AI Chatbot Expertenwissen
Möller manlift aus Würzburg vermietet eine große Zahl unterschiedlicher Höhenzugangsgeräte. Gemeinsam mit SOELDNER Consult entstand ein Managed-RAG-System auf Google Cloud: ein KI-Assistent, der technisches und betriebliches Wissen aus verstreuten Quellen über einen einzigen Dialog zugänglich macht — in der Praxissprache der Mitarbeiter, per Text und Sprache.
Ein dialogbasierter Zugang zu allen technischen und betrieblichen Informationen — für Technik und Vertrieb
Eine unstrukturierte Dokumentenbasis plus drei strukturierte Bestände
im Dokumentenbestand, über 9 Gerätekategorien hinweg
Vollständig auf Google Cloud
Natürlich und praxisnah
Mit Tool-, Hersteller- & Gerätebezug
Kunde pflegt die Wissensbasis selbst
Das Wissen war da — aber nicht für alle greifbar.
Situation vorher
- Technisches und betriebliches Wissen lag verstreut vor: Herstellerunterlagen, Datenblätter, Artikelstamm, Fehlercodes und Werkstattprotokolle — dazu im Erfahrungsschatz einzelner Experten
- Die eigentliche Hürde: dieses Expertenwissen für alle Mitarbeitenden zugänglich zu machen
- Keine gemeinsame Suchoberfläche — die passende Quelle musste manuell identifiziert, geöffnet und durchsucht werden
- Für Fehlercodes, Störungen und gerätespezifische Fragen war dadurch häufig aufwendige Recherche nötig
Situation nachher
- Ein Managed-RAG-System bündelt alle Quellen hinter einem einzigen Dialog — bedienbar in der Praxissprache der Mitarbeiter
- Technik findet Fehlercodes, Wartungshinweise und vergleichbare Fälle; Vertrieb findet Abmessungen, Ausstattung und Fahrzeugdaten
- Antworten sind quellenbasiert und machen Tool, Hersteller und Gerät transparent
- Text- und Spracheingabe — natürlich und praxisnah in der Sprache der Mitarbeiter
- Möller manlift pflegt die Wissensbasis selbst — neue Dokumente und Tabellendaten
Ein Managed-RAG-System, vollständig auf Google Cloud.
Eine schlanke Webanwendung nimmt Anfragen per Text und Sprache entgegen. Ein konversationeller Agent klassifiziert die Anfrage, wählt die passende Datenquelle und formuliert eine quellenbasierte Antwort. Dahinter liegen eine unstrukturierte Dokumentenbasis und drei strukturierte Bestände — alle als Vertex-AI-Data-Stores angebunden.
Architektur: Webanwendung (Text & Sprache) → konversationeller Agent → vier Vertex-AI-Data-Stores. Der unstrukturierte Store bezieht die Herstellerdokumente aus einem Cloud-Storage-Bucket (Layout-Parser + Chunking), die drei strukturierten Stores ihre Daten aus BigQuery. Über alle Stores hinweg kommt eine hybride Suche aus Keyword und Semantik zum Einsatz.
Search-first — und ein klarer Weg je Anfrageart.
Der Agent sucht zuerst und fragt erst bei Bedarf nach. So werden auch kurze, arbeitsnahe Eingaben direkt verarbeitet. Ein deterministisches Routing ordnet jede Anfrage einer von vier Arten zu und priorisiert die passende Quelle — jede Antwort nennt zudem Tool, Hersteller und Gerät.
A — Fehlercode-Anfrage
Ein Fehlercode oder eine kurze, codeartige Eingabe.
B — Problem-Anfrage
Ein technisches Problem, frei beschrieben.
C — Geräte-Anfrage
Eine Artikel-/Gerätenummer oder Eigenschaften wie Abmessungen.
D — Allgemeine Anfrage
Weder Fehlercode noch Artikelnummer, kein konkretes Problem.
Iterativ gewachsen — im engen Takt mit dem Kunden.
Das System entstand explorativ und iterativ, in einem Zwei-Wochen-Rhythmus mit dem Kunden. Der Nutzerkreis wurde schrittweise erweitert; die entscheidenden Verbesserungen kamen aus dem realen Einsatz.
Laufendes Projekt
Abstimmung & Priorisierung
PoC → Phase 1 → Phase 2
Testbare Weiterentwicklung
Proof of Concept
Ein begrenzter Dokumentenbestand wird angebunden und der Agent für erste Tests bereitgestellt — zunächst für die Geschäftsführung.
Phase 1 — Dokumente & Technik
Der Dokumentenbestand wird erweitert, die Webanwendung integriert und der Zugang auf die Techniker ausgeweitet.
Phase 2 — strukturierte Quellen & Vertrieb
Artikelstamm, Fehlercodes und Werkstattprotokolle kommen als eigene Tools hinzu; der Zugang wird auf Vertrieb und die weitere Organisation erweitert.
Praxis trifft Labor
Das Praxis-Feedback steuert die Systemanforderungen, während fortlaufende Labortests ihre Umsetzung und Erfüllung sicherstellen. In diesem Zusammenspiel entstanden die prägenden Entscheidungen — etwa Search-first statt vorgelagerter Rückfragen, deterministisches Tool-Routing und sichtbare Antworttransparenz — kontrolliert über getrennte Test- und Produktivumgebungen mit Golden-Dataset-Tests.
Ein Zugang, dem die Mitarbeitenden vertrauen können.
Aus verstreuten Quellen wurde ein gemeinsamer, dialogbasierter Wissenszugang — quellenbasiert, transparent und vom Kunden selbst pflegbar.
Gemeinsame Suchoberfläche für Technik und Vertrieb, organisationsweit
Verlässlichkeit
Jede Antwort nennt Tool, Hersteller und Gerät — Halluzinationen sind leicht erkennbar
Betrieb
Kunde ergänzt Dokumente und Tabellendaten selbst — automatisierte Ingestion
Wissensquellen
In einem Dialog vereint
Auch während der Arbeit nutzbar
Versioniert, Draft/Produktiv getrennt
Weitere Quellen jederzeit ergänzbar