Intelligenter Wissenszugriff und digitale Informationsverteilung

Projektziele

Ziel war der Aufbau einer lokalen KI-Persona als Chatbot („Einar“), die vorhandenes Unternehmenswissen aus heterogenen Quellen bündelt, DSGVO-konform bereitstellt und Mitarbeitenden schnellen, quellengenauen Zugriff auf Informationen ermöglicht.

Ergebnis des Projektes

Es entstand ein funktionsfähiger Prototyp der KI-Persona »Einar«: ein lokaler, DSGVO-konformer RAG-Chatbot mit Knowledge Graph, der firmeninternes Wissen durchsuchbar macht und Antworten mit Quelle und Dateipfad belegt. Ergänzt wurde er durch eine Systemdokumentation und einen Anwenderleitfaden.

Top Erkenntnisse aus dem Projekt

Persona (Rolle, Ton, Regeln) und Wissensquelle (RAG) sollten klar getrennt sein

Gute Datenqualität und -strukturierung ist Grundlage für belastbare Antworten

Performante lokale Lösungen erfordern entsprechend leistungsfähige GPU-Hardware

Ausgangslage

Es bestanden Optimierungs-potenziale

In Summe waren die Prozesse zu papierlastig

Die Effizienzsteigerungs-potentiale wurden nicht ausgeschöpft

Die Arbeitsweise musste überdacht werden

Zentrale Fragestellungen im Projekt

Wie lassen sich heterogene Quellen wie PDF, Excel, E-Mails, Bilder integrieren?

Welche Architektur aus RAG, Graph und lokalem LLM eignet sich für den Chatbot?

Wie wird eine lokale, DSGVO-konforme KI-Persona für Wissenszugriff realisiert?

Wie werden Belegpflicht und Schutz sensibler Daten technisch sichergestellt?

Unternehmensbeschreibung

Name: Hans Pfeiffer GmbH Präzisionsteile
Adresse: Kleineisenbachstraße 39, 79877 Friedenweiler
Branche: Produktion, Industrie

Gründungszeitraum: 1950
Beschäftigtenzahl: 90
Unternehmensangebot: Produkte

Projektbewertung aus Unternehmenssicht:

Die Unterstützung im Rahmen des Digitalisierungsprojektes hat wesentlich dazu beigetragen, dass wir mit unserem Digitalisierungsvorhaben weitergekommen sind

0%

Es wurden in der Folge weitere Digitalisierungsprojekte angegangen

0%

Es sind aus dem Digitalisierungsprojekt neue innovative Ideen für Folgemaßnahmen entstanden

0%

Das Projekt hat dazu beigetragen das unser Unternehmen für die Zukunft gerüstet ist

0%

Unsere Erwartungen an das Projekt wurden erfüllt

0%

Mit dem Projektergebnis sind wir zufrieden

0%

Wir empfehlen die Projektumsetzer weiter

0%

Projektdetails

Zeitrahmen und Ausgangslage
14.1.2026 - 27.8.2026
Bei der Hans Pfeiffer GmbH war relevantes Unternehmenswissen über eine heterogene Datenlandschaft verteilt: Informationen lagen in unterschiedlichen Formaten (PDF, Excel, E-Mails, Bilder) und teils analog vor, ohne durchgängige Struktur oder zentrale Ablage. Für die gezielte Informationsbeschaffung mussten Mitarbeitende häufig mehrere Systeme und Ablageorte parallel durchsuchen, was gerade im Tagesgeschäft und bei der Einarbeitung neuer Mitarbeitender spürbar Zeit kostete. Ergänzend war absehbar, dass mit dem demografischen Wandel und möglichem Personalaustritt auch die Frage der Wissensweitergabe an Bedeutung gewinnen würde. Ineffizienzen im Wissenstransfer erschwerten zudem die Entlastung im Tagesgeschäft und die Basis für ein modernes Wissensmanagement fehlte bislang.

