Wie wir für ACOND die Erstellung von Inhalten automatisiert haben

ACOND gehört zu den führenden tschechischen Herstellern von Wärmepumpen und ist seit 1998 auf dem Markt tätig. Die Entwicklung, Erprobung und Fertigung seiner Wärmepumpen erfolgt im Werk in Milevsko, und das Unternehmen bietet neben den Produkten selbst auch Kundendienst und weitere Dienstleistungen im Zusammenhang mit deren Installation und Betrieb an. Trotz seiner starken Marktposition stand ACOND bis vor kurzem vor einer Herausforderung, die nicht direkt mit der Qualität seiner Produkte zusammenhing: Das Unternehmen verfügte über wesentlich mehr Fachwissen, als es in der Öffentlichkeit vermitteln konnte.

ACOND hat technische Datenblätter, Anleitungen, Produktparameter, internes Know-how und weitere Fachunterlagen erstellt. Es fehlte jedoch an systematisch aufgebauten Inhalten, die diese Informationen in Form von Artikeln, Antworten auf Kundenfragen oder Materialien für die Medien aufbereiten würden. Dies gewinnt in Zeiten klassischer Suchmaschinen und generativer KI zunehmend an Bedeutung. Wenn ein Unternehmen langfristig qualitativ hochwertige und sachliche Inhalte zu einem bestimmten Thema veröffentlicht, schafft es damit eine öffentlich zugängliche Informationsquelle, aus der Menschen, Suchmaschinen und Systeme, die generative KI nutzen, schöpfen können.

Für ACOND haben wir daher ein komplettes System namens „Content Brain“ entwickelt, das das Know-how des Unternehmens abrufen, bei der Erstellung von Inhalten nutzen und anschließend das Ergebnis überprüfen und validieren kann. Das Ergebnis ist ein Workflow, der einen neuen Fachartikel in weniger als zwei Minuten erstellen kann.

Wie kann man Informationen an die Kunden weitergeben?

Bei TRITON IT arbeiten wir in großem Umfang mit B2B-Technologieunternehmen zusammen. Wir stellen fest, dass bei Unternehmen, die seit Langem technische Produkte entwickeln, häufig eine besondere Situation entsteht. Innerhalb des Unternehmens ist ein beträchtlicher Wissensschatz vorhanden, doch nur ein kleiner Teil davon gelangt zu potenziellen Kunden. ACOND ist ein gutes Beispiel dafür. Das Unternehmen verfügte über ausgefeilte Produktunterlagen und Fachdokumentation. Das ist eine ausreichende Grundlage für einen Techniker, Planer oder Servicemitarbeiter, aber nicht unbedingt für jemanden, der bei Google oder einer KI Fragen eingibt wie „Wie wählt man eine Wärmepumpe aus?“, „Wie laut ist eine Wärmepumpe?“, „Wie hoch ist die Amortisationszeit einer Wärmepumpe?“ oder „Wie funktioniert eine Wärmepumpe im Winter?“

Gerade diese Art von Fragen bietet einen Rahmen, in dem fachliche Inhalte langfristig wirken können. ACOND verfügte bereits über Antworten auf viele dieser Fragen. Diese waren jedoch auf verschiedene Dokumente verteilt und wurden nicht systematisch veröffentlicht.

Die Wissensdatenbank als Grundlage der gesamten Automatisierung

Das häufigste Missverständnis bei der Planung der Automatisierung der Inhaltserstellung ist die Annahme, dass es ausreicht, ChatGPT oder ein anderes Sprachmodell anzubinden und ihm den Befehl „Schreibe einen Artikel über ACOND-Wärmepumpen“ zu geben. Das Modell erstellt zwar einen Artikel, weiß aber möglicherweise nicht, welche Informationen über ACOND korrekt und aktuell sind, welche Parameter die einzelnen Produkte tatsächlich aufweisen oder wie das Unternehmen über seine Produkte kommunizieren möchte.

Deshalb haben wir den gesamten Prozess auf der Grundlage einer Wissensdatenbank aufgebaut. Dort haben wir zunächst die verfügbaren Fachunterlagen von ACOND eingegeben – vor allem technische Datenblätter, Anleitungen, Produktparameter und weitere Unterlagen. Hinzu kam das digitalisierte Buch „Atlas der Dekarbonisierung“, das umfangreiche Informationen zur Energiewirtschaft, zur Dekarbonisierung und zu den damit verbundenen Technologien, einschließlich Wärmepumpen, enthält.

