notwendig — Versionierung und Freigaben sind
zentrale Elemente industrieller Wissenssysteme.
* KI ersetzt keine Erfahrung, sondern macht vorhandenes Erfahrungswissen
skalierbar und reproduzierbar.
MESSBARE ERGEBNISSE AUS DER PRAXIS
In der Praxis zeigen sich unter anderem verkürzte Störungsbehebungszeiten,
geringere Wiederholfehler und stabilere Prozessqualität. Ein Beispiel liefert
der Fahrradhersteller Royal Dutch Gazelle: Durch die digitale Erfassung von
Bandstillständen, kontextbezogene Unterstützung der Mitarbeitenden und die
strukturierte Rückführung von Problemlösungen in den Arbeitsprozess konnte die
Stillstandszeit um 35 Prozent reduziert werden. Auf gleicher Infrastruktur
werden dadurch rund 3.500 zusätzliche Fahrräder pro Jahr produziert. Der Effekt
entstand nicht durch zusätzliche Dokumentation, sondern durch die systematische
Verfügbarkeit von Erfahrungswissen genau dort, wo es im Betrieb benötigt wurde.
WAS IN DER PRAXIS NICHT FUNKTIONIERT
Grenzen zeigen sich bei hochabstrakten kognitiven Tätigkeiten ohne beobachtbare
Handlungen sowie bei stark automatisierten Prozessen mit seltenen menschlichen
Eingriffen. Ebenso scheitern Ansätze, die auf Vollständigkeit oder zentrale
Wissenssammlungen setzen, ohne den Nutzungskontext zu berücksichtigen.
Wissensmanagement kann operative Kompetenz absichern und verbreitern, aber keine
Erfahrung ersetzen.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
FAZIT
Industrielles Wissensmanagement ist keine Dokumentationsaufgabe, sondern eine
Systemfrage. Technisch wirksam wird es dort, wo Arbeitskontext, Ereignisse und
Wissen miteinander verknüpft sind. KI fungiert dabei als Infrastruktur zur
Strukturierung und Verteilung.
Die Grenze verläuft dort, wo Wissen nicht beobachtbar, nicht validierbar oder
nicht kontextualisierbar ist.
ÜBER DEN AUTOR
Norman Hartmann ist CEO und Mitgründer der . Er beschäftigt sich seit vielen
Jahren mit der von Produktions- und Shopfloor-Prozessen und verbindet
technisches Produktverständnis mit einem Fokus auf nutzerzentrierte
Softwarelösungen für die Industrie. Vor der Gründung von Workerbase sammelte er
Erfahrung in internationalen Technologieunternehmen, unter anderem in den
Bereichen Produktentwicklung und digitale Plattformen.
(ID:50707894)
INDUSTRIE TECHNISCH ERFASSEN?
11.03.2026 Von Norman Hartmann 4 min Lesedauer
Anbieter zum Thema
Wenn erfahrene Fachkräfte in Rente gehen, verschwindet oft kritisches
Prozesswissen aus der Produktion. Ansätze mithilfe von Künstlicher Intelligenz
(KI) versprechen Abhilfe. Doch wo kann sie im Wissensmanagement konkret einen
Mehrwert bieten?
Der demografische Wandel verschärft ein strukturelles Problem in der Industrie:
Kritisches Prozess- und Erfahrungswissen ist oft an einzelne Personen gebunden
und nur unzureichend dokumentiert. Während Anlagen, Produkte und Varianten
komplexer werden, sinkt gleichzeitig die Zeit, in der neues Personal dieses
Wissen erlernen kann. Die Folge sind längere Störungsbehebungen, steigende
Fehlerquoten und wachsende Abhängigkeiten von wenigen Experten. Hier verspricht
-gestütztes Wissensmanagement Abhilfe. Doch Für welche Prozesse eignet sich das
und wie lässt sich Wissen technisch erfassen?
WELCHE WISSENSBESTÄNDE TECHNISCH ERFASSBAR SIND
Aus technischer Sicht ist es entscheidend, zwischen verschiedenen Wissensarten
zu unterscheiden.Für KI gestütztes Wissensmanagement ist entscheidend, zwischen
beobachtbarem und implizitem Wissen zu unterscheiden:
* Erfassbar: Prozedurale Abläufe wie Rüst- und Wechselvorgänge,
Maschineneinstellungen, Troubleshooting-Schritte, Prüfprozesse oder
logistische Handlungen. Dieses Wissen manifestiert sich in konkreten Aktionen
und ist an Maschinen, Varianten oder Umgebungsbedingungen gebunden.
