Viele Serviceteams haben in den letzten Jahren investiert. Sie haben Ticketsysteme eingeführt, Wissensdatenbanken aufgebaut, Self-Service-Portale erweitert und erste KI-Piloten gestartet. Die Investitionen sind real, die erhoffte Entlastung bleibt es oft nicht.

Den Unterschied macht die Frage, ob die Technologien in strukturell funktionierende Prozesse eingebettet sind oder isoliert neben ihnen stehen.

Drei strukturelle Ursachen, warum Produktivität im Service ausbleibt

In den meisten Serviceorganisationen ist über Jahre eine Systemlandschaft entstanden, die viele Aufgaben abbildet, sie aber nicht verbindet. Das ERP kennt die Maschine, das CRM kennt den Kunden und das Ticketsystem kennt den Fall, aber keines davon kennt alle drei gleichzeitig.

Das Ergebnis ist vorhersehbar. Servicemitarbeitende verbringen einen erheblichen Teil ihrer Zeit damit, Informationen zu suchen, zusammenzuführen und nachzufragen, anstatt sie in die eigentliche Problemlösung zu investieren.

Ursache 1: Wissen existiert, aber ist nicht zugänglich

Im Anlagenbau liegen 60 bis 80 Prozent aller servicerelevanten Informationen in unstrukturierten Formaten, im Maschinenbau ist es rund die Hälfte. Selbst im Automotive-Bereich, der als am stärksten formalisiert gilt, entscheidet das Wissen, das nirgendwo erfasst ist, letztlich über die First-Time-Fix-Rate.

56,7 Prozent der Industrieunternehmen bestätigen, dass ein Großteil ihrer Serviceereignisse wiederkehrend ist und sich mit bekannten Lösungen beheben ließe. 45 Prozent sagen gleichzeitig, dass Entscheidungen heute unnötigerweise in Leitungsebenen eskaliert werden, weil das nötige Wissen auf der Ausführungsebene fehlt.

Fast jede zweite Eskalation wäre vermeidbar.

Ursache 2: Skalierung scheitert am Personalmodell

Wenige Expertinnen und Experten bearbeiten viele Anfragen, was bis zu einem bestimmten Volumen funktioniert. Mit wachsender Installed Base und steigenden Servicezahlen gerät diese Struktur unter Druck, den sie strukturell nicht lösen kann, denn Personal wird nicht proportional mitwachsen.

Ursache 3: Erfahrungswissen geht verloren, bevor es gesichert wird

Die Babyboomer-Generation tritt in den kommenden Jahren in Rente, und mit den langjährigen Erfahrungsträgern verlässt ein Großteil ihres tacit Knowledge die Unternehmen. Ein erfahrener Servicetechniker weiß, welcher Fehlercode in welcher Maschinenkonfiguration welches Verhalten zeigt. Er hat dieses Wissen in Jahren aufgebaut, nicht aus einem Handbuch übernommen. Wer es nicht vor dem Abgang sichert, verliert es.

Was heute wirklich den Unterschied macht

Organisationen mit messbaren Verbesserungen gehen anders vor. Sie setzen zuerst an den Grundlagen an, bevor sie die Technologie verändern.

Wissen zugänglich machen — im richtigen Moment

Der entscheidende Hebel liegt darin, vorhandenes Wissen im Moment des Bedarfs verfügbar zu machen, und weniger im Aufbau weiterer Datenbanken. Digitale Assistenten verbinden vorhandene Datenquellen und liefern relevante Inhalte direkt im Kontext des aktuellen Falls, sodass das Wissen in den Dokumenten erstmals wirklich nutzbar wird.

47 Prozent der Industrieunternehmen haben durch mobile Endgeräte den Dokumentationsaufwand deutlich reduziert, 55 Prozent berichten gleichzeitig von besserer Dokumentationsqualität. Smarte Assistenzsysteme gehen einen Schritt weiter und machen das Erfasste auch unmittelbar abrufbar.

Shift Left: Vorgänge früher lösen

Wenn Standardfälle auf Tier-0 oder Tier-1 gelöst werden, weil der Assistent die richtige Information liefert, kommen weniger Fälle beim 2nd Level an, die Reaktionszeit sinkt und die First-Time-Fix-Rate steigt. Das ist Shift Left in der Praxis, nicht als Konzept.

Im Maschinenbau liegen die branchenüblichen Benchmarks für First-Time-Fix-Raten zwischen 60 und 80 Prozent, und wer Wissen besser verfügbar macht, kommt näher an die obere Grenze.

Integration statt Isolation

Neue Systeme helfen, wenn sie in bestehende Abläufe eingebettet sind. Wer ein Ticketsystem einführt, löst damit keine Wissensfragmentierung, und wer eine Wissensdatenbank aufbaut, löst damit kein Integrationsproblem. Der Arbeitsaufwand verlagert sich, er sinkt nicht.

Was funktioniert, ist ein anderes Prinzip: Informationen stehen dort zur Verfügung, wo sie gebraucht werden, der Wechsel zwischen Systemen nimmt ab und Medienbrüche verschwinden.

Welche Rolle KI dabei realistisch spielt

KI-Systeme brauchen eine strukturierte, konsistente Datenbasis, und wo diese fehlt, bleiben die Ergebnisse allgemein. Generative KI-Systeme neigen dann zum Halluzinieren, also zu Antworten mit hoher Konfidenz, die faktisch falsch oder auf den falschen Fall bezogen sind. Im technischen Service hat das direkte Konsequenzen, denn eine falsche Ersatzteilnummer oder eine fehlerhafte Wartungsanweisung kostet mehr als die gesparte Zeit.

