In industriellen Prozessen hängt eine technische Entscheidung oft an einer konkreten Zeichnung, einer freigegebenen Spezifikation oder einer Prüfanforderung. Dabei zählt nicht allein, ob eine KI die richtige Antwort liefert. Entscheidend bleibt auch, ob sie sich auf die richtige Informationsgrundlage stützt und ob diese Grundlage nachvollziehbar ist. KI kann eine Abweichung sonst mit einer älteren Dokumentenversion vergleichen und daraus eine plausible, aber falsche Bewertung ableiten – ein Fehler, der ohne Ver-sionskontext schwer erkennbar bleibt.
Regulatorischer Druck verstärkt diese Anforderungen. Der EU AI Act stuft KI-Systeme in qualitätskritischen und sicherheitsrelevanten Industriebereichen häufig als hochriskant ein und verlangt entsprechend Nachvollziehbarkeit, Dokumentation und Kontrolle der eingesetzten Systeme. Für Unternehmen im Anlagenbau bedeutet das: Wer generative KI produktiv einsetzen will, kommt an einer belastbaren Dokumentations- und Nachweisbasis nicht vorbei.
Wie DMS und QMS Kontext liefern
Die Verbindung von KI mit Dokumenten- und Qualitätsmanagement beginnt bei einer gemeinsamen Informationsbasis. Ein DMS verwaltet technische Dokumente, Spezifikationen, Zeichnungen und Nachweise, ein QMS strukturiert Prozesse wie Abweichungen, Maßnahmen und Prüfungen. Eine Abweichung verweist beispielsweise auf ein Bauteil, einen Auftrag, eine Prüfung und eine technische Vorgabe mit Versionshistorie und Freigabestatus. Durch die Verbindung mit Messwerten und Prüfkriterien ergibt sich ein vollständiger technischer Kontext.
Eine KI kann diesen Kontext nutzen, wenn DMS und QMS ihre Beziehungen maschinenlesbar abbilden, statt Informationen als isolierte Dateien bereitzustellen – etwa Projekt, Anlage, Bauteil, Gültigkeitszeitraum, Revision und Freigabestatus, verknüpft mit den jeweiligen Qualitätsprozessen. Eine Anfrage zur Abweichung ‚Druckverlust im Kühlsystem‘ liefert dann nicht einfach eine Liste von Dokumenten. Ein kontextfähiges KI-System kann die Abweichung mit der betroffenen Anlage, der gültigen technischen Spezifikation, den zugehörigen Prüfplänen und früheren vergleichbaren Fällen in Beziehung setzen.
Retrieval Augmented Generation
Eine technische Architektur für diesen Ansatz bildet Retrieval Augmented Generation (RAG). Ein vorgelagerter Retrieval-Prozess sucht relevante Informationen aus einer definierten Wissensbasis und das Sprachmodell verarbeitet diese Informationen anschließend als Kontext für seine Antwort. In industriellen Anwendungen kombiniert ein belastbarer Retrieval-Prozess semantische Suche mit Metadaten, Berechtigungen und Dokumentstatus. Die semantische Suche erkennt inhaltlich ähnliche Passagen, Metadaten grenzen Treffer auf Projekt, Anlage oder Zeitraum ein, Rechte- und Rollenkonzepte beschränken den Zugriff, und die Logik berücksichtigt zusätzlich Revision und Freigabestatus.
Bei einer Abweichungsanalyse übergibt das QMS zunächst die Beschreibung und relevante Prozessdaten. Ein Retrieval-Service identifiziert passende Dokumente, grenzt die Suche über Metadaten ein und prüft, welche Dokumentversion zum jeweiligen Zeitpunkt gültig war. Das Sprachmodell erzeugt daraus eine Analyse inklusive der Quellen, die eine nachvollziehbare Prüfung durch Fachexpertinnen und-Experten ermöglichen.
Revisionssicherheit und KI-Qualität
Eine KI-Antwort ohne zeitlichen und fachlichen Versionskontext kann keine belastbare Aussage über einen vergangenen Prozess liefern. Tritt ein Qualitätsproblem auf und ändert ein Engineering-Team im nächsten Monat die technische Spezifikation, kann eine spätere Analyse mit der aktuellen Version einen falschen Zusammenhang herstellen. Für die Bewertung zählt die Spezifikation, die zum Zeitpunkt des relevanten Vorgangs gültig war.
