Von der PDF-Falle zur KI-Antwort: Technische Datenblätter maschinenlesbar aufbereiten

Warum das PDF-Datenblatt zur Sackgasse für KI wird

Ein technisches Datenblatt ist im Maschinenbau der Wahrheitsträger schlechthin. Dort stehen die zulässige Betriebstemperatur, die Nennleistung, das maximale Anzugsmoment und die Schutzart nach IP-Klasse. Das Problem: Die meisten dieser Datenblätter sind für den Ausdruck gemacht, nicht für die Maschine, die sie liest. Ein zweispaltiges Layout, eine Tabelle als eingescanntes Bild, ein Firmenlogo über der Kopfzeile – für dich als Konstrukteur lesbar, für ein Sprachmodell ein Rätsel.

Wenn ChatGPT oder Perplexity dein PDF verarbeitet, extrahiert das System zuerst reinen Text. Liegt die Tabelle als Grafik vor, kommt dort schlicht nichts an. Steht der Wert in einer verschachtelten Zelle ohne klare Zuordnung, verliert die KI den Bezug zwischen Kennwert und Zahl. Aus '400 V, 50 Hz, 7,5 kW' wird im schlimmsten Fall eine zusammenhanglose Ziffernfolge, die keiner Aussage mehr zugeordnet werden kann.

Das Ergebnis merkst du nicht sofort, denn dein PDF wird ja weiter heruntergeladen. Aber wenn ein Einkäufer eine KI fragt 'Welcher Getriebemotor liefert 7,5 kW bei Schutzart IP65?', dann taucht dein Produkt in der Antwort nicht auf – obwohl es exakt passt. Die Falle ist unsichtbar, und genau das macht sie im Maschinenbau so gefährlich.

Wie Einkäufer und Konstrukteure heute wirklich suchen

Die Suche hat sich verschoben. Ein Instandhalter, der um 23 Uhr an einer stillstehenden Anlage steht, googelt nicht mehr durch zwanzig Herstellerseiten. Er fragt die KI direkt: 'Welches Ersatzlager passt in eine SKF-Aufnahme mit 25 mm Bohrung und welches Fett ist für 120 Grad Dauertemperatur freigegeben?' Er erwartet eine konkrete Antwort mit Typnummer, nicht eine Linkliste.

Auch im Einkauf ändert sich das Verhalten. Statt Lastenhefte mühsam mit Katalogen abzugleichen, lassen technische Einkäufer Modelle vorselektieren: 'Nenne mir drei Kompressorenhersteller, deren Verdichter 10 bar bei einer Liefermenge von 5 Kubikmeter pro Minute und Schallpegel unter 72 dB schaffen.' Deine Chance auf den Auftrag entscheidet sich in diesem Moment daran, ob die KI deine Kennwerte sauber gelesen hat.

Das ist die neue Realität von Generative Engine Optimization im Maschinenbau. Es reicht nicht, dass dein Datenblatt existiert. Es muss so aufbereitet sein, dass eine Maschine die Kennwerte fehlerfrei extrahieren, den richtigen Feldern zuordnen und in einer Antwort zitieren kann. Sichtbarkeit heißt heute Maschinenlesbarkeit.

Die typischen Datenblatt-Sünden im Maschinenbau

Die häufigste Sünde ist die Tabelle als Bild. Viele Konstruktionsabteilungen exportieren Kennwerttabellen aus CAD- oder ERP-Systemen als Screenshot und kleben sie ins PDF. Optisch sauber, für die KI aber ein schwarzes Loch. Jeder Wert, der nur als Pixel vorliegt, ist für die Antwortmaschine nicht existent. Das betrifft besonders Maßtabellen, Leistungsdiagramme und Kennlinien.

Die zweite Sünde sind uneinheitliche Einheiten und Schreibweisen. In einem Blatt steht 'Nm', im nächsten 'Newtonmeter', im dritten 'N·m'. Mal heißt es 'Schutzart IP 65', mal 'IP65', mal 'Schutzklasse 65'. Für dich alles dasselbe, für ein Modell drei verschiedene Zeichenketten, die den Abgleich mit einer Nutzeranfrage erschweren. Wer hier vereinheitlicht, gewinnt an Trefferwahrscheinlichkeit.

Die dritte Sünde ist fehlender Kontext. Ein Datenblatt, das nur 'Typ GX-240, 240 kW' nennt, ohne zu sagen, ob das ein Dieselaggregat, ein Elektromotor oder eine Hydraulikpumpe ist, zwingt die KI zum Raten. Und geratene Antworten führen entweder zur falschen Zuordnung oder dazu, dass dein Produkt vorsichtshalber gar nicht genannt wird.