* Nur begrenzt erfassbar: Implizite Entscheidungsheuristiken, strategische
Überlegungen oder abstrakte Erfahrungswerte ohne klar sichtbare Handlung.
Damit gilt: Technisch erfassbar ist vor allem Wissen, das sich in beobachtbaren
Schritten ausdrückt. Wissensmanagement wird überall dort wirksam, wo Handlungen
dokumentiert und kontextualisiert werden können.
WARUM KLASSISCHE DOKUMENTATIONSANSÄTZE SCHEITERN
Viele Unternehmen setzen weiterhin auf vorgelagerte Dokumentation:
Arbeitsanweisungen, Checklisten, zentrale Wissensdatenbanken. In der Praxis
scheitert das oft aus zwei Gründen:
* 1. Relevante Routinen werden nicht erkannt. Mitarbeiter wissen häufig selbst
nicht, welche Feinheiten ihrer Arbeit entscheidend sind.
* 2. Kein Zeitfenster für Dokumentation. Gerade in Störfällen oder Engpässen
ist spätere nachträgliche Dokumentation schlicht unrealistisch.
Ein zentraler Schwachpunkt klassischer Ansätze liegt darin, dass sie Wissen
planen wollen, bevor klar ist, wo es tatsächlich fehlt. Relevante Wissenslücken
werden jedoch meist erst im laufenden Betrieb sichtbar, wenn eine Aufgabe nicht
wie vorgesehen abgeschlossen werden kann.
EREIGNISBASIERTE WISSENSENTSTEHUNG IM ARBEITSPROZESS
Ein alternativer Ansatz koppelt Wissensentstehung direkt an Ereignisse in der
Produktion. Wissenslücken werden erfasst, wenn Mitarbeitende beim Arbeitsvorgang
an Grenzen stoßen.
Ein Beispiel verdeutlicht das Prinzip:
Ein Produktionsband kommt zum Stillstand. Der anwesende Mitarbeiter kennt die
Störung nicht und fordert über die Plattform Hilfe an. Automatisch werden
qualifizierte Kollegen informiert. Ein erfahrener Techniker übernimmt, behebt
den Fehler während der weniger erfahrene Mitarbeiter den Vorgang filmt oder
dokumentiert. Die KI:
* segmentiert das Videomaterial,
* extrahiert relevante Schritte,
* verknüpft die Handlung mit Maschinendaten, Fehlercodes und Varianten,
* ordnet sie dem Kontext (Maschine, Produkt, Skill-Level) zu.
Beim nächsten ähnlichen Fehler liefert das System die passende Anleitung
automatisch aus, bevor Hilfe angefordert werden muss.
Diese Form der Wissensentstehung ist situationsgetrieben, multimodal und
kontextreich. Genau darin liegt der technische Mehrwert.
DATENQUELLEN UND INTEGRATION
Technisch basiert dieser Ansatz primär auf der Arbeitsausführung selbst. Die
wichtigste Wissensquelle ist der Mensch in der konkreten Situation. Ergänzend
sind Kontextsichten erforderlich, etwa:
* Auftrags , Produkt und Varianteninformationen aus MES/ERP
* Maschinen und Prozessdaten aus OT Systemen
* Sensorik zur Zustandsüberwachung
* CAD oder PDF-Dokumente sowie weitere Betriebsinformationen
Die Integration erfolgt typischerweise über industrielle Standardprotokolle und
APIs. Sensorik liefert zusätzliche Zustandsinformationen, ersetzt jedoch keine
wissensrelevanten Inhalte. Der eigentliche Integrationsaufwand liegt in der
konsistenten Bereitstellung von Arbeits- und Prozesskontext über Systemgrenzen
hinweg.
ROLLE UND GRENZEN VON KI
KI übernimmt drei Kernaufgaben:
* 1. Strukturierung von Inhalten: Segmentierung von Videos, Transkription,
Zusammenfassungen.
* 2. Kontextualisierung: Verknüpfung von Handlungen mit Maschinenzuständen,
Varianten oder Skills.
* 3. Situative Ausspielung: Bereitstellung von Wissen genau dann, wenn es im
Prozess relevant ist.
Wichtig ist jedoch eine realistische Erwartungshaltung:
* KI erkennt nicht autonom, welches Wissen wichtig ist, sofern kein Ereignis
vorliegt.
