KI-Wissensmanagement: verteiltes Unternehmenswissen nutzbar machen

Warum Wiki, SharePoint und Ordnerstruktur regelmäßig scheitern

Wissensmanagement-Systeme sind selten das, was fehlt. Es gibt sie bereits — sie heißen Confluence, SharePoint, Notion oder schlicht „Laufwerk K:". Das Problem ist auch selten, dass Wissen fehlt: Es ist dokumentiert, aber nicht auffindbar, nicht aktuell oder nicht als verbindlich erkennbar. Wer eine Antwort braucht, fragt deshalb einen Kollegen. Das ist rational: Die Nachfrage beim Kollegen liefert in der Regel schneller eine belastbare Auskunft als eine Suche im Intranet, die oft bei einem Dokument endet, dessen Gültigkeit niemand bestätigen kann.

Dahinter stehen strukturelle Ursachen, die sich durch einen Werkzeugwechsel nicht beheben lassen:

Sprachmodelle verändern davon genau eine Sache gründlich: den Zugang. Statt eine fremde Struktur zu durchsuchen, stellt man eine Frage in eigener Sprache und erhält eine Antwort mit Verweis auf die Quelle. Die Begriffslücke zwischen Autor und Suchendem wird deutlich kleiner, weil semantische Suche über Bedeutung statt über Zeichenketten arbeitet. Ganz verschwindet sie nicht: hausinterne Abkürzungen, Produktcodes und Paragrafen findet erst eine Kombination aus semantischer und klassischer Stichwortsuche zuverlässig. Alle anderen Ursachen bleiben bestehen — Aktualität, Verbindlichkeit, Zuständigkeit, Pflege. Sie werden durch ein KI-System sogar sichtbarer.

• Asymmetrischer Aufwand: Wissen aufzuschreiben kostet den Autor Zeit, der Nutzen entsteht bei anderen und später. Ohne Prozess, der das ausgleicht, gewinnt immer die dringendere Aufgabe.
• Jede Ordner- oder Seitenstruktur ist die Denkweise einer Person zu einem Zeitpunkt. Wer Jahre später sucht, sortiert anders — und findet nichts.
• Stichwortsuche setzt voraus, dass der Suchende die Begriffe des Autors kennt. Wer nach „Reisekostenerstattung" sucht, findet die Seite „Spesenrichtlinie 2019" nicht.
• Keine Verfallslogik: Dokumente werden angelegt, aber nie außer Kraft gesetzt. Nach wenigen Jahren konkurrieren drei Stände derselben Regel, ohne dass einer als überholt markiert wäre.
• Kein Feedbackkanal: Wer bemerkt, dass eine Anleitung falsch ist, korrigiert sie meist nicht — er umgeht sie und behält das Wissen für sich.

Explizites und implizites Wissen: Was KI überhaupt erfassen kann

Die Unterscheidung wird meist auf Michael Polanyi zurückgeführt, der in „The Tacit Dimension" (1966) formulierte: „We can know more than we can tell" — wir können mehr wissen, als wir zu sagen wissen. In die Wissensmanagement-Praxis übersetzt haben diese Zweiteilung vor allem Ikujiro Nonaka und Hirotaka Takeuchi (1995). Für KI-Projekte ist das keine Theorie, sondern die Scope-Grenze: Ein Retrieval-System kann ausschließlich wiedergeben, was in irgendeiner Form als Text vorliegt.

Dazwischen liegt eine große Grauzone: halb-explizites Wissen in E-Mail-Threads, Chatverläufen und Ticketkommentaren. Es ist verschriftlicht, aber ungeordnet, kontextabhängig und oft widersprüchlich. Technisch indexierbar, praktisch riskant — wenn man solche Quellen ungefiltert aufnimmt, dominieren sie das Retrieval und verdrängen die freigegebenen Dokumente.

Implizites Wissen lässt sich nicht extrahieren, aber teilweise explizieren. Der Weg dorthin ist unverändert der klassische: strukturierte Interviews, Beobachtung, Nachvollziehen konkreter Fälle, Verschriftlichung. KI kann diesen Prozess beschleunigen — Gespräche transkribieren, aus Rohnotizen Entwürfe strukturieren, aus gelösten Tickets Muster vorschlagen. Ersetzen kann sie ihn nicht. Wer das übergeht, baut ein System, das alles über Formulare weiß und nichts über Entscheidungen.

