KI für Wissenstransfer und Ausbildung im Handwerk

Das echte Ausmaß des Problems

Das Handwerk kämpft auf zwei Fronten gleichzeitig: Fachkräftemangel und Wissensverlust. Der ZDH (Zentralverband des Deutschen Handwerks) schätzt rund 250.000 offene Stellen im Handwerk. Gleichzeitig gehen in den nächsten zehn Jahren Hunderttausende erfahrene Handwerker in den Ruhestand und nehmen Jahrzehnte an Praxiswissen mit.

Dieses Wissen ist nirgends aufgeschrieben. Warum Fugenmasse X bei Temperaturen unter 12 Grad anders verarbeitet werden muss. Welche Fehler beim Verlegen von Warmwasserrohren in Altbaukonstellationen auftreten. Wie man schwierige Kunden durch einen Ersttermin führt. Wann man nachfragt und wann Eigeninitiative gefragt ist. Diese Dinge lernt ein Azubi nach 6 Monaten, wenn er das Glück hat, einem erfahrenen Handwerker direkt zuzuarbeiten. Wenn nicht, macht er 2 Jahre lang vermeidbare Fehler.

Die Kosten sind real, eine belastbare Durchschnittszahl dafür haben wir aber nicht gefunden. Rechne mit deinen eigenen: Wie viele vermeidbare Azubi-Fehler hattet ihr im letzten Quartal, und was hat die Nacharbeit an Material und Stunden gekostet? Zwei Fehler im Monat zu je 200 Euro wären 4.800 Euro im Jahr (2 mal 12 mal 200 Euro). Ein Wissensassistent verhindert davon einen Teil, nicht alle.

Das Bedürfnis ist groß. Die Umsetzung ist aufwendig.

Und das ist der entscheidende ehrliche Hinweis: Dieser Use Case ist der komplexeste und zeitaufwendigste im Handwerk-Bereich. Wer auf schnelle Resultate hofft, ist hier falsch.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Eine Studie, die das für das Handwerk misst, haben wir nicht gefunden. Abhängig von Wissensdatenbank-Qualität und konsequenter Nutzung durch Azubis. Die Zeitwerte sind Richtwerte der Redaktion.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) 1–2 Stunden pro Woche weniger Erklären, real, aber nicht der Haupttreiber, und ein Teil davon geht in die Pflege der Datenbank. Der Meister muss trotzdem verfügbar sein für komplexe Situationen, Abnahmen und Beziehungsführung. Die eingesparten Erklärungsstunden sind ein Nebeneffekt, kein Kernzweck.

Kosteneinsparung, niedrig (1/5) Die Kosteneinsparung ist am schwierigsten zu beziffern. Weniger Azubi-Fehler, schnellere Produktivität, beides real, beides nicht direkt messbar. Die Einrichtungskosten (Wissenserfassung) sind hoch, die laufenden Kosten niedrig. Der niedrigste Kostenscore im Handwerk-Vergleich, weil der Nutzen zu weit von konkreten Euros entfernt liegt.

Schnelle Umsetzung, niedrig (1/5) Das ist die ehrlichste Einstufung: Dieser Use Case ist der aufwendigste Einstieg in der gesamten Handwerk-Gruppe. Wissenserfassung, Datenbankaufbau, Systemkonfiguration, Pilotbetrieb, das dauert 8–16 Wochen, nicht 1–2 Wochen. Wer in dieser Zeit lieber schnelle Wins setzt, sollte zuerst Angebotserstellung oder Rechnungsstellung angehen.

ROI-Sicherheit, niedrig (2/5) Nach 6–12 Monaten ist die Wissensdatenbank groß genug, um überhaupt Effekte zu zeigen. In Euro rechnet sich das aber kaum sicher, siehe die Rechnung unten: Was der Meister beim Erklären spart, steckt er großenteils in die Pflege, und die schnellere Einarbeitung trifft nur die wenigen Azubis, die pro Jahr neu anfangen. Wer den Aufbau macht, macht ihn für die Wissenssicherung.

Skalierbarkeit, hoch (5/5) Das ist der Ausreißer. Ein einmal aufgebautes Wissenssystem wächst mit jedem neuen Inhalt, jedem neuen Azubi, jedem weiteren Jahr. Nach 3 Jahren hat der Betrieb ein digitales Gedächtnis, das mehr aufgeschriebenes Wissen enthält als jeder einzelne Kopf. Jeder neue Eintrag nützt allen künftigen Azubis, ohne dass der Aufwand je Nutzer wächst.

