Wissensmanagement wird zu einer Architekturaufgabe
Wissensmanagement ist keine neue Disziplin. Unternehmen beschäftigen sich seit Jahrzehnten damit, wie sie Wissen erfassen, dokumentieren, teilen und langfristig verfügbar halten können. Dafür gibt es Wikis, Wissensdatenbanken, Dokumentenmanagementsysteme und organisatorische Prozesse. Doch mit dem Einsatz von AI verändert sich die Rolle dieses Wissens grundlegend.
Denn wenn AI-Assistenten und Agenten nicht mehr nur Informationen suchen, sondern Fragen beantworten, Zusammenhänge erkennen und Aufgaben übernehmen sollen, reicht der Zugriff auf Daten und Dokumente nicht aus. Sie müssen auch deren Bedeutung, Herkunft, Gültigkeit und Beziehungen zueinander berücksichtigen können. Damit wird Wissensmanagement zu einer Aufgabe, die Organisation, Data Management und AI-Architektur unmittelbar miteinander verbindet.
Wissen für Menschen verfügbar machen, ist eine Sache. Es so aufzubereiten, dass auch AI-Systeme seine Bedeutung verstehen und zuverlässig nutzen können, fordert einen neuen Umgang damit.
Patrick Hein
Consultant
QUNIS
Was Unternehmen wissen und was ihre Systeme davon verstehen, sind zwei Paar Stiefel
Ein großer Teil des Unternehmenswissens steckt in Datenmodellen, Kennzahlen, Richtlinien, Verträgen, Projektdokumentationen und Wissensdatenbanken. Hinzu kommen Erfahrungen, fachliche Zusammenhänge und Entscheidungsgrundlagen, die häufig nur einzelne Mitarbeitende kennen. Was für Menschen durch Erfahrung, Rückfragen und persönliche Beziehungen zugänglich ist, bleibt für technische Systeme oft unsichtbar. Besonders deutlich wird das bei historisch gewachsenen Dokumentenbeständen. Mehrere Fassungen derselben Richtlinie, veraltete Preislisten oder unklare Zuständigkeiten sind im Arbeitsalltag keine Seltenheit.
Ein AI-Assistent kann solche Dokumente durchsuchen und daraus Antworten formulieren. Ob er dabei die gültige Richtlinie verwendet, eine veraltete Information aufgreift oder wichtige Zusammenhänge übersieht, hängt jedoch davon ab, welche Informationen und Kontextangaben ihm zur Verfügung stehen.
Das Problem ist nicht allein, ob Wissen vorhanden und auffindbar ist. Entscheidend ist, ob seine Bedeutung und Verbindlichkeit auch für AI erkennbar werden.
Patrick Hein
Consultant
QUNIS
Wissensmanagement hat viele Gesichter
Wissensmanagement ist nicht gleich Wissensmanagement. Es gibt viele Formen und Lösungen, um Wissen in einem Unternehmen zu managen. Dies reicht von einer einfachen Dokumentenablage, einem Wiki oder einer Wissensdatenbank bis zu semantisch verknüpften Wissensarchitekturen oder modernen Wissensgraphen. Zwischen all diesen Formen gibt es erhebliche Unterschiede, sowohl was Technologie und Verankerung in der Organisation als auch Einsatzmöglichkeiten betrifft.
Um die verschiedenen Ansätze hinsichtlich ihrer Nutzung durch AI-Systeme besser einordnen zu können, betrachten wir am besten folgende zwei Dimensionen: die Struktur des Wissens und die Organisation seiner Pflege. Diese Dimensionen bestimmen wesentlich, welche Lösungen und einzusetzenden Technologien sinnvoll sind. Ein Expertenverzeichnis erfüllt eine andere Aufgabe als eine RAG-Lösung. Ein Copilot kann vorhandene Dokumente erschließen, ohne dass dafür zwingend ein Wissensgraph aufgebaut werden muss. Geht es dagegen um verbindliche Begriffe und komplexe fachliche Beziehungen, werden weitergehende semantische Strukturen relevant.
Wie ist das Wissen strukturiert?
Wissen kann als Dokument vorliegen, durch Metadaten beschrieben, als einzelne Information erfasst oder über fachliche Begriffe und Beziehungen miteinander verknüpft sein.
Je stärker Zusammenhänge explizit beschrieben werden, desto besser können AI-Systeme Informationen über einzelne Dokumente und Datenquellen hinaus einordnen.
Wer pflegt das Wissen?
Wissen kann von einzelnen Mitarbeitenden gepflegt, innerhalb geregelter Prozesse überprüft oder mit Unterstützung durch AI-Agenten aktualisiert werden.
