Die interne Wissensdatenbank: Das unsichtbare Fundament jeder KI-Einführung

Die wichtigste Vorbereitung auf das, was kommt, liegt vor jeder Technologie-Entscheidung. Sie heißt Ordnung: Ihr Wissen so aufbereiten, dass jedes System damit arbeiten kann, das heutige und jedes künftige. Das ist eine steile These, denn sie schiebt beiseite, worüber der Markt gerade spricht: Modelle, Anbieter, Funktionen. Dieser Artikel tritt den Beweis an.

Danke für das Bild: planet-volumes-unsplash

Das Modell kennt die Welt, aber nicht Ihr Unternehmen

Der Beweis beginnt mit einer Szene, die meine Auftraggeber häufiger erleben, als ihnen lieb ist, meist genau dann, wenn die KI das erste Mal richtig nützlich sein soll. Der Assistent ist eingerichtet, die Lizenzen sind gebucht, das Team ist gespannt. Jemand stellt die erste echte Frage: „Welche Konditionen haben wir mit unserem größten Lieferanten vereinbart?“ Die Antwort kommt prompt, klingt souverän und ist frei erfunden. Niemand im Raum hat damit gerechnet, denn das Tool wirkt doch klug genug. Das ist es auch. Es weiß nur nichts über Ihr Unternehmen.

Der Grund hat mit dem Tool wenig zu tun. Er liegt an einer Stelle, über die vor dem Kauf selten jemand spricht: der internen Wissensdatenbank. Sie ist das Fundament, auf dem jede sinnvolle KI-Einführung steht, und sie ist genau deshalb so leicht zu übersehen, weil man sie nicht im Schaufenster sieht.

Warum ein voller SharePoint noch keine Wissensdatenbank ist

An dieser Stelle kommt in Gesprächen oft ein berechtigter Einwand: „Unser Wissen liegt doch längst im SharePoint.“ Das stimmt, und genau dort beginnt das Missverständnis. Ein SharePoint, ein Laufwerk oder ein Dokumentenmanagementsystem ist ein Ablageort. Dort liegen Dokumente in allen Versionen und Zuständen nebeneinander: aktuelle neben veralteten, gepflegte neben verwaisten, durchsuchbare neben eingescannten. Für Menschen, die die Ablage kennen, funktioniert das leidlich. Für eine KI ist es Rohmaterial.

Eine Wissensdatenbank im Sinne dieses Beitrags ist etwas anderes: eine geprüfte, aufbereitete und gepflegte Auswahl dieses Materials, in eine Form gebracht, mit der ein KI-System zuverlässig arbeiten kann. Der SharePoint ist deshalb häufig der Ort, an dem die Arbeit beginnt. Er ist selten der Ort, an dem sie endet. Warum das so ist, zeigen die folgenden Abschnitte.

Die Wissensdatenbank ist der Teil, der zählt

Damit die KI auf Ihr Wissen zugreifen kann, braucht es eine Verbindung zwischen dem Modell und Ihren Unternehmensdaten. In der Praxis übernimmt das ein Verfahren namens Retrieval Augmented Generation, kurz RAG. Der Gedanke dahinter ist einfacher, als der Name vermuten lässt: Bevor das Modell antwortet, durchsucht das System zuerst Ihre eigenen Dokumente nach den passenden Stellen und legt sie dem Modell als Grundlage vor. Die Antwort stützt sich dann auf Ihre Unterlagen. Das allgemeine Wissen aus dem Training tritt in den Hintergrund.

Damit dieses Durchsuchen funktioniert, werden Ihre Dokumente vorher in kleine Abschnitte zerlegt, sogenannte Chunks, und in einer besonderen Datenbank abgelegt, der Vektordatenbank. Das gilt für jede Quelle, auch für scheinbar handliche: Ein einzelnes Handbuch mit mehreren hundert Seiten lässt sich dem Modell nicht am Stück vorlegen, es muss vorher in sinnvolle Abschnitte zerlegt werden. Vereinfacht gesagt sortiert die Datenbank diese Abschnitte nach ihrer Bedeutung, sodass das System zu einer Frage die inhaltlich passenden Stellen findet, auch wenn dort andere Wörter stehen. Das ist die unscheinbare Maschinerie hinter jeder unternehmensspezifischen KI.