Es fehlte eine intelligente, unternehmensweite Wissensbasis, welche die heterogenen Datenquellen synergetisch integriert und über eine leicht zugängliche Schnittstelle nutzbar macht. Gleichzeitig mussten dabei strenge DSGVO-Anforderungen sowie der Schutz personenbezogener, kunden- und lieferantenbezogener Daten berücksichtigt werden, weshalb eine cloud-basierte Standardlösung nicht infrage kam. Stattdessen musste eine Lösung gefunden werden, die vollständig auf eigener Hardware läuft und keine Daten an externe Anbieter überträgt. Vor diesem Hintergrund entstand der Bedarf an einem digitalen, interaktiven Assistenten, der bestehendes Wissen aus den vorhandenen Quellen bündelt und Mitarbeitenden auf Anfrage gezielt zur Verfügung stellt, anstatt es einzeln zusammensuchen zu müssen.
Projektziele
Ziel des Projekts war es, eine Grundlage für ein modernes, digitales Wissensmanagement bei der Hans Pfeiffer GmbH zu schaffen. Im Zentrum stand die Entwicklung einer lokalen, DSGVO-konformen KI-Persona, die als interaktiver Chatbot Unternehmenswissen aus heterogenen Quellen (Dokumentenablage, perspektivisch Handbücher, Zeichnungen, Berichte) zugänglich macht und den nachhaltigen Erhalt sowie die gezielte Vermittlung von Wissen unterstützt. Ein wesentliches Ziel war die Definition einer klaren KI-Persona mit Name (Einar), Rolle, Tonalität und Ansprache, damit das System konsistent und vertrauenswürdig auftritt. Ebenso wichtig war die Etablierung einer verlässlichen Beleg- und Quellenpflicht, sodass jede Antwort auf Dokument und Fundstelle zurückgeführt werden kann, sowie klarer Grenzen für den Umgang mit personenbezogenen, Kunden-, Lieferanten- und sonstigen sensiblen Daten.Darüber hinaus verfolgte das Projekt das Ziel, eine skalierbare technische Basis zu schaffen, die sich modular um weitere Datenquellen und Nutzende erweitern lässt. Begleitend sollten die Mitarbeitenden frühzeitig eingebunden und im Umgang mit KI befähigt werden, um Akzeptanz zu schaffen und die interne digitale Kompetenz zu stärken.

Projektziele
Vorgehensweise
Das Projekt wurde in aufeinander aufbauenden Arbeitspaketen umgesetzt: Konzeption des Chatbots und der KI-Persona, Sondierung geeigneter Modelle und Frameworks, Schaffung der Wissensbasis, Testen des Chatbots sowie eine Pilotphase mit Validierung und abschließender Dokumentation. Zu Beginn wurden die Ist-Situation aufgenommen, technische Rahmenbedingungen festgelegt und das KI-/Persona-Profil grob bestimmt.

Im Rahmen einer Mitarbeiterbefragung wurden Pain Points im Arbeitsalltag, Wünsche an den digitalen Assistenten sowie Präferenzen zu Tonalität und Ausführlichkeit erhoben (z. B. kurz und knapp vs. ausführlich erklärend); ein begleitendes Pflichten- und Lastenheft sowie eine Muralboard-Analyse strukturierten Anforderungen und Rahmenbedingungen. Die KI-Persona wurde gemeinsam mit dem Unternehmen konkretisiert: Name „Einar“, primär zuständig für das digital verfügbare Wissen der Hans Pfeiffer GmbH, formale und knappe Tonalität in Abhängigkeit von der Anfrage, situative Du-/Sie-Ansprache sowie eine klare Belegpflicht über Dateipfad bzw. das Öffnen des Quelldokuments. Für den Umgang mit Fehlern wurde festgelegt, fehlende Treffer ehrlich zu benennen statt Antworten zu erfinden; personenbezogene, Kunden-, Lieferanten- und sonstige sensible Daten werden grundsätzlich nicht ausgegeben.