Den Unterschied macht die Architektur. Systeme, die vor der Antwortgenerierung gezielt auf verifizierte Unternehmensdokumente zugreifen, liefern präzisere und nachvollziehbarere Ergebnisse, weil der digitale Assistent aus dem Wissensbestand des Unternehmens antwortet und dabei Quellenangaben liefert.

59 Prozent der Service-Experten glauben nicht, dass KI den Menschen im Kundenkontakt vollständig ersetzen kann. Diese Einschätzung ist realistisch und beschreibt den richtigen Ausgangspunkt für eine erfolgreiche Einführung.

Mensch und KI haben unterschiedliche Stärken. KI übernimmt Informationsbereitstellung, Routine und Skalierung, während Menschen Urteile treffen, die Erfahrung und Kontext erfordern. Jede Korrektur des Experten verbessert den Assistenten. Das ist Human in the Loop, und es ist das Modell, das in der Praxis funktioniert.

Fazit: Den richtigen Hebel finden

Produktivität im technischen Kundenservice steigern bedeutet in erster Linie, die richtigen Grundlagen zu legen: Wissen zugänglich machen, Prozesse integrieren und Erfahrungswissen sichern, bevor es verloren geht.

Wer das konsequent umsetzt, erreicht kürzere Bearbeitungszeiten, höhere First-Time-Fix-Raten und eine Skalierbarkeit, die unabhängig vom Personalwachstum funktioniert.

Drei Fragen helfen dabei, den eigenen Startpunkt zu bestimmen.

1. Wie viel Arbeitszeit im Service fließt heute in Suche und Informationszusammenführung statt in die eigentliche Problemlösung?
2. Welches Wissen verlässt das Unternehmen, wenn erfahrene Servicekräfte gehen, und wie viel davon ist heute gesichert?
3. Wie viele Anfragen landen beim 2nd Level, die mit dem richtigen digitalen Assistenten früher gelöst werden könnten?

Technischer Service entwickelt sich dynamisch. Produkte gewinnen an Komplexität, Kundinnen und Kunden erwarten schnelle Lösungen und gleichzeitig bleibt die Verfügbarkeit erfahrener Fachkräfte begrenzt. In vielen Organisationen zeigt sich ein ähnliches Bild. Ticketvolumen steigt, Anfragen durchlaufen mehrere Stationen und Expertinnen und Experten sind stark ausgelastet.

Der entscheidende Faktor liegt in der zeitlichen Organisation der Problemlösung. Viele Anliegen erreichen ihre Lösung erst in einer späten Phase des Prozesses. Maschinenstillstände dauern länger an, Rückmeldungen verzögern sich und der Ressourceneinsatz steigt kontinuierlich.

In diesem Kontext gewinnt ein Ansatz zunehmend an Bedeutung, der die Logik im Service grundlegend weiterentwickelt. Shift-Left steht für eine frühzeitige und effiziente Form der Problemlösung.

Shift-Left im technischen Service einfach erklärt

Der Begriff Shift-Left beschreibt die Verlagerung von Problemlösungen an den Anfang des Serviceprozesses. Ziel ist eine möglichst frühe Klärung von Anliegen, idealerweise direkt im Moment ihres Auftretens.

Im industriellen Service bedeutet das eine klare Veränderung in der Arbeitsweise. Lösungen entstehen bereits im direkten Kontakt mit dem Problem. Der First-Level übernimmt mehr Verantwortung und Kundinnen und Kunden werden aktiv in die Lösung eingebunden.

Diese Entwicklung führt zu schnelleren Ergebnissen, reduziert den Koordinationsaufwand und stärkt die Servicequalität.

Klassischer Service vs. Shift-Left: Der strukturelle Unterschied

Viele Serviceprozesse folgen einem etablierten Ablauf. Ein Problem wird gemeldet, aufgenommen und an die passende Stelle weitergegeben. Die eigentliche Lösung entsteht oft in einer späteren Phase.

Shift-Left verschiebt diesen Ablauf nach vorne und verändert damit die Struktur des gesamten Prozesses:

Diese Veränderung zeigt sich in jeder Phase des Serviceprozesses und schafft die Grundlage für effizientere Abläufe.

Wie sich Wissen bis zum Kunden verschiebt

Wissen spielt eine zentrale Rolle im technischen Service. In vielen Unternehmen liegt es in Dokumentationen, in Systemen oder in den Erfahrungen einzelner Expertinnen und Experten vor. Der Mehrwert entsteht dann, wenn dieses Wissen im richtigen Moment verfügbar ist.

Im Shift-Left-Ansatz wird Wissen aktiv nach vorne verlagert. Es steht nicht nur internen Teams zur Verfügung, sondern erreicht auch die Kundinnen und Kunden in einer verständlichen und anwendbaren Form. Das macht Lösungen dadurch greifbar und direkt umsetzbar.

Diese Entwicklung stärkt die Eigenständigkeit auf Kundenseite und erweitert gleichzeitig die Handlungsspielräume im First-Level. Expertinnen und Experten können sich stärker auf anspruchsvolle Fragestellungen konzentrieren.

Warum Shift-Left im industriellen Service besonders wirksam ist

Der industrielle Service bietet ideale Voraussetzungen für diesen Ansatz. Stillstände wirken sich unmittelbar auf die Wirtschaftlichkeit aus, viele Problemstellungen wiederholen sich und qualifizierte Fachkräfte sind gezielt einzusetzen.

Typische Servicefälle weisen eine klare Struktur auf. Dazu gehören beispielsweise:

• Fehlercodes mit definierten Ursachen
• Bedienfehler im täglichen Betrieb
• wiederkehrende Wartungs- und Ersatzteilthemen

Diese Situationen lassen sich systematisch bearbeiten und bieten großes Potenzial für eine frühzeitige Lösung.