* Fachliche Validierung bleibt notwendig — Versionierung und Freigaben sind
zentrale Elemente industrieller Wissenssysteme.
* KI ersetzt keine Erfahrung, sondern macht vorhandenes Erfahrungswissen
skalierbar und reproduzierbar.
MESSBARE ERGEBNISSE AUS DER PRAXIS
In der Praxis zeigen sich unter anderem verkürzte Störungsbehebungszeiten,
geringere Wiederholfehler und stabilere Prozessqualität. Ein Beispiel liefert
der Fahrradhersteller Royal Dutch Gazelle: Durch die digitale Erfassung von
Bandstillständen, kontextbezogene Unterstützung der Mitarbeitenden und die
strukturierte Rückführung von Problemlösungen in den Arbeitsprozess konnte die
Stillstandszeit um 35 Prozent reduziert werden. Auf gleicher Infrastruktur
werden dadurch rund 3.500 zusätzliche Fahrräder pro Jahr produziert. Der Effekt
entstand nicht durch zusätzliche Dokumentation, sondern durch die systematische
Verfügbarkeit von Erfahrungswissen genau dort, wo es im Betrieb benötigt wurde.
WAS IN DER PRAXIS NICHT FUNKTIONIERT
Grenzen zeigen sich bei hochabstrakten kognitiven Tätigkeiten ohne beobachtbare
Handlungen sowie bei stark automatisierten Prozessen mit seltenen menschlichen
Eingriffen. Ebenso scheitern Ansätze, die auf Vollständigkeit oder zentrale
Wissenssammlungen setzen, ohne den Nutzungskontext zu berücksichtigen.
Wissensmanagement kann operative Kompetenz absichern und verbreitern, aber keine
Erfahrung ersetzen.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
FAZIT
Industrielles Wissensmanagement ist keine Dokumentationsaufgabe, sondern eine
Systemfrage. Technisch wirksam wird es dort, wo Arbeitskontext, Ereignisse und
Wissen miteinander verknüpft sind. KI fungiert dabei als Infrastruktur zur
Strukturierung und Verteilung.
Die Grenze verläuft dort, wo Wissen nicht beobachtbar, nicht validierbar oder
nicht kontextualisierbar ist.
ÜBER DEN AUTOR
Norman Hartmann ist CEO und Mitgründer der . Er beschäftigt sich seit vielen
Jahren mit der von Produktions- und Shopfloor-Prozessen und verbindet
technisches Produktverständnis mit einem Fokus auf nutzerzentrierte
Softwarelösungen für die Industrie. Vor der Gründung von Workerbase sammelte er
Erfahrung in internationalen Technologieunternehmen, unter anderem in den
Bereichen Produktentwicklung und digitale Plattformen.
(ID:50707894)
Quelle: www.bigdata-insider.de
KI-BENCHMARK WENN KI BULLSHIT NICHT ERKENNT
11.03.2026 Von 2 min Lesedauer
Anbieter zum Thema
Ein neuer Benchmark testet eine unangenehme Schwäche moderner Sprachmodelle:
Ihre Bereitschaft, selbst offensichtlichen Unsinn ernst zu nehmen. Die
Ergebnisse von BullshitBench zeigen, dass viele aktuelle LLMs immer noch lieber
antworten als widersprechen, selbst dann, wenn die Frage auf falschen Annahmen
basiert.
Große Sprachmodelle gelten als erstaunlich leistungsfähig: Sie schreiben Code,
analysieren Daten und beantworten komplexe Fragen. Doch eine neue
Benchmark-Initiative stellt eine einfache Gegenfrage: Erkennen Modelle
überhaupt, wenn eine Frage kompletter Unsinn ist?
Genau hier setzt BullshitBench an. prüft, ob ein Modell eine offensichtlich
falsche oder widersprüchliche Prämisse zurückweist oder ob es stattdessen eine
plausible, aber komplett erfundene Antwort produziert. Die Ergebnisse sind
ernüchternd.
100 FRAGEN VOLLER PLAUSIBLER ABSURDITÄTEN
Der Benchmark basiert auf 100 bewusst konstruierten Nonsense-Prompts, die zwar
technisch klingen, aber keine reale Bedeutung haben. Die Fragen sind auf fünf
Domänen verteilt: Softwareentwicklung, Medizin, Recht, Finanzen und Physik.
Typische Beispiele kombinieren existierende Fachbegriffe mit erfundenen
Mechanismen – etwa eine fiktive Softwarearchitektur oder eine medizinische
Diagnosemethode, die es nie gegeben hat.