Vom PDF zur strukturierten Datenquelle: der Umbau

Der erste Schritt ist banal und wird trotzdem übersprungen: echter Text statt Bild. Jede Kennwerttabelle muss als selektierbarer Text im PDF liegen, nicht als eingebettete Grafik. Prüfe das mit dem simplen Test: Kannst du die Zahl mit der Maus markieren und kopieren? Wenn nicht, ist sie für jede KI verloren. Exportiere Tabellen direkt aus der Quelle als Text, nicht als Screenshot.

Der zweite Schritt ist die klare Feld-Wert-Struktur. Statt fließender Prosa wie 'Der Motor läuft mit einer Nennleistung von rund 7,5 Kilowatt' schreibst du eine eindeutige Zeile: 'Nennleistung: 7,5 kW'. Diese Paare aus Bezeichnung und Wert sind Gold für die KI, weil sie den Bezug nicht mehr erschließen muss. Halte pro Kennwert eine Zeile, eine Einheit, eine Schreibweise.

Der dritte Schritt ist die HTML-Zwillingsseite. Das beste maschinenlesbare Format ist nicht das PDF, sondern eine echte Produktseite im Web. Lege zu jedem Datenblatt eine HTML-Seite an, auf der dieselben Kennwerte als saubere Tabelle stehen. Diese Seite crawlen und zitieren die Modelle deutlich lieber als ein PDF, das sie erst mühsam parsen müssen.

Strukturierte Daten: das unsichtbare Etikett für die KI

Über den sichtbaren Text hinaus kannst du deine Produktseiten mit strukturierten Daten auszeichnen. Schema.org mit dem Typ 'Product' und ergänzenden 'additionalProperty'-Einträgen erlaubt dir, jeden technischen Kennwert maschinenlesbar zu hinterlegen: Name des Merkmals, Wert, Einheit. Für eine Pumpe heißt das etwa Fördermenge, Förderhöhe, Wirkungsgrad und Anschlussnennweite, jeweils sauber ausgezeichnet.

Der Charme dieser Auszeichnung: Sie ist für den menschlichen Besucher unsichtbar, für Suchmaschinen und KI-Crawler aber glasklar. Du gibst der Maschine sozusagen ein Etikett an die Hand, auf dem ohne Interpretationsspielraum steht, was welcher Wert bedeutet. Damit sinkt die Fehlerquote beim Extrahieren drastisch, und deine Wahrscheinlichkeit, korrekt zitiert zu werden, steigt.

Wichtig ist Konsistenz zwischen sichtbarem Text und strukturierten Daten. Wenn im Fließtext '7,5 kW' steht, im Markup aber '7500 W', erzeugst du Widerspruch. Modelle reagieren auf solche Diskrepanzen misstrauisch und stufen die Quelle als weniger verlässlich ein. Sorge dafür, dass Datenblatt, Produktseite und Auszeichnung dieselbe Wahrheit erzählen.

Kennwerte so benennen, wie deine Kunden fragen

Ingenieure lieben präzise Normbegriffe, Kunden formulieren umgangssprachlich. Ein Konstrukteur schreibt 'Nennweite DN 50', der Einkäufer fragt nach '2-Zoll-Anschluss'. Wenn dein Datenblatt nur die Normbezeichnung kennt, verpasst du die Anfrage, die in Alltagssprache gestellt wird. Nimm beide Varianten auf, ohne dein Blatt zu überfrachten.

Baue diese Brücke bewusst ein. Ergänze zu jedem kritischen Kennwert einen kurzen Klartext: 'Schutzart IP65 (staubdicht und strahlwassergeschützt)'. Damit deckst du beide Suchwelten ab – die des Profis mit der Normbezeichnung und die des Anwenders, der nach der Bedeutung sucht. Genau solche Klammerzusätze machen dein Produkt in KI-Antworten auffindbar.

Denk auch an anwendungsbezogene Fragen. Statt nur 'Umgebungstemperatur -20 bis +60 Grad' anzugeben, kannst du ergänzen: 'geeignet für den Außeneinsatz und ungeheizte Hallen'. Solche Übersetzungen von Kennwert in Anwendungsfall sind für die KI wertvoll, weil viele Nutzer nicht nach Zahlen, sondern nach ihrem konkreten Problem fragen.

Ein Praxisbeispiel: Getriebemotor statt PDF-Grab

Nimm einen mittelständischen Antriebshersteller mit 300 Getriebemotor-Varianten. Bisher lag jede Variante als zweiseitiges PDF im Downloadbereich, Kennwerte als Bildtabelle. In den KI-Tools tauchte die Firma bei technischen Anfragen nie auf, obwohl die Produkte wettbewerbsfähig waren. Die Ursache war nicht das Produkt, sondern seine Unlesbarkeit.