So funktioniert Shift-Left in der Praxis

Die praktische Umsetzung orientiert sich konsequent am konkreten Problem. Nutzende schildern ihre Situation über ein Interface, etwa über einen Chat oder eine mobile Anwendung. Das System analysiert die Anfrage, stellt passende Rückfragen und entwickelt ein klares Verständnis für die Ausgangssituation.

Auf dieser Basis stellt der digitale Assistent relevante Inhalte bereit. Dazu zählen unter anderem Dokumente, erprobte Lösungswege und Erfahrungswerte aus vergleichbaren Fällen. Die Informationen sind so aufbereitet, dass sie unmittelbar zur Anwendung führen.

Der Prozess begleitet die Nutzenden Schritt für Schritt bis zur Lösung. Jede Interaktion trägt dazu bei, das Verständnis weiter zu schärfen und die Qualität zukünftiger Antworten zu verbessern.

Falls ein Anliegen zusätzliche Expertise erfordert, wird eine Fachperson eingebunden. Die vorhandenen Informationen bleiben erhalten und unterstützen die Bearbeitung. Gleichzeitig wird das neu gewonnene Wissen dokumentiert und steht künftig zur Verfügung. So entsteht ein kontinuierlicher Lernprozess.

Warum viele Shift-Left-Initiativen scheitern

Der Ansatz überzeugt durch seine Klarheit. Die Umsetzung verlangt eine durchdachte Struktur.

Eine Herausforderung liegt in der Nutzbarkeit von Wissen. Informationen sind häufig vorhanden, erreichen die Nutzenden jedoch nicht im passenden Kontext. Der Zugang erfordert zusätzliche Schritte, was die Effizienz mindert.

Ein weiterer Aspekt betrifft die Ausrichtung von Systemen. Technologische Lösungen entfalten ihre Wirkung dann, wenn sie eng mit den Prozessen verzahnt sind. Eine ganzheitliche Betrachtung führt zu nachhaltigen Ergebnissen.

Shift-Left entfaltet sein Potenzial besonders dann, wenn Organisation, Wissen und Technologie aufeinander abgestimmt sind.

Was moderne Serviceansätze heute leisten müssen

Moderne Serviceansätze verbinden mehrere Fähigkeiten miteinander. Sie erfassen das konkrete Problem, stellen relevante Inhalte im passenden Moment bereit und entwickeln sich kontinuierlich weiter.

Der Fokus liegt auf der Lösung. Informationen dienen als Grundlage für konkrete Handlungsschritte und unterstützen Nutzende entlang des gesamten Prozesses.

Systeme, die diesen Anspruch erfüllen, integrieren vorhandenes Wissen aus Dokumenten und aus praktischen Erfahrungen. Sie stellen es in direktem Bezug zur jeweiligen Situation bereit und erweitern ihre Wissensbasis mit jeder Interaktion.

Shift-Left als strategischer Hebel im Service

Shift-Left eröffnet neue Möglichkeiten für den technischen Service. Die frühzeitige Lösung von Problemen steigert die Effizienz, verkürzt Reaktionszeiten und stärkt die Zufriedenheit auf Kundenseite.

Der Schlüssel liegt im gezielten Umgang mit Wissen. Wenn Informationen strukturiert verfügbar sind und direkt zur Anwendung führen, entsteht ein spürbarer Mehrwert.

Moderne Assistenzsysteme unterstützen diese Entwicklung. Sie verknüpfen Wissen mit realen Anwendungsfällen, begleiten Nutzende durch den Lösungsprozess und erweitern kontinuierlich ihre Fähigkeiten.

Ein Blick auf die eigenen Serviceprozesse zeigt schnell, wo Potenziale liegen. Wer den Zeitpunkt der Problemlösung nach vorne verlagert, schafft die Grundlage für einen leistungsfähigen und zukunftssicheren Service.

Wenn du dich aktuell mit steigenden Ticketzahlen, langen Reaktionszeiten oder einer hohen Belastung im Service beschäftigst, lohnt sich ein genauer Blick auf die eigenen Abläufe. Häufig zeigt sich dabei, wie viel Potenzial bereits in vorhandenem Wissen steckt und wie stark sich Prozesse durch einen früheren Lösungszeitpunkt verbessern lassen.

Wenn eine Anlage steht, wird „Digitalisierung“ sehr schnell konkret. Ersatzteile müssen identifiziert, Fehlersymptome eingeordnet, Serviceeinsätze geplant, Sicherheitsfreigaben geklärt, und Wissen aus Handbüchern, Schaltplänen und vergangenen Serviceberichten muss in Minuten verfügbar sein. Genau hier liegt die Chance von KI-Agenten, indem sie als aktive Unterstützung entlang des gesamten Serviceprozesses im Maschinen- und Anlagenbau mitarbeiten.

Gleichzeitig zeigt die Praxis, dass viele Agenten-Pilotierungen in der Demo-Phase hängen bleiben. Der Grund ist selten „das Modell“, sondern die Umgebung. Sie besteht aus heterogenen Systemlandschaften (ERP, PLM, CMMS/FSM, DMS), lückenhafter Dokumentation, wechselnder Konnektivität beim Kunden sowie strenger Sicherheitsanforderungen. Und letztlich der Frage, welche Bedingungen Mitarbeitende im technischen Service brauchen, damit KI wirklich entlastet, statt zusätzliche Arbeit zu erzeugen.

