KI im Wissens­management: Ihr Problem war nie die Suche

Dienstagmorgen im Service. Die Technikerin fragt den internen Assistenten nach der Einstellung für eine Anlage, die seit Jahren keiner mehr angefasst hat. Sie bekommt die richtige Antwort, mit Quelle. Die Quelle ist ein Gespräch mit dem Kollegen, der im Frühjahr in Rente ging. Zufall ist das nicht. Jemand hat vorher gefragt und aufgeschrieben. Darum geht es bei KI im Wissensmanagement, in Frankfurt wie überall: Das System findet nur, was einmal festgehalten wurde.

Die andere Szene kennen Sie vermutlich besser. Der neue Assistent ist live, die Geschäftsführung testet ihn vor versammelter Runde. Frage nach der aktuellen Gewährleistungsregel. Die Antwort kommt flüssig und mit Quellenangabe. Sie stammt aus einem PDF von vor drei Versionen, das nie jemand gelöscht hat. Im Raum nickt man zufrieden. Nur die Vertriebsleiterin schreibt unter dem Tisch dem Kollegen, der die Regel tatsächlich kennt.

Das Sprachmodell hat dabei keinen Fehler gemacht. Es hat das passendste Dokument gefunden und sauber zusammengefasst. Dass dieses Dokument veraltet war, konnte es nicht wissen, denn niemand hatte es markiert. Ein Large Language Model (LLM) hat kein Gefühl für Gültigkeit. Liegen zwei widersprüchliche Fassungen im Archiv, wiederholt es eine davon mit voller Überzeugung. Welche, entscheiden Details der Suche.

Damit liegt das eigentliche Problem offen. Wissen steckt in Köpfen und Ordnern, der Rest verteilt sich auf E-Mails, die nur der Absender wiederfindet. Wissen geht verloren, wenn erfahrene Mitarbeitende in Rente gehen. Interne KI-Assistenten versprechen, genau das aufzufangen. Sie halten das Versprechen aber erst, wenn das Wissen vorher irgendwo steht.

RAG einfach erklärt, sodass Sie es in der nächsten Sitzung weitererzählen können: Bevor das Sprachmodell antwortet, durchsucht ein zweites System Ihre Dokumente nach passenden Stellen. Diese Auszüge bekommt das Modell zusammen mit der Frage vorgelegt. Erst dann formuliert es eine Antwort, die sich auf genau diese Auszüge stützt. Das Modell weiß also nichts über Ihr Unternehmen. Es liest nur schnell nach.

Das Bild, das hängen bleibt: ein sehr schneller Praktikant mit gutem Ausdruck, der vor jeder Antwort ins Archiv läuft. Er liest, was er dort findet, und fasst es ordentlich zusammen. Ob die Akte aktuell ist, prüft er nicht. Fehlt die Akte, improvisiert er im Zweifel lieber, als zuzugeben, dass er nichts gefunden hat. Gute Systeme bremsen ihn dabei. Ganz abstellen lässt sich der Praktikant nicht.

Daraus folgt eine schlichte Regel: Die Qualität der Antwort hängt an der Qualität der Quelle, nicht am Sprachmodell. Ein Modellwechsel bringt elegantere Formulierungen. Eine aufgeräumte Quelle bringt richtige Antworten. Das gilt auch für Datenschutz und Zugriffsrechte. Findet der Assistent ein Dokument, das der Fragende gar nicht sehen dürfte, ist die Rechtevergabe schon vor der KI schiefgelaufen. Rechte gehören deshalb in den Suchschritt, damit gesperrte Inhalte gar nicht erst beim Modell landen.

Wie funktioniert eine Vektordatenbank? Weniger magisch, als die Anbieterfolien vermuten lassen. Jedes Textstück wird in Embeddings übersetzt, also in lange Zahlenreihen, die seine Bedeutung abbilden. Texte mit ähnlicher Bedeutung liegen nah beieinander, auch wenn sie andere Wörter benutzen. Stellt jemand eine Frage, wird auch sie in Zahlen übersetzt. Die Datenbank liefert dann die Textstücke mit dem geringsten Abstand. Das Verfahren misst Abstände. Verstehen tut es nichts.

Die eigentliche Arbeit steckt im Zerlegen. Bevor etwas in die Vektordatenbank kommt, wird jedes Dokument in Abschnitte geschnitten, das sogenannte Chunking. Schneidet das System stur nach Zeichenzahl, trennt es gern die Ausnahme von der Regel. Dann steht im einen Abschnitt, dass Rückgaben innerhalb von 30 Tagen möglich sind, und im nächsten, für welche Produkte das nicht gilt. Der Assistent findet den ersten Abschnitt und antwortet souverän.

Chunking muss deshalb jemand bewusst festlegen. Handbücher schneidet man besser an Überschriften, Verträge an ihren Klauseln. Überlappungen zwischen den Abschnitten halten Kontext zusammen. Metadaten wie Gültigkeitsdatum und Abteilung erlauben es, alte Fassungen gezielt auszufiltern. Bleiben diese Fragen dem Standard des Tools überlassen, kommen Antworten heraus, die technisch korrekt und inhaltlich zerstückelt sind. Der Nutzer merkt das selten sofort. Er merkt es, wenn er danach handelt.