Welche Wissensquellen sich für KI-Zugriff eignen

Nicht jede Quelle gehört in denselben Index. Die Eignung hängt an drei Fragen: Ist der Inhalt freigegeben oder Rohmaterial? Ist er als Fließtext oder als strukturierter Datensatz sinnvoll? Und sind die Zugriffsrechte im Quellsystem sauber gepflegt?

Für den Einstieg ist ein enger Zuschnitt fast immer die bessere Entscheidung: eine Abteilung, eine klar abgegrenzte Dokumentenmenge, ein definierter Nutzerkreis. Ein System, das zu 300 kuratierten Dokumenten belastbar antwortet, ist mehr wert als eines, das 300.000 Dateien halb kennt — und es lässt sich beurteilen, weil man den Bestand noch überblickt.

Strukturierte Systeme wie ERP, CRM oder Zeiterfassung gehören in der Regel nicht in die Vektorsuche. Zahlen aus einer Datenbank beantwortet man über einen direkten, geprüften Zugriff — etwa über einen Tool-Aufruf per MCP-Server. Semantische Ähnlichkeit ist für Bestandsabfragen die falsche Methode: Sie liefert etwas Ähnliches, nicht das Richtige.

Vom Dokument zur beantwortbaren Frage: die Verarbeitungskette

Der technische Weg ist in den gängigen Systemen im Kern derselbe; ich beschreibe ihn hier in sechs Stufen. Wer versteht, was in jeder Stufe schiefgehen kann, kann Antwortqualität gezielt debuggen statt am Modell zu drehen.

1. Quellen anbinden. Verbindung zu Wiki, Dateiablage, Ticketsystem — inklusive Änderungserkennung, damit neue und gelöschte Dokumente nachgeführt werden. Eine einmalige Massen-Indexierung ist kein Betrieb, sondern ein Prototyp.

2. Aufbereiten. Text extrahieren, Layout auflösen, Tabellen erhalten, Scans per OCR lesbar machen. Diese Stufe wird oft unterschätzt: Eine PDF-Tabelle, die beim Extrahieren zu Zeilensalat wird, liefert später falsche Antworten, die niemand mehr auf den Parser zurückführt. Gleichzeitig werden Metadaten gesetzt — Quelle, Bereich, Gültigkeit, Zugriffsrechte.

3. Chunking. Dokumente werden in Abschnitte zerlegt, weil ganze Dateien für die gezielte Suche zu grob sind. Sinnvoll ist eine Zerlegung entlang der Dokumentstruktur (Überschriften, Absätze) statt nach reiner Zeichenzahl, mit leichtem Überlappen an den Rändern und einem Kopf, der Dokumenttitel und Abschnitt mitführt. Ein Chunk ohne Kontext — „Die Frist beträgt 14 Tage" — ist im Index praktisch wertlos.

4. Embeddings erzeugen. Jeder Abschnitt wird durch ein Embedding-Modell in einen Vektor übersetzt, der seine Bedeutung im Zahlenraum abbildet. Ähnliche Inhalte liegen nahe beieinander; als Abstandsmaß dient meist die Kosinus-Ähnlichkeit, je nach Index auch das Skalarprodukt oder die euklidische Distanz. Für deutschsprachige Bestände lohnt sich die Prüfung, ob das gewählte Modell mehrsprachig trainiert ist — sonst leidet die Trefferqualität bei Fachbegriffen und Komposita.

5. Retrieval. Zur Frage werden die passenden Abschnitte gesucht. In der Praxis liefert eine hybride Suche die stabilsten Ergebnisse: Vektorsuche für Bedeutung, klassische Stichwortsuche für exakte Begriffe wie Artikelnummern oder Paragrafen, danach ein Reranking, das die Kandidaten neu sortiert. Zusätzlich greifen hier die Metadatenfilter — Berechtigung, Gültigkeit, Bereich.

6. Antwort mit Quellenangabe. Die gefundenen Abschnitte gehen zusammen mit der Frage an das Sprachmodell, verbunden mit der Anweisung, ausschließlich auf Basis dieser Abschnitte zu antworten und die Quelle zu benennen. Findet sich keine Grundlage, ist „nicht belegt" die richtige Ausgabe. Die Details dieser Architektur behandelt die Seite zu RAG, die Modellauswahl dahinter das Kapitel Corporate LLM.

Personalwechsel und Renteneintritt: ein konkreter Auslöser

Der abstrakte Nutzen eines Wissenssystems überzeugt selten ein Budget. Ein konkret bevorstehender Austritt schon. Wenn jemand nach zwanzig Jahren geht und einen Teil der Sonderfälle nur er kennt, wird der Verlust plan- und terminierbar — und damit adressierbar.

