Ein Servicetechniker steht an einer 14 Jahre alten Anlage in Tschechien. Die Maschine läuft nicht an, der Fehlercode ist nicht im Handbuch. Er ruft im Werk an. Der Kollege, der diese Baureihe damals in Betrieb genommen hat, ist seit zwei Jahren in Rente. Drei andere telefonieren herum, einer erinnert sich vage an einen ähnlichen Fall in Polen 2019. Am Ende findet jemand die Lösung in einer alten E-Mail. Der Stillstand hat zwei Tage gedauert.
Das Wissen, das diese Anlage wieder zum Laufen gebracht hätte, war im Unternehmen vorhanden. Es war nur nicht auffindbar. Genau das ist der Normalfall im produzierenden Mittelstand: Das wertvollste Wissen ist da, aber es liegt verstreut über Laufwerke, E-Mail-Postfächer, ERP-Module und Köpfe, die irgendwann nicht mehr ans Telefon gehen.
Wissensarbeiter verbringen rund einen Arbeitstag pro Woche damit, nach Informationen zu suchen, die im eigenen Unternehmen bereits existieren [1]. Und der Teil des Wissens, der am meisten wert ist, ist nirgendwo aufgeschrieben. Er steckt in Erfahrung. Diese Erfahrung hat in den nächsten Jahren ein Rentendatum.
Ungenutztes Unternehmenswissen: Was die Zahlen zeigen
20%
% der Arbeitszeit gehen für die Suche nach Informationen drauf, die im Unternehmen bereits vorhanden sind. McKinsey Global Institute, 2012; IDC beziffert es auf bis zu 30 %
4.3 Mio
Arbeitskräfte fehlen der deutschen Wirtschaft bis 2036, wenn der letzte Babyboomer-Jahrgang das Rentenalter erreicht – mit ihnen geht jahrzehntelange Erfahrung. Institut der deutschen Wirtschaft (IW Köln), 2026
80%
% des wertvollsten Unternehmenswissens sind nicht dokumentiert – sie leben als Erfahrung in den Köpfen einzelner Mitarbeiter. Schätzung aus der Wissensmanagement-Forschung
Das Wissen ist da – nur nicht dort, wo es gebraucht wird
Hidden Champions haben in der Regel kein Wissensproblem. Sie haben über Jahrzehnte tiefe technische Expertise aufgebaut – zu Werkstoffen, Anwendungsfällen, Grenzfällen, zu genau den Konfigurationen, die bei genau diesem Kunden in dieser Branche funktionieren. Dieses Wissen ist real, und es ist der eigentliche Kern des Wettbewerbsvorsprungs.
Das Problem ist nicht, dass es fehlt. Das Problem ist, dass niemand es findet, wenn er es braucht. Ein Applikationsbericht aus 2017 liegt auf einem Laufwerk, das seit der letzten IT-Umstrukturierung kaum noch jemand öffnet. Die Begründung, warum eine bestimmte Werkstoffpaarung damals verworfen wurde, steht in einer E-Mail, die nie archiviert wurde. Die Lösung für einen seltenen Fehlercode kennt nur der Inbetriebnehmer – und der ist gerade auf Montage in Mexiko.
Engpass: Suchen statt arbeiten
Was nach Kleinkram klingt, ist in Summe einer der größten stillen Kostenblöcke im Unternehmen. Das McKinsey Global Institute beziffert die Zeit, die Wissensarbeiter mit dem Suchen und Zusammentragen von Informationen verbringen, auf rund 20 Prozent ihrer Arbeitszeit – einen kompletten Arbeitstag pro Woche [1]. IDC kommt in eigenen Untersuchungen sogar auf bis zu 30 Prozent [2].
