CAD-Daten für KI vorbereiten: Die Kurzfassung
Um CAD-Daten für KI vorzubereiten, verlagern Sie die Bedeutung aus den Dateinamen in typisierte, verpflichtende Eigenschaften, eine Klassifizierung, Lebenszyklusstatus und eine einzige Teile-ID, die CAD, BOM, E-CAD und ERP verknüpft. Skripte können alte Namen normalisieren, doch das ist der Bereinigungsschritt, nicht das Ziel. inteliScience, ein Engineering-Partner aus Cluj-Napoca, beginnt in Ihrem PDM.
Das Problem: Die Bedeutung steckt in Dateinamen
Eine Datei namens 24017_Gripper_Base plate_RevB.ipt verrät einem Konstrukteur Projekt, Modul, Teil und Revision. Ein KI-System kann sich auf nichts davon verlassen: Die Nummer kann vertippt sein, “Base plate” konkurriert mit “Grundplatte”, und RevB stimmt womöglich nicht mit der freigegebenen Revision überein.
Court, Ullman und Culley stellten 1998 unter Berufung auf frühere Studien fest, dass Konstrukteure 20 bis 30% ihrer Zeit mit dem Suchen und Verarbeiten von Informationen verbringen (Court, Ullman und Culley); eine Multimomentstudie aus dem Jahr 2010 mit 78 Konstrukteuren bezifferte das gesamte Informationsverhalten auf 55,75% der Arbeitszeit (Robinson). PTC zitiert die Aberdeen Group mit der Aussage, dass 30 bis 40% der Teile eines typischen Herstellers Duplikate oder akzeptable Ersatzteile sind (PTC-Datenblatt).
KI behebt das nicht von allein; sie braucht KI-fähige Engineering-Daten. Gartner prognostizierte im Februar 2025, dass Unternehmen bis 2026 60% der KI-Projekte aufgeben werden, die nicht durch KI-fähige Daten gestützt sind. In der Umfrage unter 1.203 Data-Management-Verantwortlichen fehlten 63% der Unternehmen die richtigen Data-Management-Praktiken für KI, oder sie waren unsicher, ob sie darüber verfügen (Gartner).
Wie müssen CAD-, PDM- und E-CAD-Daten also aussehen, damit KI sie nutzen kann, und können Skripte die Benennung reparieren? Skripte und die PDM-eigenen Werkzeuge können alte Namen in großen Mengen normalisieren. Am meisten gewinnt KI aber, wenn die Bedeutung den Dateinamen ganz verlässt.
Was KI tatsächlich nutzt, Anwendungsfall für Anwendungsfall
Jeder KI-Anwendungsfall liest andere Teile des Datenbestands und scheitert aus anderen Gründen. Wählen Sie den ersten aus und bereiten Sie die Daten vor, die er benötigt.
| KI-Anwendungsfall | Was er von Ihren Daten braucht | Typisches Hindernis |
|---|---|---|
| Suche nach ähnlichen Teilen und Projekten | Geometrie (nativ oder STEP), eine Klasse pro Teil, typisierte Eigenschaften wie Werkstoff und Hauptabmessungen | Bedeutung nur in Dateinamen, Beschreibungen in zwei Sprachen |
| Wissensassistent (RAG) für Dokumente | PDFs mit Textebene, Revision und Lebenszyklusstatus pro Dokument, die Berechtigungen aus dem Quellsystem | Gescannte Zeichnungen, überholte Revisionen im Index, unterwegs verlorene Berechtigungen |
| Konstruktionsassistent im CAD | Parameter mit lesbaren Namen, schriftlich festgehaltene Konstruktionsregeln des Unternehmens mit ID | Standardnamen wie d0 oder p12, Regeln, die nur in den Köpfen erfahrener Konstrukteure existieren |
| Angebotserstellung und Kostenschätzung | Verknüpfungen von CAD über die BOM bis zu den ERP-Kosten, über eine einzige Teile- oder Projekt-ID | CAD-BOM und ERP-BOM weichen ab, kein gemeinsamer Schlüssel |
Ein aus dem CAD exportiertes Vektor-PDF enthält durchsuchbaren Text; ein Scan enthält Pixel, und OCR fügt Lesefehler hinzu. Gute CAD-Metadaten für KI sind kurz und typisiert, keine lange zusammengesetzte Zeichenkette. Wie weit PDM-Metadaten allein eine Suche tragen, bevor Geometrie nötig wird, zeigt unser Leitfaden zu CATIA-Daten für die KI-Suche.