Je stärker die Pflege automatisiert wird, desto wichtiger werden klare Zuständigkeiten, Qualitätsregeln und fachliche Freigaben.
Vom Wissensbestand zur AI-fähigen Wissensbasis führen fünf Stufen
Eine AI-fähige Wissensbasis entwickelt sich schrittweise aus vorhandenen Informationen, geregelten Verantwortlichkeiten und einer Architektur, die Wissen für Menschen und AI-Systeme nutzbar macht. Die Reihenfolge ist dabei entscheidend. Denn jede Stufe schafft Voraussetzungen für die nächste.
Das bedeutet nicht, dass jedes Unternehmen sämtliche Stufen durchlaufen muss. Welche Ausbaustufe sinnvoll ist, hängt von den Anforderungen des jeweiligen Anwendungsfalls ab. Folgende Stufen und Reifegrade gibt es:
01 | Wissen erfassen und bereinigen
Was ist vorhanden und was davon wird tatsächlich gebraucht?
Am Anfang steht die Bestandsaufnahme. Dokumente, Daten und andere Wissensquellen werden erfasst, veraltete Inhalte aussortiert, Dubletten erkannt und Berechtigungen überprüft. Das ist mehr als digitales Aufräumen. Denn ein AI-Assistent kann auch veraltete oder widersprüchliche Informationen finden. Und falsch gesetzte Berechtigungen werden durch den Einsatz von AI nicht automatisch korrigiert.
Eine verlässliche Wissensbasis entsteht aus geprüften, aktuellen und gezielt zugänglichen Informationen.
02 | Verantwortung und Verbindlichkeit schaffen
Wer entscheidet, welches Wissen gültig ist?
Governance schafft die organisatorischen Regeln für den Umgang mit Wissen. Dazu gehören verantwortliche Personen, Prüf- und Aktualisierungszyklen, Metadaten, Vertraulichkeitsstufen und geregelte Freigaben. Damit wird aus einer Sammlung von Informationen ein Bestand, dessen Qualität und Gültigkeit nachvollziehbar sind.
Klare Verantwortlichkeiten und geregelte Freigaben machen Wissen verbindlich und dauerhaft nutzbar.
03 | Wissen für AI zugänglich machen
Wie gelangen die richtigen Informationen zur richtigen Anwendung?
Auf einer bereinigten und geregelten Grundlage können AI-Assistenten und Agenten auf definierte Wissensquellen zugreifen. Dafür kommen beispielsweise Microsoft Copilot, Enterprise Search oder RAG-Lösungen infrage. Entscheidend ist, dass jede AI-Anwendung die für ihre Aufgabe relevanten Informationen findet und unter Berücksichtigung der jeweiligen Berechtigungen nutzen kann.
Gezielt bereitgestelltes Wissen ermöglicht AI-Anwendungen, aufgabenbezogen, nachvollziehbar und innerhalb definierter Berechtigungen zu arbeiten.
04 | Wissen fachlich verknüpfen
Wie erkennt AI die Bedeutung und Beziehungen von Informationen?
Mit Glossaren, fachlichen Datenmodellen und Ontologien werden Begriffe und ihre Beziehungen explizit beschrieben. So lässt sich beispielsweise festlegen, was ein aktiver Kunde ist, welche Verträge zu einem Geschäftspartner gehören oder welche Regeln für bestimmte Produkte gelten. Diese semantische Ebene ermöglicht es AI-Anwendungen, Informationen über unterschiedliche Quellen und Fachbereiche hinweg besser einzuordnen.
Fachlicher Kontext macht Zusammenhänge verständlich und Informationen über einzelne Quellen hinaus nutzbar.
05 | Wissen mit AI pflegen und weiterentwickeln
Wie bleibt die Wissensbasis aktuell und verlässlich?
AI-Agenten können neue Dokumente analysieren, fehlende Metadaten erkennen, veraltete Inhalte identifizieren und auf widersprüchliche Definitionen hinweisen. Sie übernehmen damit einen Teil der aufwendigen Sichtung und Vorstrukturierung. Fachlich Verantwortliche prüfen die Vorschläge und entscheiden, welche Informationen verbindlich sind.
AI unterstützt die kontinuierliche Pflege der Wissensbasis, während Menschen ihre fachliche Verlässlichkeit sichern.
Wenn Wissen geordnet, Verantwortlichkeiten geklärt und fachliche Zusammenhänge nachvollziehbar sind, können AI-Systeme verlässlich damit arbeiten. Wer Stufen überspringt, automatisiert im Zweifel das Chaos.
