Künstliche Intelligenz kann komplexe Fragen beantworten, Texte zusammenfassen und in Sekundenschnelle Informationen aus großen Datenbeständen zusammentragen. Das klingt nach der perfekten Lösung für die Technische Dokumentation. Statt lange in Betriebsanleitungen oder Servicehandbüchern zu suchen, stellen Anwender ihre Frage einfach einem KI-Assistenten.

Doch was passiert, wenn die KI die falsche Antwort findet? Oder wenn sie eine richtige Information auf das falsche Produkt bezieht?

Das Problem liegt nicht zwangsläufig am Sprachmodell. Häufig fehlt den zugrunde liegenden Informationen die notwendige Struktur. Dokumente liegen in unterschiedlichen Systemen, Produktvarianten sind nicht eindeutig gekennzeichnet und wichtige Zusammenhänge erschließen sich nur aus dem Kontext eines vollständigen Handbuchs.

Stellen Sie sich folgende Situation vor: Ein Servicetechniker steht vor einer Maschine. Auf dem Display erscheint eine Fehlermeldung. Er fragt den KI-Assistenten:

„Wie behebe ich Fehler E204 an Maschine X?“

Das Sprachmodell durchsucht die verfügbaren Informationen und formuliert eine verständliche Antwort. Allerdings existiert die Maschine X in mehreren Varianten. Für ältere Modelle gelten andere Arbeitsschritte als für die aktuelle Baureihe. Auch die installierte Softwareversion beeinflusst die Fehlerbehebung.

Findet die KI eine Anleitung, die zwar denselben Fehler beschreibt, aber für eine andere Maschinenvariante gilt, kann ihre Antwort plausibel klingen und trotzdem falsch sein.

Genau hier zeigt sich der Unterschied zwischen einer rein textbasierten Suche und einer kontextbezogenen Informationsbereitstellung.

Die KI muss nicht nur erkennen, dass ein Dokument die Fehlermeldung E204 enthält. Sie muss auch berücksichtigen können, für welche Maschine, Variante und Softwareversion die beschriebenen Maßnahmen gelten.

Diese Zusammenhänge lassen sich über strukturierte Informationen und Metadaten abbilden.

Metadaten sind zusätzliche Informationen, die den Inhalt eines Dokuments oder Informationsbausteins beschreiben. In der Technischen Dokumentation können sie beispielsweise festlegen, auf welches Produkt, welche Komponente oder welche Nutzungssituation sich eine Information bezieht.

Für unsere beispielhafte Fehlermeldung könnte ein Informationsbaustein so klassifiziert sein:

Die Metadaten ermöglichen es dem Suchsystem, Informationen gezielt einzugrenzen und passende Inhalte auszuwählen. Ist beispielsweise bekannt, welche Maschinenvariante der Anwender vor sich hat, können nicht zutreffende Anleitungen bereits bei der Suche ausgeschlossen werden.

Damit steigt die Wahrscheinlichkeit, dass das Sprachmodell die tatsächlich relevanten Informationen erhält.

Metadaten leisten noch mehr: Sie können Zusammenhänge zwischen Komponenten, Produkten, Aufgaben und Zielgruppen herstellen. So entsteht aus einer Sammlung einzelner Informationen eine Wissensbasis, die auch von digitalen Anwendungen gezielt genutzt werden kann.

Metadaten allein reichen allerdings nicht aus.

In vielen Unternehmen liegt Technische Dokumentation überwiegend in umfangreichen PDF-Dateien, Word-Dokumenten oder historisch gewachsenen Dateistrukturen vor. Diese Dokumente sind häufig für Menschen gut lesbar, aber nur bedingt für die automatisierte Verarbeitung geeignet.

Eine Wartungsanleitung enthält beispielsweise Informationen zu mehreren Maschinentypen, unterschiedliche Sicherheitsanweisungen und zahlreiche Fehlerbehebungen. Welche Anweisung für welches Produkt gilt, ergibt sich möglicherweise erst aus einer übergeordneten Kapitelüberschrift oder einer Tabelle auf einer anderen Seite.

Bei der automatisierten Zerlegung solcher Dokumente in kleinere Texteinheiten können diese Zusammenhänge verloren gehen.

Modular aufgebaute Technische Dokumentation bietet hier Vorteile. Einzelne Informationseinheiten – häufig als Topics oder Module bezeichnet – behandeln jeweils ein bestimmtes Thema und sind möglichst eigenständig verständlich.

Eine Anleitung zur Fehlerbehebung wird so zu einem eindeutig beschriebenen Informationsbaustein, der mit passenden Metadaten verknüpft werden kann.

Das verbessert nicht nur die KI-gestützte Suche. Dieselben Informationen lassen sich auch in Serviceportalen, Apps oder digitalen Betriebsanleitungen gezielt bereitstellen und wiederverwenden.

Die Bedeutung dieser Informationsarchitektur unterstreichen auch die gds-Partner PANTOPIX und parson AG. Beide Unternehmen beschäftigen sich mit der Strukturierung, semantischen Verknüpfung und kontextbezogenen Bereitstellung technischer Informationen als Grundlage für moderne Informationsanwendungen.

Ein Large Language Model (LLM) wie GPT ist zunächst ein Sprachmodell. Es wurde mit großen Textmengen trainiert und kann Sprache verarbeiten und erzeugen. Das bedeutet jedoch nicht, dass es automatisch über aktuelle, vollständige und freigegebene Produktinformationen eines Unternehmens verfügt.

Für die Beantwortung unternehmensspezifischer Fragen wird daher häufig ein Verfahren namens Retrieval-Augmented Generation (RAG) eingesetzt.

Dabei sucht ein vorgeschaltetes System zunächst nach relevanten Informationen in definierten Datenquellen. Die gefundenen Inhalte werden dem Sprachmodell als Kontext bereitgestellt. Das LLM formuliert daraus eine Antwort.

Die Qualität der Antwort hängt also wesentlich davon ab, welche Informationen die Suche findet und an das Sprachmodell übergibt.

Sind Daten unvollständig, veraltet oder nicht eindeutig zugeordnet, kann das LLM diese Schwächen nicht zuverlässig ausgleichen. Es kann sogar eine überzeugend formulierte Antwort erzeugen, obwohl die zugrunde liegende Information für den konkreten Anwendungsfall nicht geeignet ist.

Bei komplexeren Anwendungen können semantische Wissensmodelle oder Knowledge Graphs weitere Zusammenhänge erschließen. Sie verknüpfen beispielsweise Produkte, Baugruppen, Fehlercodes und zugehörige Anleitungen. Auch diese Ansätze werden im Umfeld von PANTOPIX für KI-gestützte technische Informationssysteme eingesetzt.