Sachnummern für KI: Wohin die Bedeutung gehört
Unsere Position: Geben Sie jedem Teil eine nicht sprechende Nummer und legen Sie die Bedeutung in typisierte Eigenschaften und eine Klasse. Die Nummer verknüpft die Systeme; die Eigenschaften sind das, was KI durchsucht und vergleicht.
Sprechende vs. nicht sprechende Sachnummern
Der PLM-Anbieter Arena fasst den Zielkonflikt zusammen: Fortlaufende Nummern sind in “kaum oder gar keiner Zeit” vergeben, doch eine vertippte Ziffer ergibt eine weitere, gültig aussehende Nummer, während sprechende Nummern das Wiedererkennen erleichtern, aber Schulung, Pflege und oft einen Spezialisten erfordern (Arena). Der Berater Jos Voskuil bezeichnete sprechende Nummern 2016 als “Best Practice aus dem vorigen Jahrhundert” (Voskuil); Oleg Shilovitsky schrieb 2023, dass sie “menschliche Interpretation erfordern” (Beyond PLM). Wir haben keine ISO- oder DIN-Norm gefunden, die das eine oder das andere vorschreibt.
Ein Modell kann 24017-PL-0042 nur dann entschlüsseln, wenn das Schema dokumentiert und zwanzig Jahre lang konsequent angewendet wurde. Nach Klasse = Platte, Werkstoff = S355, Dicke = 20 mm kann es filtern, ohne etwas zu entschlüsseln. Wenn Ihr sprechendes Schema für Menschen funktioniert, behalten Sie es und ergänzen Sie die Eigenschaften.
Klassifizierung: ECLASS, DIN 4000 und IEC 81346
Eigenschaften brauchen ein gemeinsames Vokabular, sonst stehen im Werkstofffeld “S355”, “1.0570” und “Stahl” nebeneinander. Drei Normen sollten Sie kennen:
- ECLASS für Teile und Zukaufkomponenten, basierend auf ISO 13584-42 und IEC 61360-2. Jede Eigenschaft hat einen eindeutigen Identifikator (IRDI), einen Vorzugsnamen, eine Definition und einen Wertebereich (ECLASS).
- DIN 4000 Sachmerkmal-Leisten: DIN 4000-1:2019 legt die Grundsätze fest, weitere Teile wenden sie auf Produktgruppen an.
- IEC 81346 Referenzkennzeichnung für E-CAD und Anlagenstruktur. “Ein an einer Komponente angebrachtes Referenzkennzeichen ist der Schlüssel, um Informationen über dieses Objekt in unterschiedlichen Arten von Dokumenten zu finden” (IEC 81346-1:2022).
Ergänzen Sie Lebenszyklusstatus (in Arbeit, freigegeben, veraltet) und eine einzige Teile-ID, die der PDM-Datensatz, der ERP-Artikel und das E-CAD-Teil gemeinsam nutzen, dann erkennt KI, welche Version gültig ist und wo ein Teil verwendet wird.
Planen Sie KI im Engineer-to-Order-Maschinenbau? Wir prüfen eine Stichprobe Ihrer Vault-, ERP- und E-CAD-Daten und benennen den ersten Anwendungsfall, den sie tragen können: wie wir KI im Sondermaschinenbau angehen.
Vault-Datenbereinigung: Können Skripte alte Benennungen reparieren?