Mit diesem Beitrag übersetzen wir zehn zentrale AI-Trends für 2026 in die Realität des technischen Service mit Fokus auf Voraussetzungen, Betrieb und konkrete Arbeitsbedingungen.

Warum Agenten gerade jetzt produktionsreif werden (und warum das für den Service relevant ist)

Vier Entwicklungen schieben das Thema 2026 aus dem „Experiment“-Modus in die Umsetzung:

1. Smarter statt bigger: Effiziente, kleinere Modelle werden stark genug, um konkrete Aufgaben zu erledigen. Und sie lassen sich wirtschaftlicher betreiben.
2. Edge-/On-Prem-Fähigkeit: Agenten können näher am Einsatzort laufen. Nämlich dort, wo Daten entstehen und wo Konnektivität nicht garantiert ist oder digitale Souveränität vorausgesetzt wird.
3. Interoperabilität durch Standards: Mit MCP/A2A und Skills-Ansätzen entstehen wiederverwendbare Muster für Kontextzugriff, Tool-Anbindung und Agenten-Zusammenspiel.
4. AgentOps: Der Betrieb der Agenten (Monitoring, Evaluation, Verbesserung) wird zur eigenen Disziplin und damit planbar.

Die 10 AI Trends 2026  übersetzt für den technischen Service im Maschinen- und Anlagenbau

Trend 1: Smarter statt bigger Modelle (SLMs werden erwachsen)

Statt immer nur größer zu werden, verschiebt sich der Fortschritt hin zu „besser gebaut“. Das sieht man an neuen Modellideen von Universal Transformers, den Ansätzen für strukturierteres Denken wie dem Hierarchical Reasoning Model oder „klein, aber schlau“-Konzepten wie Less is More und dem Universal Reasoning Model. Dazu kommen Zusätze für stabilere Trainingsmethoden wie mHC und bessere Repräsentationslernverfahren wie LeJEPA.

Im technischen Service ist dadurch digitale Souveränität der Unternehmen realistisch. Technikerinnen und Techniker können am Einsatzort Fehlercodes über eine sichere Cloud  aus Deutschland interpretieren, relevante Dokumentpassagen zusammenfassen oder Schrittfolgen prüfen.

Trend 2: Agentic AI am Edge (on-premise wird wieder wichtig)

Ein zweiter Schub kommt aus der Fähigkeit, solche Systeme effizient „vor Ort“ laufen zu lassen. Modelle wie Mistral 7B oder Gemma 3 machen agentische Workflows auf Edge-Geräten, wie On-Prem-Server oder Service-Laptops,  und in geschützten Umgebungen deutlich praktikabler.

Für den Service ist das kein Nice-to-have, sondern Alltagsrealität. Unterstützung muss auch in Werken, bei Kunden mit restriktiven Netzen oder in Regionen mit schwacher Abdeckung funktionieren, gerade bei Inbetriebnahme, Wartung und Störungsbehebung.

Trend 3: Standards für das Agentic Web (MCP, A2A, Skills)

Parallel reift die Standardisierung. Standards definieren, wie Assistenzsysteme Kontext beziehen, Tools nutzen und miteinander kooperieren, zum Beispiel über MCP und Agent-to-Agent-Protokoll (A2A). Ergänzend kommen spezialisierende Konzepte wie Agent Skills ins Spiel.

Im Service entsteht dadurch ein wiederverwendbarer Integrationsbaukasten. Ein Assistent liest die Anlagenhistorie, ein anderer prüft die Ersatzteilverfügbarkeit, ein dritter erstellt den Einsatzbericht, und alle spielen über definierte Schnittstellen zusammen.

Trend 4: Agentic UI (Formulare werden adaptiv)

Die Bedienung verändert sich ebenfalls. Statt starrer Masken rücken zielorientierte, dynamische Oberflächen in den Vordergrund, bei denen Menschen Ziele, Rahmenbedingungen und Kontrolle definieren, während das System die passende Interaktion erzeugt. Ein anschauliches Beispiel für diesen Denkwechsel ist Agentic UI im Kundenservice.

Für Serviceprozesse heißt das, dass Checklisten, Work Orders und Workflows sich stärker am Kontext ausrichten. Die Formulare erstellen sich datengetrieben und reduzieren den Erstellungs- und Programmierungsaufwand.
Der Output reduziert gleichzeitig die Suchzeit in Systemen und senkt Fehlerrisiken, weil Mitarbeitende weniger „klicken müssen, um den Prozess zu finden“, sondern den Prozess direkt geführt bekommen.

Damit das am Shopfloor wirklich trägt, braucht es klare Leitplanken in der Prozesslogik, also eindeutige Pflichtschritte und definierte Ausnahmen. Zusätzlich muss nachvollziehbar sein, warum ein Vorschlag kommt, und die Oberfläche muss unter realen Bedingungen funktionieren.

Trend 5: Operating AI Agents (AgentOps wird Pflicht)

Sobald Agenten real in Abläufe eingreifen, verschiebt sich der Fokus von „deployen“ zu „betreiben“. Observability, Evaluation, Fehleranalyse und kontrollierte Verbesserungszyklen werden zur Grundlage, um Verhalten messbar zu machen und über die Zeit stabil zu halten.

Im technischen Service ist das besonders relevant, weil Prozesse sicherheitskritisch und reputationskritisch sind. Ein „halluzinierter“ Arbeitsschritt kann reale Schäden verursachen. AgentOps, bei der targenio Assistenten-Plattform als Trainer gedacht, sind deshalb weniger ein Extra als das Betriebssystem für verlässliche Assistenz im Feld.

