Engineering Knowledge Assistant: der KI-Assistent EKA auf dem Wissen der Entwicklung
Das Wissen einer Entwicklungsorganisation liegt verteilt in Confluence, DOORS, Jira und SharePoint. Wir bauen den Assistenten EKA, der Fragen aus dem Entwicklungsalltag direkt beantwortet und zu jeder Antwort die Quellen nennt – und schweigt, wenn die Faktenlage nicht reicht.
Ausgangslage
Gesucht wird in jedem System einzeln, gefunden wird oft gar nicht: Die Dokumentationslandschaft einer Entwicklungsorganisation ist über Jahre gewachsen, und was in Confluence steht, weiß der SharePoint nicht. Vorhandenes Wissen wird neu erarbeitet, neue Mitarbeiter brauchen Monate, um sich zurechtzufinden.
Ein Assistent, der über alle Quellen hinweg antwortet, ist nur dann brauchbar, wenn er zwei Dinge garantiert: Er zeigt niemandem Inhalte, die derjenige im Quellsystem nicht sehen dürfte, und er belegt jede Antwort mit der Quelle.
Typische Datengrundlage
Confluence-Seiten, SharePoint-Bibliotheken und Netzlaufwerk-Dokumente. Anforderungen aus DOORS, Tickets aus Jira. Lasten- und Pflichtenhefte, FMEA, Testberichte, CAD-Metadaten.
Einbezogen werden nur Quellen, für die eine Freigabe vorliegt – die Berechtigungen des Quellsystems gelten unverändert auch im Assistenten. Dazu ein Fragenkatalog aus der Fachabteilung mit geprüften Antworten, der als Evaluationsgrundlage dient.
Woran solche Vorhaben scheitern
Berechtigungen als harte Grenze. Das Know-how liegt über Systeme und Zugriffslevel verteilt. Der Assistent darf nie mehr sehen als der jeweilige Nutzer – ein Berechtigungsfilter, der erst nach der Antwort greift, ist keiner.
Ohne Quelle kein Vertrauen. Im Engineering zählt Nachvollziehbarkeit. Ein Sprachmodell formuliert auch dann flüssig weiter, wenn es nichts Passendes gefunden hat – der Assistent muss zeigen, worauf eine Antwort basiert, und erkennen, wenn die Quellen keine belastbare Antwort hergeben.
Wissen ist ständig in Bewegung. Inhalte ändern sich laufend. Ohne kontinuierliche Aktualisierung der Wissensbasis veralten die Antworten unbemerkt.
Das LLM ist nur die Spitze des Eisbergs. Der eigentliche Wert entsteht darunter: saubere Ingestion, Metadaten, Verknüpfung, Berechtigungen. Genau dort steckt der Großteil der Arbeit.
Vorgehen
Grundlage ist eine Retrieval-Architektur. Eine Ingestion-Pipeline liest die Quellsysteme regelmäßig ein und überführt PDF, Office-Dokumente und gescannte Anlagen mit einer VLM-gestützten Dokumentenverarbeitung in strukturierten Text – Tabellen, Nummerierungen und Anlagenverweise bleiben erhalten. Zu jedem Abschnitt speichern wir Metadaten und die Berechtigungsinformationen des Quellsystems.
Die Suche kombiniert Stichwortsuche für exakte Bezeichner wie Teilenummern und ECU-Kürzel mit semantischer Suche über Embeddings; die Trefferlisten werden über Reciprocal Rank Fusion zusammengeführt und von einem Cross-Encoder nachsortiert. Der Berechtigungsfilter greift vor der Antwort, nicht danach.
Gegen erfundene Antworten wirken drei Mechanismen zusammen: Das Modell antwortet ausschließlich aus den abgerufenen Passagen, mit Belegstelle je Aussage. Liegt die Retrieval-Güte unter einer festgelegten Schwelle, verweigert das System die Antwort und nennt stattdessen die nächstliegenden Dokumente. Und gegen den Fragenkatalog der Fachabteilung läuft eine automatisierte Bewertung, die Verankerung in den Quellen, Trefferabdeckung und Antwortrelevanz misst – stichprobenartig auch im laufenden Betrieb, sodass ein Qualitätsabfall sichtbar wird.
Für Fragen über mehrere verknüpfte Objekte – von der Anforderung über den Testfall zum Fehlerbericht – ergänzt ein Wissensgraph aus den Beziehungen der Quellsysteme das Retrieval. Komplexe Anfragen zerlegt ein Koordinator-Agent und delegiert an spezialisierte Werkzeuge, die über MCP angebunden sind. Der Agentenpfad bleibt Fragen vorbehalten, die ihn brauchen, weil er Antwortzeit und Kosten vervielfacht.
Als Modell kommt je nach IT-Vorgabe ein Open-Weight-Modell auf eigener Infrastruktur oder ein EU-gehosteter Dienst zum Einsatz. Die Architektur ist modellunabhängig aufgebaut, sodass ein Wechsel ohne Umbau möglich bleibt.
Was dabei entsteht
Weniger suchen, mehr nutzen: Wissen wird schneller gefunden und wiederverwendet, statt immer wieder neu erarbeitet zu werden. Schneller produktiv: Neue Mitarbeiter finden sich leichter in der Dokumentationslandschaft zurecht.
Einstieg statt Ersatz: Jede Antwort führt zurück zur Quelle – und wenn die Faktenlage nicht reicht, schweigt der Assistent. So bleibt er Wegweiser zu den Originaldokumenten, nicht deren Ersatz.
Der Fragenkatalog der Fachabteilung ist zugleich das Abnahmekriterium: Vereinbart wird, welcher Anteil der Fragen korrekt und belegt beantwortet sein muss und wie hoch der Anteil unbelegter Aussagen höchstens sein darf.
Woher unsere Erfahrung kommt
Wir haben Wissensgraphen und Datenfundamente für internationale Konzerne aufgebaut und Informationen aus großen Text- und Dokumentbeständen maschinell erschlossen.
Zuletzt aktualisiert: 13. August 2026