Patrick Hein
Consultant
QUNIS
Der Context Layer macht Daten, Wissen und Zusammenhänge für AI nutzbar
Die fünf Entwicklungsstufen zeigen, dass eine AI-fähige Wissensbasis mehr benötigt als einen technischen Zugang zu Informationen. Sie braucht eine Ebene, die deren Bedeutung, Herkunft, Gültigkeit und Zusammenhänge für AI-Anwendungen verfügbar macht. Gartner beschreibt diese kontextgebende Ebene als Context Layer. Dazu können Metadaten, fachliche Glossare, Regeln, Ontologien und Informationen über die Herkunft und Aktualität von Daten gehören.
Was zunächst abstrakt klingt, lässt sich an einer einfachen Frage verdeutlichen. Dafür stellen wir uns vor, unser Vertrieb stellt sich folgende Frage: Welche Rabattregel gilt für Kunde Müller? Ein AI-Assistent findet eine Preisliste, einen Kundenvertrag und eine Vereinbarung über Sonderkonditionen. Doch welche Information ist verbindlich? Um die Frage zuverlässig zu beantworten, muss das System erkennen können, welche Vertragsfassung aktuell ist, welche Sonderregelungen gelten und wie die Dokumente zusammenhängen. Genau diesen fachlichen Kontext soll ein Context Layer für AI-Anwendungen verfügbar machen.
Ein Context Layer ist dabei nicht zwangsläufig ein eigenständiges System. Je nach Architektur können unterschiedliche Komponenten zusammenwirken, um den benötigten Kontext bereitzustellen. Für strukturierte Daten übernehmen fachliche Datenmodelle, Glossare und Data Governance bereits wichtige Aufgaben. Doch Unternehmenswissen endet nicht an der Datenplattform. Auch Dokumente, Prozesse und organisatorische Zusammenhänge müssen berücksichtigt werden. Wissensmanagement erweitert damit die Perspektive der Datenarchitektur: von der Bereitstellung einzelner Informationen hin zur systematischen Erschließung ihrer Bedeutung und Beziehungen.
AI fordert einen Context Layer. Dieser endet nicht an der Datenplattform. Er muss vielmehr auch das Wissen erschließen, das in Dokumenten und Prozessen steckt, und berücksichtigen, wo menschliche Erfahrung und fachliches Urteil bestehen bleiben und notwendig sind.
Patrick Hein
Consultant
QUNIS
Wie AI aus einzelnen Informationen fachliche Zusammenhänge erkennt
Eine strukturierte Wissensbasis hilft dabei, Informationen zu finden. Doch bei komplexeren Fragestellungen reicht das nicht immer aus. AI-Systeme müssen beispielsweise erkennen können, dass ein Kunde mehrere Verträge besitzt, ein Vertrag für bestimmte Produkte gilt und einzelne Regelungen voneinander abhängen. Hier kommt Semantik ins Spiel. Sie beschreibt nicht nur Informationen, sondern auch deren fachliche Bedeutung und Beziehungen. Zwei Konzepte spielen dabei eine wichtige Rolle: Ontologien und Wissensgraphen.
Ontologie
Eine Ontologie beschreibt fachliche Begriffe und die Beziehungen, die zwischen ihnen bestehen können.
Beispielsweise: Ein Kunde kann Verträge abschließen. Ein Vertrag kann sich auf Produkte beziehen.
Damit entsteht ein gemeinsames, maschinenlesbares Verständnis der fachlichen Zusammenhänge.
Wissensgraph
Ein Wissensgraph bildet konkrete Informationen und ihre Beziehungen ab.
Beispielsweise: Kunde Müller hat Vertrag 123 abgeschlossen. Dieser gilt für Produkt A und enthält Sonderkonditionen.
So werden Zusammenhänge zwischen einzelnen Informationen explizit und für technische Anwendungen nutzbar.
Die Bedeutung von semantischen Strukturen zeigt sich zunehmend auch bei den Technologieanbietern moderner Data & AI-Plattformen. So entwickelt beispielsweise Microsoft mit Fabric IQ entsprechende Fähigkeiten, Databricks mit Genie Ontology. Entscheidend ist jedoch nicht, möglichst viele Begriffe und Beziehungen technisch zu beschreiben. Sie müssen fachlich richtig sein.
Nicht die Menge des Wissens entscheidet, sondern seine Nutzbarkeit
AI kann unterstützen, große Datenbestände zu analysieren und Definitionen vorzuschlagen. Doch eine überzeugend formulierte Beschreibung muss nicht fachlich richtig sein. Welche Definitionen gelten, welche Beziehungen korrekt sind und welche Informationen verbindlich verwendet werden dürfen, muss die Organisation entscheiden.
