Erfahrungswissen Ingenieure digitalisieren: Wissensgraph & KI-Agenten für Schwerindustrien

Das Problem, das Millionen kostet und kaum jemand benennt

In Kraftwerken, Raffinerien und Pharmafabriken läuft täglich dasselbe Szenario ab: Eine Anlage schlägt Alarm. Innerhalb von Minuten scrollen mehrere Ingenieure durch PLC-Dashboards, MES-Systeme, SAP-Records, Inspektionsbilder und PDF-Handbücher — in der Hoffnung, die Ursache zu finden. Gleichzeitig gehen jedes Jahr erfahrene Senior-Ingenieure in den Ruhestand, und mit ihnen verschwindet 20 bis 30 Jahre implizites Erfahrungswissen, das niemals dokumentiert wurde.

Mateusz, Experte für digitale Lösungen in der Schwerindustrie und ehemals bei General Electric, arbeitet heute bei Cognite — einem SaaS-Anbieter, der genau dieses Problem adressiert. Im Gespräch beschreibt er, warum Erfahrungswissen Ingenieure digitalisieren keine nette Zukunftsvision ist, sondern eine operative Notwendigkeit mit konkretem ROI-Potenzial.

„Whenever there’s an alarm or an issue, every engineer is scrambling through data to figure out what is the root cause — how to fix that issue. To ensure high uptime you need to look into PLC, MES systems, SAP — so different databases, different sources, drawings, images etc.”

Diese fragmentierte Realität ist der Ausgangspunkt. Was danach kommt — Wissensgraphen, KI-Agenten, Feedback-Loops — ist nicht Technologie um der Technologie willen. Es ist die strukturierte Antwort auf ein operatives Versagen, das in der Schwerindustrie täglich Kapital vernichtet.

Die wichtigsten Erkenntnisse

• Erfahrungswissen geht verloren, bevor es dokumentiert wird: In Heavy-Asset-Industrien gehen mehr Senior-Ingenieure in Rente als neue Talente einsteigen — 20–30 Jahre Prozessverständnis verschwinden damit unwiederruflich, wenn keine digitale Infrastruktur vorhanden ist.
• Sensordaten allein reichen nicht: Frühe Predictive-Maintenance-Projekte der letzten 5–10 Jahre scheiterten, weil sie nur auf Sensordaten setzten und das implizite Ingenieursreasoning ignorierten — eine Lektion, die viele PMOs noch nicht verinnerlicht haben.
• Heterogene Altsysteme sind das Haupthindernis, nicht die KI-Modelle: Wenn dieselbe Maschine in PLC, SAP und Vendor-Dokumentation unterschiedlich benannt ist, scheitert jede Integration an Namenskonventionen, bevor die eigentliche Analyse beginnt.
• KI in kritischer Infrastruktur braucht 100 % Verlässlichkeit: Ein KI-Assistent, der bei einer Maschinendiagnose mit „vielleicht” antwortet, wird nicht genutzt. Akzeptanz entsteht nur durch vollständige Rückverfolgbarkeit auf Daten.
• Digitale Transformation ist kein Projekt — sie ist ein Prozess: Unternehmen, die auf das „perfekte System” warten, verlieren gegenüber Wettbewerbern, die früher in die Lernkurve einsteigen.
• Service-as-Software verändert den Stellendruck: Neues Headcount wird nur noch genehmigt, wenn die Rolle nicht durch Software ersetzt werden kann — das erhöht den Produktivitätsdruck pro Mitarbeiter messbar.
• Kulturwandel schlägt Technologie: Ingenieure, die Maschinen mit den Händen ertasten, vertrauen ihrer Intuition. Erfolgreiche Digitalisierung übersetzt diese Intuition in Daten — sie ersetzt sie nicht.

Im Detail: So gelingt die Digitalisierung von Ingenieursexpertise wirklich

Milliardeninvestitionen in Predictive Maintenance scheiterten zwischen 2015 und 2020 systematisch. Der Grund: Unternehmen vertrauten ausschließlich auf Sensordaten und ignorierten das implizite Wissen ihrer Ingenieure. Wer Expertenwissen digitalisiert, statt es zu ersetzen, transformiert nicht nur Wartungsprozesse – sondern sichert langfristigen technologischen Vorsprung.

Warum Predictive Maintenance der letzten Dekade scheiterte

Zwischen 2015 und 2020 investierten Energieversorger, Pharmaunternehmen und Chemiebetriebe massiv in Predictive-Maintenance-Lösungen. Die Mehrheit lieferte nicht das Versprochene. Der Grund ist dokumentiert: Sensor-only-Ansätze ignorierten das implizite Wissen erfahrener Ingenieure.

„In the five, ten years ago there was a lot of trials like machine learning, predictive maintenance, and a lot of issues came from the fact that companies relied purely on the sensor data.”

