Mehr Dokumente, schlechtere Antworten: Private RAG und Kompression für Fertigungsbetriebe

Vor ein paar Jahren sind viele Werke in Panik in die Cloud gezogen und haben ihren gesamten Dokumentenbestand an ein großes Sprachmodell angeschlossen. Die Logik klang einleuchtend: Sobald die Daten zentral lägen, werde die KI schon von selbst klug. Passiert ist das Gegenteil. Der Berg wuchs weiter, aber ein drei Jahre altes Arbeitsblatt oder ein Wartungsprotokoll waren schwerer zu finden als früher. Und das eigentlich Beunruhigende: Sobald Zeichnungen und Formeln ein externes Modell berührt haben, weiß niemand mehr so recht, ob man sie je zurückbekommt.

Fertigung ist nun mal keine Softwarefirma. Das Wissen eines Werks liegt von Natur aus verstreut: Konstruktionszeichnungen liegen auf dem Laptop des Ingenieurs, Arbeitspläne hocken in der Dokumentenbibliothek der Halle, Qualitätsaufzeichnungen sind Scans, Gerätehandbücher sind PDFs und Lieferantenverträge wieder ein ganz anderes System. Gemischte Formate, chaotische Versionen – und der Großteil davon sensibel. IDC schätzt, dass die globale Datenmenge bis 2028 auf rund 394 ZB anwächst, wovon 80 bis 90 Prozent unstrukturiert sind. Genau in dieser Mehrheit landen die gescannten Zeichnungen, Gerätelogs und E-Mail-Anhänge einer Fabrik. Komprise fand heraus, dass über 70 Prozent der Großunternehmen mehr als 5 PB unstrukturierte Daten horten, 40 Prozent bereits die 10-PB-Marke gerissen haben und 85 Prozent der IT-Entscheider damit rechnen, dass die Speicherausgaben im kommenden Jahr weiter steigen. Die Daten sind nicht mager. Sie sind fett genug, um echtes Geld zu kosten.

Aber Menge ist nicht Wissen. Manche Werksleiter glauben, ein angeschlossenes Modell mache aus einem Azubi über Nacht einen Betriebsveteranen. Dieser Sprung überspringt drei Wände – und jede ist praktischer als die vorige. Wer sie einzeln anschaut, versteht, warum so viele KI-Projekte in der Fertigung nach dem ersten Demo-Video verstummen, aber im Betrieb nie ankommen.

Die erste Wand heißt Angst. Konstruktionszeichnungen, Prozessparameter, Rezepturen – das sind im Fertigungsbetrieb die Kronjuwelen, das eigentliche geistige Eigentum. Eine Zahl aus IBMs Bericht zu den Kosten eines Datenlecks von 2025 sitzt tief: Geistiges Eigentum machte 33 Prozent der abgefangenen Datensätze aus, und IP trägt mit bis zu 178 Dollar je Datensatz die höchsten Kosten pro Record überhaupt. Solches Material einem externen SaaS-Modell zu übergeben, heißt, die Kronjuwelen einem Fremdverwahrer anzuvertrauen – und wenn etwas schiefgeht, reicht die Rechnung weit über 178 Dollar je Satz hinaus. Deshalb ist „Daten verlassen das Netz nie“ in der Fertigung kein Slogan. Es ist eine Bodenplatte.

Die zweite Wand heißt Passform. Ein Gerätehandbuch kann mühelos über hundert Megabyte wiegen; Qualitätsscans türmen sich zu Hunderten. Wirft man sie direkt ins Modell, explodiert die Token-Rechnung, bevor das Modell überhaupt verdaut hat. Schlimmer noch: Ein aufgeblähtes Dokument reißt die Antwort mit sich. Wenn dreißig fast gleiche Seiten eines Handbuchs in den Kontext gezerrt werden, weiß das Modell am Ende nicht mehr, welche davon die für diese Maschine gültige ist, und vermischt fröhlich eine alte mit einer neuen Spezifikation. Also verschlankt man zuerst. Überflüssiges fliegt raus – doppelte Scans, leere Seiten, maßlos eingebettete Bilder –, und die Dateigröße sinkt typischerweise um 60 bis 80 Prozent. Mit demselben Budget deckt man plötzlich ein Vielfaches an Material ab. Ein hundert-Megabyte-Handbuch, das zu etwas mehr als zwanzig schrumpft, verändert die ganze Mathematik dessen, was man sich leisten kann zu füttern. Und es hebt die Treffsicherheit der späteren Suche, weil kürzere, saubere Abschnitte vom Retriever leichter und richtiger zugeordnet werden. Das darf ruhig lokal passieren: Die Dateien verlassen das eigene Netz nicht, sodass das Sensible bereits im Ursprung im Haus blieb, lange bevor es je die Wissensbasis erreicht. Die Kompression selbst übernimmt bei UglyPear Daten eine eigene Engine – der Baustein compress-mcp –, die das Entfernen redundanter Informationen übernimmt, bevor auch nur ein Byte das Werksnetz verlässt.

