Technische Dokumentation automatisch erstellen

Das echte Ausmaß des Problems

Technische Dokumentation ist im Maschinenbau gesetzlich vorgeschrieben — kein Unternehmen, das eine Maschine in den EWR bringt, kann die Betriebsanleitung weglassen. Die Maschinenrichtlinie 2006/42/EG (ab 2027: EU-Maschinenverordnung 2023/1230) verlangt eine vollständige, normkonforme Betriebsanleitung als Teil der CE-Konformität. EN ISO 20607 konkretisiert, was das bedeutet: Struktur, Sicherheitshinweise, Lebenszyklusabdeckung.

In der Praxis sieht der Status quo so aus:

• Mittelständische Maschinenbauer beschäftigen 1–3 technische Redakteure für Produktportfolios mit 20–100 Varianten pro Jahr
• Je Produktversion bindet die Dokumentation 20–60 Stunden Redaktionsaufwand — bei Sondermaschinen auch mehr
• Variantenmanagement ist das größte Problem: Wenn 80 Prozent einer neuen Anlage gleich ist wie das Vorgängermodell, will niemand die Anleitung von vorne schreiben — aber ohne strukturierten Wiederverwendungsansatz passiert genau das
• Mehrsprachigkeit verdoppelt bis verdreifacht den Aufwand: Übersetzungsbüros rechnen mit 0,10–0,20 Euro je Wort, eine 180-seitige Anleitung mit 30.000 Wörtern kostet 3.000–6.000 Euro je Zielsprache

Das Ergebnis: Dokumentation ist oft das letzte, was vor Auslieferung fertig wird — oder nicht fertig wird. CE-Verzögerungen durch fehlende oder unvollständige Dokumentation sind im deutschen Maschinenbau ein bekanntes, aber selten laut genanntes Problem.

Mit vs. ohne KI — ein ehrlicher Vergleich

Quellen: VDMA Technische Dokumentation 2022; tekom e.V. (Fachverband Technische Kommunikation) Gehaltsstudie 2024; plusmeta Kundenkommunikation. Zeitangaben sind Erfahrungswerte aus Implementierungsprojekten — stark abhängig von Komplexität und vorhandener Toollandschaft.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Der stärkste Effekt in dieser Kategorie auf der Zeitdimension — vergleichbar mit der Qualitätskontrolle per Bildverarbeitung. Eine vollständige Produktdokumentation, für die ein Redakteur bisher 40–60 Stunden benötigt hat, kommt mit KI-Unterstützung auf 15–25 Stunden — das ist ein Faktor 2–3. Bei Varianten ist der Hebel noch größer, weil KI den Wiederverwendungsanteil dramatisch erhöht.

Kosteneinsparung — mittel (3/5) Die Einsparung ist real, aber nicht der größte Hebel: Redaktionszeit ist teuer, aber nicht so teuer wie Maschinenstillstand oder Reklamationskosten. Einrichtung 10.000–30.000 Euro, laufend 500–1.500 Euro/Monat — das amortisiert sich bei einer vollzeitigen technischen Redakteurin (ca. 60.000 Euro Jahreskosten) über 12–18 Monate. Im Vergleich mit Predictive Maintenance — das Stillstandkosten im fünfstelligen Bereich je Ereignis reduziert — ist das Einsparpotenzial bescheidener.

Schnelle Umsetzung — mittel (3/5) Weder der schnellste noch der langsamste Use Case in dieser Kategorie. Bis zur ersten nutzbaren KI-generierten Ausgabe dauert es realistisch 6–10 Wochen: Werkzeugwahl, Vorlagenstruktur einrichten, Terminologie definieren, erste Texte generieren und validieren. Das ist handhabbar, aber kein “morgen startklar”-Projekt.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis ist messbar — Stunden je Dokumentationsaufgabe, vorher vs. nachher. Was unsicher bleibt: Qualitätsprüfung durch einen menschlichen Redakteur ist weiterhin nötig, was einen Teil der Zeitersparnis auffrisst. KI-generierte Texte müssen auf Normkonformität geprüft werden — das ist nicht automatisierbar und erzeugt eigenen Aufwand. Nicht so klar messbar wie bei der Qualitätskontrolle Bildverarbeitung, wo der ROI direkt über Reklamationskosten belegbar ist.