Klassische Enterprise Search Software hat einen schlechten Ruf. Man tippt einen Begriff ein und bekommt Hunderte Treffer oder gar keinen. Das nervt. Es ist aber ehrlich. Eine leere Trefferliste sagt unmissverständlich: Dazu steht nichts im System. Sie wissen dann, dass Sie den Kollegen anrufen müssen. Diese Klarheit wird erst vermisst, wenn sie fehlt.

KI-Suche formuliert. Sie füllt eine Lücke mit plausibel klingenden Sätzen aus benachbarten Dokumenten, und die Lücke sieht danach aus wie Wissen. Die Frage nach der Wartungsfrist einer Sondermaschine beantwortet sie dann mit der Frist der Standardbaureihe, weil die ähnlich klingt. So arbeitet semantische Ähnlichkeit: Sie findet das Nächstliegende und hält es für die Antwort.

Daraus folgt keine Rückkehr zur alten Suche, sondern eine Kombination. Hybrid Search verbindet die Stichwortsuche nach BM25 mit der Vektorsuche und findet so exakte Artikelnummern ebenso wie sinngemäße Formulierungen. Dazu kommt eine Regel, die wir bei Projekten zu KI im Wissensmanagement in Frankfurt früh einbauen: Findet das System keine belastbare Quelle, sagt der Assistent genau das. Ein ehrliches „Dazu habe ich nichts gefunden“ ist mehr wert als eine elegante Vermutung. Es zeigt außerdem, wo Dokumentation fehlt.

Das meiste Wissen, das einem Betrieb fehlt, stand nie in einem Dokument. Es ist der Handgriff, mit dem die alte Presse wieder anläuft. Oder das Gespür dafür, welcher Großkunde bei Lieferverzug lieber angerufen als angeschrieben werden will. Implizites Wissen explizit machen heißt, diese Dinge aus den Köpfen zu holen, solange die Köpfe noch im Haus sind.

Hier ist KI tatsächlich stark, nur in einer anderen Rolle als erwartet. Sie arbeitet als Interviewer und Strukturierer, nicht als Suchmaschine. Ein Assistent führt ein Gespräch mit der erfahrenen Kollegin, hakt nach, wenn eine Antwort vage bleibt, und macht aus der Aufnahme einen geordneten Eintrag. Die Kollegin liest gegen und korrigiert. Ein Gespräch ersetzt so das Handbuch, das seit Jahren niemand schreiben wollte. Bewährte Methoden aus dem Wissensmanagement wie Lessons Learned oder Expertendebriefings bekommen damit ein Werkzeug, das ihnen die Schreibarbeit abnimmt.

Wo sich das zuerst bemerkbar macht, zeigt sich meist in vier Bereichen:

• Service: Fehlerbilder und Workarounds, die bisher nur die erfahrensten Techniker kennen.
• Vertrieb: Kundenhistorie und Argumente, die in einzelnen Postfächern liegen.
• Technik: Konstruktionsentscheidungen samt dem Grund, warum etwas so gebaut wurde.
• Onboarding: Antworten auf die Fragen, die neue Kolleginnen sonst mehrmals am Tag stellen.

Einige Monate nach dem Start sieht ein normaler Tag so aus: Die neue Kollegin im Vertrieb fragt den Assistenten statt drei Kollegen. Steht etwas nicht drin, meldet der Assistent die Lücke, und jemand schließt sie bis Ende der Woche. Über das Tool redet niemand mehr. Wer so eine Wissensdatenbank aufbauen will, braucht eine Reihenfolge, keine Feature-Liste.

Diese Reihenfolge nutzen wir, wenn wir KI im Wissensmanagement in Frankfurt und im Rhein-Main-Gebiet einführen:

• Bestandsaufnahme: Welches Wissen existiert nur in Köpfen, welches liegt in widersprüchlichen Fassungen vor?
• Aufräumen: veraltete Dokumente archivieren, Verantwortliche und Gültigkeit festlegen.
• Datenschutz und Zugriffsrechte klären, dann zwischen Cloud und On-Premise entscheiden. Die Cloud ist schneller startklar, On-Premise hält sensible Daten im eigenen Rechenzentrum.
• Pilot mit einem Anwendungsfall und echten Nutzern, erst danach die Toolauswahl festzurren.

Der größte Aufwand steckt erfahrungsgemäß in den ersten beiden Schritten, nicht in der Technik. Die typischen Stolpersteine sind entsprechend unspektakulär: ein Pilot über alle Abteilungen gleichzeitig und niemand, der für die Aktualität der Inhalte zuständig ist. Deshalb starten wir bei mindmelt in Frankfurt mit einem Workshop und setzen danach um: Daten aufbereiten, Assistent bauen, an Ihre Systeme anbinden. Was dazugehört, beschreibt unsere Leistung KI-Wissensdatenbank. Die erste Frage im Workshop lautet: Welches Wissen gibt es bei Ihnen bisher nur in Köpfen?