Größtenteils ja. Autodesk Vault bringt Werkzeuge für Umbenennung, Duplikatprüfung, Eigenschaftszuordnung und Validierung mit, und ein kurzes Skript erledigt den Rest. Unsere Empfehlung zur Reihenfolge: zuerst die Eigenschaften, die Umbenennung zuletzt. Ein neuer Dateiname gibt der KI nichts, was eine saubere Eigenschaft nicht auch trägt, und jede Umbenennung erzeugt eine neue Dateiversion.
Schritt 1: Auslesen, was die Namen bereits aussagen
Das folgende Skript verwendet nur die Python-Standardbibliothek (re und csv). Es zerlegt Namen nach dem Muster ProjectNo_Assembly_Description_RevX, schlägt anhand von Schlüsselwörtern eine Kategorie vor und markiert alles, was es nicht parsen kann.
"""Propose Vault properties from legacy CAD file names.
Splits names such as "24017_Gripper_Base plate_RevB.ipt" into project,
assembly, description and legacy revision, proposes a category from keywords
and flags every name it cannot parse. The output is a review file: an
engineer checks it before anything is imported.
Usage: python propose_properties.py <folder or names.txt> <review.csv>
Python 3.9+, standard library only.
"""
import csv
import re
import sys
from collections import Counter
from pathlib import Path, PureWindowsPath
CAD_EXTENSIONS = {".ipt", ".iam", ".idw", ".dwg"}
# Legacy scheme ProjectNo_Assembly_Description_RevX. Adapt it to yours.
NAME_PATTERN = re.compile(
r"^(?P<project>\d{5})_" # project number, five digits
r"(?P<assembly>[A-Za-z0-9-]+)_" # assembly or module, no spaces
r"(?P<description>[^_]+?)" # free-text description
r"(?:_(?i:rev)(?P<revision>[A-Za-z]{1,2}))?$" # optional revision
)
# First-pass category from description keywords (English and German).
# Replace with the classes of your ECLASS or company class tree.
CATEGORY_KEYWORDS = {
"Plate": r"plate|platte",
"Shaft": r"shaft|welle",
"Bracket": r"bracket|holder|halter|winkel",
"Bushing": r"bushing|buchse",
"Frame": r"frame|rahmen|gestell",
}
FIELDS = ["file_name", "project", "assembly", "description",
"legacy_revision", "proposed_category", "status", "note"]
def read_names(source):
path = Path(source)
if path.is_dir():
names = [p.name for p in sorted(path.rglob("*")) if p.is_file()]
else:
with path.open(encoding="utf-8") as f:
names = [PureWindowsPath(line.strip()).name for line in f if line.strip()]
return [n for n in names if Path(n).suffix.lower() in CAD_EXTENSIONS]
def propose_category(description):
hits = [cat for cat, pattern in CATEGORY_KEYWORDS.items()
if re.search(pattern, description, re.IGNORECASE)]
return hits[0] if len(hits) == 1 else "" # none or ambiguous: reviewer decides
def parse(file_name):
row = dict.fromkeys(FIELDS, "")
row["file_name"] = file_name
match = NAME_PATTERN.match(Path(file_name).stem)
if not match:
row.update(status="UNPARSED", note="name does not match the pattern")
return row
description = match["description"].strip()
row.update(project=match["project"], assembly=match["assembly"],
description=description,
legacy_revision=(match["revision"] or "").upper(),
proposed_category=propose_category(description))
if row["proposed_category"]:
row["status"] = "PROPOSED"
else:
row.update(status="REVIEW", note="no or ambiguous category")
return row
def main(source, review_csv):
names = read_names(source)
counts = Counter(name.lower() for name in names)
rows = []
for name in names:
row = parse(name)
if counts[name.lower()] > 1: # the import needs unique file names
row.update(status="DUPLICATE",
note=f"name occurs {counts[name.lower()]} times, resolve first")
rows.append(row)
with open(review_csv, "w", newline="", encoding="utf-8") as f:
writer = csv.DictWriter(f, fieldnames=FIELDS)
writer.writeheader()
writer.writerows(rows)
summary = Counter(row["status"] for row in rows)
print(f"{len(rows)} files:", ", ".join(f"{k} {v}" for k, v in sorted(summary.items())))
if __name__ == "__main__":
if len(sys.argv) != 3:
sys.exit("usage: python propose_properties.py <folder or names.txt> <review.csv>")
main(sys.argv[1], sys.argv[2])
Führen Sie es zunächst für einen einzigen Projektordner aus; die Zeilen UNPARSED und REVIEW sind die eigentliche Arbeitsliste. Die alte Revision erhält eine eigene Spalte, weil Vault Revisionen über Revisionsschemata und Lebenszyklen verwaltet: Vergleichen Sie sie, importieren Sie sie nicht als Text.
