Wie findIQ die Plattform um einen Assistenten erweitert – ohne den Kurs der spezialisierten KI zu verlassen.
Im Diskurs über Künstliche Intelligenz im industriellen Service haben sich in den vergangenen Jahren zwei Lager gebildet. Auf der einen Seite stehen die generischen Sprachmodelle, deren Leistungsfähigkeit in textbasierten Aufgaben unbestritten ist. Auf der anderen Seite stehen spezialisierte, modellbasierte KI-Systeme, die für präzise, deterministische Entscheidungen in komplexen technischen Fachbereichen entwickelt wurden. Beide Ansätze haben ihre Berechtigung – und beide stoßen für sich allein durchaus an Grenzen.
findIQ hat sich von Beginn an für die zweite Kategorie entschieden: für eine Industrial AI, die Fehlerdiagnose nicht durch Textgenerierung, sondern durch strukturierte Wissensmodelle löst. An dieser Grundsatzentscheidung ändert sich nichts. Mit der jüngsten Plattform-Erweiterung – dem Assistenten Quinn – ergänzt findIQ jedoch den Kern um eine zweite Komponente, die genau dort ansetzt, wo Sprachmodelle ihre Stärken ausspielen. Das Ergebnis ist ein Dual-AI-Ansatz, der die Vorteile beider Welten kombiniert: die Präzision der modellbasierten Diagnose-KI und die Produktivität moderner Sprachmodelle.
Warum traditionelle Ansätze nicht reichen
Im Markt sind heute drei Wege verbreitet, um Servicewissen verfügbar zu halten – mit unterschiedlichen Schwächen.
Klassische PDFs, Wikis und Fehlerbäume sind weit verbreitet, veralten jedoch schnell, sind im Feld schwer auffindbar und bieten keine Interaktivität. Der Servicetechniker wird mit einer statischen Informationssammlung allein gelassen.
LLM-basierte Chatbots lösen das Auffindbarkeits-Problem auf den ersten Blick, scheitern aber an einer entscheidenden Hürde: Ihnen fehlt das industriespezifische Fachwissen, sie neigen zu Halluzinationen und bieten keine strukturierte Anleitung. In einer kritischen Infrastruktur oder an einer Sondermaschine ist eine plausibel klingende, aber falsche Antwort schlimmer als gar keine Antwort.
findIQ verfolgt einen dritten Weg: Erfahrungswissen wird strukturiert erfasst, in einem dynamischen Modell verknüpft und dem Anwender Schritt für Schritt zur Verfügung gestellt. Das System optimiert sich kontinuierlich auf Basis von Felddaten – und liefert deterministische Ergebnisse, weil Diagnosearbeit deterministischer Natur ist. Diese Erkenntnis ist auch wissenschaftlich gestützt: Aktuelle Forschungsarbeiten zum Thema Knowledge Transfer mit LLMs bestätigen, dass Grundwissen eine solide Struktur benötigt – die durch Sprachmodelle ergänzt, aber nicht ersetzt werden kann.
Der Dual-AI-Ansatz: Zwei KI-Architekturen, ein Ziel
Mit Quinn beantwortet findIQ eine Frage, die sich aus der industriellen Praxis stellt: Reicht ein einzelnes KI-Modell für alle Aufgaben rund um Servicewissen aus? Die Antwort lautet nein. Diagnosearbeit benötigt Präzision und Erklärbarkeit. Wissensaufbau, Dokumentation und Reporting hingegen profitieren von der Sprachverarbeitungs-Stärke moderner LLMs.
Die Plattform setzt deshalb zukünftig auf zwei klar abgegrenzte KI-Komponenten, die eng zusammenwirken und sich gegenseitig ergänzen:
findIQ intelligence ist die modellbasierte KI, die im Kern der Plattform arbeitet. Sie verknüpft Symptome, Ursachen und Wahrscheinlichkeiten in einer dynamischen Heatmap, führt den Anwender durch eine Diagnose und liefert exakte Ergebnisse. Diese Komponente bleibt das Herzstück der Lösung – sie steht für das, was findIQ seit der Gründung auszeichnet.
Quinn ist der neue, LLM-basierte Assistent. Er übernimmt Aufgaben, die nicht im Diagnose-Kern liegen, aber im Servicealltag erheblichen Aufwand verursachen: das Strukturieren unstrukturierter Daten, das Führen von Experteninterviews, das Dokumentieren von Servicefällen und das Erstellen von Reports. Quinn ergänzt findIQ intelligence – er ersetzt sie nicht.
Eine Kundenbefragung im Vorfeld der Produktivsetzung hat die drei wichtigsten Anwendungsfälle bestätigt: Unterstützung bei der Fehlersuche durch Spracheingabe, das Dokumentieren von Fehlerfällen sowie das Erstellen und Bearbeiten von Routinen. Diese Use Cases bilden den ersten Funktionsumfang von Quinn ab.
So funktioniert die erweiterte Plattform
Die Architektur folgt einem dreistufigen Aufbau, der den gesamten Lebenszyklus von Servicewissen abdeckt.