Skalierbarkeit — sehr hoch (5/5) Der stärkste Aspekt dieses Use Cases: Einmal ein Dokumentationsmodell und eine Terminologiebasis aufgebaut, skaliert es über beliebig viele Produktvarianten. Die Grenzkosten je zusätzlichem Dokument sinken stark. Für Unternehmen mit wachsendem Produktportfolio und konstanter Redaktionskapazität ist das ein echter struktureller Vorteil.

Richtwerte — stark abhängig von Variantenvolumen, vorhandener Dokumentationsstruktur und Normkomplexität.

Was ein KI-Dokumentationssystem konkret macht

Das technische Prinzip basiert auf Generativer KI in einem kontrollierten Workflow. Es geht nicht darum, ein KI-Modell frei schreiben zu lassen — das wäre für normkonforme Betriebsanleitungen zu unzuverlässig. Stattdessen:

Strukturierter Input → kontrollierter Output:

Das System nimmt strukturierte Quelldaten entgegen — Stückliste aus dem ERP, Parameterliste aus CAD, Sicherheitsdatenblätter der verwendeten Betriebsstoffe, interne Konstruktionsspezifikationen. Diese Daten werden mit einem Regelwerk kombiniert, das die Normstruktur (EN ISO 20607, EN 82079-1) abbildet.

Der LLM füllt dann das Gerüst: Er formuliert Sicherheitshinweise auf Basis der identifizierten Gefährdungen, beschreibt Montageschritte aus der Stückliste, erstellt Wartungsintervalle aus den Konstruktionsdaten. Die Texte entstehen nicht aus dem Nichts — sie entstehen aus deinen Daten, in deiner Terminologie, nach deinen Normanforderungen.

Was der Mensch kontrolliert:

Ein technischer Redakteur prüft jeden generierten Abschnitt. Keine KI übernimmt die Verantwortung für eine CE-Konformitätserklärung — das bleibt Aufgabe eines Menschen, der die Norm kennt und die Haftung trägt. Die KI reduziert den Aufwand — sie ersetzt nicht die Qualitätskontrolle.

Mehrsprachigkeit:

KI-Übersetzung (z.B. DeepL) auf eine sauber strukturierte deutsche Quelle liefert deutlich bessere Übersetzungsqualität als auf schlecht formulierte Rohtexte. Mit Translation-Memory-Integration (Wiederverwendung bereits übersetzter Textbausteine) sinken die Übersetzungskosten bei Varianten-Anleitungen auf ein Bruchteil der Neuübersetzung.

Konkrete Werkzeuge — was wann passt

SCHEMA ST4 + plusmeta — Das Standardsystem im deutschen Maschinenbau. SCHEMA ST4 ist ein Component Content Management System (CCMS), das modular-wiederverwendbare Informationsbausteine verwaltet. Plusmeta ergänzt KI-basierte Metadatenvergabe, Redundanzerkennung und Terminologieprüfung. Zusammen entsteht ein semi-automatischer Redaktions-Workflow: ST4 strukturiert, plusmeta klassifiziert, der Redakteur prüft und freigibt. Ideal für: Maschinenbauer mit 50+ Produktvarianten pro Jahr, die bereits strukturiert dokumentieren. Kosten: SCHEMA ST4 ab 2.000–5.000 Euro/Monat, plusmeta ab ca. 800–2.000 Euro/Monat. Einführungsprojekt: 3–6 Monate.

Paligo — Cloud-CCMS für Teams, die keinen On-Premise-Server betreiben wollen. Paligo bietet strukturiertes Topic-based Authoring mit Translation-Memory und Output-Formaten (PDF, HTML, Helpdesk-Integration). Weniger mächtig als SCHEMA ST4, aber deutlich einfacher einzuführen und preislich zugänglicher. Für Maschinenbauer mit 10–50 Produktlinien und ohne eigene IT-Infrastruktur gut geeignet. Einschränkung: kein deutschsprachiger Support, keine spezifischen Maschinenbau-Normmodule.