Die geprüfte Datei wird anschließend über ein Massenwerkzeug für Eigenschaften eingespielt, etwa den Mass Properties Importer im Autodesk App Store. Der Administrator ordnet die CSV-Spalten in diesem Werkzeug den benutzerdefinierten Vault-Eigenschaften zu. Laut Beschreibung müssen die Dateien bereits mit eindeutigen Namen im Vault liegen, und es können nur nicht zugeordnete Eigenschaften geschrieben werden. Das Skript setzt nichts weiter voraus als eine Spalte pro Eigenschaft.
Schritt 2: In Vault mit dokumentierten Werkzeugen bereinigen
| Vault-Werkzeug | Was es bei der Bereinigung leistet | Achtung |
|---|---|---|
| Find Duplicates | Listet doppelte Dateinamen auf, die vor dem Erzwingen eindeutiger Namen aufzulösen sind | Findet Namen, keine geometrischen Zwillinge |
| Umbenennungsassistent | Weist ausgewählten Dateien ein Nummernschema, Präfixe oder Suffixe zu | Erhöht die Version; übergeordnete Dateien werden beim nächsten Download aktualisiert; schlüsselbasierte iPart-Elemente ausgenommen |
| Eigenschaftszuordnung | Synchronisiert Vault-Eigenschaften mit Inventor-iProperties, in eine oder beide Richtungen | Text zu Zahl oder Datum nur mit gleichem Gebietsschema auf Server und Clients |
| Vault Data Standard | Pflichtfelder (IsObligatory) und benutzerdefinierte Validierung in den Dialogen von Vault, Inventor und AutoCAD | Schützt neue Daten, nicht den Altbestand |
| Job Processor | Führt Jobs aus der Warteschlange aus, etwa die Eigenschaftssynchronisierung und die Erstellung von PDF oder STEP | Eigene Jobs erfordern Entwicklung und Tests |
Quellen, Vault-Hilfe 2024 bis 2027, Stand Oktober 2026: Find Duplicates, Rename, mapping, Data Standard, Job Processor.
Die Reihenfolge, die wir vorschlagen: doppelte Namen auflösen, die geprüften Eigenschaften importieren und dann Pflichtfelder aktivieren, damit neue Dateien sauber ankommen. Da der Importer nur nicht zugeordnete Eigenschaften schreibt, legen Sie früh fest, welche Werte über eine Zuordnung in die iProperties gelangen müssen, und testen Sie diese Reihenfolge an einer Kopie des Vaults. Benennen Sie nur dort um, wo ein Name in die Irre führt. Geometrische Zwillinge sind eine eigene Aufgabe: siehe Erkennung doppelter Teile anhand der Geometrie.
Teamcenter und E-CAD in Kürze
Für Teamcenter beschreibt ein Siemens-Blog von 2016 CSV2TCXML und Bulk Loader für große CSV-basierte Ladevorgänge (Siemens). E3.series-Attribute haben einen internen Namen für das Scripting, einen Anzeigenamen und einen Datentyp (Zuken), und das Release 2026 liefert eine API-Hilfe mit Python-Beispielen (Zuken), sodass der Ansatz mit Prüfdatei auch dort funktioniert. Die Ingenieure von inteliScience arbeiten hauptsächlich in Siemens NX und Teamcenter und haben auch mit Inventor gearbeitet; die Reihenfolge der Schritte ist dieselbe.
