Wissenserhalt am Gerät mit Edge Agents

In vielen Industriebetrieben steckt das wichtigste Wissen nicht im Handbuch, sondern im Kopf einer Person, die in zwei Jahren in Rente geht. Welche Schraube bei welchem Geräusch nachgezogen wird, warum eine Anlage bei Frost anders anläuft, welcher Handgriff eine Störung in zehn Minuten statt in drei Stunden behebt, all das ist implizites Wissen. Es steht nirgends geschrieben, und mit dem Fachkräftemangel verschwindet es schneller, als neue Kolleginnen und Kollegen es aufbauen können.

Genau hier setzt ein Edge Agent an. Es ist ein KI-Agent auf der Maschine, der dieses Wissen erfasst, durchsuchbar macht und über die Zeit eine lokale Wissensbasis aufbaut, ohne dass Betriebsdaten das Gerät verlassen.

Warum sich Erfahrung nicht ausdrucken lässt

Handbücher beschreiben den Sollzustand. Die Realität an der Anlage ist der Erfahrungswert, das Bauchgefühl, das aus tausend Schichten entstanden ist. Geht eine erfahrene Fachkraft, bleibt eine Lücke, die kein PDF schließt. Klassisches Wissensmanagement in der Industrie scheitert daran, dass niemand nach Feierabend dokumentiert, was er ohnehin im Schlaf beherrscht, und dass die nächste Generation andere Fragen stellt, als das Handbuch beantwortet.

Eine zentrale Cloud-Plattform löst das nicht sauber. Sensible Prozessdaten, Fehlerbilder und Servicehistorie sind oft das eigentliche Betriebsgeheimnis. Sie in einen externen Dienst zu kippen, ist für viele Betriebe keine Option, technisch nicht, vertraglich nicht, rechtlich nicht.

Drei Stufen des Wissenserhalts

Wissenserhalt am Gerät baut sich schrittweise auf, nicht über Nacht.

Stufe 1. Digitalisierung des Bekannten. Handbücher, Schaltpläne und Wartungsvorgaben werden lokal indexiert. Die Bedienkraft fragt im Klartext, „Welcher Druck ist beim Anfahren normal?“ Die Antwort kommt aus der eigenen Dokumentation, per semantischer Suche statt Volltext-Stichwort. Das ist der Einstieg, Chat über die eigenen Unterlagen, on-device.

Stufe 2. Erfassung des Impliziten. Jetzt wird es interessant. Löst ein Techniker eine Störung, hält der Edge Agent den gelösten Fall im dauerhaften On-Device-Speicher fest, mit Symptom, Kontext, Maßnahme und Ergebnis. Nicht als starres Formular, sondern als das, was funktioniert hat. Aus jedem behobenen Fall wird ein durchsuchbarer Erfahrungswert. Die Wissensbasis am Gerät wächst mit dem Betrieb.

Stufe 3. Aus Wissen wird Handlung. Wo es sinnvoll und sicher ist, kann der Agent über seine Hardware-Knoten direkt eingreifen, einen Schwellwert lösen, eine Meldung über MQTT absetzen, einen Parameter setzen. Der Agent sitzt dabei niemals in der Echtzeit-Regelschleife. Er schreibt nur gepufferte Parameter, und der deterministische Controller läuft unabhängig weiter. Wissen wird so nicht nur abrufbar, sondern wirksam.

Warum am Gerät und nicht in der Cloud

On-Device-KI ist hier kein Selbstzweck. Die lokale KI in der Industrie hat drei handfeste Vorteile. Die Daten bleiben physisch im Betrieb. Der Agent antwortet auch dann, wenn die Internetleitung steht, und die Anlage im Keller ohne Empfang ist der Normalfall, nicht die Ausnahme. Und die Antwortzeit hängt nicht an einem entfernten Rechenzentrum.

Der Edge Agent läuft als dasselbe Binary auf der Hardware, die schon vor Ort steht, vom kleinen Einplatinenrechner bis zum Industrie-Controller. Ein lokales Sprachmodell im Bereich von 1 bis 3 Milliarden Parametern deckt den Großteil dieser Frage-Antwort-Aufgaben ab, und ein großer Teil industrieller Aufgaben passt auf ein On-Device-Modell. Nur die Ausnahme greift, wenn überhaupt, auf ein größeres Modell zurück.