Konkret brauchen Mitarbeitende Transparenz über Logs und Traces, Qualitätsmetriken und realistische Testszenarien. Zusätzlich müssen Eskalationspfade stehen, nach dem Prinzip „wenn unsicher, dann Stopp und Übergabe an Menschen“.

Trend 6: Robotic Intelligence (Agenten treffen physische Welt)

In der Diskussion um Robotik ist der Sprung zur „Roboter-KI“ schnell gemacht, im Service-Alltag ist der Hebel aber oft bodenständiger. Bevor autonome Systeme flächig im Feld handeln, gewinnen Formen von Remote-Service und Telepresence an Gewicht, also Unterstützung, bei der Menschen aus der Ferne sicher auf Maschinen zugreifen und Diagnosen sowie Maßnahmen anstoßen können, zum Beispiel über Remote Support und verwandte Telepresence-Ansätze.

Gerade im Maschinen- und Anlagenbau ist das eine realistische Brücke zwischen „alles vor Ort“ und „voll autonom“. Es erlaubt schnellere Reaktion, kürzere Stillstandzeiten und eine bessere Erstlösung, ohne dass der Serviceprozess die Kontrolle aus der Hand gibt. Gleichzeitig bleibt klar, wo die Verantwortung liegt, weil Entscheidungen weiterhin bei Menschen liegen und Systeme vor allem vorbereiten, strukturieren und absichern.

Damit das keine Grauzone wird, braucht es Sicherheitskonzepte, klare Verantwortlichkeiten und eine Integration in bestehende Wartungs- und Freigabeprozesse. Gerade dort, wo Systeme physisch handeln oder Remote-Zugriffe möglich sind, entscheidet Governance über Sicherheit und Effizienz.

Trend 7: Agentic AI goes mainstream (Kunden erwarten neue Servicequalität)

Ein weiterer Trend ist weniger technisch, sondern marktgetrieben. Agenten werden Bestandteil vieler digitaler Services, und damit verschiebt sich das Erwartungsniveau bei Kundinnen und Kunden.

Im technischen Service zeigt sich das vor allem im Self-Service. Portale entwickeln sich vom Ticket-Formular zu handlungsorientierten Serviceassistenten, die Vorqualifizierung, Datenabfrage, Vorbereitung der Einsatzplanung und Ersatzteilvorschläge unterstützen.

Damit Service-Teams davon profitieren, müssen Übergaben ohne Informationsverlust funktionieren. Der Assistent muss Gespräche sauber dokumentieren, Kontext an Technikerinnen und Techniker übergeben und Vorschläge liefern, ohne dabei Entscheidungen unkontrolliert vorwegzunehmen.

Trend 8: Enormes Potenzial, aber Kontextintegration bleibt der Engpass

Nach wie vor ist der Engpass erstaunlich bodenständig und gleichzeitig der wichtigste Punkt für echte Wirkung. Die größte Hürde ist die verlässliche Integration von Kontext, insbesondere Zugriffe auf Enterprise-Daten und -Systeme. Und hier spielt Unsicherheit immer mit, weil fehlende oder widersprüchliche Informationen im Service nicht nur „schlechte Antworten“, sondern im Zweifel falsche Entscheidungen bedeuten.

Im Service gilt deshalb sehr klar, dass jeder Agent nur so gut wie sein Kontext ist. Ohne Zugriff auf Stücklisten, Wartungshistorie, Parameterstände, Vertragsdaten, Ersatzteillager und Einsatzplanung bleibt Unterstützung meist oberflächlich und in vielen Fällen nicht einmal hilfreich. Und auch wenn ein Agent Prozesse automatisiert, tut er das am Ende dadurch, dass er Informationen und nächste Schritte als Text strukturiert und damit Handlungen in Systemen vorbereitet oder auslöst. Je mehr belastbarer Kontext verfügbar ist, desto mehr Use Cases lassen sich potenziell umsetzen.

Genau darin liegt auch die Chance für Projekte. Wer Kontextintegration sauber aufsetzt, schafft die Grundlage, auf der sich Assistenz und Automationen skalieren lassen. Für Mitarbeitende bedeutet das: Datenqualität, eindeutige Asset-Identitäten und saubere Stammdaten sind kein Nebenprojekt, sondern die Grundlage. Zusätzlich braucht es eine pragmatische Integrationsroadmap, die erste Erfolge liefert, statt alles auf einmal lösen zu wollen.

Trend 9: Changing developer role (Service-IT wird Orchestrator)

KI kann beim Schreiben von Code unterstützen, trotzdem bleiben Architektur, Qualität, Nachvollziehbarkeit und Freigaben die Faktoren, die über Betriebsstabilität entscheiden.

Für Service-Organisationen wird es dann relevant, wenn daraus eine neue Arbeitsweise entsteht, bei der Änderungen schneller möglich sind, aber kontrolliert bleiben. Das gilt besonders dort, wo Serviceprozesse, Integrationen und Workflows häufiger angepasst werden, weil Produkte, Kundenanforderungen oder interne Abläufe sich ändern. Agenten-Workflows werden dann wie Produkte gepflegt, mit Versionierung, Freigaben und nachvollziehbaren Änderungen.

Damit diese Geschwindigkeit nicht zu Instabilität führt, braucht es Rollenklärung, etwa Product Owner Service Automation, bei uns der Ingenieur, und AgentOps Owner, beim targenio-Ansatz der Trainer, plus Schulungen sowie Standards für Tests, Freigaben und Dokumentation.

Trend 10: Kürzere Software-Lebenszyklen (Regeneration statt Refactoring)

Der zehnte Trend folgt logisch aus dem Tempo. Wenn Software schneller erstellt und angepasst werden kann, wird mehr Software geschrieben, manches aber auch mit kürzerer Lebensdauer. Bei häufig wechselnden Anforderungen werden Systeme eher regeneriert oder ersetzt als über Jahre immer wieder angepasst.