Das Ziel des Benchmarks ist nicht die korrekte Antwort. Entscheidend sei
vielmehr die Reaktion des Modells auf die falsche Prämisse. Bewertet werden drei
mögliche Reaktionen:
* Clear Pushback: Das Modell erkennt den Unsinn und weist die Frage zurück
* Partial Challenge: Das Modell äußert Zweifel, beantwortet die Frage aber
teilweise
* Accepted Nonsense: Das Modell akzeptiert die falsche Prämisse und liefert
eine scheinbar fundierte Antwort
Damit misst BullshitBench im Kern eine Fähigkeit, die in vielen -Anwendungen
entscheidend ist: Widerspruch gegen falsche Annahmen.
ÜBERRASCHENDE UNTERSCHIEDE ZWISCHEN MODELLEN
Die aktuelle Version des Benchmarks testete mehr als 70 Modellvarianten. Das
Ergebnis: Die Unterschiede zwischen den Anbietern sind deutlich.
An der Spitze stehen mehrere Modelle von Anthropic. Claude Sonnet 4.6 erreicht
eine Erkennungsrate von rund 91 Prozent, also Antworten, die den Unsinn klar
zurückweisen. Auch Claude Opus 4.5 liegt mit etwa 90 Prozent im Spitzenfeld.
Unter den offenen Modellen schneidet Qwen 3.5 von Alibaba vergleichsweise stark
ab und erreicht etwa 78 Prozent.
Deutlich schwächer performen mehrere Modelle von und Google. Sie akzeptieren
einen erheblichen Teil der falschen Prämissen und liefern stattdessen
ausführliche, aber komplett erfundene Antworten.
Der Benchmark legt damit eine strukturelle Schwäche vieler offen: Ihre
Trainingsziele belohnen „Hilfsbereitschaft“. Das führt dazu, dass Modelle lieber
antworten als widersprechen.
MEHR „REASONING“ HILFT NICHT
Besonders bemerkenswert: Reasoning-Modi verbessern das Ergebnis kaum.
Modelle, die mehr Rechenzeit für komplexes Denken aufwenden, erkennen den Unsinn
häufig nicht besser. Teilweise verschlechtert sich das Ergebnis sogar, weil das
Modell versucht, die fehlerhafte Prämisse logisch weiterzuverarbeiten.
Die Daten deuten darauf hin, dass die Fähigkeit, falsche Annahmen zu erkennen,
kein reines Wissensproblem ist. Stattdessen handelt es sich um eine Eigenschaft
der Modellarchitektur und des Trainings.
RISIKO FÜR AUTONOME KI-WORKFLOWS
Der Benchmark trifft damit einen wunden Punkt vieler KI-Anwendungen. In
Retrieval- oder Agent-Systemen kann eine falsche Annahme schnell zu einer Kette
von Fehlentscheidungen führen. Ein Modell, das nicht widerspricht, sondern
Unsinn weiterverarbeitet, produziert zwar überzeugende Texte, aber auf einer
komplett falschen Grundlage.
BullshitBench zeigt daher weniger ein Wissensproblem als ein Verhaltensproblem
moderner LLMs: Sie wurden darauf trainiert, hilfreich zu wirken. Und genau diese
Eigenschaft kann dazu führen, dass sie selbst offensichtlichen Unsinn ernst
nehmen.
Für Unternehmen, die KI in Entscheidungsprozesse integrieren, ist das eine
unbequeme Erkenntnis: Vermeintlich intelligente Antworten sind nicht automatisch
verlässliche Antworten.
(ID:50774101)
11.03.2026 Von 2 min Lesedauer
Anbieter zum Thema
Ein neuer Benchmark testet eine unangenehme Schwäche moderner Sprachmodelle:
Ihre Bereitschaft, selbst offensichtlichen Unsinn ernst zu nehmen. Die
Ergebnisse von BullshitBench zeigen, dass viele aktuelle LLMs immer noch lieber
antworten als widersprechen, selbst dann, wenn die Frage auf falschen Annahmen
basiert.
Große Sprachmodelle gelten als erstaunlich leistungsfähig: Sie schreiben Code,
analysieren Daten und beantworten komplexe Fragen. Doch eine neue
Benchmark-Initiative stellt eine einfache Gegenfrage: Erkennen Modelle
überhaupt, wenn eine Frage kompletter Unsinn ist?