Richtwerte, stark abhängig von Azubi-Anzahl, Wissenserfassungsaufwand und konsequenter Nutzung.

Was der Wissensassistent konkret macht

Der technische Ansatz heißt RAG, Retrieval Augmented Generation. Das System indexiert alle firmenspezifischen Dokumente, Videos, Checklisten und Anleitungen. Wenn ein Azubi eine Frage stellt, sucht das System in der Datenbank nach relevanten Einträgen und gibt eine kontextualisierte Antwort zurück, mit Quellenangabe, nicht aus dem Nichts generiert.

Der Aufbau besteht aus drei Schritten:

Wissenserfassung: Videointerview-Sessions mit erfahrenen Mitarbeitern (30–60 Minuten, Meister erklärt Prozesse vor der Kamera). Voice Memos auf der Baustelle, KI transkribiert und strukturiert automatisch. Schriftliche Checklisten und Anleitungen. Fotos mit Erläuterungen typischer Fehler und korrekter Ausführungen. Dieser Schritt ist der aufwendigste, und der entscheidende.

Systemaufbau: RAG-System auf der Wissensdatenbank aufsetzen. Einstieg möglich mit einem ChatGPT-Projekt, Claude Projects oder NotebookLM (günstig, einfach, aber Datenschutz beachten) bis zu eigenem Hosting (teurer, aber vollständige Kontrolle). Custom GPTs solltest du für neue Aufbauten nicht mehr wählen, OpenAI hat im September 2026 angekündigt, sie in allen Plänen auslaufen zu lassen.

Baustellen-Abruf: Azubi fragt per Smartphone-App oder Spracheingabe: „Wie lege ich Dachrinnen bei einem First-Winkel unter 25 Grad?” Das System antwortet mit der hinterlegten Erklärung. Falls die Wissensdatenbank keine Antwort enthält, soll es das sagen. Ganz ausschließen lässt sich Erfinden nicht, deshalb nennt jede Antwort ihre Quelle, und der Azubi prüft sie.

Konkrete Werkzeuge, was wann passt

ChatGPT mit Projekt, Einstieg ohne eigene Infrastruktur: Wissensdatenbank als Dokument-Upload, Fragen im Projekt. Datenschutz beachten: Daten liegen bei OpenAI. Damit Azubis auf ihrem eigenen Handy fragen können, braucht jeder einen eigenen Zugang; ein geteiltes Konto verstößt gegen die Nutzungsbedingungen. Geteilte Projekte gibt es in ChatGPT Business, 20 bis 25 US-Dollar je Platz, ab zwei Plätzen. Plus kostet 23 Euro im Monat je Person.

Claude Projects, ähnlich wie ein ChatGPT-Projekt, mit dem Vorteil längerer Kontextfenster für umfangreiche Wissensdatenbanken. Pro kostet 20 Euro im Monat je Person, Projekte für das ganze Team gibt es in Claude Team, 20 bis 25 US-Dollar je Platz, ab zwei Plätzen.

NotebookLM , Google-Tool, spezialisiert auf Fragen an hochgeladene Dokumente. Kostenlos, gut für den Pilottest. Datenschutz prüfen (Google Cloud). Notebooks lassen sich teilen, in der kostenlosen Version aber nur über einen öffentlichen Link, für Betriebswissen also nur im Test.

Make.com , für die Automatisierung des Wissenserfassungsprozesses: Voice Memo auf Baustelle → automatische Transkription → strukturierter Eintrag in Wissensdatenbank. Core ab 9 US-Dollar im Monat bei Jahreszahlung.

Whisper (OpenAI), für Transkription von Sprach-Memos und Video-Interviews. Versteht auch Dialekt und Fachterminologie gut. Open Source, kann lokal betrieben werden, datenschutzfreundlich.

Für größere Betriebe mit eigenem Hosting: Moodle (Open Source) als Lernplattform-Basis mit KI-Plugin. Für Azubi-Schulungen mit Kursstruktur und Fortschrittsüberwachung.

Datenschutz und Datenhaltung

Die Wissensdatenbank enthält firmenspezifisches Know-how, Betriebsgeheimnisse, Verarbeitungstipps, Kundenkommunikations-Strategien. Das ist sensibler als Kundendaten.