Entscheidend ist deshalb nicht, wie viele Dokumente klassifiziert oder Datenfelder beschrieben wurden, sondern ob Mitarbeitende und AI-Anwendungen relevante Informationen zuverlässig finden, richtig einordnen und für ihre Aufgaben nutzen können. Maßstäbe dafür sind die Qualität der Antworten, die Nachvollziehbarkeit ihrer Quellen, die Aktualität der Inhalte und die erfolgreiche Klärung fachlicher Widersprüche.
AI wird zum Mitgestalter der Wissensbasis
Wissensmanagement war bislang häufig mit erheblichem manuellem Aufwand verbunden. Dokumente mussten klassifiziert, Inhalte aktualisiert, Metadaten gepflegt und fachliche Zusammenhänge dokumentiert werden. Mit AI entstehen neue Möglichkeiten. Systeme können große Informationsbestände analysieren, fehlende Angaben erkennen und auf Widersprüche hinweisen. Sie können beispielsweise feststellen, dass der Begriff „aktiver Kunde“ in drei Fachbereichen unterschiedlich definiert ist oder dass für bestimmte Inhalte eine verantwortliche Person fehlt.
Damit verändert sich die Arbeitsteilung. AI übernimmt zunehmend die aufwendige Sichtung und Vorstrukturierung. Fachlich Verantwortliche konzentrieren sich auf Bewertung, Klärung und Freigabe. Darin liegt eine interessante Wechselwirkung: Wissensmanagement schafft die Grundlage für den produktiven Einsatz von AI. Gleichzeitig kann AI dazu beitragen, den Aufwand für Pflege und Qualitätssicherung dieser Grundlage zu reduzieren.
Wissensmanagement wird zum dauerhaften Bestandteil von Data & AI-Architekturen
Mit dem Einsatz von AI verändert sich, welche Bedeutung Unternehmenswissen für operative Prozesse und Entscheidungen hat. Informationen werden nicht mehr nur von Menschen gelesen und interpretiert. Sie fließen zunehmend in Antworten, Empfehlungen und automatisierte Abläufe ein.
Damit wird die Verlässlichkeit des zugrunde liegenden Wissens zu einer Gestaltungsaufgabe. Unternehmen müssen entscheiden, welches Wissen sie für welche Anwendungen bereitstellen, wie seine Bedeutung erschlossen wird und wer die Verantwortung für seine Gültigkeit übernimmt.
Wer AI Verantwortung überträgt, muss auch sein Wissen verbindlich organisieren. Wissensmanagement ist deshalb kein vorgelagertes Aufräumprojekt. Es wird zu einem dauerhaften Bestandteil moderner Data & AI-Architekturen.
Nicht jeder braucht immer alles sofort!
Nicht jedes Unternehmen benötigt eine umfassende semantische Wissensarchitektur. Und nicht jede Wissensaufgabe verlangt nach autonomen Agenten. Sinnvoll ist es, mit einem konkreten Anwendungsfall zu beginnen und daraus die Anforderungen an Wissen, Organisation und Technologie abzuleiten.
Fünf Fragen helfen dabei, den eigenen Bedarf einzuordnen und den richtigen Einstieg zu finden. Die Antworten zeigen, ob zunächst eine bessere Dokumentenstruktur, Enterprise Search, Copilot, eine RAG-Lösung oder eine weitergehende semantische Architektur sinnvoll ist. Finden Sie heraus, was Sie wirklich brauchen, und starten Sie damit.
Welches Wissen wird benötigt?
Geht es um Dokumente, einzelne Fakten, fachliche Zusammenhänge oder Erfahrungswissen?
Wie nachvollziehbar müssen Antworten sein?
Reichen Quellenverweise oder werden verbindliche Definitionen und Beziehungen benötigt?
Wo liegt das Wissen heute?
Welche vorhandenen Systeme, Plattformen und Wissensquellen können genutzt werden?
Wer übernimmt die Verantwortung?
Wer prüft Inhalte, entscheidet über ihre Gültigkeit und hält sie aktuell?
Wie weit ist meine Organisation?
Welche Prozesse und Verantwortlichkeiten bestehen bereits und wie viel Automatisierung ist sinnvoll?
AI wird zum Nutzer, Mitgestalter und Prüfer. Menschen bleiben Entscheider und verantworten die Verlässlichkeit. Gemeinsam entwickeln sie die Wissensbasis für Anwendungen und künftige Entscheidungen!
