KI-Recherche für Ingenieure: 200 Papers in Minuten

Wie Ingenieure mit KI arbeiten: Von 200 Papers zur Antwort in Minuten

Jonas hat noch vier Tage. Am Freitag muss die Werkstoffentscheidung für ein neues Ventilgehäuse stehen, inklusive einer Begründung, die auch vor dem Kunden standhält. Seine Suche nach Studien und Prüfberichten zur Korrosionsbeständigkeit von Duplex-Edelstählen unter wechselnder Chlorid-Belastung liefert am Montagmorgen über 200 Treffer: Fachartikel, Patente, interne Prüfberichte aus drei früheren Projekten. Am Montagabend hat er die Abstracts von vielleicht dreißig davon überflogen.

So sieht Recherche in der Industrie in der Praxis aus. Nicht als akademische Übung, sondern als Nadelöhr vor jeder Konstruktionsfreigabe, jedem Lastenheft-Abgleich, jeder Patentanmeldung. Und das Nadelöhr wird enger: Schon vor 4 Jahren, also im Jahr 2022 erschienen laut WordsRated weltweit rund 5,14 Millionen wissenschaftliche Artikel, Tendenz steigend. Dazu kommen Patentschriften, Normen, interne Testberichte und Lieferantendokumentation, die in keiner öffentlichen Datenbank stehen.

Wer glaubt, das sei ein Problem für Forschungsabteilungen in Universitäten, unterschätzt, wie viel klassische Literaturarbeit heute in Konstruktion, Qualitätssicherung und Produktentwicklung steckt. Der Unterschied ist nur: Ingenieure haben keine sechs Monate Zeit für eine systematische Recherche. Sie haben bis meist nur bis Freitag Zeit.

Warum die Recherche zum Flaschenhals wird

Das Problem ist kein neues, es hat sich nur verschärft. Laut CADENAS-Studie, für die über 100.000 Ingenieure und Konstrukteure befragt wurden, verbringt fast die Hälfte von ihnen mindestens eine Stunde täglich allein mit der Suche nach passenden Bauteilen. Über alle Wissensarbeiter hinweg sind es laut Coveo Workplace Relevance Report 2022 im Schnitt 3,6 Stunden pro Tag, die für Informationssuche draufgehen. EWin Anstieg um eine Stunde gegenüber dem Vorjahr. Und laut Atlassians "State of Teams"-Studie, zitiert bei Papershift, müssen 56 Prozent der Befragten regelmäßig Kolleginnen und Kollegen fragen oder extra ein Meeting ansetzen, weil sie die benötigte Information selbst nicht finden.

Bei einer klassischen systematischen Literaturrecherche, wie sie in Forschung und Entwicklung eigentlich Standard wäre, dauert allein die Methodik laut Tulane University zwischen sechs und achtzehn Monaten. Screening der Abstracts, Volltext-Prüfung, Kreuzreferenzierung, Dokumentation der Ausschlusskriterien. Kein Projektplan im Maschinenbau sieht dafür Zeit vor. Also wird abgekürzt: Man liest, was man in der verfügbaren Zeit schafft, fragt den Kollegen, der sich "damit auskennt", und hofft, dass die wichtigste Quelle nicht in den übrigen, ungesichteten Treffern liegt.

Das Risiko dabei ist nicht abstrakt. Eine übersehene Publikation zu einem Versagensmechanismus, ein Patent, das die geplante Lösung bereits abdeckt, ein Prüfbericht aus einem früheren Projekt, der genau vor diesem Werkstoff gewarnt hat. All das kostet im Zweifel nicht Zeit, sondern eine Nacharbeitsschleife, ein gescheitertes Bauteil oder eine Patentverletzungsklage.

Von 200 Papers zur Antwort in Minuten: so läuft es in der Praxis

Der Ansatz, für den wir MAIA gebaut haben, dreht die Reihenfolge um. Statt Dokumente erst dann zu laden, wenn eine Frage gestellt wird, analysiert MAIA den gesamten Bestand vorab, ohne dass überhaupt schon eine Frage im Raum steht. Die Plattform erkennt Entitäten, Fachbegriffe, Beziehungen zwischen Dokumenten und Versionsstände und baut daraus einen Index, der weiß, dass ein Prüfbericht anders zu lesen ist als ein Patentanspruch, auch wenn beide als PDF vorliegen.

Für Jonas würde das konkret so aussehen: Statt die 200 Treffer einzeln zu öffnen, lädt er sie gesammelt in MAIA hoch: Fachartikel, Patente, interne Berichte. MAIA analysiert den gesamten Bestand im Hintergrund. Anschließend stellt Jonas seine eigentliche Frage in normaler Sprache: "Welche Duplex-Edelstähle zeigen bei wechselnder Chlorid-Belastung über 5.000 Betriebsstunden keine Lochkorrosion, und gibt es interne Prüfberichte, die dem widersprechen?" Die Antwort kommt nicht als graue Zusammenfassung, sondern mit Verweis auf Quelle, Seite und Dokumentversion. Nachprüfbar, nicht nur plausibel.