Genau hier setzt BullshitBench an. prüft, ob ein Modell eine offensichtlich
falsche oder widersprüchliche Prämisse zurückweist oder ob es stattdessen eine
plausible, aber komplett erfundene Antwort produziert. Die Ergebnisse sind
ernüchternd.
100 FRAGEN VOLLER PLAUSIBLER ABSURDITÄTEN
Der Benchmark basiert auf 100 bewusst konstruierten Nonsense-Prompts, die zwar
technisch klingen, aber keine reale Bedeutung haben. Die Fragen sind auf fünf
Domänen verteilt: Softwareentwicklung, Medizin, Recht, Finanzen und Physik.
Typische Beispiele kombinieren existierende Fachbegriffe mit erfundenen
Mechanismen – etwa eine fiktive Softwarearchitektur oder eine medizinische
Diagnosemethode, die es nie gegeben hat.
Das Ziel des Benchmarks ist nicht die korrekte Antwort. Entscheidend sei
vielmehr die Reaktion des Modells auf die falsche Prämisse. Bewertet werden drei
mögliche Reaktionen:
* Clear Pushback: Das Modell erkennt den Unsinn und weist die Frage zurück
* Partial Challenge: Das Modell äußert Zweifel, beantwortet die Frage aber
teilweise
* Accepted Nonsense: Das Modell akzeptiert die falsche Prämisse und liefert
eine scheinbar fundierte Antwort
Damit misst BullshitBench im Kern eine Fähigkeit, die in vielen -Anwendungen
entscheidend ist: Widerspruch gegen falsche Annahmen.
ÜBERRASCHENDE UNTERSCHIEDE ZWISCHEN MODELLEN
Die aktuelle Version des Benchmarks testete mehr als 70 Modellvarianten. Das
Ergebnis: Die Unterschiede zwischen den Anbietern sind deutlich.
An der Spitze stehen mehrere Modelle von Anthropic. Claude Sonnet 4.6 erreicht
eine Erkennungsrate von rund 91 Prozent, also Antworten, die den Unsinn klar
zurückweisen. Auch Claude Opus 4.5 liegt mit etwa 90 Prozent im Spitzenfeld.
Unter den offenen Modellen schneidet Qwen 3.5 von Alibaba vergleichsweise stark
ab und erreicht etwa 78 Prozent.
Deutlich schwächer performen mehrere Modelle von und Google. Sie akzeptieren
einen erheblichen Teil der falschen Prämissen und liefern stattdessen
ausführliche, aber komplett erfundene Antworten.
Der Benchmark legt damit eine strukturelle Schwäche vieler offen: Ihre
Trainingsziele belohnen „Hilfsbereitschaft“. Das führt dazu, dass Modelle lieber
antworten als widersprechen.
MEHR „REASONING“ HILFT NICHT
Besonders bemerkenswert: Reasoning-Modi verbessern das Ergebnis kaum.
Modelle, die mehr Rechenzeit für komplexes Denken aufwenden, erkennen den Unsinn
häufig nicht besser. Teilweise verschlechtert sich das Ergebnis sogar, weil das
Modell versucht, die fehlerhafte Prämisse logisch weiterzuverarbeiten.
Die Daten deuten darauf hin, dass die Fähigkeit, falsche Annahmen zu erkennen,
kein reines Wissensproblem ist. Stattdessen handelt es sich um eine Eigenschaft
der Modellarchitektur und des Trainings.
RISIKO FÜR AUTONOME KI-WORKFLOWS
Der Benchmark trifft damit einen wunden Punkt vieler KI-Anwendungen. In
Retrieval- oder Agent-Systemen kann eine falsche Annahme schnell zu einer Kette
von Fehlentscheidungen führen. Ein Modell, das nicht widerspricht, sondern
Unsinn weiterverarbeitet, produziert zwar überzeugende Texte, aber auf einer
komplett falschen Grundlage.
BullshitBench zeigt daher weniger ein Wissensproblem als ein Verhaltensproblem
moderner LLMs: Sie wurden darauf trainiert, hilfreich zu wirken. Und genau diese
Eigenschaft kann dazu führen, dass sie selbst offensichtlichen Unsinn ernst
nehmen.
Für Unternehmen, die KI in Entscheidungsprozesse integrieren, ist das eine
unbequeme Erkenntnis: Vermeintlich intelligente Antworten sind nicht automatisch
verlässliche Antworten.
(ID:50774101)
Mi., 11. März 2026 10:30