Ein Teil der Ausgangsmaterialien war jedoch für die maschinelle Verarbeitung nur schwer geeignet. Eine Herausforderung stellten beispielsweise Seiten dar, die Diagramme, Tabellen oder anderweitig strukturierte Informationen enthielten, die bei einer herkömmlichen Umwandlung des Dokuments in Text ihre Aussagekraft verlieren. Daher haben wir die Dokumente zunächst mithilfe von KI verarbeitet und in eine für maschinelles Lesen geeignete Struktur gebracht. Das Ziel war es, eine solche Darstellung der Informationen zu erhalten, mit der ein automatisiertes System anschließend arbeiten kann. Dies ist ein wesentlicher Unterschied zur üblichen Verwendung eines Sprachmodells, das sich die Informationen somit nicht „merken“ muss, sondern bei der Erstellung eines konkreten Artikels relevante Grundlagen aus einer umfangreichen Wissensdatenbank abruft.

Was ist eine Wissensdatenbank?

Eine Wissensdatenbank ist eine zentralisierte Datenbank mit Informationen, auf die die KI bei der Erstellung von Inhalten zurückgreifen kann. Es handelt sich dabei nicht nur um eine Produktdatenbank. Sie enthält auch technische Informationen, Erläuterungen, Dokumentationen, internes Know-how und weitere Quellen, die es dem System ermöglichen sollen, Fragen auf der Grundlage konkreter und validierter Informationen zu beantworten.

Das ist ein wesentlicher Unterschied zur üblichen Verwendung eines Sprachmodells. Das Modell muss sich Informationen nicht „merken“. Bei der Erstellung eines konkreten Artikels sucht es sich aus einer umfangreichen Wissensdatenbank die relevanten Informationen heraus.

Die KI sucht zunächst nach Informationen und schreibt dann

Aus technologischer Sicht ist gerade das RAG-Prinzip (Retrieval-Augmented Generation) ein wichtiger Bestandteil der Lösung. Der Grundgedanke dahinter ist einfach: Anstatt dass das Sprachmodell die Antwort ausschließlich auf der Grundlage dessen erstellt, was es während des Trainings gelernt hat, erhält es vor der Generierung der Antwort relevante Informationen aus einer externen Wissensdatenbank.

Wenn der Workflow also die Anweisung „Schreibe einen Artikel über die Geräuschentwicklung von ACOND-Wärmepumpen“ erhält, müssen wir nicht die gesamte Produktdokumentation manuell in die Eingabeaufforderung eingeben. Das System sucht zunächst die relevanten Teile der Wissensdatenbank heraus. Es kann beispielsweise Informationen zu bestimmten Modellen, deren akustischen Parametern, der Messmethode und weiterer zugehöriger Dokumentation finden. Diese Informationen leitet es anschließend an den Mitarbeiter weiter, der den Artikel verfasst.

Was ist RAG?

RAG (Retrieval-Augmented Generation) ist ein Ansatz im Bereich der KI, bei dem das Modell vor der Erstellung einer Antwort relevante Informationen aus einer externen Datenbank oder Wissensbasis abruft. Das Modell muss sich somit nicht ausschließlich auf sein allgemeines Wissen verlassen.

In der Praxis bedeutet dies: Je mehr Fachinformationen die Wissensdatenbank enthält, desto weniger Informationen muss man bei jedem neuen Auftrag manuell eingeben.

Die Wissensdatenbank spart Zeit beim Verfassen langer Eingabeaufforderungen

Ohne unser Content Brain läuft die Erstellung eines hochwertigen Fachartikels so ab, dass man der KI jedes Mal folgende Angaben liefern muss:

• Informationen zu ACOND,
• Informationen zu einem bestimmten Produkt,
• Technische Daten,
• Hintergrundinformationen zu diesem Thema,
• gewünschter Kommunikationsstil,
• Zielgruppe,
• Aufbau des Artikels,
• Liste der Informationen, die unbedingt enthalten sein müssen,
• und weitere Anweisungen.

