KI im technischen Großhandel: Datenblätter, Vergleichstypen und saubere Artikeldaten

Was der Innendienst von einer KI auf Datenblättern hat

Eine interne KI für einen technischen Großhändler beantwortet Fragen des Innendienstes aus den Herstellerdatenblättern in Ihren eigenen Dateien, mit dem Datenblatt und der Seite, aus der jede Antwort stammt. Sie schlägt Vergleichstypen vor, wenn ein Artikel abgekündigt ist oder ein Kunde eine zweite Bezugsquelle sucht, und eine Regelprüfung vergleicht die Schlüsselparameter, bevor jemand den Vorschlag sieht. Dieselben Modelle lesen Datenblätter in strukturierte Merkmale für Ihre Artikeldatenbank und den B2B-Shop.

Dieser Leitfaden richtet sich an Inhaber, Geschäftsführung, Leitung des Innendienstes und Produktdatenmanagement bei Händlern für Elektro-, Elektronik-, Pneumatik-, Hydraulik-, Befestigungs- oder Wälzlagerprodukte und bei technischen Großhändlern mit Zehntausenden Artikeln vieler Hersteller. Er erklärt die drei Aufgaben in einfachen Worten, was das Unternehmen vorbereiten muss, wo die KI nicht allein entscheiden darf und welcher Server die Arbeit trägt. Ein Hersteller, der einen Berater für den eigenen Katalog sucht, findet diesen Fall in unserem Leitfaden zum KI-Produktberater für den technischen Vertrieb; einen Endkunden-Shop mit Produkttexten und Shopsuche behandelt unser Leitfaden zum KI-Server für den Onlinehandel.

Drei Aufgaben mit unterschiedlichem Risiko

Die drei Aufgaben nutzen dieselben Modelle und Dokumente, aber eine falsche Antwort kostet in jeder sehr unterschiedlich viel.

Unsere Zusammenfassung der drei Aufgaben in diesem Artikel.

Eine Antwort aus dem Datenblatt trägt ihre eigene Prüfung: Die Kollegin öffnet die zitierte Seite und sieht den Wert. Ein Vergleichstyp braucht mehr, weil das Risiko in dem liegt, was die Antwort auslässt, einem Parameter, den niemand verglichen hat. Artikeldaten werden am langsamsten falsch und lassen sich danach am schwersten bereinigen; sie brauchen deshalb einen Prüfschritt, bevor etwas ins ERP geschrieben wird.

Datenblattsuche mit einer Quelle zu jeder Antwort

Die Methode heißt Retrieval-Augmented Generation, kurz RAG. Die Datenblätter werden in Passagen geteilt, jede Passage wird in einen Vektor umgewandelt, eine Zahlenliste, die ihre Bedeutung erfasst, und in einem Index gespeichert. Auch eine Frage wird zum Vektor, die nächstliegenden Passagen werden abgerufen, und ein Sprachmodell schreibt die Antwort nur aus diesen Passagen, mit einem Verweis auf jede. Unser Leitfaden zu RAG auf Unternehmensdaten erklärt die Technik für die IT.

Datenblätter bringen drei eigene Schwierigkeiten mit. Die Werte stehen in Tabellen, oft über zwei Seiten, mit Fußnoten, die ihre Bedeutung ändern; ein Konverter, der die Tabelle in Fließtext verwandelt, verliert die Zeilen- und Spaltenbeschriftungen. Docling, ein quelloffener Dokumentkonverter, dessen Code unter der MIT-Lizenz steht, nennt ein fortgeschrittenes PDF-Verständnis mit Seitenlayout, Lesereihenfolge und Tabellenstruktur sowie umfangreiche OCR-Unterstützung für gescannte PDFs und Bilder, und er läuft lokal. Ein Vision-Language-Modell, das Seitenbilder ebenso liest wie Text, kann stattdessen mit der gerenderten Seite arbeiten; Qwen3.8-27B unter der Lizenz Apache 2.0 ist ein solches Modell. Unser Leitfaden zu Vision-Language-Modellen für Dokumenten-KI vergleicht die Ansätze.