Aus über 200 Treffern wird so in wenigen Minuten eine belastbare, quellengestützte Antwort. Nicht weil das zugrundeliegende Sprachmodell schlauer ist als bei ChatGPT, sondern weil MAIA die Vorarbeit bereits geleistet hat, bevor die erste Frage gestellt wurde.

Wo KI-gestützte Recherche im Engineering den größten Hebel hat

In der Praxis taucht dieser Bedarf an mehreren Stellen im Produktentstehungsprozess auf, nicht nur bei der klassischen Literaturrecherche:

Werkstoff- und Technologieauswahl. Bevor eine Konstruktionsentscheidung fällt, sollen alle relevanten Publikationen, Patente und internen Testreihen zu einem Werkstoff oder Verfahren berücksichtigt sein. Nicht nur die, die der zuständige Ingenieur zufällig kennt.

Spezifikations- und Normenabgleich. Ein Lastenheft mit hunderten Anforderungen gegen interne Dokumentation und geltende Normen zu prüfen, dauert manuell Tage. Mit einer KI, die beide Dokumentenwelten gleichzeitig durchsucht, wird daraus eine auditierbare Übersicht in Minuten statt Stunden.

Patent- und Wettbewerbsrecherche. Bevor Entwicklungsressourcen in eine Lösung fließen, lohnt der Blick, ob sie bereits patentiert ist oder ein Wettbewerber sie längst im Datenblatt führt. Über hunderte Patentschriften und Produktdatenblätter hinweg ist das eine Suche, die sich für Menschen kaum noch manuell abbilden lässt.

Root-Cause-Analyse über vergangene Projekte. Warum wurde eine bestimmte Lösung vor drei Jahren verworfen? Welcher Workaround hat beim Kunden in Brasilien funktioniert? Dieses Wissen steckt selten in einem sauber gepflegten Wiki, sondern verteilt in Projektordnern, E-Mails und Prüfberichten, die eine KI mit Dokumentverständnis querreferenzieren kann, ein Mensch aber kaum.

Worauf es bei der Auswahl eines Recherche-Tools ankommt

Nachvollziehbarkeit bis auf Seite und Version. Eine Antwort ohne Quellenangabe ist in der Industrie wertlos, weil sie nicht auditierbar ist. Verlange, dass jede Aussage bis zum Originaldokument zurückverfolgt werden kann.

Verständnis für Dokumenttypen. Ein Tool, das eine Stückliste wie einen Fließtext behandelt, wird bei technischer Dokumentation an Grenzen stoßen. Gute Systeme unterscheiden zwischen Normen, Prüfberichten, Patenten und Konstruktionszeichnungen.

Skalierung über das Kontextfenster hinaus. Frag konkret nach, wie viele Dokumente das Tool gleichzeitig verarbeiten kann, nicht nur, wie schnell die Antwort auf eine Einzeldatei kommt.

Datenstandort und Vertraulichkeit. Werkstoffdaten, Konstruktionsdetails und unveröffentlichte Forschungsergebnisse gehören zu den sensibelsten Informationen eines Industrieunternehmens. Ein Tool, das diese Daten zum Training weiterer Modelle nutzt, sollte für diesen Einsatzzweck nicht infrage kommen.

Wie MAIA diese Aufgabe löst

Genau für dieses Problem haben wir MAIA gebaut. Bevor du die erste Frage stellst, analysiert MAIA alle hochgeladenen Papers, Patente, Normen und internen Dokumente tiefgreifend und erkennt dabei Zusammenhänge über hunderte Dokumente hinweg, die beim manuellen Lesen verloren gehen würden. Der High Precision Mode zerlegt jede Antwort in einzelne Aussagen und prüft jede davon gegen die Originalquelle, bevor sie ausgegeben wird – nachvollziehbar bis auf Seite und Dokumentversion. Und weil MAIA in Deutschland und der Schweiz betrieben wird, bleiben deine Forschungsergebnisse und internen Berichte dort, wo sie hingehören: bei dir. Deine Daten werden nicht zum Training verwendet.

Für Ingenieure wie Jonas heißt das am Ende: Aus 200 Suchtreffern wird keine Woche verlorene Zeit, sondern eine belastbare, mit MAIA erarbeitete Antwort am Montagnachmittag – mit genügend Zeit, sie vor Freitag noch einmal gegenzuprüfen.

Wenn du sehen möchtest, wie das mit deiner eigenen technischen Dokumentation aussieht: Vereinbare eine kostenlose Demo.