Ein solcher Prompt kann sehr umfangreich sein und bei größeren Inhaltsmengen unpraktisch werden. In unserem Workflow sind diese Informationen in zwei grundlegende Ebenen unterteilt. Die Wissensdatenbank enthält Informationen über die Welt, über die das System schreiben soll. Die Systemanweisungen der Agenten legen fest, wie darüber geschrieben werden soll. Wenn sich beispielsweise ein technischer Parameter eines Produkts ändert, muss nicht der Prompt jedes einzelnen Artikels neu geschrieben werden. Die Quellinformationen in der Wissensdatenbank werden aktualisiert, und die weitere Generierung kann bereits mit den neuen Grundlagen arbeiten.

Der Workflow besteht aus mehreren Agenten

Der gesamte Workflow basiert auf der Plattform n8n, die zur Koordination der einzelnen Schritte dient. N8n verbindet die Wissensdatenbank, KI-Modelle, die Datenbank und die Kommunikationsschnittstelle zu einem einzigen Prozess. Für die Arbeit mit der Wissensdatenbank nutzen wir Ragflow, das Dokumente verarbeitet und es ermöglicht, daraus relevante Informationen anhand der semantischen Ähnlichkeit zu suchen, nicht nur anhand der exakten Übereinstimmung von Wörtern. Dies ist beispielsweise wichtig, wenn in der Aufgabenstellung von der Effizienz von Wärmepumpen im Winter die Rede ist, während in den Quelldokumenten Begriffe wie COP, Energieverbrauch oder Betriebsmodi verwendet werden. Der Workflow ist somit in der Lage, semantisch zusammenhängende Informationen miteinander zu verknüpfen, auch wenn diese nicht mit denselben Worten formuliert sind. 

Der gesamte Prozess lässt sich dabei ganz einfach über WhatsApp oder E-Mail abwickeln. Der Nutzer muss also nicht direkt mit n8n, Ragflow oder einzelnen KI-Modellen arbeiten. Es reicht beispielsweise aus, die Anfrage „Erstelle einen Artikel über die Geräuschentwicklung von ACOND-Wärmepumpen und gehe dabei insbesondere auf die Unterschiede zwischen den einzelnen Modellen ein“ zu senden. Der Workflow nimmt die Anfrage entgegen, bearbeitet sie, sucht relevante Informationen in der Wissensdatenbank, leitet diese an die zuständigen Bearbeiter weiter und liefert anschließend das fertige Ergebnis zurück. Falls die für die Bearbeitung erforderlichen Informationen nicht in internen Quellen zu finden sind, kann der Workflow gemäß vordefinierten Regeln auch öffentliche Internetquellen nutzen. Dadurch ergibt sich ein Unterschied zum üblichen Einsatz generativer KI: Der Nutzer kommuniziert nicht mit einem einzelnen Chatbot, sondern löst über eine einfache Schnittstelle eine ganze Kette automatisierter Prozesse aus.

Ein weiterer wichtiger Aspekt der Lösung ist die Tatsache, dass der Workflow nicht auf einem einzigen KI-Agenten basiert, dem wir ein Thema vorgeben und dann auf den fertigen Text warten. Wir haben unsere bewährten Agenten zur Erstellung von Inhalten genutzt, die wir sowohl intern als auch bei anderen Kunden einsetzen, und sie an die Bedürfnisse von ACOND angepasst.

Für den Content-Agenten ist beispielsweise in den Systemanweisungen festgelegt, wie ACOND kommunizieren soll, welchen Tonfall es verwenden soll, wie es mit Fachinformationen umgehen soll und wie der resultierende Text strukturiert sein soll. Das bedeutet, dass bei der Vorgabe eines neuen Themas nicht erneut erklärt werden muss, was ACOND ist, an wen es sich wendet und wie es sich präsentieren soll.

Das Ergebnis ist eine einheitlichere Darstellung. Ein Artikel über ein bestimmtes Wärmepumpenmodell, ein allgemeiner Informationstext zum Thema Heizung sowie eine Pressemitteilung können in einer einzigen automatisierten Umgebung erstellt werden und dabei stets dieselben grundlegenden Kommunikationsregeln einhalten.