Im technischen Service liegt der Vorteil vor allem darin, neue Ideen für Services, Prozesse und Abläufe schneller auszuprobieren und früh zu sehen, wie Kundinnen und Kunden darauf reagieren. Anpassungen an neue Maschinengenerationen oder Sicherheitsvorschriften gehören ebenfalls dazu, wobei ältere Maschinen und bestehende Installationen natürlich weiterhin relevant bleiben und stabil mitlaufen müssen.

Entscheidend sind stabile Schnittstellen, ein modularer Skill- und Connector-Baukasten sowie konsequentes Regression-Testing. So rutschen Änderungen nicht unbemerkt in den Betrieb durch.

Wie wir bei targenio den „Service-tauglichen Assistenten“ denken

Unsere Erfahrung aus AI-/Service-nahen Projekten zeigt, dass der Hebel in einem wiederholbaren technischen Betriebskonzept liegt. Entsprechend fokussiert sich targenio unter anderem auf diese Bausteine:

• Flexible Deployment-Optionen (Edge/On-Prem/Cloud nach Bedarf), damit Agenten dort laufen, wo der Service stattfindet.
• Kontext- und Systemintegration als „First-Class“-Thema, heißt zuverlässiges Lesen und Schreiben der Assistenten in Unternehmenssystemen.
• Betrieb & kontinuierliche Verbesserung: Observability, Evaluation und trainerähnliche Mechanismen, um Agenten in der Praxis sicher zu steuern und schrittweise zu optimieren.

2026 ist das Jahr der „Service-tauglichen“ Agenten

Agenten werden produktionsreif, weil Technologie, Standards und Betriebsmodelle zusammenkommen. Für den Maschinen- und Anlagenbau entscheidet sich der Nutzen jedoch dort, wo Wert entsteht. Nämlich im technischen Service, unter echten Bedingungen, mit echten Risiken und echtem Zeitdruck.

Wer jetzt investiert, sollte weniger über „den einen großen Agenten“ nachdenken, sondern über eine Service-taugliche Architektur: Edge-fähig, standardisiert integrierbar, agentisch bedienbar und betrieblich kontrollierbar. Damit Mitarbeitende im Service spürbar entlastet werden und die Servicequalität steigt.

Die Geschichte der modernen Computertechnologie ist eine Blaupause für die Entwicklung von KI-Modellen hin zu kleineren, effizienteren und besser zugänglichen Systemen. Dort zeigt sich eine bemerkenswerte Parallele:
Alan Turing legte 1936 mit seiner universellen Rechenmaschine, der Turing-Maschine, den Grundstein für alle späteren Entwicklungen im Bereich der Computertheorie. Diese abstrakte Maschine definierte erstmals klar, was berechenbar ist und schuf damit eine theoretische Grundlage für sämtliche nachfolgenden Computerentwicklungen.

Von raumfüllender Rechenmaschine zur Hosentaschentechnologie

Ausgehend von Turings Konzept entstanden in den 1940er- bis 1960er-Jahren gewaltige Mainframe-Rechner wie der ENIAC oder IBM-Großrechner, die ganze Räume füllten und enorm viel Energie verbrauchten.
Durch Innovationen wie integrierte Schaltkreise und Mikroprozessoren schrumpften Computer jedoch kontinuierlich und wurden zunehmend zugänglicher. In den 1970er- und 1980er-Jahren erschienen erste Personal Computer wie der Apple II, die Rechenleistung und Funktionalität zu den Menschen nach Hause brachten.
Mit der Einführung der Smartphones, etwa des iPhones von Apple oder Android-Geräten wurde diese Technologie schließlich vollkommen mobil und für alle nutzbar.

Genau diese Entwicklung wiederholt sich nun in der Welt der KI-Modelle. Ursprünglich waren KI-Systeme wie GPT-Modelle oder Googles BERT extrem komplex und liefen ausschließlich in großen Rechenzentren. Heute werden KI-Modelle zunehmend kleiner, effizienter und damit alltagstauglicher.

Hardware als Vorbild für zukünftige KI-Modelle

Frühe KI-Modelle benötigten enorme Datenmengen, Milliarden von Parametern und teure Infrastruktur. Durch technologische Fortschritte wie Knowledge Distillation, Quantisierung, Pruning und der innovativen Mixture-of-Experts-Architektur (MoE) werden Modelle heute jedoch kompakter und effizienter. Modelle wie DeepSeek oder Mistral liefern hervorragende Ergebnisse mit deutlich weniger Parametern und funktionieren sogar auf mobilen Endgeräten. Die Miniaturisierung der KI-Technologie macht sie damit nicht mehr nur großen Unternehmen zugänglich, sondern einem viel breiteren Publikum.

Kleine KI-Modelle auf dem Vormarsch

Aktuell gibt es mehrere technologische Ansätze, die KI-Modelle kompakter, effizienter und gleichzeitig leistungsfähig gestalten.

Ein besonders erfolgreicher Ansatz ist die sogenannte Knowledge Distillation (Wissensdestillation). Dabei wird das Wissen großer KI-Modelle, die über Milliarden Parameter verfügen, auf kleinere, kompaktere „Schüler-Modelle“ übertragen.
Das Prinzip funktioniert ähnlich wie das Verhältnis eines Lehrers zu einem Schüler: Das große Modell trainiert ein kleineres Modell, sodass dieses mit weit weniger Ressourcen und Parametern ähnliche Ergebnisse liefert. Der Vorteil dieser Methode liegt darin, dass kleinere Modelle deutlich weniger Rechenleistung und Energie verbrauchen, und dabei nahezu die gleiche Qualität aufweisen.