Der Fehler liegt oft im Zeitpunkt. Wissenstransfer beginnt vielfach erst, wenn die Kündigung auf dem Tisch liegt, und besteht dann aus zwei Übergabeterminen, in denen der Ausscheidende erzählt, was ihm gerade einfällt. Das erfasst Vorgänge, nicht Ausnahmen — und Ausnahmen sind der eigentliche Wert von Erfahrung.

Ein tragfähigeres Vorgehen: Zuerst wird ermittelt, welche Themen nur eine Person beantworten kann. Dann werden Interviews entlang echter Fälle geführt statt entlang von Prozessdiagrammen — „Zeig mir den letzten schwierigen Vorgang und erkläre jede Entscheidung." Die Gespräche werden aufgezeichnet, transkribiert und in prüfbare Dokumente überführt, die der Ausscheidende gegenliest. Erst diese Dokumente gehen in den Index. Danach lässt sich das Ergebnis testen, indem die Nachfolge dem System genau die Fragen stellt, die sie sonst dem Vorgänger stellen würde — solange dieser noch korrigieren kann.

Für die Aufzeichnungsphase ist lokale Verarbeitung oft die praktikabelste Variante, weil in solchen Gesprächen zwangsläufig Namen, Konflikte und Kundeninterna fallen. Wie das ohne Cloud-Übertragung aufgesetzt wird, steht unter KI-Datenschutz und lokale KI und LLM lokal installieren.

• Kritikalität zuerst bestimmen: Welche Themen hängen an genau einer Person?
• Interviews an konkreten Fällen führen, nicht an Prozessbeschreibungen — dort steckt das Ausnahmewissen.
• Ergebnisse verschriftlichen und vom Ausscheidenden freigeben lassen, bevor sie indexiert werden.
• Gegenprobe machen: Die Nachfolge testet das System, solange der Vorgänger noch korrigieren kann.
• Aufzeichnungen als personenbezogene Daten behandeln — Aufbewahrung, Zweck und Löschung vorab klären.

Datenqualität ist der eigentliche Engpass

Wenn ein Wissenssystem falsch antwortet, ist das Modell selten die Ursache. Häufiger ist der Bestand das Problem: Es liegen drei Versionen derselben Richtlinie vor, zwei davon ohne Datum, und die inhaltlich aktuellste ist die mit dem ältesten Dateinamen. Ein Sprachmodell löst diesen Konflikt nicht — es wählt eine Quelle und formuliert sie überzeugend aus.

Typische Muster, die vor der Indexierung geklärt werden müssen: Dubletten in mehreren Ablagen; widersprüchliche Stände ohne erkennbare Rangfolge; Entwürfe, die nie freigegeben wurden, aber wie Endfassungen aussehen; Dokumente ohne jeden Kontext, deren Geltungsbereich sich aus dem Ordnerpfad ergab; Scans ohne OCR; Fremdsprachiges im deutschsprachigen Bestand.

Ein pragmatischer Ablauf, der ohne monatelange Datenbereinigung auskommt: Zuerst wird der Bestand nach Nutzungshäufigkeit sortiert statt vollständig gesichtet — die Dokumente, auf die real zugegriffen wird, sind typischerweise eine kleine Teilmenge. Für diese Teilmenge werden Eigentümer, Gültigkeit und Status geklärt. Alles andere bleibt zunächst außerhalb des Index. Danach werden diese Angaben als Metadaten geführt und im Retrieval als Filter genutzt, sodass ein abgelaufenes Dokument gar nicht erst in die Antwort gelangt.

Was sich nicht klären lässt, wird explizit markiert statt stillschweigend mitgenommen. Ein System, das sagt „Zu dieser Frage existieren zwei widersprüchliche Stände, geprüft wurde keiner", ist brauchbar. Eines, das sich schweigend für einen entscheidet, ist gefährlich.

• Nach Nutzungshäufigkeit priorisieren, nicht nach Vollständigkeit.
• Pflichtmetadaten definieren: Eigentümer, Gültig-ab, Status, Bereich, Vertraulichkeitsstufe.
• Entwürfe und Endfassungen technisch trennen, nicht nur im Dateinamen.
• Dubletten vor der Indexierung auflösen — sonst belegen sie mehrere Retrieval-Plätze mit derselben Aussage.
• OCR-Ergebnisse stichprobenhaft prüfen; schlechte Erkennung bleibt sonst dauerhaft unsichtbar.
• Widersprüche kennzeichnen statt auflösen zu lassen — die Entscheidung gehört zu einem Fachbereich, nicht zum Modell.