Die zweite Schwierigkeit sind Artikelnummern. Die Vektorsuche findet Bedeutung und kann eine exakte Zeichenfolge wie eine Bestellnummer verfehlen, deshalb verbindet die Datenblattsuche sie mit der Stichwortsuche, was unser RAG-Leitfaden hybrides Retrieval nennt. Die dritte sind Versionen: Hersteller überarbeiten Datenblätter, und eine Antwort aus einer überholten Revision ist auf eine Weise falsch, die richtig aussieht. Jede Passage trägt deshalb Hersteller, Bestellnummer, Revision und deren Datum, und die Antwort zeigt sie an.

Embedding-Modelle, die kleinen Modelle, die Text in Vektoren umwandeln, decken viele Sprachen ab. Qwen3-Embedding-0.6B unter Apache 2.0 nennt auf seiner Modellkarte „100+ Languages“ und sprachübergreifendes Retrieval, sodass eine Frage auf Deutsch eine Passage in einem englischen Datenblatt finden kann. Unser Leitfaden zu Embedding- und Reranker-Servern für RAG nennt weitere Modelle und ihre Lizenzen.

Vergleichstypen und Ersatzteil-Alternativen: Kandidaten der KI und eine Regelprüfung

Der Vergleichstyp ist die klassische Frage im Innendienst: Das Schütz, das Ventil oder das Lager des Kunden ist abgekündigt, kontingentiert oder stammt von einem Hersteller, den der Kunde meiden will. Ein Sprachmodell findet Kandidaten schnell, weil es versteht, dass ein „regendichtes Gehäuse“ und ein „Gehäuse IP65“ dieselbe Anforderung beschreiben können. Darauf, dass es zwölf Parameter vergleicht, ohne einen zu übersehen, kann man sich nicht verlassen.

Die Aufteilung, die funktioniert, sieht so aus. Die KI durchsucht die Datenblätter und schlägt Kandidaten vor. Eine Regelprüfung, ein fester Vergleich, den Ihr Produktmanagement festlegt, vergleicht dann die Schlüsselparameter aus strukturierten Daten: Werte, die exakt übereinstimmen müssen, Werte, die mindestens gleich hoch sein müssen, Werte, die abweichen dürfen. Bei einem Drehstromschütz können das Spulenspannung und Befestigung sein (müssen übereinstimmen), Bemessungsstrom und Hilfskontakte (mindestens gleich) und das Zubehörprogramm des Herstellers (darf abweichen). Bei einem Rillenkugellager können es Bohrung, Außendurchmesser und Breite sein (müssen übereinstimmen) sowie Dichtungsart und Lagerluftklasse (müssen übereinstimmen oder freigegeben sein).

Unser empfohlener Ablauf; die Parameterlisten kommen von Ihrem Produktmanagement.

Die strukturierten Merkmale kommen aus Ihrer Artikeldatenbank und, wo sie fehlen, aus der Übernahme, die der nächste Abschnitt beschreibt. Veröffentlicht ein Hersteller eine eigene Vergleichsliste, hat sie Vorrang, und die KI sollte sie zitieren. Ein Ersatz in einer Sicherheitsfunktion, ein freigegebenes Bauteil in der Zeichnung eines Kunden oder ein Teil mit einer Zulassung dahinter ist eine Entscheidung für den Konstrukteur des Kunden; die Tabelle der KI unterstützt das Gespräch, und die Freigabe bleibt beim Konstrukteur. Wo die Artikeldatenbank bereits saubere Merkmale hält, kann ein Modell, das Datenbankabfragen schreibt, den Vergleichsschritt übernehmen, wie unser Leitfaden zum Text-to-SQL-LLM-Server erklärt.

Wir liefern KI-Server auf Bestellung und richten die Datenblattsuche in unserem Service Private AI/ML ein; schicken Sie uns eine Auswahl Ihrer Datenblätter und fünf aktuelle Anfragen nach Vergleichstypen, und unser Team zeigt, wie Suche und Regelprüfung sie behandeln würden.

