Die Ausgangslage
Vor der Plattform suchte ein Mechaniker in vielen Dokumenten, wie genau das Auto auf der Hebebühne zu reparieren ist, und bei schwierigen Fällen dauerte das Stunden. Die richtige Antwort stand selten an einer Stelle. Bei 50.000 Nutzern sind verlässliche Antworten kein Dokumentationsproblem mehr, sondern ein Systemproblem. Genau das wollte AHEAD Automotive lösen.
Was ich gebaut habe
Als CTO habe ich eine Plattform auf Basis von Retrieval-Augmented Generation (RAG) gebaut: Bevor das Modell antwortet, holt das System die passenden Quellen und stützt die Antwort darauf, statt sich auf das Gedächtnis des Modells zu verlassen. Sie ging in Produktion und bedient 50.000+ Mechaniker.
Das Ergebnis
Heute stellt ein Mechaniker eine Frage und bekommt sofort die Antwort. Bei komplexen Problemen spart das am meisten Zeit: Aus Stunden der Suche wird eine Frage. Laut Umfragen spart jeder Mechaniker so rund 10 Stunden im Monat. Die Plattform ist im täglichen Einsatz, bei 50.000+ Mechanikern mit 2 Mio.+ Anfragen im Monat. Nutzung in dieser Größenordnung ist der Beleg, der zählt: keine Demo, sondern ein System, das im Alltag hält.
Für die IT-Leitung
- Ansatz: Retrieval-Augmented Generation (RAG). Jede Antwort stützt sich auf gefundene Quellen, statt frei generiert zu werden.
- Gemessener Nutzen: rund 10 Stunden gespart je Mechaniker und Monat, aus Umfragen unter Mechanikern.
- Beleg aus dem Betrieb: 50.000+ Mechaniker als Nutzer; 2 Mio.+ Anfragen im Monat.
- Status: im Betrieb.