Berechtigungen: Nicht jeder darf jede Antwort bekommen

Ein Wissenssystem, das alle Dokumente kennt, kennt auch Gehaltsstrukturen, Kündigungsvorbereitungen, Kalkulationsgrundlagen und Personalakten. Die zentrale Anforderung lautet deshalb: Das System sollte einem Nutzer nichts beantworten, was er im Quellsystem nicht sehen dürfte.

Technisch heißt das, Berechtigungen in das Retrieval zu ziehen, nicht in die Formulierung. Jeder Abschnitt trägt die Zugriffsinformationen seines Ursprungsdokuments als Metadatum; die Suche filtert vor dem Ranking auf die Rechte des anfragenden Nutzers. Rechteänderungen im Quellsystem müssen in den Index nachgeführt werden — sonst antwortet das System nach der Versetzung eines Mitarbeiters noch monatelang aus dem alten Bereich.

Personenbezogene Daten bringen zusätzliche Pflichten mit sich. Die Zweckbindung nach Art. 5 Abs. 1 lit. b DSGVO ist auch bei abgeleiteten Daten zu beachten: Wer Dokumente indexiert, in denen Beschäftigte vorkommen, verarbeitet deren Daten weiter. Ein Löschkonzept sollte deshalb Embeddings, Chunks, Caches und Logs einschließen, nicht nur die Ursprungsdatei — wird nur das Original gelöscht, bleibt der Inhalt über die im Index gespeicherten Textabschnitte weiterhin abrufbar, denn der Klartext liegt dort als Payload neben dem Vektor. Entsprechendes gilt für Auskunftsersuchen nach Art. 15 DSGVO, die sich auch auf den Index erstrecken können. Das ist eine fachliche Einordnung und ersetzt die Prüfung des konkreten Falls nicht; die datenschutzrechtlichen Grundlagen behandelt der Artikel zu DSGVO und KI, die organisatorische Einbettung die Seite zu KI-Governance.

In Betrieben mit Betriebsrat kommt ein weiterer Punkt hinzu: § 87 Abs. 1 Nr. 6 BetrVG erfasst technische Einrichtungen, die dazu bestimmt sind, Verhalten oder Leistung der Beschäftigten zu überwachen; nach ständiger Rechtsprechung des Bundesarbeitsgerichts genügt dabei bereits die objektive Eignung zur Überwachung. Ein Wissenssystem, das protokolliert, wer was fragt, kann darunter fallen — ob es das tut, ist mit Betriebsrat und Rechtsberatung im Einzelfall zu klären. Diese Frage gehört an den Anfang des Projekts, nicht erst kurz vor den Rollout.

Pflege und Aktualität als Dauerprozess

Ein Wissenssystem hat kein Projektende. Es hat einen Betriebszustand, und der ist entweder gepflegt oder er verfällt. Der Verfall verläuft dabei unauffällig: Die Antworten bleiben flüssig und selbstsicher, nur ihr Bezug zur Realität löst sich langsam auf.

Drei Mechanismen halten das System stabil. Erstens klare Zuständigkeit: Für jeden Themenbereich gibt es eine benannte Person, die für Inhalte verantwortlich ist — nicht die IT, sondern der Fachbereich. Zweitens Gültigkeit als Pflichtfeld: Jedes Dokument bekommt ein Datum, ab dem es zur Prüfung ansteht, und fällt nach Ablauf ohne Bestätigung aus dem Index oder wird als ungeprüft markiert. Drittens eine geschlossene Rückmeldeschleife: Wenn ein Nutzer eine Antwort als falsch markiert, entsteht daraus ein Vorgang für den Inhaltseigentümer — nicht ein Eintrag in einer Statistik, die niemand liest.

Technisch gehört dazu eine inkrementelle Ingestion-Pipeline, die Änderungen erkennt, nur Betroffenes neu einbettet und Löschungen konsequent propagiert. Ein Dokument, das im Quellsystem entfernt wurde, aber im Vektorindex weiterlebt, ist sowohl ein Qualitäts- als auch ein Datenschutzproblem. Was das für Betrieb und Betriebsmodell bedeutet, steht unter KI-Infrastruktur.

Der wertvollste Nebeneffekt des Betriebs sind die Fragen selbst. Fragen, auf die das System keine belegte Antwort findet, sind eine präzise Liste dessen, was im Unternehmen dokumentiert werden müsste — erhoben aus echtem Bedarf statt aus einem Dokumentationsplan. Diese Liste regelmäßig auszuwerten, ist eine der günstigsten Formen von Wissensstrategie.