Die Techniken des Prunings und der Quantisierung setzen hingegen direkt an der Optimierung der bestehenden Modelle an. Beim Pruning werden überflüssige oder unwichtige Parameter aus dem Modell entfernt, was die Komplexität reduziert. In Kombination mit Quantisierung, der Reduzierung der Genauigkeit von numerischen Berechnungen, verringert sich der Speicherbedarf massiv.
Modelle, die diese Techniken nutzen, laufen so deutlich schneller, verbrauchen weniger Strom und können auch lokal auf Smartphones oder IoT-Geräten eingesetzt werden.

Ein weiterer bahnbrechender Ansatz ist die MoE-Architektur, bei der Modelle in mehrere spezialisierte Teilnetzwerke (sogenannte „Experten“) aufgeteilt sind. Das Besondere: Je nach Eingabe werden zur Laufzeit nur diejenigen Experten aktiviert, die wirklich relevant sind. Dadurch sinkt der Aufwand pro Anfrage deutlich, da nicht sämtliche Parameter des Modells genutzt werden müssen. Diese Architektur erlaubt es großen Modellen, gleichzeitig kompakt und effizient zu sein, ohne Abstriche bei der Genauigkeit zu machen.

Schließlich gewinnt die Entwicklung sogenannter TinyML-Modelle stark an Bedeutung. TinyML steht für ultrakleine, hochspezialisierte KI-Modelle, meist mit weniger als einer Million Parametern, die direkt auf Mikrocontrollern, kleinen Geräten und Sensoren laufen können.
Ein populäres Beispiel ist der TinyTimeMixer von IBM, der extrem ressourceneffizient ist und somit KI-Technologie selbst in Umgebungen verfügbar macht, in denen traditionelle KI-Systeme aufgrund ihrer Größe und ihres Stromverbrauchs bisher nicht einsetzbar waren.

Die Demokratisierung der KI beginnt jetzt

Die zunehmende Verkleinerung von KI-Modellen hat weitreichende gesellschaftliche Auswirkungen und führt zu einer Demokratisierung der Künstlichen Intelligenz.
Technologie, die zuvor großen Unternehmen vorbehalten war, wird nun kleinen Unternehmen, Start-ups und Privatpersonen zugänglich gemacht. Lokale KI-Modelle verringern Abhängigkeiten von großen Cloud-Anbietern, verbessern den Datenschutz und erweitern so die Anwendungsfelder deutlich.

Der stärkere Wettbewerb und neue Innovationen sind ein weiterer Effekt der Demokratisierung. Kleine, spezialisierte Unternehmen haben die Chance, durch eigene, lokal nutzbare KI-Lösungen wettbewerbsfähiger zu werden und neue Geschäftsfelder zu erschließen.

Zusammengefasst bedeutet diese Entwicklung hin zu kompakten KI-Modellen nicht nur technologischen Fortschritt, sondern auch eine gerechtere und inklusivere Nutzung von KI-Technologien.

Technologischer Fortschritt wird nicht durch Größe definiert

Die Parallelen zwischen der Entwicklung von Computerhardware und KI-Modellen zeigen eindrucksvoll, dass technologischer Fortschritt nicht allein durch Größe und Komplexität definiert wird. Wie bei Computern folgt die KI-Entwicklung dem Muster, dass echter Durchbruch durch Miniaturisierung, Optimierung und breite Zugänglichkeit entsteht.

Standen am Anfang riesige Großrechner, denen später kleinere, erschwingliche Personal Computer folgten, so kulminierte diese Entwicklung schließlich in der alltäglichen Nutzung moderner Smartphones. Analog dazu zeigt sich auch in der KI-Entwicklung ein klarer Trend weg von großen, komplexen Modellen hin zu kompakteren, spezialisierten und lokal einsetzbaren KI-Lösungen.

Diese Entwicklung wird in Zukunft noch weiter an Bedeutung gewinnen. KI wird zunehmend zu einer Alltagsressource, die jeder auf dem Smartphone, der Smartwatch oder in den IoT-Geräten stets griffbereit haben wird. So wie es heute selbstverständlich ist, dass man jederzeit und überall einen leistungsfähigen Computer in der Tasche trägt. Dabei ist besonders bemerkenswert, dass durch diese Miniaturisierung und Dezentralisierung von KI-Technologie auch deren gesellschaftliche Reichweite erheblich zunimmt. KI wird nicht nur technologisch zugänglicher, sondern auch sozial fairer verteilt und vielfältiger nutzbar.

targenio Assistenten-Plattform als Wegbereiter

Um mit diesen rasanten technologischen Entwicklungen Schritt zu halten, ermöglicht unsere targenio Assistenten-Plattform eine einfache Integration verschiedenster KI-Modelle. Die Plattform ist so gestaltet, dass sie flexibel jedes neue KI-Modell aufnehmen kann. Egal, welche innovativen Modelle zukünftig entwickelt werden, unsere Plattform bleibt stets aktuell und einsatzbereit.

Du willst mehr darüber erfahren, wie unsere Assistenten-Plattform auch deinen Service zukunftsfähig macht? Kontaktier uns, wir freuen uns auf das Gespräch!

Image: KI-generiert

In den vergangenen zweieinhalb Jahren durften wir Teil eines außergewöhnlichen Forschungskonsortiums sein, dem Projekt X2Log (Anything-to-Log). Es hatte das Ziel, neue Wege zu finden, strukturierte und unstrukturierte Daten, also etwa Videomaterial, Sensorwerte oder Textdokumente, in logische Prozesse zu übersetzen.