Was „lernt aus dem Einsatz“ ehrlich bedeutet

Hier ist Präzision wichtig, denn der Begriff wird gern überdehnt. Real und heute verfügbar sind der dauerhafte On-Device-Speicher und die durchsuchbare Wissensbasis, die mit jedem dokumentierten Fall wachsen. Je länger der Agent läuft, desto reichhaltiger die Erfahrung, aus der die nächste Schicht schöpft. Das ist gemeint, wenn wir sagen, das System lernt aus dem Einsatz. Die Wissensbasis wird besser, nicht durch Magie, sondern durch gelebte Praxis.

Darüber hinaus erlaubt föderiertes Lernen, Verbesserungen über viele baugleiche Geräte zu teilen, ohne Rohdaten zu zentralisieren. Dass sich das zugrunde liegende Modell darüber hinaus kontinuierlich selbst verfeinert, ist eine Richtung, in die wir arbeiten, kein Versprechen, das wir heute als fertig ausgeben. Diese Trennung gehört zur technischen Ehrlichkeit dazu.

Ein Wartungsteam vor der Rentenwelle

Ein Wartungsteam in einem mittelständischen Betrieb steht vor einem Generationswechsel. Mehrere langjährige Servicekräfte gehen innerhalb von 18 Monaten in den Ruhestand. Die Maschinen laufen, aber das Wissen, sie bei einer seltenen Störung schnell wieder ans Laufen zu bringen, ist auf wenige Köpfe verteilt.

Statt das Wissen in Abschiedsgesprächen einzufangen, läuft ein Edge Agent am Gerät mit. Beim nächsten ungewöhnlichen Fehlerbild beschreibt die erfahrene Fachkraft kurz, was sie tut und warum. Der Agent legt den Fall ab. Monate später trifft eine neue Kollegin auf dasselbe Symptom und fragt den Agenten in natürlicher Sprache. Die Antwort ist nicht die Handbuchfloskel, sondern der real bewährte Lösungsweg aus dem eigenen Betrieb. Offline, am Gerät, ohne dass jemand etwas hochladen musste.

So läuft das am Edge

Unter der Haube werden Handbücher und vergangene Fälle lokal indexiert und über Vektorsuche durchsuchbar gemacht, also semantische Suche über die eigene Wissensbasis statt über eine fremde Cloud. Jeder gelöste Fall landet im dauerhaften On-Device-Speicher als lokale Datei mit Symptom, Kontext, Maßnahme und Ergebnis. Die nächste Bedienkraft stellt ihre Frage in natürlicher Sprache, und das lokale Sprachmodell formuliert die Antwort aus genau diesem Bestand.

Der Workflow-Graph ist dabei das Programm, und die KI ist ein Knoten darin, kein Blackbox-Orakel, sodass jeder den Weg einer Antwort nachvollziehen kann. Sicherheit entsteht durch lokale Ausführung, Container-Isolation und genau diesen auditierbaren, begrenzten Graphen, nicht durch ein undurchsichtiges Modell, dem man vertrauen muss.

Key Takeaways

• Implizites Service-Wissen verschwindet mit dem Fachkräftemangel, und ein Edge Agent erfasst es am Gerät, bevor die Erfahrung in Rente geht.
• Drei Stufen tragen das, Handbücher durchsuchbar machen, gelöste Fälle im dauerhaften On-Device-Speicher festhalten und bei Bedarf physisch eingreifen.
• Dauerhafter Speicher und semantische Suche über die lokale Wissensbasis sind real und wachsen mit jedem dokumentierten Fall.
• „Lernt aus dem Einsatz“ heißt, die Wissensbasis wird reicher. Kontinuierliche Modell-Selbstverfeinerung ist eine Richtung, kein heutiges Versprechen.
• On-Device-KI hält sensible Betriebsdaten im Haus, funktioniert offline und bleibt durch den graph-first-Aufbau nachvollziehbar.