Ein Vibrationssensor zeigt Anomalien. Aber ein erfahrener Ingenieur weiß, dass diese spezifische Pumpe in diesem Temperaturbereich immer leicht vibriert — weil er sie jahrelang betreut hat. Dieses Kontextwissen existierte nicht in den ML-Modellen. Das Ergebnis: Falschalarme, sinkende Akzeptanz, abgebrochene Projekte.

Die Konsequenz für jedes neue Digitalisierungsvorhaben ist klar: Erfahrungswissen Ingenieure digitalisieren bedeutet nicht, Sensordaten zu sammeln. Es bedeutet, das Reasoning der Person zu kodifizieren, die diese Sensordaten seit 15 Jahren interpretiert.

Die technische Haupthürde: Heterogene Altsysteme, nicht AI-Modelle

Wer in Schwerindustrien Daten konsolidieren will, trifft auf eine strukturelle Herausforderung, die jeder IT-Leiter und jeder PMO-Verantwortliche kennt:

„You’re dealing with a lot of old databases, different protocols. Data is mainly unstructured. The same machine can be called differently in PLC, in SAP, on the vendor documentation. So you have a lot of naming convention issues, a lot of different data formats.”

Dieselbe Pumpe heißt in der SPS „PUMP_03_B”, in SAP „P-2247” und im Wartungshandbuch des Herstellers „Kreiselpumpe Typ K-400”. Ohne Harmonisierung dieser Referenzen ist Datenintegration in Altsystemen der Schwerindustrie unmöglich — unabhängig davon, wie leistungsfähig das KI-Modell dahinter ist.

Das ist kein Software-Problem. Es ist ein Governance-Problem, das strategische Führungsentscheidungen erfordert: Wer definiert die Master-Taxonomie? Wer ist verantwortlich für die Datenpflege? Ohne klare Antworten auf diese Fragen bleibt jede Cloud-Lösung für Industrieanlagen ein teures Pilotprojekt.

Das Framework: Wissensgraph für Maschinengesundheit in vier Schritten

Cognite setzt einen zweistufigen Prozess ein, der sich in der Praxis als tragfähig erwiesen hat. Er besteht aus einer statischen Basislinie und einer dynamischen Feedback-Architektur:

Schritt 1 — Asset-Definition und Quellenidentifikation Jede Anlage wird definiert und alle relevanten Datenquellen werden erfasst: PLC-Daten, MES-Systeme, SAP-Records, Inspektionsbilder, Laborberichte, Vendor-Dokumentation. Keine Quelle wird ausgeklammert — auch handschriftliche Notizen und historische Wartungsprotokolle nicht.

Schritt 2 — Statische Datenintegration Alle identifizierten Quellen werden in einen zentralen Wissensgraph für Maschinenwartung integriert. Hier werden Namenskonventionen harmonisiert, Datenschemata vereinheitlicht und eine durchgängige Datenorganisation etabliert. Dies ist die Basislinie — noch kein KI, aber die Grundvoraussetzung für alles Folgende.

Schritt 3 — Live-Feed und Feedback-Loop Der operative Datenstrom wird aktiviert. Entscheidend ist, was danach passiert:

„Engineer start using it, we of course have the live feed. So all of the — if there’s an issue it was resolved in some way, we have the record of that and that empowers the knowledge graph — basically registering any sort of activity that engineers did.”

Jede Reparatur, jede Fehlerbehebung, jede Entscheidung eines Ingenieurs wird als Trainingsfall erfasst. Das System lernt nicht abstrakt aus Daten — es lernt konkret aus dem Handeln derjenigen, die es täglich nutzen. Engineering-Wissenstransfer wird so zu einem kontinuierlichen, automatisierten Prozess.

Schritt 4 — KI-Agentenassistent für Root-Cause-Analyse Auf Basis des angereicherten Wissensgraphen wird ein KI-Assistent bereitgestellt, der bei einem Alarm sofort Fehlerursachenanalysen, Fehlerbaum-Analysen und Handlungsempfehlungen generiert — rückverfolgbar auf die zugrundeliegenden Datenquellen.

Warum 100 % Verlässlichkeit in kritischen Infrastrukturen keine Forderung, sondern eine Bedingung ist

In der Kreativwirtschaft kann ein KI-Tool Vorschläge machen, die der Nutzer nach eigenem Ermessen filtert. In einer Raffinerie oder einem Pharmabetrieb funktioniert das nicht.

„When you are dealing with a machine that is failing, you cannot say ‘maybe this is the issue’ or ‘maybe do this replacement’ or ‘I’m not sure’. You really need to have it grounded in data — and it makes it a bit difficult to actually get adoption because you really need to be 100% correct, trustworthy.”