Klingt theoretisch? War es auch. Aber was dabei herauskam, war für uns bei targenio ein Katalysator für unsere Zukunftsstrategie.

Daten sind nur der Anfang

Aus X2Log ergibt sich vor allem eine zentrale Erkenntnis: Entscheidend ist nicht die Datenmenge, sondern wie gezielt und sinnvoll sie genutzt wird.

Wir bei targenio betreuen Kundenserviceprozesse in hochkomplexen industriellen Umgebungen. Dort entstehen täglich Unmengen an Daten aus CRM-Systemen, ERP-Lösungen, Maschinensteuerungen und mehr. Und trotzdem haben wir erst durch die Zusammenarbeit in diesem Gremium wirklich verstanden, was unsere Nutzenden mit unserer Software machen.

• Prozesse sind nicht nur klickbare Abläufe. Unsere User springen zwischen Systemen, verwenden Kontextwissen, das nirgendwo dokumentiert ist, und lösen Probleme auf oft kreative Weise.
• Wir müssen dieses implizite Wissen sichtbar machen. Dazu entwickeln wir jetzt Assistenzsysteme, die genau beobachten, wie Entscheidungen entstehen, und daraus schrittweise lernen.
• Der Weg zur Automatisierung ist ein iterativer Prozess. Nicht alles muss sofort „vollautomatisiert“ sein. Stattdessen bauen wir auf lernende Systeme, die kontinuierlich besser werden.

Forschung, die Wirkung zeigt

Ein zentraler Bestandteil des Projekts war eine Reihe von begleitenden Forschungsarbeiten, die konzeptionell eng mit dem Fortschritt des Konsortialprojekts verknüpft waren. Diese lieferten fundierte Impulse für die Weiterentwicklung zentraler Komponenten. Die Komponenten dienten anschließend der Integration von strukturierten und unstrukturierten Datenquellen im Process Mining.

Zu Beginn stand eine umfassende Analyse des aktuellen „Stand der Technik“ rund um Process Mining mit Texten, Bildern und Videos im Fokus. Das Ergebnis bildete eine Art „Fahrplan für künftige Forschungsaktivitäten“.  So ist die Nutzung von Textdaten im Bereich Process Mining bereits gut erforscht, während es bei anderen Datenformen – insbesondere Videodaten – noch große Lücken gibt. Vor allem die Integration multimodaler Datensätze hat das Konsortium als dringendes Forschungsthema identifiziert.

Eine weitere Forschungsarbeit widmete sich genau dieser Lücke: der Nutzung von Videodaten als Input für Process Mining. In diesem Zusammenhang entwickelte das Fraunhofer FIT einen Ansatz, der mit Hilfe eines Algorithmus in der Lage ist, Prozessschritte allein anhand von Bewegungsmustern in Videos zu erkennen – ohne vorher zu wissen, wonach er sucht. Warum das relevant ist? In vielen industriellen Kontexten, wie Serviceeinsätzen oder Reparaturprozessen ist Video oft die einzige Datenquelle.

Aus der Zusammenarbeit heraus entstand seitens des Fraunhofer-FIT ebenfalls ein synthetischer, aber realitätsnaher Datensatz, der Videomaterial, Sensorwerte und strukturierte ERP-Daten vereint. Der Datensatz soll künftig anderen Forschungsgruppen zur Verfügung stehen, um daran neue Verfahren zu testen. Dadurch entstehen langfristig bessere Werkzeuge, die auch in der Praxis funktionieren.

Wie wir aus technologischer Architektur eine zukunftsfähige Lösung machen

Das Projekt hat uns auf Produktseite stark geprägt. Wir haben in den vergangenen Jahren unsere bestehende Plattform überdacht und setzen nun auf einen radikal neuen Technologieansatz.

Wir haben uns intensiv mit datengetriebener Optimierung, Protokollierung von Kontextdaten und weiterem beschäftigt. Damit wir all das in unserem Produkt vereinen, ist für uns die Überzeugung erwachsen, in Zukunft auf Basis der Low-Code-Plattform Mendix zu arbeiten.

Die Gründe dafür lagen auf der Hand:

• Geschwindigkeit | Wir sind mit Mendix 5–7x schneller als mit herkömmlicher Java-Entwicklung.
• Sicherheit & Skalierbarkeit | Als Teil des Siemens-Ökosystems erfüllt Mendix höchste Sicherheitsstandards.
• Kundenzentrierung | Wir können Lösungen in Echtzeit verändern, auf neue Anforderungen reagieren und gleichzeitig eine moderne User Experience gewährleisten.

Unsere neue Plattform denkt nicht mehr in starren Abläufen, sondern in dynamischen Assistenzsystemen, die lernen, wie Menschen Probleme lösen. Dabei protokollieren wir alle relevanten Kontextinformationen.

Diese Informationen bilden die Grundlage für kontinuierliche Verbesserung, gesteuert von einem „Trainer“-Modul, das Verbesserungsvorschläge liefert oder direkt Anpassungen an der Automatisierung vornimmt.

X2Log war ein Forschungsprojekt mit echtem Impact

Für targenio war X2Log weit mehr als ein Forschungsprojekt. Es war ein Innovationslabor, das uns neue Perspektiven eröffnet und unser Produktverständnis grundlegend erweitert hat.

Wir gehen aus dem Projekt mit:

• einem klareren Blick auf den Wert von Daten,
• konkreten Lösungen für unsere Kunden,
• und einer Technologieplattform, die bereit ist für die nächste Generation von digitalen Assistenten im industriellen Kundenservice.