Patrick Hein
Consultant
QUNIS
Häufige Fragen
Wissensmanagement umfasst organisatorische und technische Maßnahmen, mit denen Unternehmen Wissen erfassen, strukturieren, teilen, verfügbar halten und weiterentwickeln. Dazu gehören dokumentierte Informationen ebenso wie fachliche Erfahrungen und Zusammenhänge. Mit AI gewinnt insbesondere die systematische Erschließung dieses Wissens für technische Anwendungen an Bedeutung.
AI-Assistenten und Agenten nutzen Informationen aus angebundenen Wissensquellen. Sind diese veraltet, widersprüchlich oder unzureichend beschrieben, können fehlerhafte Antworten entstehen. Gepflegtes Wissen mit nachvollziehbarer Herkunft, klaren Zuständigkeiten und verbindlichen Definitionen verbessert die Voraussetzungen für zuverlässige AI-Anwendungen.
Ein Context Layer ist eine kontextgebende Ebene innerhalb einer Data & AI-Architektur. Sie stellt AI-Systemen Informationen über die Bedeutung, Herkunft, Gültigkeit und Beziehungen von Daten und Inhalten bereit. Dazu können Metadaten, Glossare, fachliche Regeln und Ontologien gehören. Die konkrete technische Umsetzung hängt von der jeweiligen Architektur ab.
RAG (Retrieval-Augmented Generation) ist ein Verfahren, bei dem generative AI vor der Beantwortung einer Anfrage relevante Informationen aus angebundenen Wissensquellen abruft und als zusätzlichen Kontext für die Antwort nutzt. So können beispielsweise interne Dokumente, Richtlinien oder Wissensdatenbanken in AI-Anwendungen einbezogen werden, ohne dass das Sprachmodell dafür neu trainiert werden muss. Voraussetzung für verlässliche Ergebnisse sind aktuelle, fachlich geprüfte und zugriffsberechtigte Wissensquellen. RAG macht Wissen für AI nutzbar, ersetzt aber kein strukturiertes Wissensmanagement.
Ein Wissensgraph (Knowledge Graph) bildet Informationen und ihre Beziehungen zueinander in einer vernetzten Struktur ab. Er kann beispielsweise darstellen, welcher Kunde welche Verträge abgeschlossen hat, welche Produkte dazugehören und welche Regeln dafür gelten. Dadurch können Suchsysteme und AI-Anwendungen Informationen über unterschiedliche Quellen hinweg besser einordnen und miteinander verknüpfen.
Eine Ontologie beschreibt fachliche Begriffe und die möglichen Beziehungen zwischen ihnen. Ein Wissensgraph bildet konkrete Informationen und ihre tatsächlichen Beziehungen ab. Eine Ontologie kann dabei als fachliches Modell für einen Wissensgraphen dienen.
Je nach Wissensform und Anwendungsfall kommen Dokumentenmanagementsysteme, Enterprise Search, Microsoft Copilot, RAG-Lösungen, Wissensgraphen oder Ontologien infrage. Welche Lösung geeignet ist, hängt unter anderem von den vorhandenen Wissensquellen, den Anforderungen an Nachvollziehbarkeit und den organisatorischen Voraussetzungen ab.
AI-Agenten können bei der Wissenspflege unterstützen, sobald klare Zuständigkeiten, Qualitätsregeln und Freigabeprozesse bestehen. Sie können beispielsweise fehlende Metadaten erkennen, veraltete Inhalte markieren und Änderungen vorschlagen. Die fachliche Freigabe verbindlicher Informationen bleibt bei den verantwortlichen Personen.
QUNIS verbindet Wissensmanagement mit Data Management, Data Governance und modernen Data & AI-Plattformen. Dazu gehören die Analyse und Erschließung vorhandener Wissensbestände, die Entwicklung geeigneter Metadaten- und Governance-Strukturen, semantische Modellierung sowie die Integration in bestehende Plattformen und AI-Anwendungen. Ziel ist eine Wissensbasis, die Menschen und AI-Systeme zuverlässig nutzen und kontinuierlich weiterentwickeln können.
Ja. QUNIS berät herstellerunabhängig und entwickelt Lösungen auf Basis der fachlichen Anforderungen, vorhandenen Systemlandschaften und strategischen Ziele seiner Kunden. Dabei arbeiten wir mit Technologien unterschiedlicher Anbieter, darunter Microsoft, SAP, Databricks, Snowflake und STACKIT, sowie mit geeigneten Open Source-Lösungen. Welche Plattformen und Werkzeuge zum Einsatz kommen, richtet sich nach dem jeweiligen Anwendungsfall und der bestehenden Architektur.
Mehr zu QUNIS Technologien & Partner