Ein Punkt, den man dabei kennen sollte: Diese Vektordatenbank muss irgendwo laufen. In der einfachen Variante liegt sie beim Anbieter in der Cloud, Ihre aufbereiteten Inhalte verlassen also das Haus. Wer das nicht möchte, kann die Datenbank selbst betreiben, übernimmt dafür aber Aufwand und Verantwortung. Was für Sie in Frage kommt, hängt davon ab, was in den Dokumenten steht, und ist eine eigene Entscheidung. Mehr dazu im Beitrag „Wohin gehen unsere Daten“.

Die Suche nach Bedeutung hat eine Grenze

Diese Suche nach Bedeutung hat einen großen Vorteil gegenüber der klassischen Stichwortsuche: Sie müssen nicht das exakte Wort treffen. Fragen Sie nach der Regelung für Mitarbeiterhandys, findet das System auch das Dokument, das von „privat genutzten Endgeräten“ spricht. Das ist in vielen Fällen genau richtig.

An einer Stelle aber führt dieselbe Stärke in die Irre. Brauchen Sie ganz konkret §216a, also eine exakte Kennung, hat die Bedeutungssuche ein Problem: Eine Paragraphennummer trägt keine Bedeutung, die sich mit etwas Ähnlichem abgleichen ließe. Das System liefert dann womöglich inhaltlich verwandte Stellen, aber nicht die gesuchte. Dasselbe gilt für Aktenzeichen, Artikelnummern oder Fehlercodes. Gute Aufbauten kombinieren deshalb beides, die Suche nach Bedeutung und die nach dem exakten Wort. Das ist machbar, aber es passiert nicht von allein, und es ist einer der Gründe, warum eine Wissensdatenbank kein Selbstläufer ist.

Ihr Wissen liegt verstreut

In den meisten Unternehmen existiert das relevante Wissen, aber es liegt nicht an einem Ort und nicht in einer brauchbaren Form. Ein Teil steckt in PDF-Dokumenten auf einem Laufwerk, ein Teil in E-Mail-Verläufen, ein Teil in einem Wiki, das seit zwei Jahren niemand mehr gepflegt hat. Der wichtigste Teil steckt oft in keinem Dokument. Er liegt im Kopf der Kollegin, die seit zwanzig Jahren weiß, warum eine bestimmte Maschine bei hoher Luftfeuchtigkeit zickt.

Diese Ausgangslage ist normal, und sie ist kein Versäumnis. Sie bedeutet nur, dass vor der nützlichen KI eine Bestandsaufnahme steht: Welches Wissen ist überhaupt dokumentiert? Wo liegt es? Ist es aktuell? Und was davon ist so wichtig, dass es sich lohnt, es aufzubereiten? Das ist vor allem eine organisatorische Frage, und sie lässt sich nicht überspringen.

Was als Bild vorliegt, bleibt oft draußen

Hier lauert ein Missverständnis, das in der Praxis teuer wird. Wenn Sie ein eingescanntes Dokument direkt ins Chatfenster ziehen, kann das Modell es ansehen und den Inhalt erfassen. Beim Aufbau der Wissensdatenbank passiert etwas anderes: Dort werden die Dokumente in aller Regel nur als Text ausgelesen. Ein Scan ohne Textebene, eine Grafik, ein Foto oder eine technische Zeichnung fallen dann durch das Raster, der Inhalt ist für die KI schlicht nicht vorhanden.

Das lässt sich beheben, indem zusätzlich eine Texterkennung oder eine Bildverarbeitung eingebaut wird, aber das ist ein eigener Schritt mit eigenem Aufwand. Wer also annimmt, es genüge, den Dokumentenordner einzuspeisen, erlebt eine Überraschung: Genau die Verträge, Pläne und Formulare, die nur als Scan vorliegen, sind im Zweifel unsichtbar.