Wissensbasis aufbauen. In der ersten Phase bietet die Plattform eine flexible, einfache Struktur für Experteninterviews und das Abbilden komplexer industrieller Fehlerbilder, etwa für unterschiedliche Produktionslinien-Varianten. Mehrere Beteiligte können auf einer einzigen Wissensquelle zusammenarbeiten. Quinn übernimmt hier eine wichtige Rolle: Der Assistent erschließt automatisch unstrukturierte Daten – etwa Wartungsvideos oder PDF-Dokumentationen –, integriert explizites Wissen aus Dokumenten mit dem impliziten Wissen der Experten und führt skalierbare Experteninterviews durch. Damit reduziert sich der initiale Aufwand für Kunden beim Einstieg deutlich.
Assistenz im Einsatz. In der zweiten Phase steht das System dem Servicetechniker direkt vor Ort zur Verfügung. Die geführte Fehlersuche diagnostiziert Ursachen, anstatt nur in Dokumenten zu suchen. Die Anwendung ist für industrielle Umgebungen gebaut und funktioniert sogar offline – ein zentrales Kriterium in Werken ohne stabile Netzanbindung. Neue Probleme lassen sich direkt vor Ort dokumentieren, ohne Mehraufwand. Über Quinn kann der Anwender zusätzlich sprachgesteuert mit dem System interagieren. Die Antworten basieren ausschließlich auf verifizierten Quelldaten und dem Diagnoseergebnis der findIQ Intelligence – keine Halluzinationen, keine erfundenen Inhalte. Die Sprachschnittstelle ist also nicht ein generischer Chatbot, sondern eine zusätzliche Eingabe- und Ausgabeschicht über einer kuratierten, deterministischen Wissensquelle.
Lernen und Anpassen. In der dritten Phase verbessert sich die Plattform kontinuierlich. Reinforcement Learning sorgt für eine automatische Optimierung der Wahrscheinlichkeiten in der Heatmap. Echtes Nutzerfeedback fließt nach dem Human-in-the-Loop-Prinzip in die Modelle ein. Servicedaten werden in strategische Erkenntnisse überführt – Quinn unterstützt dabei, indem er Reports erstellt, Maßnahmen auf Basis verifizierter Servicedaten empfiehlt und Workflows für Automatisierungen und Integrationen vorbereitet.
Das zentrale Prinzip: Funktion bleibt, Bedienung erweitert sich
Wichtig ist eine Abgrenzung, die im Markt schnell verloren geht: Quinn verändert nicht, was findIQ tut. Quinn verändert, wie es bedient wird. Die Diagnose-Logik, die Heatmap, die strukturierte Wissensbasis – all das bleibt identisch. Was hinzukommt, ist eine alternative Nutzungsweise: Statt sich durch eine Oberfläche zu klicken, können Anwender Inhalte in Alltagssprache abrufen, dokumentieren oder bearbeiten. Für Bestandskunden bedeutet das einen sanften Übergang: bewährte Workflows funktionieren weiter, neue Eingabemöglichkeiten kommen hinzu.
Datensicherheit als Voraussetzung
Mit dem Schritt in Richtung Sprachmodelle ist die Frage nach Datensicherheit naturgemäß ein zentrales Thema – gerade für industrielle Bestandskunden mit sensiblen Service- und Maschinendaten. findIQ setzt für Quinn auf etablierte, geschäftskonforme Modellzugänge: Daten werden zwar verarbeitet, aber nicht für das Training von Sprachmodellen verwendet. Die zugrunde liegenden Verträge enthalten die entsprechenden Datenschutzgarantien und sind auf Compliance mit europäischen Datenschutzanforderungen ausgelegt.
Die fehlende Wissensschicht zwischen Daten und Entscheidung
Aus einer Architektur-Perspektive schließt findIQ eine Lücke, die in den meisten Service- und Instandhaltungs-Strukturen heute klafft. ERP- und MES-Systeme verarbeiten Geschäftsprozessdaten und liefern Erkenntnisse für künftige Entscheidungen. SCADA, SPS und Sensorik liefern die rohen Maschinendaten und zeigen, was passiert. Was zwischen diesen beiden Schichten fehlt, ist die Wissensschicht: der Übersetzer, der aus „Was passiert?“ ein „Was ist zu tun?“ macht.
Genau hier setzt findIQ an. Quinn macht diese Wissensschicht zugänglicher: Wo bisher die Pflege der Wissensbasis und das Abrufen über strukturierte Oberflächen erfolgte, kommt nun eine Sprach-Schnittstelle hinzu. Das senkt die Einstiegshürde – sowohl für den Aufbau als auch für die Nutzung – und erweitert die Reichweite der Plattform innerhalb der Organisation.