Woran man Erfolg erkennt — ohne Kennzahlenkosmetik

Zahlen zu gesparten Stunden oder Produktivitätsgewinnen beruhen häufig auf Hochrechnungen, deren Annahmen nicht offengelegt werden. Ohne nachvollziehbare Methodik, Stichprobe und Erhebungsjahr sind sie für die eigene Entscheidung wertlos. Belastbar ist etwas anderes: eine eigene, wiederholbare Messung am eigenen Bestand.

Das Kernwerkzeug ist ein fester Fragenkatalog. Fachleute formulieren typische Fragen aus dem Arbeitsalltag und hinterlegen die fachlich korrekte Antwort inklusive Belegstelle. Dieser Katalog wird nach jeder größeren Änderung — neues Modell, neue Chunking-Strategie, neuer Dokumentenbestand — erneut gegen das System gefahren und von Menschen bewertet. Ohne diesen Katalog ist jede Aussage über Verbesserung Gefühlssache; Änderungen an Retrieval-Parametern verbessern eine Fragenklasse oft auf Kosten einer anderen.

Zweitens zählt die Quellentreue: Stützt die zitierte Quelle die gegebene Aussage tatsächlich? Das lässt sich nur per Stichprobe prüfen, ist aber der entscheidende Indikator — ein System, das plausibel klingt und falsch zitiert, richtet mehr Schaden an als eine leere Suche.

Und drittens gilt ein einfacher Verhaltensindikator: Fragen die Leute weiterhin ihre Kollegen? Wenn ja, ist das kein Akzeptanzproblem, sondern ein Qualitätsurteil. Die Vertiefung eigener Bewertungskompetenz behandelt der Bereich KI-Kompetenz.

Lohnt sich ein KI-gestütztes Wissenssystem — oder ist zuerst Aufräumen dran?

Häufige Fehler

1. Alles auf einmal indexieren Der Reflex, sämtliche Laufwerke und Postfächer anzuschließen, erzeugt ein System, dessen Antwortqualität niemand mehr beurteilen kann. Ein enger, kuratierter Bestand mit klarem Eigentümer liefert bessere Ergebnisse und lässt sich prüfen. Der Umfang wächst danach entlang belegten Bedarfs.
2. Das Modell für das Problem halten Wenn Antworten falsch sind, wird zuerst das Sprachmodell gewechselt. Die Ursache liegt jedoch oft früher: fehlerhafte Textextraktion, kontextlose Chunks, widersprüchliche Quellen, kein Reranking. Ohne Fehleranalyse entlang der Verarbeitungskette bleibt der Modellwechsel ein teurer Zufallstreffer.
3. Berechtigungen nachträglich einbauen Zugriffsrechte werden häufig als Feature für Phase zwei geplant. Damit entsteht ein System, das Vertrauliches korrekt beantwortet — an jeden. Die Rechtelogik gehört in die Datenmodellierung des Index, weil sie nachträglich in der Regel eine Neuindexierung erzwingt.
4. Antworten ohne Quellenangabe ausliefern Ohne Verweis auf Dokument und Abschnitt ist keine Antwort überprüfbar, und Nutzer verlieren nach dem ersten unerkannt falschen Ergebnis dauerhaft das Vertrauen. Quellenangabe und die Ausgabe „nicht belegt" gehören zur Grundfunktion, nicht zur Ausbaustufe.
5. Pflege niemandem zuweisen Nach dem Rollout gilt das Projekt als abgeschlossen, und der Bestand altert im Stillen weiter. Ohne benannte Inhaltseigentümer, Gültigkeitsdaten und Review-Zyklus verfällt die Antwortqualität unbemerkt — die Formulierungen bleiben ja gleich gut.
6. Implizites Wissen per Werkzeugkauf lösen wollen Wenn das entscheidende Wissen nur in Köpfen existiert, ändert kein System daran etwas. Der notwendige Schritt ist Verschriftlichung durch Interviews und Dokumentation. KI beschleunigt diesen Prozess, ersetzt ihn aber nicht — und ein System ohne diesen Vorlauf kennt am Ende nur die Formulare.

Weiterlesen

Verwandte Themen

• RAG: Retrieval Augmented Generation — die technische Referenz
• Unternehmens-KI: Ebenen, Reifegrade und der Weg zur Einführung
• KI-Governance: der Rahmen, der KI-Nutzung nicht ausbremst