Klare Empfehlung für diesen Use Case: Firmenspezifisches Know-how gehört nicht in ChatGPT, NotebookLM oder andere öffentliche Dienste ohne AVV und klare Datenhoheit. Der Einstieg über diese Tools ist für den Pilottest akzeptabel, aber für ein dauerhaftes System mit echtem Firmenwissen ist eine eigene Lösung sinnvoll.

Optionen für mehr Kontrolle:

• Self-hosted RAG mit Open-Source-Modellen (z. B. via Ollama), technisch aufwendiger, aber Daten verlassen nie deinen Server
• Deutscher Cloud-Anbieter (Hetzner, IONOS) mit Hosting der Datenbank in Deutschland

Was es kostet, realistisch gerechnet

Einstieg (ChatGPT-Projekt, Claude Projects oder NotebookLM)

• Tool: 0 Euro für einen Test mit NotebookLM; damit Meister und zwei Azubis mit eigenem Zugang und ohne Training auf euren Daten arbeiten, ChatGPT Business oder Claude Team, 3 mal 20 bis 25 US-Dollar im Monat
• Wissenserfassung: 20–40 Stunden einmalig (wichtigste Themen dokumentieren)
• Ergebnis: Erste Wissensdatenbank mit Antworten auf die häufigsten Azubi-Fragen

Vollständig (eigene RAG-Infrastruktur)

• Infrastruktur-Setup: 3.000–10.000 Euro einmalig (externe Entwicklung)
• Laufende Kosten: 100–300 Euro/Monat (Hosting + API)
• Wissenserfassung laufend: 2–4 Stunden/Monat

ROI-Beispiel: Elektrobetrieb, 5 Gesellen, 2 Azubis. Angenommen, die Einarbeitung bis zur selbständigen Einsatzfähigkeit sinkt von 12 auf 8 Monate, eine Annahme, keine Messung. Zwei Azubis im Betrieb heißt nicht zwei neue im Jahr: Bei dreieinhalb Jahren Ausbildung fängt rechnerisch alle knapp zwei Jahre einer an, also rund 0,6 im Jahr. Bei 500 Euro Produktivitätswert je Monat bringt das 4 mal 500 mal 0,6 = rund 1.200 Euro im Jahr. Die gesparte Meisterstunde pro Woche ist Zeit, kein Geld, und sie geht zum großen Teil in die Pflege der Datenbank (2 bis 4 Stunden im Monat). Dagegen stehen für Meister und zwei Azubis mit Team-Zugang 3 mal 20 bis 25 US-Dollar im Monat, rund 720 bis 900 US-Dollar im Jahr, bei eigener Infrastruktur 100 bis 300 Euro im Monat plus Einrichtung. In Euro ist das bestenfalls eine Null. Den Aufbau machst du, damit das Wissen deines erfahrensten Gesellen nicht mit ihm in Rente geht.

Typische Einstiegsfehler

1. Die Wissenserfassung wird zu ambitioniert geplant. „Wir wollen alles dokumentieren.” Das führt dazu, dass nichts dokumentiert wird, weil die Aufgabe zu groß erscheint. Start mit den Top-20-Themen: Was fragen Azubis am häufigsten? Welche Fehler passieren am häufigsten? Welche 20 Situationen decken 80 % des Unterstützungsbedarfs ab?

2. Der Meister hat keine Zeit für die Wissenserfassung. Das ist das häufigste Scheitern dieses Use Cases. Die Wissenserfassung kostet Meisterstunden, genau die, die knapp sind. Lösung: Kurze Sessions (max. 30–45 Minuten), feste Termine, externe Begleitung durch jemanden der strukturiert fragt und mitschreibt.

3. Azubis nutzen das System nicht. Wenn das System nicht in den Arbeitsalltag integriert ist, bleibt es ungenutzt. Klare Erwartung kommunizieren: Bevor du den Meister anrufst, fragst du zuerst das System. Nicht als Misstrauenssignal, sondern als Prozessregel.

4. Das Wissenssystem wird nach dem Aufbau nicht gepflegt. Das ist der stille Tod dieses Use Cases. Die ersten 12 Wochen laufen intensiv, dann kehrt der Alltag zurück. Neue Techniken werden gelernt, aber nicht dokumentiert. Materialien ändern sich, Normen werden aktualisiert. Wer nach dem Aufbau keine regelmäßige Wartungsroutine hat, betreibt einen Wissensstand von vor einem Jahr. Empfehlung: Eine Person ist namentlich verantwortlich, einmal monatlich zwei Stunden für neue Einträge und veraltete Korrekturen. Ohne diese Rolle ist der Verfall vorprogrammiert.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert: Die Wissenserfassung dauert länger als erwartet, der Meister hat keine Zeit, Inhalte sind schwerer zu strukturieren als gedacht. Das ist normal. Nach 4–6 Wochen erster Inhalte ist ein Pilottest mit einem Azubi möglich.