Die Engineering-Datenplattform: Was wir empfehlen
Für “Engineering-Plattform” gibt es keine Standarddefinition. Siemens bezeichnete Xcelerator 2022 als “offene digitale Business-Plattform” (Siemens), und CIMdata stellte 2023 fest, dass “fast die Hälfte der befragten Unternehmen keine allgemein akzeptierte Definition des Digital Thread hat” (CIMdata). Wir definieren sie über ihre Funktion: ein Weg, Engineering-Daten über CAD, PDM, E-CAD und ERP hinweg zu finden, ihnen zu vertrauen und sie zu verknüpfen.
Unsere Empfehlung für einen mittelständischen Maschinenbauer mit einem Mix wie Inventor und Vault, NX und Teamcenter, E3.series oder EPLAN:
- PDM als führende Datenquelle: eindeutige Teile-ID, Revision, Lebenszyklusstatus, Pflichteigenschaften bei der Anlage.
- ERP und E-CAD über dieselbe Teile-ID verknüpft: Artikel und BOMs fließen vom PDM ins ERP; E-CAD-Teile werden demselben Artikelstamm zugeordnet.
- Ein Such- und Retrieval-Index darüber: freigegebene Metadaten und Dokumente mit Textebene, wobei PDM-Berechtigungen und Lebenszyklusstatus pro Chunk mitgeführt werden.
- Kein neuer Monolith: nichts wird migriert, nichts ersetzt das PDM.
An Punkt 3 sparen Pilotprojekte gern Aufwand ein. Microsofts Dokumentation zu Azure AI Search warnt, dass Änderungen an Berechtigungen im Quellsystem “erst dann in den Suchergebnissen berücksichtigt werden, wenn diese Metadaten mit dem Index synchronisiert sind”, und dass “Verweise auf Chunk-Ebene nicht gefiltert werden”, sofern die Labels nicht auf jeden Chunk projiziert werden (Microsoft Learn). Die OWASP Top 10 for LLM Applications 2025 fordern “berechtigungsbewusste Vektor- und Embedding-Speicher” (OWASP LLM08). In Vault hat die statusbasierte Sicherheit Vorrang vor der objektbasierten Sicherheit, daher muss der Index jeder Lebenszyklusänderung folgen, sonst wird die KI zur Umgehung der Berechtigungen.
Wir raten davon ab, eine neue Plattform zu kaufen, bevor diese Schicht für eine Produktfamilie funktioniert; genau hier setzen unsere KI-Services auf Basis von Engineering-Daten an.
Souveränität und Exportkontrolle: Wo das Modell läuft
Wo ein Modell Ihre Zeichnungen verarbeitet, ist eine Frage der Datenresidenz und des Exports. Laut der am 9. September 2026 veröffentlichten Bitkom-Umfrage (603 deutsche Unternehmen ab 20 Beschäftigten) nutzen 76% der Unternehmen, die KI einsetzen, ChatGPT, 35% Microsoft Copilot und 28% Gemini; kein befragtes Unternehmen gab an, Mistral zu nutzen (Bitkom). Die Datenresidenz kann sich innerhalb eines Produkts ändern: Microsofts Datenschutzdokumentation zu Copilot (aktualisiert im Oktober 2026) besagt, dass “von Anthropic als Unterauftragsverarbeiter bereitgestellte Modelle derzeit von der EU-Datengrenze ausgenommen sind” (Microsoft Learn).