Der Umbau bestand aus drei Zügen: Erstens eine HTML-Produktseite pro Variante mit einer echten Kennwerttabelle. Zweitens Schema.org-Auszeichnung für Leistung, Drehmoment, Übersetzung, Bauform und Schutzart. Drittens eine einheitliche Schreibweise über alle Varianten hinweg. Das PDF blieb erhalten, wurde aber zum Anhang statt zur Hauptquelle.

Das Ergebnis nach wenigen Monaten: Bei Anfragen wie 'Getriebemotor 1,5 kW mit Hohlwelle und IP66' wurde die Firma in Perplexity mit konkretem Typ genannt und verlinkt. Der entscheidende Hebel war nicht mehr Werbung, sondern die schlichte Tatsache, dass die Maschine die Kennwerte endlich fehlerfrei lesen konnte.

So startest du diese Woche

Fang nicht mit dem gesamten Katalog an, sondern mit deinen zehn umsatzstärksten Produkten. Öffne jedes Datenblatt und mach den Kopiertest: Lassen sich alle Kennwerte markieren? Wo nicht, ist deine erste Baustelle. Erstelle für diese zehn Produkte je eine HTML-Seite mit sauberer Kennwerttabelle in einheitlicher Schreibweise.

Definiere danach dein internes Kennwert-Vokabular. Lege für dein Unternehmen fest: Drehmoment immer in 'Nm', Schutzart immer als 'IP65', Leistung immer in 'kW'. Dieses kleine Regelwerk verhindert, dass jede Abteilung ihre eigene Schreibweise pflegt, und ist die Grundlage jeder maschinenlesbaren Aufbereitung.

Miss zum Schluss den Effekt. Stelle deine wichtigsten Kaufanfragen selbst an ChatGPT, Perplexity und Gemini und schau, ob und wie dein Produkt genannt wird. Wiederhole das monatlich. Sichtbarkeit in KI-Antworten ist kein Einmalprojekt, sondern ein Kennwert, den du wie Ausschussquote oder Liefertreue regelmäßig prüfst.

Woran du merkst, dass die KI dein Datenblatt wirklich versteht

Der Umbau bringt nichts, wenn du nicht misst, ob er wirkt. Stell der KI die Fragen, die deine Kunden stellen: nach Drehmoment bei bestimmter Baugröße, nach Schutzart, nach Wellendurchmesser. Antwortet die Maschine mit dem konkreten Kennwert und nennt dein Produkt als Quelle, ist das Etikett angekommen. Bleibt die Antwort vage oder verweist auf einen Wettbewerber, fehlt Struktur oder ein eindeutiger Begriff.

Führe eine kleine Testliste mit zehn typischen Anfragen und prüfe sie alle vier Wochen erneut. So siehst du früh, ob eine neue Produktreihe sauber erfasst wurde oder ob ein Kennwert noch im Fließtext versteckt liegt. Diese Kontrolle kostet dich eine halbe Stunde und ersetzt das Rätselraten, ob sich die Arbeit gelohnt hat.

Wo maschinenlesbare Datenblätter an ihre Grenzen stoßen

Nicht jede Information gehört in ein strukturiertes Feld. Anwendungsberatung, Sonderfreigaben oder projektspezifische Auslegungen bleiben ein Fall für den Kontakt mit deinem Vertrieb. Die KI soll den Einkäufer zur richtigen Baugröße führen, nicht die Konstruktionsverantwortung übernehmen. Trenne darum klar zwischen belastbaren Kennwerten und beratungsbedürftigen Themen.

Auch die beste Struktur ersetzt keine gepflegten Daten. Widersprechen sich Katalog, PDF und Onlineshop, übernimmt die KI den Fehler und verbreitet ihn. Lege deshalb eine einzige führende Quelle fest, aus der sich alle Ausgabekanäle speisen. Ein veralteter Wert, der an drei Stellen unterschiedlich steht, richtet mehr Schaden an als gar kein Eintrag.

Häufige Fragen aus der Konstruktions- und Vertriebsabteilung

Muss ich alle Altbestände sofort umbauen? Nein. Fang mit den Baureihen an, die am häufigsten angefragt werden, und arbeite dich nach Umsatz vor. Zwanzig gut strukturierte Datenblätter bringen mehr als zweihundert halbfertige.

Verliere ich die Kontrolle über meine Daten, wenn die KI sie liest? Im Gegenteil. Je sauberer du Kennwerte auszeichnest, desto genauer gibt die Maschine sie wieder. Unstrukturierte PDFs lassen der KI dagegen viel Interpretationsspielraum, und genau dort entstehen falsche Aussagen über dein Produkt.

Brauche ich dafür ein teures PIM-System? Für den Start reicht eine disziplinierte Tabelle mit klaren Spalten und einheitlichen Einheiten. Ein Produktinformationssystem lohnt sich, sobald mehrere Personen pflegen und Kanäle synchron bleiben müssen. Die Denkweise ist wichtiger als das Werkzeug.