Artikeldaten: Merkmale aus Datenblättern in den Shop

Die meisten Großhändler erhalten Artikeldaten in ungleicher Qualität: vollständige Merkmalsdateien von manchen Herstellern, ein PDF und einen kurzen Text von anderen. Dasselbe Lesemodell, das Fragen beantwortet, kann Merkmale aus einem Datenblatt in feste Felder übernehmen: Abmessungen, Bemessungswerte, Werkstoffe, Zulassungen, Temperaturbereich. Es vereinheitlicht auch Einheiten, sodass „0,37 kW“ und „370 W“ im selben Feld landen, beide in kW.

Klassifikationssysteme geben diesen Feldern eine gemeinsame Form. ETIM, nach eigener Beschreibung der internationale Klassifikationsstandard für technische Produkte, pflegt ein solches Klassifikationsmodell. Wo Ihr Shop oder die Einkaufssysteme Ihrer Kunden ETIM nutzen, füllt oder prüft die KI die Felder; welcher Klasse ein Artikel angehört, entscheidet sie nicht ohne Prüfung.

Zwei Regeln halten die Daten sauber. Erstens trägt jeder übernommene Wert das Datenblatt und die Seite, aus der er stammt, sodass eine prüfende Person ihn in Sekunden kontrollieren kann. Zweitens schreibt die KI in eine Prüfwarteschlange, nicht ins ERP. Widerspricht der übernommene Wert dem ERP, zeigt die Warteschlange beide, und das Produktdatenmanagement entscheidet. Eine Stichprobe von einigen Hundert Artikeln je Hersteller, bevor die Übernahme über den ganzen Katalog läuft, zeigt, ob sich das Layout des Herstellers zuverlässig lesen lässt. Dasselbe Muster eignet sich für Lieferantendaten zum digitalen Produktpass.

Rechte, Preise und Kundenanfragen

Drei Arten von Informationen brauchen eine Entscheidung vor dem Indexieren. Einkaufspreise, kundenspezifische Konditionen und Margen bleiben aus dem Datenblattindex heraus oder liegen in einem eigenen Index, den nur berechtigte Mitarbeitende durchsuchen können; die Berechtigungen greifen beim Abruf der Passagen, wie unser RAG-Leitfaden erklärt, eine Anweisung an das Modell ist also nicht der Schutz. Kundenanfragen mit Projektnamen und Mengen sind vertrauliche Geschäftsinformationen Ihrer Kunden, und auf einem eigenen Server bleiben sie bei Ihnen. Und ob Datenblätter und Datendateien der Hersteller in einem internen System gespeichert und indexiert werden dürfen, ist eine Frage Ihrer Liefer- und Datenvereinbarungen mit jedem Hersteller; was sie erlauben, bestätigt Ihre Rechtsberatung.

Auf einem eigenen Server kommt die Anmeldung aus Ihrem Unternehmensverzeichnis, sodass Außendienst, Innendienst und Produktdatenteam jeweils sehen, was sie sehen dürfen, und ein Abfrageprotokoll hält fest, wer was gefragt hat. Unser Leitfaden zur Vorbereitung von Unternehmens­dokumenten für einen KI-Assistenten behandelt Ordnerstruktur, Versionen und Verantwortliche.

Der Server für Datenblattsuche und Teilevergleich

Die Last hat zwei Teile: die Datenblätter einmal indexieren und während des Arbeitstages Fragen beantworten. Das Indexieren ist kurze Arbeit. Die Leistungsseite von NVIDIAs NeMo Retriever Text Embedding NIM, aktualisiert am 17. August 2026, nennt 318,9 Passagen mit 1.024 Tokens pro Sekunde für Nemotron 3 Embed 1B in NVFP4 auf einer RTX PRO 6000 Blackwell Server Edition, bei 64 parallelen Anfragen. Ein Großhändler mit 40.000 Datenblättern hat bei angenommenen acht Passagen mit je 1.024 Tokens 320.000 Passagen; bei dieser Rate dauern sie nach unserer Rechnung etwa 17 Minuten. Andere Embedding-Modelle laufen mit anderen Raten, und die PDFs umzuwandeln dauert länger, als sie einzubetten; ein Test mit einigen Tausend Ihrer eigenen Datenblätter liefert die tatsächliche Zahl.