Die Exportkontrolle ist das heiklere Thema. Das Bitkom-Positionspapier von 2020, eine branchenseitige Auslegung der BAFA-Hinweise unter der Vorgängerfassung der Dual-Use-Verordnung, wertet das Hochladen detaillierter Konstruktionszeichnungen einer gelisteten Technologie auf einen Cloud-Server in Singapur als genehmigungspflichtige Technologieausfuhr (Bitkom 2020). Ob Ihre Zeichnungen Dual-Use-relevant sind, ist eine Frage für Ihren Exportkontrollbeauftragten; dies ist keine Rechtsberatung. Für kontrollierte Daten setzen wir standardmäßig auf ein in der EU gehostetes Modell oder ein On-Premises-Modell in Ihrem Netzwerk.
Mindestdaten vor einem KI-Pilotprojekt
Sie brauchen keinen bereinigten Datenbestand, nur diese acht Punkte für den Pilotumfang:
- Ein ausgewählter Anwendungsfall, mit den Daten, die er laut obiger Tabelle braucht.
- Eine eindeutige Teile-ID pro Artikel, identisch in PDM, ERP und E-CAD oder über ein gepflegtes Feld zugeordnet.
- Die Eigenschaften, die dieser Anwendungsfall braucht (Klasse, Werkstoff, einsprachige Beschreibung), befüllt und für neue Daten verpflichtend.
- Lebenszyklusstatus und freigegebene Revision für jedes Dokument bekannt; überholte Versionen ausgeschlossen oder gekennzeichnet.
- Zeichnungen als PDFs mit Textebene, Scans separat aufgeführt.
- Berechtigungen im Quellsystem dokumentiert, mit einem Plan, wie der Index sie erbt und neu synchronisiert.
- Eine Entscheidung, wo das Modell läuft, abgezeichnet von der IT und, bei kontrollierten Zeichnungen, von der Exportkontrolle.
- Eine Produktfamilie als Umfang, nicht der gesamte Datenbestand.
Häufig gestellte Fragen
Wie bereitet man CAD-Daten für KI vor?
CAD-Daten bereiten Sie für KI vor, indem Sie ihre Bedeutung maschinenlesbar machen: typisierte, verpflichtende Eigenschaften, eine Klassifizierung wie ECLASS, Revisionen und Lebenszyklusstatus, Zeichnungen mit Textebene und eine einzige Teile-ID, die mit ERP und E-CAD geteilt wird. Beginnen Sie mit den Daten, die ein einzelner Anwendungsfall benötigt. Beim Altbestand helfen Skripte, indem sie alte Dateinamen in Vorschläge für Eigenschaften umwandeln, die anschließend geprüft werden.
Braucht man ein PDM-System, bevor man KI im Engineering einsetzt?
Nicht zwingend, aber ohne PDM-System kann ein KI-Werkzeug freigegebene Dateien nicht zuverlässig von in Arbeit befindlichen unterscheiden oder prüfen, wer was sehen darf. Ein Fileserver kann ein kleines Pilotprojekt mit Dokumenten versorgen. Über ein Pilotprojekt hinaus empfehlen wir ein PDM wie Autodesk Vault oder Siemens Teamcenter als führende Datenquelle.
Sprechende vs. nicht sprechende Sachnummern: Was funktioniert besser für die KI-Suche?
Nicht sprechende Sachnummern funktionieren für die KI-Suche besser, vorausgesetzt, die Bedeutung steckt in Eigenschaften und einer Klassifizierung. Eine sprechende Nummer muss entschlüsselt werden, was nur funktioniert, wenn das Schema dokumentiert ist und konsequent angewendet wurde, während sich typisierte Eigenschaften direkt filtern lassen.
Was ist eine Engineering-Datenplattform?
Eine Engineering-Datenplattform ist eine Schicht, mit der Menschen und Software Engineering-Daten über CAD, PDM, E-CAD und ERP hinweg finden, ihnen vertrauen und sie verknüpfen können; für den Begriff gibt es keine Standarddefinition. Für einen mittelständischen Maschinenbauer empfehlen wir das PDM als führende Datenquelle, ERP und E-CAD über eine gemeinsame Teile-ID verknüpft und darüber einen Suchindex, der Berechtigungen berücksichtigt, statt eines neuen Monolithen.