Custom LLM-Workflow (z.B. auf Basis Claude oder GPT-4) — Für Betriebe, die kein CCMS-System einführen wollen oder eine sehr spezifische Quelldatenstruktur haben. Ein strukturierter Prompt-Workflow mit einem leistungsfähigen LLM kann Roh-Dokumentationstexte aus Stücklisten und CAD-Daten generieren — mit anschließender menschlicher Qualitätsprüfung. Kein Tool-Einstieg, kein Abo — aber auch keine automatische Terminologiekontrolle und kein eingebautes Variantenmanagement. Sinnvoll als Einstieg und Proof of Concept, nicht als Langzeitlösung für hohes Variantenvolumen.

DeepL — Für die Übersetzungskomponente. DeepL Pro mit API-Anbindung an das CCMS-System erlaubt automatische Erstübersetzung, die ein menschlicher Übersetzer lektoriert. Auf sauber strukturierten technischen Quelltexten liefert DeepL branchenüblich gute Qualität. EU-gehostet, DSGVO-konform, einfache API-Integration.

Zusammenfassung: Wann welcher Ansatz

• Viele Varianten, viel Volumen, strukturierte Redaktion → SCHEMA ST4 + plusmeta
• Weniger Volumen, kein On-Premise, einfacher Einstieg → Paligo
• Proof of Concept, geringe Variantenanzahl, keine CCMS-Einführung gewünscht → Custom LLM-Workflow
• Mehrsprachigkeit als Hauptproblem → DeepL Pro + Translation Memory in jedem der obigen Systeme

Rechtliche Besonderheiten

Technische Dokumentation für Maschinen ist kein optionales Marketingmaterial — sie ist rechtlich vorgeschrieben und Bestandteil der CE-Konformitätserklärung.

EN ISO 20607 definiert die Mindestanforderungen an Betriebsanleitungen für Maschinen und konkretisiert, welche Inhalte eine normkonforme Anleitung enthalten muss: bestimmungsgemäße Verwendung, Restrisiken, Sicherheitshinweise, Montage, Betrieb, Wartung, Störungsbeseitigung, Außerbetriebnahme. Ein KI-generierter Text muss gegen diese Anforderungen geprüft werden — das ist nicht automatisierbar.

CE-Haftung: Wenn eine Maschine einen Unfall verursacht und die Betriebsanleitung unvollständig oder irreführend war, haftet der Maschinenhersteller. KI-generierte Texte entbinden den Hersteller nicht von dieser Verantwortung — sie erhöhen sie potenziell, wenn KI-Fehler ungeprüft in die finale Dokumentation einfließen.

EU AI Act: Technische Dokumentationssysteme für Sicherheitsanweisungen in Maschinen könnten unter den EU AI Act fallen, wenn das System sicherheitskritische Entscheidungen trifft. Für reine Textgenerierung mit menschlicher Prüfpflicht ist das Risiko gering, aber prüfenswert.

Praktisches Fazit: KI in der technischen Redaktion ist ein Produktivitätswerkzeug — kein Compliance-Werkzeug. Der qualifizierte technische Redakteur bleibt Pflicht. Wer hofft, die Redaktionsstelle durch KI vollständig zu ersetzen und trotzdem CE-konforme Anleitungen zu produzieren, geht ein Haftungsrisiko ein.

Datenschutz und Datenhaltung

Technische Dokumentation enthält in der Regel keine personenbezogenen Daten — DSGVO ist typischerweise kein Problem. Das ändert sich, wenn Kundendaten (Auftraggeber, Anlagenidentifikation) in die Dokumentation eingeflossen sind.