Rechnen Sie das auf eine Konstruktions- und Serviceabteilung von 30 Mitarbeitern mit einem durchschnittlichen Jahresgehalt von 70.000 Euro hoch: Allein 20 Prozent Suchzeit entsprechen rund 420.000 Euro pro Jahr. Nicht für Konstruktion, nicht für Inbetriebnahme, nicht für den Kunden – sondern für das Wiederfinden von Dingen, die längst im Haus sind. Das ist keine KI-Argumentation. Das ist eine Rechnung, die jeder Geschäftsführer sofort nachvollzieht.
Ausweg: Wissen abrufbar machen, nicht neu erzeugen
Der Hebel liegt nicht darin, mehr Wissen zu produzieren. Er liegt darin, das vorhandene Wissen so zugänglich zu machen, dass eine Frage in Sekunden statt in Stunden beantwortet ist. Technisch ist das heute möglich: Ein System, das auf Ihre technische Dokumentation, Ihre Applikationsberichte und Ihre Servicehistorie zugreift, kann eine Frage verstehen, die passenden Dokumente finden und eine Antwort mit Quellennachweis formulieren – Datenblatt, Revision, Seitenzahl.
Der Servicetechniker an der Anlage in Tschechien hätte den Fehlercode eingegeben und in Sekunden den dokumentierten Lösungsweg aus dem Polen-Fall von 2019 erhalten – statt zwei Tage Stillstand. Das Wissen war da. Es musste nur abrufbar sein.
420000 €
jährliche Suchkosten bei einer 30-köpfigen Konstruktions- und Serviceabteilung – für Informationen, die im Unternehmen bereits vorhanden sind. McKinsey Global Institute, 2012 [1]
Der Wissensträger, der nicht skaliert
In fast jedem Maschinenbauer gibt es ihn: den Kollegen, der seit 22 Jahren dabei ist und auf den die halbe Belegschaft zugeht, wenn es kompliziert wird. Er kennt die Anlagenhistorie, die ungeschriebenen Regeln, die Grenzfälle aus Projekten, die längst abgeschlossen sind. Sein Wissen ist real und wertvoll. Und es lebt in einem einzigen Kopf.
In keiner Risikobetrachtung taucht das auf. Aber es ist eines der größten operativen Risiken, das ein Mittelständler hat. Wissen, das nur in einem Kopf liegt, ist keine Ressource des Unternehmens. Es ist eine Abhängigkeit – mit einer Berufsbezeichnung und einem Urlaubsanspruch.
Engpass: Die Demografie holt Sie früher ein, als Sie denken
Diese Abhängigkeit hat ein Ablaufdatum. Bis 2036 schrumpft die deutsche Erwerbsbevölkerung netto um rund 4,3 Millionen Arbeitskräfte – das ist die Bevölkerungsprognose des Instituts der deutschen Wirtschaft [3]. Jedes Jahr erreichen rund 1,3 Millionen Babyboomer das Rentenalter, aber nur etwa 800.000 Jüngere rücken nach. Das Statistische Bundesamt rechnet vor, dass bis 2039 insgesamt 13,4 Millionen Erwerbspersonen – knapp ein Drittel aller Erwerbstätigen – das Rentenalter überschreiten [4].
Im Maschinenbau trifft das besonders die Erfahrungsträger. Ein erheblicher Teil der Servicetechniker ist über 55. Ihr Wissen ist oft nur handschriftlich notiert oder gar nicht erfasst: Branchenerhebungen zeigen, dass über 80 Prozent der Servicetechniker ihr Wissen noch von Hand dokumentieren [9]. Wenn dieser Mitarbeiter geht, verlieren Sie nicht eine Stelle. Sie verlieren 20 Jahre Projekterfahrung, die nirgendwo aufgeschrieben ist.
Ausweg: Erfahrung sichern, solange sie noch im Haus ist
Das Zeitfenster, in dem sich dieses Wissen noch sichern lässt, ist begrenzt – aber es ist offen. Der Weg ist nicht, den ausscheidenden Kollegen zu bitten, vor seinem letzten Arbeitstag noch schnell ein Handbuch zu schreiben. Das funktioniert nie. Der Weg ist, sein Wissen dort abzugreifen, wo es ohnehin entsteht: in den Servicefällen, die er löst, in den Konfigurationsentscheidungen, die er trifft, in den Antworten, die er Kollegen gibt.