Technisch wurde ein lokales, vollständig offline betriebenes RAG-System mit Knowledge Graph aufgebaut: Ollama stellt Text-, Vision- und Embedding-Modelle lokal bereit, ArangoDB dient als kombinierte Vektor- und Graphdatenbank, Open WebUI als Chat-Oberfläche für ca. 25 bis 30 Nutzende. In der Ingestion-Pipeline werden Dokumente Seite für Seite geparst, enthaltene Bilder durch ein Vision-Modell beschrieben, Seitentext und Bildbeschreibung zu Chunks kombiniert, eingebettet und per Graph-Extraktion um Entitäten (Bauteile, Maschinen, Fehler) und ihre Beziehungen ergänzt. Zur Beantwortung von Fragen kombiniert eine Hybrid-Suche aus Embedding-, Keyword- und Graph-Suche die relevantesten Fundstellen zu einem strukturierten Antwortkontext, aus dem die finale Antwort samt Quellenangabe generiert wird. Das Verhalten des Systems steckt dabei überwiegend in fünf sorgfältig gestalteten Prompts: dem zentralen Antwort-Prompt (Persona, Quellenpriorität, Belegpflicht, Datenschutzgrenzen), einem Prompt zur Bildbeschreibung für die Suche, einem Prompt für Bild-Antworten, einem Prompt zur Graph-Extraktion sowie einem Prompt zur Analyse hochgeladener PDF-Seiten.

Die Umsetzung erfolgte iterativ mit kontrolliertem Testbetrieb und Rückmeldeschleifen. Parallel wurde ein begleitender Changeprozess konzeptionell mitgedacht: Kommunikation, frühzeitige Mitarbeiterbeteiligung und KI-Basisschulungen wurden als Ansatzpunkte für die weitere Einführung identifiziert, um langfristig Akzeptanz zu schaffen und Berührungsängste abzubauen. Am Ende der Pilotphase stand ein funktionsfähiger Prototyp auf dedizierter GPU-Hardware, der in einer Live-Demo vorgestellt und durch eine ausführliche Systemdokumentation sowie einen How-to-Prompting-Leitfaden für Anwendende ergänzt wurde.
Ergebnisse
Im Rahmen des Projekts entstand ein funktionsfähiger Prototyp der KI-Persona „Einar“: ein lokales, vollständig offline betriebenes RAG-System mit Knowledge Graph, das firmeninterne Dokumente durchsuchbar macht. Anfragen werden über eine hybride Suche aus Embedding-, Keyword- und Graph-Suche beantwortet; jede Antwort wird mit Quelle bzw. Dateipfad belegt, sodass sich Angaben im Ursprungsdokument nachvollziehen lassen.

Der Prototyp läuft auf einer dedizierten GPU-Testhardware und wurde im Rahmen des Projekts in Live-Demos vorgeführt. Begleitend entstanden eine Systemdokumentation, die Aufbau, Architektur und Konfiguration des Systems beschreibt, sowie ein How-to-Prompting-Leitfaden, der Mitarbeitenden zeigt, wie sie mit präzisen Fragen (Gegenstand, Anliegen, Kontext) bessere Treffer erzielen. Der aktuelle Stand ist als Prototyp bzw. Testbetrieb zu verstehen, noch nicht als produktiver Regelbetrieb: Die Datenbasis umfasst bislang primär die zentrale Dokumentenablage, weitere Quellen wie beispielsweise Handbücher oder Zeichnungen sind als nächste Ausbaustufe vorgesehen. Der Datenschutzfilter für sensible Daten wirkt aktuell prompt-basiert und ist noch nicht technisch auf Ebene von Zugriffsrechten abgesichert.

Ergebnisse
Hard- und Softwareprodukte
- Lokale LLM-Laufzeitumgebung (Ollama, LM Studio, vLLM)
- Vektor-/Graphdatenbank (ArangoDB, Weaviate, Neo4j)
- Chat-Frontend / Nutzeroberfläche (Open WebUI, Typebot, Chatwoot)
- GPU-Serverhardware (NVIDIA GeForce RTX 5090, RTX 4090, professionelle GPU-Workstations)