Die leiseste Wand ist die Auffindbarkeit. Dokumente liegen in der Bibliothek, aber wenn die Suche noch auf Dateinamen läuft, ist die vom Meister aus dem Gedächtnis benannte Datei ein Dschungel, durch den ein Neuling nicht findet. Echte Retrieval liest Bedeutung, nicht Zeichenketten. Das ist der Job von RAG – Retrieval-Augmented Generation. Sie zerlegt das Material in semantisch markierte Abschnitte, baut einen Index auf, und wenn du in ganzem Deutsch fragst, welches Rohr bei der Spritzgießmaschine letztes Jahr dauernd Alarm gab, zieht sie den passenden Abschnitt nach Inhalt hervor, statt dich durch dreihundert Dateinamen blättern zu lassen. Ein Nebeneffekt, den viele übersehen: Weil die Antwort aus deinen Dateien kommt und nicht aus dem Allgemeinwissen des Modells, erfindet es keine vermeintliche Best Practice, die es in deinem Werk gar nicht gibt. Gerade in der Fertigung ist eine falsch verstandene „hilfreiche“ Empfehlung teurer als gar keine.

Wofür diese Pipeline tatsächlich gut ist, verdient einen Moment. Material wird aufgenommen, bereinigt, in zusammenhängende Abschnitte geschnitten und nach dem indexiert, was es bedeutet – nicht danach, wo es liegt. Kommt eine Frage, ruft das System genau die Abschnitte ab, die wirklich damit zu tun haben, und erst dann bittet es das Modell um eine Antwort – samt Quellenangabe. Die Antwort hört auf, ein Rat aus dem Trainingsgedächtnis zu sein, und wird ein Zitat aus den eigenen Dateien. Für ein Werk, in dem Rückverfolgbarkeit das ganze Spiel ist, ist dieser Unterschied der zwischen hilfreich und gefährlich.

Eines sollte man offen sagen: Das Fundament aus „erst verschlanken, dann privat retrieven“ hat sich auf der Deployment-Seite kürzlich verändert. Die RAG-Datenengineering-Basis von UglyPear Daten bringt mittlerweile eine mitgelieferte Konsole und eine rein innerbetriebliche Bereitstellung mit, sodass ein Hersteller sich nicht mehr fragen muss, wie er das Ganze im eigenen Rechenraum zum Laufen bringt. Konsole plus ein interner Bereitstellungsschritt heben den gesamten Retrieval-und-Kompression-Stapel auf die Server des Unternehmens – die Daten verlassen das Netz vom ersten bis zum letzten Byte nicht. Was neu dazugekommen ist: Die Verwaltung läuft ebenfalls vollständig im Kundennetz, sodass sowohl das Aufsetzen als auch die tägliche Aufsicht vor Ort bleiben. Ein Werks-Administrator richtet Benutzer und Quellen über die Konsole ein, behält den Überblick über die Indizes und greift nicht auf einen externen Dienst zu. Für ein Werk, das gleichzeitig Compliance und Durchsatz braucht, schlägt das den Weg, die Daten in die Cloud eines anderen zu schicken, um Längen.

Eng damit verknüpft ist ein ruhigeres Compliance-Feature, das viele unterschätzen: der Umgang mit sensiblen Informationen. Eine für regulierte Umgebungen gebaute private Basis kann klassifiziertes Material über mehr als ein Dutzend Kategorien sensibler Inhalte kennzeichnen und steuern, während Dokumente durch die Pipeline laufen. So liegen Geheimnisse und Personendaten nicht offen in der Wissensbasis. Du suchst weiter frei; die riskanten Stellen werden von Richtlinie gehandhabt, nicht von Hoffnung.

Wie aber schneiden die Wege gegeneinander ab? Die meisten Werke hängen zwischen externem Modell und Selbstbau fest. Hier die drei gängigen Routen nebeneinander:

Eine verwandte Zahl, die Werke schmerzhaft spüren, liefert die M-Files-Umfrage: 96 Prozent der Mitarbeitenden tun sich schwer, die neueste Version eines Dokuments zu finden, und 83 Prozent haben schon einmal eine Datei neu erstellt, die es – wie sie später fanden – schon gab. Im Werk bedeutet das: Die falsche Revision einer Arbeitsanweisung kursiert weiter, während die richtige begraben liegt. Wer das als Kleinigkeit abtut, rechnet die Kosten eines einzigen Fehlers nicht mit: Eine veraltete Schraubvorgabe auf der Linie, ein vergessenes Warnsignal im Prüfplan. Semantisches Retrieval, das Versionen und Berechtigungen achtet, ist das, was diesen Drift wirklich stoppt – nicht der gute Wille der Belegschaft.