Ein Wissenssystem, das diese Inhalte strukturiert erfasst und durchsuchbar macht, verwandelt Erfahrung in eine Ressource, die bleibt. Eine kontrollierte Feldstudie mit über 5.000 Servicemitarbeitern zeigt den Effekt: Ein KI-Assistent, der auf dem Erfahrungswissen der besten Mitarbeiter aufsetzt, steigerte die Produktivität im Schnitt um 14 Prozent – und um bis zu 34 Prozent bei den weniger erfahrenen Mitarbeitern [5]. KI wirkt hier als Verteiler von Erfahrung: Das Wissen der Besten wird für alle abrufbar, gerade für die, die es am dringendsten brauchen.
Wissen, das nur in Köpfen lebt, ist kein Wettbewerbsvorteil. Es ist eine Abhängigkeit – mit einem Rentendatum.
Jonas Reuter
Geschäftsführer, Partner
Warum das Wissen überhaupt verstreut liegt
Das verteilte Wissen ist kein Versäumnis. Es ist die natürliche Folge davon, dass Wissen jahrzehntelang in Projekten entstanden ist, nicht in Systemen. Jeder Auftrag, jede Inbetriebnahme, jeder Servicefall hat etwas hinterlassen – ein Datenblatt, eine E-Mail, einen Vermerk, eine Erinnerung. Niemand hat entschieden, das chaotisch abzulegen. Es ist einfach so gewachsen.
Für einen Menschen ist das beherrschbar, solange die richtigen Leute da sind und sich erinnern. Für ein System ist es ein Problem: Ein KI-System kann nur das abrufen, was strukturiert vorliegt. Und genau hier scheitern die meisten ersten Versuche.
Engpass: Wissenssilos kosten doppelt
Verstreutes Wissen kostet nicht nur Suchzeit. Es führt zu Doppelarbeit – dieselbe Berechnung wird zum dritten Mal gemacht, weil niemand weiß, dass es sie schon gibt. Es verlängert das Onboarding: Neue Mitarbeiter brauchen im Schnitt bis zu sechs Monate bis zur vollen Produktivität, erhalten aber nur einen Bruchteil davon an strukturierter Einarbeitung [6]. Den Rest erschließen sie sich durch Nachfragen und Suchen – also durch genau die Ressource, die ohnehin knapp ist.
Eine Untersuchung beziffert, dass ein durchschnittliches Großunternehmen durch unauffindbares Wissen und Wissenssilos zweistellige Millionenbeträge pro Jahr verliert [6]. Im Mittelstand ist die absolute Zahl kleiner, der relative Schmerz aber größer: Wenn drei von zehn Konstrukteuren ein Drittel ihrer Zeit mit Suchen verbringen, fehlt diese Kapazität bei jedem neuen Auftrag.
Ausweg: Struktur vor Technologie
Der erste Schritt ist nicht, ein KI-Tool zu kaufen. Es ist zu verstehen, welches Wissen wo liegt, in welcher Form und mit welchen Zugriffsrechten. Das klingt nach einer Dokumentationsaufgabe. Es ist die Voraussetzung für alles andere.
In der Praxis beginnt das mit einer Kartierung: Welche Dokumenttypen existieren – technische Datenblätter, Applikationsberichte, Inbetriebnahmeprotokolle, Servicemeldungen, Schulungsunterlagen? Was liegt auf Laufwerken, was im ERP, was nur in E-Mails? Wer darf auf was zugreifen? Diese Strukturierungsarbeit bestimmt die Qualität jeder späteren Antwort. Ein System, das auf schlecht strukturierten Daten operiert, liefert unzuverlässige Antworten. Ein System auf einer sauberen, berechtigungsbasierten Wissensbasis liefert nachvollziehbare Antworten mit Quellennachweis. Nicht zufällig nennen Maschinenbauer in der VDMA-Erhebung mangelnde Datenqualität als die größte Hürde beim KI-Einsatz [7].