Die Automatisierung der Inhaltserstellung darf sich jedoch nicht darauf beschränken, dass ein Modell einen Text erstellt, der anschließend zur Veröffentlichung weitergeleitet wird. Bei fachspezifischen Inhalten ist das Fehlerrisiko wesentlich größer als bei allgemeinen Lifestyle-Inhalten. Eine falsch angegebene Leistung, Geräuschentwicklung, Kältemittelsorte oder ein anderer technischer Parameter kann die Bedeutung des gesamten Artikels verändern. Deshalb ist auch ein Quality-Control-Agent Teil des Workflows.

Dieser erhält den erstellten Artikel und führt eine Erstprüfung der darin enthaltenen Informationen durch. Er vergleicht diese mit den verfügbaren Unterlagen und sucht beispielsweise nach Unstimmigkeiten, Ungenauigkeiten oder Informationen, die in der Wissensdatenbank keine Grundlage haben. Das soll natürlich nicht heißen, dass die automatische Überprüfung einen Experten ersetzt. Bei sensiblen technischen Informationen ist weiterhin eine menschliche Überprüfung erforderlich, aber die Automatisierung reduziert den Arbeitsaufwand, den ein Mensch bei jedem Artikel leisten muss, erheblich.

Ein weiterer Vorteil ist, dass das entwickelte System nicht nur auf den Blog beschränkt ist. Für ACOND haben wir den Workflow auch zur Erstellung allgemeiner Pressemitteilungen genutzt, die wir anschließend über die ČTK an die Medien verteilen, sowie zur Erstellung von Beiträgen für die sozialen Netzwerke Facebook, Instagram und LinkedIn.

Anstelle von Arbeitsstunden: weniger als zwei Minuten

Die auffälligste Veränderung ist die Geschwindigkeit. Vor der Einrichtung des Workflows musste man sich bei der Vorbereitung jedes Artikels um die Recherche, das Zusammenstellen von Quellen, die Arbeit mit der Produktdokumentation und das eigentliche Verfassen des Textes kümmern.

Nach der Eingabe eines Themas führt der Workflow nun automatisch die erforderlichen Schritte durch – von der Beschaffung relevanter Informationen über die Textgenerierung bis hin zur ersten Überprüfung. Die eigentliche Erstellung eines Artikels dauert heute weniger als zwei Minuten. Dadurch ist ACOND heute nicht mehr an den Zeitaufwand für die Erstellung jedes einzelnen Artikels gebunden und kann eine große Menge an Inhalten über verschiedene Kanäle hinweg veröffentlichen.

Die Content-Strategie hat in diesem Fall noch eine weitere Dimension. Wenn ein Unternehmen keine öffentlich zugänglichen Informationen zu einem bestimmten Thema bereitstellt, stehen der Suchmaschine oder dem KI-System weniger Grundlagen zur Verfügung, auf die sie bei der Bearbeitung einer Suchanfrage zurückgreifen können, um die Marke als sogenannte Autorität wahrzunehmen.

Wenn ein Unternehmen hingegen langfristig fachliche Inhalte veröffentlicht, entsteht rund um seine Website eine umfangreichere Informationsschicht. Diese kann Fragen abdecken, auf die Nutzer Antworten suchen, und gleichzeitig den Zusammenhang zwischen dem Unternehmen, seinen Produkten und konkreten Themen erläutern. Das Ziel besteht darin, eine qualitativ hochwertige und konsistente öffentliche Informationspräsenz zu schaffen, dank derer die Marke in den Themenbereichen, in denen sie über echte Fachkompetenz verfügt, besser vertreten ist.

In den ersten drei Monaten des Live-Betriebs haben wir mithilfe des Workflows 12 Fachartikel und 3 Pressemitteilungen erstellt, die wir über die ČTK verbreitet haben und deren Inhalt von Dutzenden Medien übernommen wurde. Die Wissensdatenbank umfasst dabei Hunderte von Seiten an Produkt- und Fachdokumentation, und die Erstellung eines neuen Artikels – vom Auftrag bis zum fertigen Ergebnis – dauert heute weniger als zwei Minuten. In den ersten drei Monaten hat die Automatisierung somit fast 50 Stunden an Arbeitsaufwand eingespart. Und das Ergebnis zeigt sich bereits in den Zahlen: Die organische Besucherzahl der ACOND-Website ist um fast 15 % gestiegen.