Wichtiger für Maschinenbauer: Konstruktions- und Betriebsgeheimnisse. Wer Stücklisten, CAD-Daten und interne Spezifikationen in externe KI-Systeme (ChatGPT, Claude.ai ohne Enterprise-Vertrag) eingibt, überträgt möglicherweise proprietäre Konstruktionsdaten an einen US-Dienst, der diese zur Modellverbesserung nutzen könnte. Das kann gegen interne Geheimhaltungsvereinbarungen verstoßen oder bei patentrechtlich sensiblen Konstruktionen problematisch sein.

Empfehlung für schutzwürdige Konstruktionsdaten:

• SCHEMA ST4 und Paligo: On-Premise-Optionen oder EU-gehostete SaaS-Varianten
• plusmeta: EU-Datenhaltung, ISO/IEC 27001-zertifiziert
• DeepL: EU-gehostet, AVV verfügbar
• Custom LLM: Azure OpenAI Service (EU-Region) statt OpenAI-API direkt — dann bleiben Daten in der EU

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Custom LLM-Workflow (einfacher Einstieg): intern 2–4 Wochen Einrichtungsaufwand, extern 0–5.000 Euro
• Paligo-Einführung: 5.000–15.000 Euro Projektaufwand, Einrichtung 4–8 Wochen
• SCHEMA ST4 + plusmeta (vollständiger Workflow): 20.000–50.000 Euro inkl. Migrationsaufwand, Einführung 3–6 Monate

Laufende Kosten (monatlich)

• Custom LLM: ca. 30–100 Euro/Monat LLM-API-Kosten + DeepL Pro ca. 30 Euro/Monat
• Paligo: ca. 400–800 Euro/Monat (Professional-Plan, 2–3 Redakteure)
• SCHEMA ST4: ab 2.000 Euro/Monat; plusmeta: ab ca. 800 Euro/Monat

Wie du den ROI tatsächlich misst Dokumentiere für 4–6 Wochen den Zeitaufwand je Dokumentationsaufgabe (Neuerstellung, Variante, Übersetzung, Normprüfung). Dann führe den KI-Workflow ein und messe dieselben Kategorien erneut. Die Differenz in Stunden, multipliziert mit dem Stundensatz des Redaktionsteams, ist der belegbare ROI — keine Schätzung, sondern tatsächliche Zeiterfassung.

Was du dagegen rechnen kannst: Eine Vollzeit-Redakteurin mit 60.000 Euro Jahreskosten, die durch KI 40 Prozent ihrer Arbeitszeit einspart: 24.000 Euro/Jahr. Bei SCHEMA-ST4-Laufzeitkosten von 2.000 Euro/Monat (24.000 Euro/Jahr) ist das Break-even — der Mehrwert entsteht durch verhinderte CE-Verzögerungen (Opportunitätskosten pro verschobener Auslieferung) und die Möglichkeit, dasselbe Team mehr Varianten zu betreuen.

Drei typische Einstiegsfehler

1. KI frei schreiben lassen — und dann erst prüfen. Der häufigste Fehler beim Einstieg mit LLMs in der technischen Redaktion: Der Redakteur gibt “Schreib mir eine Betriebsanleitung für Maschine X” ein, bekommt 30 Seiten Text, findet den Grundton gut und macht kleinere Korrekturen. Die Konsequenz: Ein KI-generierter Sicherheitshinweis, der auf einem veralteten Normstand basiert oder eine Restrisiko-Beschreibung, die nicht zur tatsächlichen Maschine passt, landet in der CE-Dokumentation.

Lösung: KI generiert einzelne, eng umgrenzte Abschnitte auf Basis expliziter, vollständiger Quelldaten — und jeder Abschnitt wird eigenständig inhaltlich geprüft, nicht nur sprachlich.

2. Terminologie nicht definiert. KI-generierte Texte sind nur so konsistent wie die Terminologie, mit der sie gefüttert werden. “Schutzeinrichtung”, “Sicherheitseinrichtung” und “Schutzvorrichtung” können dasselbe Bauteil meinen — oder verschiedene. Wenn das System keine definierte Terminologiebasis hat, entstehen inkonsistente Anleitungen, die Normprüfer und Übersetzer gleichermaßen beschäftigen.