Erfolgsgeschichte
NETZSCH Gruppe
KI-Vertriebsingenieur berät mit Wissen aus mehr als 100.000 technischen Dokumenten
Die NETZSCH Gruppe setzt seit Jahrzehnten auf tiefes applikationstechnisches Wissen als Wettbewerbsvorteil. MORGEN hat dieses Wissen aus mehr als 100.000 technischen Dokumenten strukturiert, zugänglich gemacht und einem KI-Vertriebsingenieur zugrundegelegt – der heute Kundenanfragen in Sekunden beantwortet, mit Quellennachweis und in der Qualität erfahrener Applikationsingenieure.
Von der Suche zum Gespräch mit dem Unternehmensgedächtnis
Stellen Sie sich vor, Ihr gesamtes technisches Wissen – die Datenblätter, die Applikationsberichte aus 15 Jahren, die Servicehistorie aus tausenden Einsätzen – stünde Ihren Mitarbeitern direkt in Microsoft Teams zur Verfügung. Nicht als weitere Suchmaske, die niemand benutzt. Als Gesprächspartner, der die Frage versteht, die richtigen Dokumente findet und eine Antwort gibt, die sich auf die Quelle zurückführen lässt.
Technisch basiert das auf einem Verfahren, das in der Branche Retrieval Augmented Generation heißt. Statt ein Sprachmodell teuer auf Ihre Daten zu trainieren, verbindet es ein bestehendes Modell mit einer durchsuchbaren Wissensdatenbank. Bei jeder Frage zieht das System die relevanten Dokumente als Kontext heran, formuliert eine Antwort und weist die Quelle aus. Die Wissensbasis bleibt aktuell, weil sie jederzeit erweitert werden kann, ohne das Modell anzufassen.
Engpass: Wann ein Wissenssystem scheitert
Der häufigste Fehler ist, das Ganze als Software-Projekt zu behandeln: ein Modell wählen, Daten hochladen, hoffen. Das Ergebnis sind Systeme, die ungenaue Antworten liefern, Mitarbeiter frustrieren und nach drei Monaten niemand mehr nutzt. Genau deshalb stecken viele Unternehmen in der Pilotfalle: Im Maschinen- und Anlagenbau haben laut einer Strategy&-Erhebung erst rund 7 Prozent eine generative KI-Lösung vollständig im Einsatz – der Rest verharrt in Probeläufen, die nie produktiv werden [7].
Ausweg: Wissen als Infrastruktur, nicht als Pilot
Was funktioniert, sieht anders aus. Die Wissensbasis ist sauber strukturiert und berechtigungsbasiert: Mitarbeiter sehen nur, was sie sehen dürfen – gesteuert über die bestehende Verzeichnisstruktur, nicht über separate Regeln. Das System läuft in der eigenen IT-Infrastruktur, auf europäischen Servern, DSGVO-konform. Jede Antwort trägt einen Quellennachweis, damit ihr zu trauen ist. Und die Ownership liegt bei der IT: Das System gehört dem Unternehmen, nicht dem Dienstleister.
Der Nutzen ist messbar, wenn das Fundament stimmt. Im deutschen Maschinen- und Anlagenbau kann gezielter KI-Einsatz die operative Marge laut VDMA und Strategy& um mehrere Prozentpunkte heben [7]. Schon zehn der untersuchten Anwendungsfälle heben den größten Teil dieses Potenzials – und Wissensabruf im Service und in der Konstruktion gehört zu den naheliegendsten davon. Die Frage ist nicht mehr, ob ein Wissenssystem funktioniert. Sie ist, wer früh genug anfängt, um den Vorsprung aufzubauen.