Was nicht passiert: Der Assistent ersetzt die Meisterstunde. Handwerk lernt man durch Tun und Beobachten, der KI-Assistent ist das, was der Azubi zwischen zwei Beobachtungen nutzt. Für die 80 % der Situationen, in denen der Meister nicht daneben steht.

Langfristiger Effekt: Nach 2–3 Jahren entsteht ein digitales Betriebsgedächtnis, das wertvoller ist als jedes Handbuch. Neuen Mitarbeitern kann man es direkt zugänglich machen, sie starten schneller und machen weniger Fehler von Anfang an.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Azubis sollen von echten Menschen lernen, nicht von KI.” Stimmt. Handwerk lernt man durch Tun und Beobachten. KI-Assistent ersetzt nicht die Meisterstunde auf der Baustelle, er ergänzt sie für die 80 % der Situationen, in denen der Meister nicht daneben steht. Statt falsch zu machen und es erst beim Abendrundgang zu merken: lieber kurz nachfragen und es gleich richtig machen.

„Unser Wissen ist unser Wettbewerbsvorteil, wir wollen es nicht digital speichern.” Das Wissen bleibt im Betrieb. Es geht in eine Datenbank, die du selbst hostest oder bei einem deutschen Cloud-Anbieter speicherst, nicht bei OpenAI oder Google für den produktiven Betrieb. Eine selbst gehostete Lösung ist teurer in der Einrichtung, aber das Wissen verlässt deinen Server nicht.

„Wir haben keine Zeit für die Wissenserfassung.” Das ist die ehrlichste Einschränkung dieses Use Cases. Wenn der Meister wirklich keine 2 Stunden pro Woche für 8 Wochen hat, ist jetzt nicht der richtige Zeitpunkt. Warten bis zu einem Winterquartal oder einer ruhigeren Phase, und dann gezielt starten.

Woran du merkst, dass das zu dir passt

• Du hast regelmäßig Azubis oder neue Mitarbeiter, die in den ersten 12 Monaten viel Erklärungsaufwand verursachen
• Ein oder mehrere erfahrene Mitarbeiter nähern sich dem Rentenalter und tragen nicht dokumentiertes Spezialwissen
• Du bist bereit, 8–12 Wochen Einrichtungsaufwand zu investieren bevor der erste echte Nutzen entsteht

Wann du es noch nicht brauchst:

• Wenn du keinen Azubi und keine neuen Mitarbeiter hast, kein Wissenstransferproblem, kein Anwendungsfall
• Wenn dein Betrieb unter 5 Mitarbeiter hat und alle ähnliche Erfahrung haben, manuelle Einarbeitung ist effizienter
• Wenn du zuerst die schnelleren Wins nehmen willst: Fange mit der Angebotserstellung oder Rechnungsstellung an. Dieser Use Case ist der strategisch wichtigste, aber der operativ aufwendigste.

Das kannst du heute noch tun

Frag deinen Meister oder deinen erfahrensten Mitarbeiter nach den drei Fehlern, die Azubis in den ersten Monaten am häufigsten machen. Schreib sie auf, ohne Kunden- oder Anlagenadressen. Dann beschreibe jeden Fehler in ChatGPT und bitte darum, eine kurze Checkliste zu erstellen, die den Azubi durch die kritischen Schritte führt. Das dauert 45 Minuten und zeigt dir, wie eine Wissensdatenbank in der Praxis funktioniert, bevor du auch nur an Infrastruktur denkst.

Quellen & Methodik

• Offene Stellen im Handwerk: Zentralverband des Deutschen Handwerks, Seite Fachkräftesicherung: „Insgesamt sind derzeit geschätzt rund 250.000 Stellen im Handwerk offen.” zdh.de, abgerufen am 18.09.2026.
• Custom GPTs laufen aus: laut unserer Toolseite zu ChatGPT, Ankündigung von OpenAI vom 11. September 2026.
• Einarbeitungszeiten, Fehlerkosten und Rechenbeispiel: Annahmen und Richtwerte der Redaktion, keine Erhebung.