In jeder Produktionshalle gibt es dasselbe Problem: Jahrzehnte an technischem Wissen verteilt über hunderte PDFs, alte Wartungshandbücher, Excel-Tabellen und die Köpfe von Mitarbeitern, die bald in Rente gehen. Wenn ein Techniker nachts um drei ein Drehmoment für eine bestimmte Schraube braucht, blättert er durch Ordner oder ruft den Kollegen an, der es vielleicht weiß.

Das ist kein Technologieproblem. Das ist ein Wissensproblem. Und genau hier setzen RAG-Systeme an.

Was ist RAG überhaupt?

RAG steht für Retrieval-Augmented Generation. Der Name klingt kompliziert, aber das Prinzip ist einfach: Statt ein KI-Modell alles auswendig lernen zu lassen, gibst du ihm Zugriff auf deine eigenen Dokumente. Die KI sucht zürst die relevanten Stellen in deinen Unterlagen und formuliert dann eine Antwort basierend auf dem, was sie gefunden hat.

Stell dir einen sehr schnellen, sehr gründlichen Mitarbeiter vor, der alle deine Handbücher gelesen hat und dir auf jede Frage die passende Stelle zeigen kann - inklusive Qüllenangabe.

Das ist RAG. Keine Magie, kein Hexenwerk. Einfach intelligente Dokumentensuche kombiniert mit Sprachverständnis.

Wie funktioniert ein RAG System technisch?

Ich erkläre den Prozess bewusst einfach, weil die meisten Erklärungen im Netz unnötig kompliziert sind.

Schritt 1: Dokumente indexieren

Alle relevanten Dokumente werden eingelesen und in kleine Abschnitte aufgeteilt. Ein Wartungshandbuch wird zum Beispiel kapitelweise zerlegt.

Schritt 2: Embeddings erstellen

Jeder Abschnitt wird in eine mathematische Darstellung umgewandelt - ein sogenanntes Embedding. Das klingt abstrakt, bedeutet aber nur: Der Computer versteht jetzt die Bedeutung des Textes, nicht nur die einzelnen Wörter.

Schritt 3: Semantische Suche

Wenn jemand eine Frage stellt, wird diese Frage ebenfalls in ein Embedding umgewandelt. Das System findet dann die Abschnitte, die inhaltlich am besten zur Frage passen - auch wenn die exakten Wörter nicht vorkommen.

Schritt 4: Antwort generieren

Ein Sprachmodell (LLM) bekommt die gefundenen Abschnitte als Kontext und formuliert eine verständliche Antwort. Wichtig: Die Qüllen werden mitgeliefert, sodass du nachprüfen kannst, woher die Information stammt.

Konkrete Anwendungsfälle in der Produktion

RAG Systeme sind kein theoretisches Konzept. Hier sind drei Situationen, die ich in Gesprächen mit Produktionsbetrieben immer wieder höre:

Drehmomente und Spezifikationen finden

Ein Techniker braucht das korrekte Drehmoment für eine bestimmte Schraubverbindung an einer bestimmten Maschine. Statt durch ein Handbuch mit mehreren hundert Seiten zu blättern, stellt er die Frage in natürlicher Sprache. Das RAG System findet die relevante Seite und zeigt die Antwort mit Qüllenangabe.

Fehlersuche und Troubleshooting

Eine Maschine zeigt einen bestimmten Fehlercode. Das System durchsucht alle vorhandenen Störungsprotokolle, Wartungsberichte und Herstellerdokumentationen und liefert die wahrscheinlichste Ursache und die dokumentierte Lösung.

Einarbeitung neuer Mitarbeiter

Neue Techniker können dem System Fragen stellen, anstatt immer den erfahrenen Kollegen zu unterbrechen. Das beschleunigt die Einarbeitung und entlastet das bestehende Team.

Warum lokal und nicht in der Cloud?

Ich setze RAG Systeme bewusst lokal auf - also auf Servern, die im Unternehmen stehen oder in einer kontrollierten Umgebung laufen. Die Gründe dafür sind praktisch, nicht ideologisch:

DSGVO-Konformität: Technische Dokumentation kann personenbezogene Daten, Betriebsgeheimnisse oder sicherheitsrelevante Informationen enthalten. Diese Daten sollten nicht über externe Server laufen.
Keine Cloud-Abhängigkeit: Das System funktioniert auch ohne Internetverbindung. In einer Produktionshalle ist das kein theoretisches Szenario.
Datenkontrolle: Du weißt genau, wo deine Daten liegen und wer Zugriff hat. Für Unternehmen in Österreich und dem DACH-Raum ist das oft eine Grundvoraussetzung.