Warum ausgerechnet die private, innerbetriebliche Variante? Weil Datensouveränität in der Fertigung keine Verhandlungsmasse ist. Wer sensible Zeichnungen in eine externe Cloud gibt, gibt nicht nur Bytes weg, sondern die Hoheit darüber, wo sie landen, wer sie sieht und nach welcher Rechtsordnung sie eines Tages herausverlangt werden könnten. Eine im eigenen Netz laufende Basis dreht das um: Die Daten bleiben physisch und rechtlich im Haus, die Verantwortung bleibt bei der Werks-IT, und selbst ein luftgetrennter Aufbau ist denkbar, wenn die Sicherheitsvorgaben das verlangen. Das ist für Zulieferer in regulierten Ketten oft die einzige Variante, mit der das Thema KI überhaupt eine Freigabe der Security-Abteilung bekommt.

Auf der Halle, was genau entwirrt der Kombi im Alltag? Ein paar Dinge, die täglich passieren:

Eine Maschine fällt aus, und das Wartungshandbuch liegt auf der lokalen Platte irgendeines Ingenieurs – ein Neuling sucht Minuten lang vergeblich, private Retrieval zieht die exakten Seiten nach Inhalt. Ein Prozess hat sich geändert, die alte Arbeitsanweisung zirkuliert noch, ein Fehler lässt sich nicht zur Wurzel zurückverfolgen – semantisches Retrieval unterscheidet Versionen und liefert die autorisierte neueste. Hunderte Lieferantenverträge, und die Rechtsabteilung braucht eine einzige Gewährleistungsklausel – statt eines Nachmittags Blättern in Sekunden nach Inhalt gefunden. Schichtprotokolle und Gerätehistorien, die früher im Postfach von jemandem schlummerten, werden abfragbar, sobald sie komprimiert und indexiert sind. Eine Qualitätsauditorin will für eine Charge die zugehörigen Prüfpläne und Korrekturmaßnahmen sehen – die Antwort kommt mit Quellenverweis, nicht als frommes Modell-Gefasel. Und ein neuer Konstrukteur versteht die Begründung hinter einer zehn Jahre alten Detailzeichnung, ohne den längst pensionierten Erfinder anzurufen. Kleinigkeiten, bis man einen Monat davon zusammenzählt. Dann sind es echte Lohnkosten.

Kurz zur Sache zum Schluss. Die Wissensgovernance eines Werks war nie das Märchen vom „AI anschließen und fertig“. Verschlank die zerstreuten Bestände, stell eine private Wissensbasis auf, die im eigenen Netz nach Inhalt retrievt, und lass die Kronjuwelen gleichzeitig nutzbar und im Haus. Dann hilft die KI wirklich. Wer sehen will, wie das greift, findet weiter unten einen Einstieg.

Häufige Fragen

Q: Ist es für einen Hersteller sicher, Zeichnungen und Formeln mit einem externen Modell zu verarbeiten?
A: Aus Risikosicht raten wir von Direkt-Upload ab. IBMs Bericht beziffert geistiges Eigentum auf 33 Prozent der abgefangenen Datensätze bei den höchsten Kosten je Record. Der sicherere Weg ist eine private, innerbetriebliche Bereitstellung, bei der die Daten das Firmennetz nie verlassen – du hast die KI, ohne die Kronjuwelen an einen Dritten zu geben.

Q: Scans und PDFs sind zu groß und zu teuer zum Füttern eines Modells. Was dann?
A: Komprimiere vor der Aufnahme. Nach dem Entfernen redundanter Informationen sinkt die Dateigröße typischerweise um 60 bis 80 Prozent, sodass dasselbe Budget ein Vielfaches an Material abdeckt – und die Kompression sollte lokal laufen, damit nichts Sensible das Haus verlässt.

Q: Worin unterscheidet sich RAG vom bloßen Chatten mit einem Modell?
A: Chatten ist Antwort aus dem Gedächtnis; RAG ist erst in deinen Dokumenten nachschlagen, dann antworten. Sie retrievt nach Inhaltssemantik und kann die Quelle zeigen statt zu erfinden – in einem Werk, in dem Rückverfolgbarkeit zählt, von enormer Wichtigkeit.

Q: Wie halten wir Archive konform?
A: Aufbewahrung und Steuerung sensibler Inhalte gehören in die private Bereitstellung. Material wird innerbetrieblich organisiert und aufbewahrt, was den Papierturm vermeidet und dennoch den Anforderungen an die Aufzeichnungspflicht genügt.

Q: Kann unser eigener Rechenraum das betreiben?
A: Ja. Die RAG-Basis von UglyPear Daten kommt mit einer mitgelieferten Konsole und innerbetrieblicher Bereitstellung, sodass ein Hersteller den Retrieval-und-Kompression-Stapel auf den eigenen Servern aufsetzen kann, ohne Daten nach außen zu geben oder dauerhaft ein eigenes Betriebsteam zu unterhalten.

Jetzt ausprobieren

UglyPear Datens SmartSlim und MagiFiler, zusammen mit der RAG-Datenengineering-Basis, sind rund um eine einzige Regel gebaut: Daten verlassen das Netz nie.

• Produktübersicht: SmartSlim
• Dateiorganisation & Retrieval: MagiFiler
• RAG-Datenengineering-Basis: UglyPear Daten
• Weitere Praxis und Fachbeiträge: UglyPear Daten Blog