KI-Adoption in kritischer Infrastruktur gelingt nur, wenn jede Empfehlung auf nachvollziehbaren Quellen basiert. Ein Anlagenleiter, der nicht erklären kann, warum das System eine bestimmte Wartungsmaßnahme empfiehlt, wird das System nicht einsetzen — und darf es aus Haftungsgründen oft auch nicht. Entscheidungsunterstützung für Betriebsleiter bedeutet daher: kein Black-Box-Ansatz, sondern vollständige Transparenz der Reasoning-Kette.

Der Generationswechsel: Das unterschätzte strategische Risiko

Mateusz spricht einen Punkt an, der in Vorstandspräsentationen zur digitalen Transformation häufig fehlt:

„It’s also relevant because there’s a generational shift across many industries. You know, there are more people sort of closer to retirement than entering the market. So most of the executives we work with, they are trying to address that challenge.”

In Energieversorgungs-, Pharma- und Chemieunternehmen ist das Durchschnittsalter der Belegschaft in technischen Kernfunktionen hoch. Fachkräftewissen systematisch erfassen ist keine HR-Initiative — es ist eine operative Risikominimierung. Wenn ein erfahrener Ingenieur das Unternehmen verlässt, ohne dass sein Wissen in einem strukturierten System kodifiziert ist, verliert das Unternehmen irreversibel Entscheidungskapazität.

Die Alternative — neue Ingenieure jahrelang von erfahrenen Kollegen ausbilden lassen — funktioniert nicht mehr, wenn die erfahrenen Kollegen gleichzeitig in Rente gehen.

Digitale Transformation als kontinuierlicher Prozess, nicht als Projekt

Einer der zentralen konzeptionellen Beiträge des Gesprächs ist die Ablösung des Transformationsbegriffs durch ein Kaizen-äquivalentes Mindset:

„I’m not a big fan of the word transformation in the context of digital transformation because it tells — it’s like an end process, like you go from A to B and now you’re transformed. But it’s basically a next natural step after, or alongside, all of the continuous improvement initiatives.”

Unternehmen, die agile Transformation in Produktionsunternehmen als einmaliges Projekt behandeln, scheitern systematisch. Unternehmen, die Six Sigma, Lean und Kaizen als Grundlage nehmen und diese durch Daten, Cloud-Lösungen und KI-Agenten erweitern, bauen nachhaltige operative Kapazitäten auf.

Das dritte Framework aus dem Gespräch — Kontinuierliche bewusste Verbesserung statt Transformationsprojekt — übersetzt dieses Mindset in vier konkrete Schritte: Status quo bewusst machen, kleine Verbesserungszyklen mit besseren Daten starten, Strategie täglich validieren statt blind einem 5-Jahresplan zu folgen, und aus Piloten lernen, standardisieren und skalieren.

High-Value-Use-Case: Der richtige Einstiegspunkt für Digitalisierung

Für Führungskräfte, die nicht wissen, wo sie anfangen sollen, gibt Mateusz eine klare Handlungsempfehlung:

„There’s no late mover advantage in digital transformation. Sure, maybe if you wait a few more years some of the solutions will crystallize and you will pick better ones in five years from now — but you might also be gone. Your company might be closed because others were faster.”

Statt mehrjährige Strategieprozesse zu durchlaufen, bevor der erste Schritt unternommen wird, lautet der High-Value-Use-Case-Ansatz für Industrie 4.0 konkret:

1. Das Problem mit den höchsten Opportunitätskosten identifizieren — ungeplante Ausfallzeiten, Schichtüberstunden, dokumentiertes Sicherheitsrisiko.
2. Den ROI dieser Lösung quantifizieren: Was kostet eine Stunde Anlagenstillstand? Was kostet ein Fehlerfall, der durch bessere Dokumentation vermeidbar wäre?
3. Mit vorhandenen Daten starten — nicht auf die perfekte Datenbasis warten.
4. Den ersten messbaren Erfolg demonstrieren und damit interne Stakeholder für weitere Use-Cases gewinnen.

„Getting into this learning curve methodologically — this is really the way to go. Try, fail, learn, make it better next time.”

Service-as-Software: Die strategische Implikation für Stellenplanung

Mateusz beschreibt einen Makrotrend, der direkte Implikationen für Budgetplanung und Personalstrategie in Heavy-Asset-Industrien hat:

„We are moving towards service as software — more and more workflows and jobs could be automated. The pressure to become more productive, to achieve more — it’s on one hand great because you will get all these tools to get rid of mundane work.”

Produktivität pro Mitarbeiter in der Schwerindustrie wird zur neuen Kennzahl. Neuer Headcount wird zunehmend nur noch genehmigt, wenn die Rolle nachweislich nicht durch Software übernommen werden kann. Das verändert die Logik der Koordination von Engineering-Teams mit digitalen Tools: Es geht nicht darum, Menschen zu ersetzen — sondern darum, jedem Ingenieur die Werkzeuge zu geben, mit denen er die Entscheidungen trifft, die früher ein ganzes Team benötigte.