Fragen zu beantworten ist eine mäßige Last. Ein Innendienst mit dreißig Personen schickt im selben Moment weit weniger Anfragen, als er Mitglieder hat, weil jede Person die Antwort liest und mit dem Kunden spricht, bevor die nächste Frage kommt. Es lohnt sich, das auf dem KI-Server des Unternehmens zu betreiben, der auch den allgemeinen Assistenten, die Auftragserfassung und die Angebotsarbeit übernimmt, wie unser Leitfaden zur KI-Auftragserfassung aus E-Mails und PDFs für die Auftragsseite zeigt.

Regel für Nutzer je Karte (0,9 × vom Treiber gemeldeter Speicher, abzüglich 3 GiB je Karte und der Gewichte): Qwen3.8-27B FP8 28,75 GiB mit FP8-Cache, 1,14 GiB je Gespräch mit 32K, und 4 GiB, die wir für Embedding- und Reranker-Modell reservieren; gpt-oss-120b 60,8 GiB mit 16-Bit-Cache, 0,5625 GiB je Gespräch mit 16K. Checkpoint-Größen aus den Dateilisten auf Hugging Face, gelesen am 25. Oktober 2026. Strom nach unserer Schätzung (Karten, Prozessoren und 15 Prozent für den Rest), bestätigt durch eine Messung am gelieferten System.

Nach unserer Regel hat eine Karte 0,9 × 95,6 − 3 = 83,04 GiB für Gewichte und Cache. Abzüglich 28,75 GiB für das Lesemodell und 4 GiB für Embedding- und Reranker-Modell bleiben 50,29 GiB, was bei 1,14 GiB je Gespräch mit 32K Tokens 44 gleichzeitige Gespräche ergibt. Qwen3-Embedding-0.6B hat 0,6 Milliarden Parameter, in BF16 nach unserer Rechnung etwa 1,2 GB. Auch die Vektoren sind klein: 320.000 Vektoren mit 1.024 Dimensionen in 32-Bit-Gleitkomma belegen vor jedem Index etwa 1,3 GB, sodass der Index mit viel Reserve in den Arbeitsspeicher des Servers passt. Unser Vergleich von Vektordatenbanken für RAG behandelt den Index selbst.

Der Einstiegsserver hat zwei Karten der NVIDIA RTX PRO 6000 Blackwell Server Edition, zwei AMD-EPYC-Prozessoren, 384 GB DDR5-ECC-Arbeitsspeicher und zwei NVMe-Laufwerke und läuft an einem gewöhnlichen 16-A-Anschluss mit 230 V in einem Serverraum. Vier Karten passen zu einem Großhändler, der einen Chatbot für seine B2B-Kunden ergänzt oder die Übernahme über den ganzen Katalog tagsüber laufen lässt; unser Leitfaden zum Server für einen Kundenservice-Chatbot dimensioniert diesen Teil.

Was wir liefern

Sie können dieses System bei uns kaufen: Unser Team dimensioniert die Konfiguration nach Ihrer Arbeitslast und Ihrem Budget und antwortet innerhalb eines Werktages. Wir bauen KI-Server auf Bestellung mit zwei, vier oder acht Karten, vor der Lieferung montiert und getestet, geliefert in die gesamte EU mit einem EU-Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, abgewickelt über uns; Stückzahlen und Lieferzeit werden mit dem Angebot schriftlich bestätigt. Unser Service Private AI/ML, umgesetzt mit unserem Engineering-Partner Vixen.UNO, richtet die Modelle, die Suche in Ihren Datenblättern mit Quellenangabe, die Zugriffskontrolle und das Abfrageprotokoll ein. Die Parameterregeln für Vergleichstypen kommen von Ihrem Produktmanagement; wir bauen sie in die Prüfung ein.

FAQ