Lösung: Bevor das erste Dokument generiert wird, eine Terminologieliste der wichtigsten 50–100 Begriffe mit eindeutiger Definition anlegen. Das kostet einen Tag — und spart langfristig Stunden pro Dokument.

3. Normkonformität an KI delegieren. Ein LLM kennt EN ISO 20607 — oder behauptet es zu kennen. Das ist kein verlässlicher Normprüfer. KI kann dabei helfen, eine Checkliste der Normanforderungen abzuarbeiten — aber die Entscheidung, ob ein Sicherheitshinweis vollständig und korrekt ist, trifft ein Mensch mit Normkenntnissen. Systeme, die behaupten, automatisch normkonforme Anleitungen zu generieren, übertreiben.

4. Kein Freigabe-Workflow für KI-generierte Inhalte. Wenn KI-generierte Texte als “fertig” behandelt werden und den Freigabeprozess umgehen, entsteht ein Qualitätsproblem, das sich in der CE-Haftung niederschlägt. Jeder KI-generierte Abschnitt muss denselben Freigabeprozess durchlaufen wie redaktionell erstellter Inhalt — sonst ist die eingesparte Zeit kein Fortschritt, sondern ein Risiko.

Was mit der Einführung wirklich passiert — und was nicht

Das Redaktionsteam hat gemischte Gefühle. Technische Redakteure haben ein tiefes Domänenwissen über die Produkte des Unternehmens — dieses Wissen ist wertvoll und nicht leicht ersetzbar. KI-Tools können als Bedrohung wahrgenommen werden. Die ehrliche Botschaft: KI übernimmt die Routinearbeit (Wiederholungsstruktur, Standardsätze, Übersetzungsvorlagen) — damit Redakteure ihre Zeit in das verwenden können, was tatsächlich Expertise erfordert: Restrisikobewertung, Prüfung auf Vollständigkeit, Eskalationspfade.

Wer das Redaktionsteam früh in die Tool-Auswahl einbindet und die Zeitersparnis in mehr Kapazität für komplexe Aufgaben investiert statt in Stellenabbau, bekommt weniger Widerstand und bessere Ergebnisse.

Was konkret hilft:

• Mit einem einzigen, klar abgegrenzten Dokumentationstyp starten (z.B. Wartungsanleitungen für eine Maschinenserie) — kein Big-Bang-Rollout
• Die erste KI-generierte Dokumentation parallel zur klassisch erstellten prüfen — Abweichungen dokumentieren, als Lernmaterial nutzen
• Einen festen Rhythmus für Terminologie-Updates einführen: Jedes neue Bauteil, das einen neuen Begriff einführt, wird sofort in die Terminologiebasis aufgenommen

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Die KI kennt unsere Produkte nicht.” Das ist korrekt — und das lässt sich lösen. KI kennt euer Produkt nach der ersten Dokumentationsrunde sehr gut: Terminologie, Standardformulierungen, Sicherheitskontext. Der Aufbau dieser Wissensbasis kostet Zeit — aber danach wird sie immer besser.

„Normkonforme Anleitungen kann KI nicht erstellen.” Das stimmt, wenn man es falsch macht (KI frei schreiben lassen). Das stimmt nicht, wenn KI in einem definierten Workflow aus strukturierten Quelldaten Texte generiert und ein qualifizierter Redakteur jeden Abschnitt gegen die Norm prüft. Das ist kein automatisches Normprüfsystem — es ist ein Produktivitätswerkzeug für Normexperten.

„Wir haben keine strukturierten Quelldaten.” Das ist das häufigste echte Hindernis. Wenn Konstruktionsdaten nur als Freitext-PDFs vorliegen, Stücklisten nur in Excel ohne klare Feldstruktur und Sicherheitshinweise in Word-Dokumenten ohne Versionsmanagement — dann ist der erste Schritt nicht KI, sondern Strukturierung. Dieser Schritt hat einen eigenen Wert, unabhängig von KI: Besser strukturierte Quelldaten machen jede Dokumentation einfacher.