Dürfen exportkontrollierte Konstruktionszeichnungen von einem Cloud-KI-Dienst verarbeitet werden?
Manchmal, aber das Hochladen von Dual-Use-Zeichnungen auf Server außerhalb der EU kann als genehmigungspflichtige Technologieausfuhr gelten, wie das Bitkom-Positionspapier von 2020 zu Cloud Computing und Exportkontrolle erläutert. Klären Sie die Einstufung vor jedem Upload mit Ihrem Exportkontrollbeauftragten; dies ist keine Rechtsberatung. In der EU gehostete oder On-Premises-Modelle verringern dieses Risiko, sofern auch der Zugriff von außerhalb der EU kontrolliert wird.
Nächster Schritt
Welchen KI-Anwendungsfall können Ihre Daten zuerst tragen? In einem kostenlosen 45-minütigen Erstgespräch sehen sich die Ingenieure von inteliScience per Bildschirmfreigabe eine Stichprobe Ihrer Vault-, BOM- und E-CAD-Daten an und sagen Ihnen, was Sie zuerst bereinigen sollten. Fachgespräch zu Ihren Engineering-Daten anfragen
Verwandte Themen
- Was KI in Autodesk Inventor kann und was nicht
- PDM- und ERP-Datensätze für Engineering-KI verknüpfen
Referenzen
- Gartner, “Lack of AI-Ready Data Puts AI Projects at Risk”, Pressemitteilung, 26. Februar 2025: https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk (abgerufen am 21. Oktober 2026)
- Court, A. W., Ullman, D. G., Culley, S. J., “A Comparison Between the Provision of Information to Engineering Designers in the UK and the USA”, International Journal of Information Management 18(6), 1998, 409-425: https://www.davidullman.com/_files/ugd/20f020_b0f285852b6141f7a511e9a156e801a4.pdf (abgerufen am 21. Oktober 2026)
- Robinson, M. A., “An empirical analysis of engineers’ information behaviors”, Journal of the American Society for Information Science and Technology 61(4), 640-658, 2010: https://doi.org/10.1002/asi.21290 (abgerufen am 21. Oktober 2026)
- PTC, Datenblatt Parts Classification (mit Zitat der Aberdeen Group): https://www.4cadgroup.com/uploads/media/product/product_689b05c9a27256.17032902_phpn8L8xL.pdf (abgerufen am 21. Oktober 2026)
- ECLASS, konzeptionelles Datenmodell und Release 16.0: https://eclass.eu/support/technical-specification/data-model/conceptual-data-model und https://eclass.eu/support/content-creation/release-process/information-on-releases/release-160 (abgerufen am 21. Oktober 2026)
- IEC 81346-1:2022, Strukturierungsprinzipien und Referenzkennzeichnung, Teil 1: Allgemeine Regeln: https://webstore.iec.ch/en/publication/64021 (abgerufen am 21. Oktober 2026)
- CIMdata, “The Digital Thread: The Industrial Perspective”, 7. März 2023: https://www.cimdata.com/de/resources/cimdata-blog/item/20985-the-digital-thread-the-industrial-perspective (abgerufen am 21. Oktober 2026)
- Microsoft Learn, “Document-Level Access Control, Azure AI Search”: https://learn.microsoft.com/en-us/azure/search/search-document-level-access-overview (abgerufen am 21. Oktober 2026)
- OWASP GenAI Security Project, “LLM08:2025 Vector and Embedding Weaknesses”: https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/ (abgerufen am 21. Oktober 2026)
- Bitkom, Pressemitteilung, 9. September 2026: https://www.bitkom.org/Presse/Presseinformation/KI-aus-China-fuer-deutsche-Wirtschaft-kein-Thema (abgerufen am 21. Oktober 2026)
- Bitkom, “Cloud Computing & Exportkontrolle”, Positionspapier, 4. November 2020: https://www.bitkom.org/sites/main/files/2020-11/201104_pp_bitkom_cloud-computing-exportkontrolle.pdf (abgerufen am 21. Oktober 2026)