Wer KI als Pilotprojekt einführt, bekommt ein Pilotprojekt. Wer sein Wissen als Infrastruktur aufbaut, bekommt einen Vorsprung, den kein Wettbewerber über Nacht aufholt.
Jonas Lindner
Partner
Erfolgreiche KI-Projekte im Maschinenbau
Strategische Impulse für die nächsten Schritte
Vier Maßnahmen, die Sie jetzt angehen können – unabhängig von der Technologieentscheidung.
Wissensaudit als Einstieg
Klären Sie, wessen Ausscheiden in den nächsten fünf Jahren eine Wissenslücke reißt. Genau dieses Erfahrungswissen sollten Sie zuerst sichern – solange der Träger noch im Haus ist.
Die kritischen Köpfe identifizieren
Kartieren Sie in einem halben Tag, welches Wissen im Unternehmen wo liegt – und in welcher Form es KI-nutzbar ist. Das ist der erste und entscheidende Schritt vor jeder Technologieentscheidung.
IT von Anfang an einbeziehen
Eine Wissensinfrastruktur funktioniert nur mit IT-Beteiligung ab Tag eins. Kein Fachbereichsprojekt ohne technische Ownership. Was nicht in der IT-Verantwortung liegt, skaliert nicht.
Mit einem konkreten Use Case starten
Ein klarer erster Anwendungsfall – etwa der Wissensabruf im Service oder bei technischen Rückfragen – liefert in vier bis acht Wochen messbare Ergebnisse. Nicht als Pilot fürs Regal, sondern als Fundament für die nächsten Ausbaustufen.
Jonas Reuter
Geschäftsführer, Partner
Was wüssten Sie morgen nicht mehr?
Stellen Sie sich vor, Ihr erfahrenster Inbetriebnehmer hätte morgen seinen letzten Arbeitstag. Welche Fragen könnten dann ohne ihn nicht mehr beantwortet werden? Wie lange würde es dauern, bis ein Nachfolger dieses Wissen aufgebaut hätte? Und wie viele Aufträge, Servicefälle und Stunden Stillstand lägen in dieser Zeit dazwischen?
Wenn die Antworten unbequem sind, ist das kein Kompetenzproblem. Es ist ein Strukturproblem. Wir helfen Ihnen, es zu lösen – mit Technologie statt Dokumentation.
Quellen
[1] McKinsey Global Institute. (2012). The social economy: Unlocking value and productivity through social technologies. https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-social-economy
[2] IDC. (2012–2014). Studien zur Informationssuche und Wissensproduktivität in Unternehmen (u. a. „The Knowledge Quotient").
[3] Institut der deutschen Wirtschaft (IW Köln). (2026). Babyboomer in Rente: Bis 2036 fehlen 4,3 Millionen Arbeitskräfte. IW-Kurzbericht.
[4] Statistisches Bundesamt (Destatis). (2025). 13,4 Millionen Erwerbspersonen erreichen in den nächsten 15 Jahren das gesetzliche Rentenalter. Pressemitteilung.
[5] Brynjolfsson, E., Li, D., Raymond, L. (2023). Generative AI at Work. NBER Working Paper 31161. https://www.nber.org/papers/w31161
[6] Panopto / YouGov. (2018). Workplace Knowledge and Productivity Report.
[7] VDMA Software und Digitalisierung & Strategy& (PwC). (2025). GenAI im Maschinen- und Anlagenbau – Vom Versprechen zur Profitabilität.
[8] Bitkom. (2025). Künstliche Intelligenz in Deutschland 2025. Pressemitteilung vom 15.09.2025.
[9] kothes GmbH (mit KVD u. a.). (2022). Insight-Report Service 2022.
[10] Fraunhofer ISI. (2024). Modernisierung der Produktion – KI in der Produktion.
[11] McKinsey & Company. (2025). The state of AI in 2025.
[12] Deloitte. (2024). State of Generative AI in the Enterprise, Q4 2024.