Woran du merkst, dass das zu dir passt

• Dein Unternehmen produziert mehr als 15–20 Maschinen- oder Produktvarianten pro Jahr, für die jeweils eigene Dokumentation nötig ist
• Die technische Redaktion ist regelmäßig Engpass vor Auslieferungsterminen — Dokumentation verzögert CE-Freigaben
• Ihr habt strukturierte Quelldaten in ERP oder CAD-System — Stücklisten, Parameterlisten, Sicherheitsdatenblätter
• Mehrsprachigkeit ist Pflicht — Kunden in mehreren Märkten verlangen Anleitungen in Landessprache
• Es gibt mindestens eine Person mit Normkenntnissen (EN ISO 20607, EN 82079-1), die KI-generierte Inhalte prüfen kann

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 10–15 Dokumente pro Jahr. Bei niedrigem Volumen amortisieren sich die Einrichtungskosten eines CCMS-Systems nicht. Hier reicht ein gut strukturierter Word-Workflow mit KI-Übersetzungsunterstützung (DeepL Pro).

2. Keine strukturierten Quelldaten vorhanden. Wenn Stücklisten als handgeschriebene Listen vorliegen, CAD-Daten nicht exportierbar sind und Sicherheitsanalysen nur mündlich vorliegen — dann ist die Voraussetzung für KI-gestützte Dokumentation nicht erfüllt. Zuerst Datenstruktur aufbauen, dann KI einführen.

3. Kein qualifizierter technischer Redakteur mit Normkenntnissen im Team. KI ersetzt diese Rolle nicht — sie multipliziert sie. Wer keinen Normexperten hat, der KI-generierten Output prüfen kann, hat kein Produktivitäts-KI-Problem, sondern ein Complianceproblem, das KI nicht löst.

Das kannst du heute noch tun

Öffne Claude oder ChatGPT mit deiner bestehenden Betriebsanleitung für ein Standardprodukt. Gib dem System die Stückliste einer neuen Variante (10–20 geänderte Teile) und frag es, die betroffenen Abschnitte der Anleitung entsprechend anzupassen.

Das dauert 30 Minuten. Was du danach weißt: Wie gut das System mit deiner Terminologie umgeht, wo es Fehler macht und was es bräuchte, um produktionsreif zu sein. Das ist der schnellste Weg zur Entscheidungsgrundlage — kein Investitionsantrag, kein Systemintegrator, kein Budget.

Quellen & Methodik

• EN ISO 20607 (2019): Sicherheit von Maschinen — Betriebsanleitung — Allgemeine Gestaltungsgrundsätze. Harmonisierte Norm zur EU-Maschinenrichtlinie 2006/42/EG; Mindestanforderungen an normkonforme Betriebsanleitungen
• EU-Maschinenverordnung 2023/1230: Ab Juni 2027 Ablösung der Maschinenrichtlinie 2006/42/EG — Grundanforderungen an Betriebsanleitungen bleiben im Wesentlichen erhalten
• Redaktionsaufwand 20–60 Stunden je Dokument: tekom e.V. (Gesellschaft für Technische Kommunikation), Branchenerhebungen; Praxiswerte aus Maschinenbau-Projekten (Stand 2024)
• Übersetzungskosten 0,10–0,20 €/Wort: tekom e.V. Marktforschung Technische Übersetzung 2023; ProZ.com Markterhebung Deutschland 2024
• plusmeta 80% Zeitersparnis bei Metadaten: plusmeta-Anbieterkommunikation — Vendor-Claim, nicht unabhängig verifiziert; interne Pilotprojekte bei Maschinenbaukunden
• VDMA Technische Dokumentation: Verband Deutscher Maschinen- und Anlagenbau, Fachabteilung Technische Dokumentation; Branchenberichte 2022–2024

Du willst wissen, wie KI-gestützte Dokumentation in eurer konkreten Systemlandschaft (ERP, CAD, bestehendes CCMS) funktionieren würde und was ein realistischer Einstieg kostet? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.