Eine schlechte Basis erzeugt verlässlich falsche Antworten

Eine Wissensdatenbank ist nur so gut wie das, was darin liegt. Liegen drei widersprüchliche Versionen einer Preisliste im System, wird die KI eine davon zitieren, und niemand weiß, welche. Wurde eine veraltete Arbeitsanweisung nie gelöscht, wird sie weiterhin als gültig ausgegeben. Das System unterscheidet nicht zwischen richtig und falsch. Es findet, was da ist, und formuliert es überzeugend.

Deshalb bleibt die Pflege der Basis ein laufender Posten. Das gehört in jede vollständige Rechnung und ist einer der Gründe, warum die Lizenzgebühr selten der größte Kostenblock ist. Mehr dazu im Beitrag „Was KI wirklich kostet“. Wer das vorher weiß, plant es ein. Wer es übersieht, wundert sich später über Antworten, die zwar flüssig klingen, aber nicht stimmen.

Die Basis bleibt Ihnen, das Werkzeug ist austauschbar

Es gibt einen Grund, warum sich diese Investition lohnt, auch wenn sie aufwendig wirkt: Die aufbereitete Wissensdatenbank gehört Ihnen. Werkzeuge kann jeder kaufen. Die Modelle, die heute Texte schreiben und morgen Maschinen steuern, stehen Ihrem Wettbewerber genauso zur Verfügung wie Ihnen. Was er niemals kaufen kann: Ihre dreißig Jahre Erfahrung. Wie die Anlage beim Kunden verbaut ist. Warum das Angebot damals so kalkuliert wurde. Welcher Lieferant wirklich liefert. Dieses Wissen gibt es nur in Ihrem Unternehmen, und es maschinenlesbar zu machen, ist die Arbeit, die heute beginnt.

Niemand weiß, wie die Systeme heißen werden, die in zehn Jahren in Ihrem Unternehmen arbeiten. Eines aber werden sie alle gemeinsam haben: Sie sind nur so gut wie das Wissen, das sie bei Ihnen vorfinden. Die aufbereitete Wissensdatenbank ist deshalb unabhängig davon, welches Modell Sie heute nutzen und welches in zwei Jahren besser ist. Wechseln Sie den Anbieter, nehmen Sie Ihre Basis mit. Das Werkzeug davor ist austauschbar. Das Fundament darunter behält seinen Wert. Wer sein Wissen dann bereit hat, hat einen Vorsprung, der sich nie mehr einkaufen lässt.

Das ist auch der Kern dessen, was ich meine, wenn ich sage: „KI ist kein Produkt, sondern ein System.“ Das Produkt, also das sichtbare Tool, ist der kleinere Teil. Der größere, dauerhaftere Wert steckt in der Struktur dahinter, und die bauen Sie einmal richtig auf.

Der erste Schritt ist eine Bestandsaufnahme

All das zeigt: Eine Wissensdatenbank ist eine Struktur, die man mit Sorgfalt aufbaut, Schritt für Schritt. Und es löst die These vom Anfang ein: Die wichtigste Vorbereitung auf das, was kommt, ist Ordnung im eigenen Wissen, denn sie überdauert jedes Werkzeug, das darauf zugreift. Genau deshalb beginnt der sinnvolle erste Schritt mit einer Frage: Welches Wissen müsste die KI kennen, damit sie für uns wirklich nützlich ist, und in welchem Zustand ist dieses Wissen heute? Diese Bestandsaufnahme ist klein und kostet vor allem ein offenes Gespräch. Der Aufbau danach ist Arbeit, aber er steht dann auf einem Fundament, das trägt. Und diese Arbeit beginnt heute.

Genau dabei unterstütze ich Unternehmen: mit einer nüchternen Einschätzung, welches Wissen Ihr Fundament bildet, wie tragfähig es heute ist und welcher erste Schritt sich daraus ergibt, bevor auch nur ein Werkzeug ausgewählt wird.