Indem findIQ beide KI-Ansätze sauber trennt und gezielt einsetzt – die deterministische Diagnose-KI im Kern, das Sprachmodell als ergänzende Produktivitäts- und Interaktionsschicht – bleibt der Industrial-AI-Kurs konsequent. Was sich erweitert, ist die Reichweite der Lösung: weniger manuelle Aufbereitung beim Wissensaufbau, eine zugänglichere Bedienung im Feld, eine fundiertere Auswertung der Servicedaten. Der bewährte Diagnose-Kern bleibt, was er ist. Was hinzukommt, ist eine zweite Hand, die Aufgaben übernimmt, für die Sprachmodelle gebaut sind – und nichts mehr.
Was ist Quinn – und was unterscheidet ihn von einem klassischen Chatbot?
Quinn ist der KI-Assistent von findIQ und eine zusätzliche Interaktionsschicht über einer kuratierten, deterministischen Wissensquelle. Das ist der entscheidende Unterschied zu einem generischen Chatbot: Quinn verändert nicht, was findIQ tut – er verändert, wie es bedient wird. Die Diagnoselogik, die Heatmap, die strukturierte Wissensbasis bleiben identisch. Was hinzukommt, ist eine Sprachschnittstelle: Techniker können Inhalte in Alltagssprache abrufen, dokumentieren und bearbeiten, anstatt sich durch eine Oberfläche zu klicken. Die Antworten basieren ausschließlich auf verifizierten Quelldaten – keine Halluzinationen, keine erfundenen Inhalte.
Was ist Industrial AI – und warum reichen generische KI-Lösungen im technischen Service nicht aus?
Industrial AI bezeichnet KI-Systeme, die spezifisch für die Anforderungen von Fertigungs- und Servicebetrieben entwickelt wurden. Der grundlegende Unterschied liegt in der Arbeitsweise: Generische Sprachmodelle wie Copilot oder ChatGPT arbeiten kreativ – sie erzeugen wahrscheinliche Antworten. Diagnosearbeit hingegen ist deterministisch: Sie erfordert präzise, reproduzierbare Ergebnisse auf Basis strukturierter Wissensdaten. In der Praxis liefern generische Modelle bei technischen Diagnosefragen häufig nur rund 50 Prozent korrekte Antworten – ein Wert, der in kritischen Infrastrukturen oder komplexen Fertigungsumgebungen nicht ausreicht. findIQ kombiniert daher einen deterministischen Diagnose-Kern mit einem Sprachmodell als ergänzender Interaktionsschicht – jeder KI-Ansatz dort, wo er tatsächlich geeignet ist.
Wie unterstützt findIQ den Wissenstransfer zwischen erfahrenen Experten und neuen Techniker-Generationen?
findIQ digitalisiert das implizite Erfahrungswissen von Experten und macht es strukturiert, skalierbar und dauerhaft nutzbar. Im ersten Schritt erschließt Quinn automatisch unstrukturierte Daten – etwa Wartungsvideos oder PDF-Dokumentationen – und integriert sie mit dem Wissen aus Experteninterviews zu einer einzigen, gemeinsam pflegbaren Wissensquelle. Das reduziert den initialen Aufwand beim Einstieg erheblich. In der Praxis bedeutet das: Ein neuer Techniker kann ab dem ersten Einsatztag auf dasselbe strukturierte Wissen zurückgreifen, das jahrzehntelange Felderfahrung abbildet – direkt an der Anlage, geführt Schritt für Schritt zur Ursache eines Problems. Erfasstes Wissen bleibt dauerhaft erhalten und veraltet nicht.
Wie entwickelt sich die Plattform nach dem Go-live weiter?
findIQ ist kein statisches Wissenssystem. In der dritten Plattformphase verbessert sich die Wissensbasis kontinuierlich: Reinforcement Learning optimiert automatisch die Wahrscheinlichkeiten in der Diagnoseheatmap, echtes Nutzerfeedback fließt nach dem Human-in-the-Loop-Prinzip in die Modelle ein. Quinn unterstützt dabei aktiv: Er erstellt Reports, empfiehlt Maßnahmen auf Basis verifizierter Servicedaten und bereitet Workflows für Automatisierungen und Integrationen vor. Das Ergebnis ist eine Plattform, die mit dem Betrieb wächst – und strategisch verwertbare Erkenntnisse aus dem täglichen Servicealltag liefert.
Welche Lücke schließt findIQ in der bestehenden IT-Landschaft eines Industrieunternehmens?
In den meisten Instandhaltungsstrukturen klafft heute eine Lücke zwischen zwei Schichten: ERP- und MES-Systeme verarbeiten Geschäftsprozessdaten und liefern Erkenntnisse für strategische Entscheidungen. Sensoren und Steuerungsanlagen liefern rohe Maschinendaten und zeigen, was technisch passiert. Was zwischen diesen Ebenen fehlt, ist die Wissensschicht – der Übersetzer, der aus „Was passiert?" ein „Was ist zu tun?" macht. Genau hier setzt findIQ an. Die Plattform verbindet Maschinendaten mit strukturiertem Expertenwissen und liefert dem Techniker am Ort des Geschehens die präzise Handlungsempfehlung – auch offline, auch ohne stabile Netzanbindung. Quinn macht diese Wissensschicht zugänglicher: niedrigere Einstiegshürde beim Aufbau, breitere Nutzung im Feld.