Moderne Sprachmodelle laufen mittlerweile gut auf lokaler Hardware. Man braucht keinen Supercomputer - ein leistungsfähiger Server reicht für die meisten Anwendungsfälle.

Welche Dokumente funktionieren gut - und welche nicht?

Das ist eine wichtige Frage, die oft übergangen wird.

Gut geeignet:

PDFs mit echtem Text: Wartungshandbücher, Datenblatter, Normen, Arbeitsanweisungen - solange der Text maschinell lesbar ist
Word-Dokumente: Berichte, Protokolle, Anleitungen
Excel-Tabellen: Stücklisten, Parameterlisten, Prüfprotokolle - strukturierte Daten funktionieren sogar besonders gut
Textbasierte Formate: CSV, TXT, Markdown

Schwieriger:

Gescannte Dokumente ohne OCR: Wenn ein PDF nur ein Bild ist, muss zürst eine Texterkennung (OCR) laufen. Das funktioniert bei sauberen Scans gut, bei schlechter Qualität weniger
Handschriftliche Notizen: Grundsätzlich möglich mit moderner Handschrifterkennung, aber die Qualität schwankt stark
Reine Zeichnungen und Schemata: Technische Zeichnungen ohne begleitenden Text sind für RAG Systeme schwer verwertbar. Die Maßangaben in einer Zeichnung kann das System nicht interpretieren

Ehrliche Limitierungen

Ich halte nichts davon, Technologie schönzureden. RAG Systeme haben klare Grenzen, die man kennen muss:

Garbage in, garbage out: Wenn deine Dokumente veraltet, widersprülich oder schlecht strukturiert sind, liefert das System veraltete, widersprüliche oder schlechte Antworten. Ein RAG System ist kein Wundermittel für schlechte Dokumentation.
Halluzinationen: Auch mit RAG kann ein Sprachmodell Informationen erfinden oder falsch kombinieren. Die Qüllenangabe hilft beim Überprüfen, aber blinde Vertrauenswürdigkeit ist fehl am Platz. Ein Techniker sollte die Antwort immer gegenchecken, besonders bei sicherheitsrelevanten Angaben.
Kuratierung ist nötig: Die besten Ergebnisse erzielt man, wenn die Dokumentensammlung gepflegt ist. Doppelte Versionen, veraltete Handbücher und irrelevante Dateien verschlechtern die Qualität.
Kein Ersatz für Fachwissen: Das System kann nur finden, was in den Dokumenten steht. Implizites Erfahrungswissen, das nie aufgeschrieben wurde, bleibt unsichtbar.

Wie fängt man an?

Mein Rat ist immer derselbe: Klein anfangen, konkret bleiben.

Eine Dokumentensammlung auswählen: Zum Beispiel die Wartungshandbücher einer bestimmten Maschinengruppe oder die Arbeitsanweisungen einer Abteilung.
Echte Fragen formulieren: Keine theoretischen Testfragen, sondern Fragen, die Techniker tatsächlich stellen. Das zeigt sofort, ob das System nützlich ist.
Qualität der Dokumente prüfen: Sind die PDFs durchsuchbar? Sind die Versionen aktuell? Dieser Schritt zeigt oft, dass das eigentliche Problem nicht die KI ist, sondern die Dokumentenlage.
Pilotprojekt mit klarem Scope: Zwei Wochen, eine Dokumentensammlung, messbare Fragen. Danach weißt du, ob es für deinen Betrieb funktioniert.

RAG Systeme sind kein Allheilmittel. Aber für Produktionsbetriebe, die ihr technisches Wissen zugänglich machen wollen, sind sie eines der nützlichsten Werkzeuge, die es gerade gibt. Wer damit anfangen will, braucht keine Großinvestition - nur einen konkreten Anwendungsfall und den Willen, die eigene Dokumentation ehrlich anzuschauen.

RAG-Systeme in der Produktion: Warum Ihre Wartungshandbücher KI brauchen