„It’s not about replicating people, but actually empowering them — taking advantage of this amazing brain that experienced engineers have.”

Über Mateusz

Mateusz ist Experte für digitale Lösungen in der Schwerindustrie mit Berufserfahrung bei General Electric, einem der weltweit führenden Unternehmen im Bereich kritischer Infrastruktur. Er arbeitet heute bei Cognite, einem SaaS-Anbieter, der sich auf die Digitalisierung von Heavy-Asset-Industrien spezialisiert hat — darunter Energieversorger, Raffinerien, Pharmabetriebe und Produktionsunternehmen. Sein Fokus liegt auf der Verbindung von Ingenieursreasoning, Datenintegration und KI-gestützter Fehlerdiagnose in Umgebungen, in denen Verlässlichkeit nicht optional ist.

Erfahrungswissen in Ihrer Organisation systematisch sichern?

Die Kernbotschaft aus diesem Gespräch ist eindeutig: Unternehmen in Energy, Pharma, Chemie und Fertigung verlieren heute täglich strategisches Kapital — durch fragmentierte Daten, verlorenes Expertenwissen und langsame Fehlerdiagnose. Die technischen Lösungen existieren. Die eigentliche Arbeit liegt in der strategischen Steuerung: Welcher Use-Case hat den höchsten ROI? Wie überzeugt man Ingenieure mit 25 Jahren Intuitionserfahrung, datengestützte Systeme zu nutzen? Wie baut man eine Governance-Struktur für heterogene Altsysteme auf, bevor die KI-Schicht darüber gelegt wird?

Führungskräfte, Strategieleiter und PMO-Verantwortliche in MedTech- und Pharmaunternehmen sowie großen IT-Organisationen ab 10 Mio. EUR Jahresumsatz im DACH-Raum, die diese Fragen methodisch beantworten wollen, finden bei Strategiewerkstatt einen Partner, der Strategieumsetzung, Flight Levels und kontinuierliche Verbesserungsprozesse nicht als Theorie, sondern als operative Realität versteht.

Strategiegespräch vereinbaren →

Häufige Fragen

Wie integriere ich Altdaten aus heterogenen Systemen für KI-gestützte Fehlerdiagnose in meiner Fabrik?

Der erste Schritt ist Taxonomie-Governance: Definiere eine einheitliche Asset-Nomenklatur, die PLC-Bezeichnungen, SAP-Materialnummern und Vendor-Dokumentation harmonisiert. Erst danach erfolgt die technische Integration. Ohne diesen Schritt scheitert jede Datenintegration in Altsystemen — unabhängig vom gewählten Softwareanbieter.

Wie funktioniert ein KI-Agent für Root-Cause-Analyse in kritischen Infrastrukturen ohne Vertrauensverlust?

Vertrauen entsteht durch vollständige Rückverfolgbarkeit: Jede Diagnose muss auf konkrete Datenquellen zeigen — Inspektionsberichte, Sensordaten, historische Reparaturprotokolle. Systeme, die ihre Reasoning-Kette nicht offenlegen, werden in regulierten Umgebungen nicht eingesetzt. Vollständige Nachvollziehbarkeit ist keine Nice-to-have-Funktion, sondern die Adoptionsbedingung.

Ist digitale Transformation in Schwerindustrien ein Projekt oder ein kontinuierlicher Prozess?

Ein kontinuierlicher Prozess. Unternehmen, die auf den Abschluss eines Transformationsprojekts warten, verpassen die entscheidende Lernkurve. Der richtige Ansatz: mit einem hochfrequenten Use-Case starten, Erfolg demonstrieren, iterieren — analog zu Six Sigma und Lean, erweitert um Daten und KI.

Welche Hürden gibt es bei der Digitalisierung von Altsystemen (PLC, MES, SAP)?

Die größte Hürde ist nicht technisch, sondern semantisch: Dieselbe Anlage kann in drei verschiedenen Systemen drei verschiedene Bezeichnungen haben. Dazu kommen veraltete Protokolle, unstrukturierte Datenformate und fehlende Daten-Governance. Ohne explizite Verantwortlichkeiten für Datenqualität scheitert jede Integrationsinitiative.

Wie überzeuge ich traditionelle Ingenieure, datengestützte Entscheidungen zu treffen statt Intuition zu nutzen?

Nicht durch Ersatz der Intuition, sondern durch ihre Übersetzung in Daten. Systeme, die das bestehende Erfahrungswissen der Ingenieure sichtbar machen und bestätigen, bauen Vertrauen auf. Der Kulturwandel gelingt, wenn Ingenieure das System als Erweiterung ihrer eigenen Kompetenz erleben — nicht als Kontrollinstrument.