KI-gestützte Systemdokumentation eines Cloud-ERP

Wie die Deepico AG innerhalb weniger Wochen eine KI-gestützte Systemdokumentation für ihr Cloud-ERP in der Nahrungsmittelindustrie aufgebaut hat – von Chat-Bot-Experimenten bis zum erfolgreichen Einsatz von Notebook LM.

Dieser Blogbeitrag ist eine Weiterführung des Fachbeitrags aus dem Buch "KI im Projektmanagement" vom Schweizerischen Projektmanagement Verband (spm).

Fachbeitrag: Auszug aus dem Abstract

Der Fachbeitrag zeigt praxisnah, wie die Deepico AG innerhalb weniger Wochen eine KI-gestützte Systemdokumentation für ihr eigenentwickeltes Cloud-ERP für die Nahrungsmittelindustrie aufgebaut hat – mit Fokus auf Verbesserungen in Support und Schulung.

Mehrwert (Ziele) einer Systemdokumentation

• Effiziente Beantwortung von Supportanfragen zur Systemnutzung
• Nachhaltige Schulung von Kunden und neuen Mitarbeitenden
• Ressourcenschonende Dokumentation der dynamischen Weiterentwicklung des Systems

Erster Ansatz: Der Chat-Bot im ERP

Unsere erste Idee war naheliegend: Vorhandene, aber fragmentierte Informationsquellen zusammenführen und über einen Chat-Bot direkt in unserer Cloud-ERP-Applikation zugänglich machen. Nutzer sollten im laufenden Arbeitsalltag einfach fragen können und sofort eine Antwort erhalten.

Was wir gelernt haben: Der Ansatz war vielversprechend, stiess aber an drei Grenzen:

Geschwindigkeit versus Qualität

Mit einem leistungsstarken "Deep Thinking"-Sprachmodell lagen die Antwortzeiten bei 15 bis 20 Sekunden. Das ist lang – wissenschaftliche Erkenntnisse bestätigen, dass solche Wartezeiten den Arbeitsfluss spürbar unterbrechen. Gleichzeitig hat unser erstes Nutzer-Testing klar gezeigt: Die Antwortqualität ist entscheidend dafür, ob ein Chat-Bot überhaupt genutzt wird. Eine schnelle, aber ungenaue Antwort nützt niemandem. Die Antwortzeit auf vielleicht zehn Sekunden zu senken wäre technisch möglich. Der Aufwand dafür stünde jedoch in keinem guten Verhältnis zum Nutzen.

Kein Raum für kundenspezifische Konfigurationen

Unser Cloud-ERP bedient verschiedene Branchen der Lebensmittelindustrie – von Bäckerei und Konditorei über Früchte und Gemüse bis zur Fleischverarbeitung. Die unterschiedlichen Prozesse haben über die Zeit zu verschiedenen Modulversionen und Basis-Setups geführt. Der Chat-Bot konnte diese Unterschiede nicht abbilden: Er wusste nicht, welcher Kunde mit welchen Modulen und Versionen arbeitet. Das sauber zu lösen, hätte bedeutet, sämtliche Datenquellen manuell zu indexieren und mit den jeweiligen Kunden zu verknüpfen – ein erheblicher Zusatzaufwand.

Der Quellcode als schwierige Datenbasis

Die ursprüngliche Idee, den Quellcode als Grundlage zu nutzen und ihn via generativer KI in verständliche Sprache zu übersetzen, hat sich als komplexer erwiesen als gedacht. Allein für die Artikelstammdaten braucht es rund 40 Code-Files. Dazu kommen verlinkte Dateien mit wiederverwendbaren Bausteinen. Das Sprachmodell kann all das lesen, aber der Kontext wird dadurch so gross, dass die Antwortgenauigkeit merklich leidet. Ausserdem enthält der Quellcode viele Informationen, die für die Nutzung der Applikation irrelevant sind. Es wäre schlicht schwierig, das Modell so zu instruieren, dass es nur das herausfiltern konnte, was Nutzende im Alltag wirklich interessiert. Ein effizienter, automatisierter Abgleich bei Weiterentwicklungen war damit kaum realisierbar und hätte dauerhaft zu erheblichem Pflegeaufwand geführt.

Neuer Ansatz: Notebook LM als interne Wissensquelle

Als "KI first"-Unternehmen beobachten wir kontinuierlich, welche neuen Technologien uns wirklich weiterbringen. Dabei sind wir auf Notebook LM gestossen – und waren schnell überzeugt.

Die Stärken liegen auf der Hand:

• Vielseitiger Informationszugang: Neben dem Chat-Interface lassen sich Inhalte auch als Video, Podcast, Mindmap oder Lernkarten aufbereiten. Gerade die Lernkarten sind ein spannendes Feature, um Wissen gezielt zu trainieren.
• Einfach für alle: Auch Mitarbeitende ohne technischen Hintergrund können Notebook LM problemlos bedienen. Informationsquellen lassen sich wie in einer einfachen Weboberfläche hochladen, aktualisieren oder entfernen.
• Transparente Quellen: Notebook LM referenziert bei jeder Antwort die zugrundeliegende Quelle. Stimmt etwas nicht mehr, kann die Quelle direkt angepasst und neu gespeichert werden – ohne Umwege.
• Multimediale Datenbasis: Notebook LM verarbeitet nicht nur Dokumente, sondern interpretiert auch Videos und Weblinks zuverlässig.

Heute arbeitet das Deepico-Team mit Notebook LM. Wir haben alle System- und Modulbeschriebe, Anleitungen, Instruktionsvideos sowie die wichtigsten Update-Notes als Quellen hinterlegt. Ob bei Kundeneinführungen, Schulungen oder Support-Anfragen: Wir nutzen Notebook LM, um passgenaue Anleitungen zu erstellen – schriftlich oder als Video, je nach Kundenwunsch. Aktuell setzen wir das Tool intern ein, prüfen die Outputs sorgfältig und reichern die Anleitungen anschliessend mit kundenspezifischen Printscreens und Daten an.

In-App-Dokumentation und intuitive Benutzerführung

Parallel dazu investieren wir gezielt in die Dokumentation direkt im System. Funktionen werden zunehmend über Kontextmenüs erklärt. Noch wichtiger: Wir legen grossen Wert darauf, dass Nutzerinnen und Nutzer schon durch die Applikation selbst geführt werden – mit einer durchdachten Benutzeroberfläche, die zeigt, wo welche Funktionen sind und wie sie funktionieren. Gute UX ist die beste Dokumentation.

KI als Antrieb – nach innen und aussen

Dieses Projekt steht exemplarisch dafür, wie wir bei Deepico arbeiten: Wir setzen KI stetig selbst ein, sammeln echte Erfahrungen und lassen dieses Wissen direkt in unsere Kundenprojekte einfliessen. Mit Weitblick, Mut und der Bereitschaft, aus einzelnen Schritten zu lernen, begleiten wir Unternehmen dabei, KI nicht nur einzusetzen, sondern damit echten Mehrwert zu schaffen.

Autorin: Claudia Eigenmann, Projektleiterin bei der Deepico AG (ein Venture der Deep Impact AG)