Als ChatGPT auf den Markt kam, jubelte die Branche: „Endlich kann KI unsere technische Dokumentation schreiben!“ Aber diese Hoffnung war (und ist immer noch) ein gefährlicher Irrglaube – insbesondere in der regulierten Welt der Medizintechnik. So verlockend es auch klingt, komplexe technische Dokumentationen mit nur wenigen Eingaben zu erstellen: Wer glaubt, dass dies mit PDFs, Word-Dateien oder Excel-Tabellen als Eingabe funktioniert, baut eine tickende Zeitbombe.
Oder anders ausgedrückt: Man baut einen Formel-1-Motor in eine Pferdekutsche ein – und wundert sich, warum sie in der ersten Kurve verunglückt.
KI braucht Struktur – kein Papier
Große Sprachmodelle (LLMs) wie GPT sind beeindruckend leistungsstark. Aber sie sind keine Zauberer. Sie sind nur so gut wie die Daten, mit denen Sie sie füttern.
Und hier liegt das Problem: Die meisten technischen Dokumentationen existieren heute noch in unstrukturierten Formaten.
Das bedeutet:
- PDFs mit 200 Seiten Länge, ohne Metadaten.
- Word-Dokumente voller kopierter und eingefügter Altinhalte.
- Excel-Tabellen, die drei separate Erklärungen erfordern – wenn Sie Glück haben.
Diese Dokumente mögen für Menschen (mehr oder weniger) lesbar sein. Für KI sind sie jedoch ein Labyrinth. Fakten stehen neben Redundanzen. Versionen sind nicht klar voneinander getrennt. Die Terminologie variiert von Seite zu Seite. Das Ergebnis? Die KI beginnt zu raten. Im besten Fall entdeckt ein Prüfer den Fehler.
Im schlimmsten Fall? Die Fehler bleiben unentdeckt – und beeinflussen wichtige Produktentscheidungen. In einem regulierten Umfeld ist das kein geringfügiges Problem.
Dieses Risiko ist besonders gravierend in regulierten Umgebungen, in denen die Auswirkungen falscher oder inkonsistenter Informationen rechtlich und klinisch bedeutsam sein können (siehe DocBench 2024, Microsoft Research 2025).
Strukturierte Daten: Besserer Treibstoff für KI
Unsere eigene Arbeit bei meddevo – sowie zahlreiche Studien – zeigen eines ganz deutlich: Strukturierte, inhaltsbasierte Datenmodelle sind der Schlüssel für den effektiven und sicheren Einsatz von KI in der technischen Dokumentation.
Hier ein kurzer Vergleich:
Eine Studie von RWS (Tridion Docs) aus dem Jahr 2023 ergab, dass LLMs eine deutlich höhere sachliche Genauigkeit und relevantere Antworten lieferten, wenn sie mit Inhalten aus strukturierten, modularen Datenbanken statt mit rohen PDF- oder Word-Dateien gefüttert wurden. In ähnlicher Weise berichtete Fluid Topics im Jahr 2024, dass KI-Assistenten, die auf DITA-XML-Inhalten basieren, PDF-basierte Ansätze in Bezug auf Antwortqualität und Geschwindigkeit übertreffen.
Wie ein Branchenkollege treffend formulierte: „Garbage in, garbage out – but structured gold becomes real value.“
Warum das Medium wichtig ist – und warum PDFs das falsche Medium sind
Papierbasierte Formate (PDF, Word, Excel) wurden nie für Maschinen entwickelt. Sie sind passiv. Ihnen fehlen Semantik, Struktur und echte Metadaten. Sie sehen vielleicht gut aus – aber sie sind nicht in sinnvoller Weise maschinenlesbar. KI braucht Kontext, Klarheit und Modularität.
Inhaltsbasierte Datenmodelle bieten genau das:
Informationen, die nach Produktkomponenten, Verwendungszweck oder gesetzlichen Anforderungen organisiert sind. Versionierte, referenzierbare und rückverfolgbare Inhalte.
Und – was am wichtigsten ist – Inhalte, die nicht nur für Menschen, sondern auch für Maschinen verständlich sind.
Microsofts KBLaM (Knowledge Base Language Model, 2025) hat gezeigt, dass LLMs, die mit strukturierten Wissensquellen verbunden sind, genauer sind und weniger zu Halluzinationen neigen – sie weigern sich sogar, zu antworten, wenn keine zuverlässigen Inhalte verfügbar sind. Das ist ein Maß an Vertrauenswürdigkeit, das unstrukturierte Inhalte einfach nicht bieten können.
Nicht die KI ist das Problem – sondern das Medium
Die Sorge, dass KI ein Risiko für regulierte Dokumentationen darstellt, ist verständlich – aber irreführend. KI ist nicht das Risiko. Das eigentliche Risiko besteht darin, ihr die falschen Eingaben zu liefern.
Das sehen wir heute bereits deutlich:
Ein inhaltsbasiertes eTD-Modell ohne KI spart Zeit, verhindert Fehler und verbessert die Qualität. Das gleiche Modell mit KI verstärkt diese Vorteile noch – denn die Maschine rät nicht mehr, sondern liefert präzise Ergebnisse.
Laut ChatBees 2023 und Webex Developer Blog 2025 übertreffen KI-Chatbots, die mit strukturierten Dokumenten trainiert wurden, diejenigen, die mit Freiformdokumenten trainiert wurden, in fast allen Bereichen: Geschwindigkeit, Relevanz und Benutzerzufriedenheit.
Der Weg in die Zukunft: Harmonisiertes, strukturiertes, maschinenlesbares Wissen
Die Zukunft der technischen Dokumentation liegt in modularen, versionskontrollierten, semantisch angereicherten Datenmodellen. Im Idealfall: EU-weit harmonisiert, interoperabel und KI-fähig.
Was braucht es, um dorthin zu gelangen?
- Den Mut, von Dokumenten zu Inhalten überzugehen.
- Die Erkenntnis, dass KI nicht auf Papier läuft – sondern auf Datenlogik.
- Und die Verpflichtung, langfristige Qualität vor kurzfristiger Bequemlichkeit zu priorisieren.
Wie in der Agrawal et al. 2024 Knowledge Graph Survey zusammengefasst: „Die Kombination von LLMs und strukturierten Ontologien ist nicht optional – sie ist die natürliche Weiterentwicklung der KI-basierten Entscheidungsunterstützung.“
Fazit: KI ist kein Zauberstab – aber sie ist ein Kraftverstärker
Wer hofft, dass KI alte Word-Dokumente in perfekte technische Dateien verwandelt, wird zwangsläufig enttäuscht sein. Wer jedoch bereit ist, in strukturierte Inhaltsmodelle zu investieren, wird dafür belohnt – mit höherer Effizienz, besserer Qualität und regulatorischer Sicherheit. Der Wagen ist veraltet. Der Motor ist startklar.
Was fehlt, ist das richtige Fahrgestell – und das besteht definitiv nicht aus Papier.
Quellen & Referenzen
- RWS / Tridion Docs (2023): AI-Powered Content Management – A Case for Structured Documentation
- Fluid Topics (2024): How Structured DITA Boosts AI Capabilities
- DocBench Benchmark (2024): Evaluating LLMs on Technical Documents
- Microsoft Research (2025): KBLaM: Knowledge Base Language Models
- ChatBees (2023): Real-World AI Performance in Customer Documentation
- Webex Developers Blog (2025): Why Structured Data Wins in Conversational AI
- Agrawal, S. et al. (2024): A Survey on Knowledge Graphs in LLM Applications