- Generative KI kann den Zugriff auf verteiltes Unternehmenswissen deutlich verbessern.
- Besseres Retrieval löst widersprüchliche, veraltete oder unklare Quellen nicht automatisch.
- KI kann beim Erfassen von Expertenwissen helfen, ersetzt Wissensgovernance aber nicht.
- Gültigkeit, Provenienz, Verantwortung und Feedbackschleifen werden wichtiger.
Es ist eine merkwürdige Erfahrung: Ein Mitarbeiter fragt den internen KI-Assistenten nach einem Prozess und bekommt in Sekunden eine brauchbare Antwort. Im offiziellen Intranet hätte er dafür drei Suchbegriffe ausprobiert, zwei PDFs geöffnet und am Ende doch einen Kollegen gefragt.
Die naheliegende Reaktion lautet: Endlich funktioniert die Suche. Das stimmt. Aber nur zur Hälfte.
Denn sobald eine KI nicht mehr nur Dokumente auflistet, sondern daraus eine Antwort formuliert, verändert sich die Frage. Es geht nicht mehr nur darum, ob Information gefunden wird. Es geht darum, welche Information die Organisation als gültiges Wissen behandeln darf. Genau deshalb ist Enterprise AI auch ein Stresstest für Wissensmanagement.
Die KI löst zuerst das Suchproblem
Die technische Entwicklung ist real. Moderne Retrieval-Systeme müssen sich nicht mehr auf einen einzelnen Suchlauf verlassen. Microsoft Research beschreibt mit AgenticRAG einen Ansatz, bei dem ein Modell selbst wiederholt suchen, Dokumente öffnen, innerhalb von Dokumenten navigieren und Evidenz zusammenführen kann.
Quelle: Microsoft Research, AgenticRAG, Mai 2026. Benchmarkwerte sind keine Garantie für beliebige Unternehmensintranets.
Das Forschungsteam berichtet außerdem eine Factuality von 0,96 auf WixQA. Die Werte stammen aus konkreten Benchmarks. Sie zeigen keinen universellen Enterprise-Erfolg, aber einen wichtigen Punkt: Eine schlechte Stichwortsuche muss nicht das Ende der Wissensreise sein. KI kann mehrere Suchläufe kombinieren, Dokumente durchsuchen und Fundstellen zusammenführen.
Für Mitarbeiter fühlt sich das schnell so an, als „wüsste“ die KI mehr als das Intranet. Tatsächlich kann sie zunächst vor allem besser mit dem vorhandenen Material umgehen.
Dann taucht das schwierigere Problem auf: Was gilt?
Nehmen wir an, die KI findet drei Dokumente zum selben Prozess. Dokument A wurde vor zwei Jahren freigegeben. Dokument B ist jünger, liegt aber nur als Entwurf in einem Projektordner. Dokument C enthält eine aktuelle Ergänzung, widerspricht jedoch an einer Stelle der offiziellen Arbeitsanweisung.
Ein klassisches Suchsystem zeigt drei Treffer. Ein generatives System soll daraus möglichst eine Antwort machen.
Damit wird aus einem Suchproblem ein Governanceproblem. Die KI braucht nicht nur Inhalte, sondern Signale darüber, wie diese Inhalte einzuordnen sind: Welche Version ist gültig? Welche Quelle ist verbindlich? Für welche Rolle gilt sie? Wer ist verantwortlich? Wann wurde sie zuletzt geprüft?
Kann das System die relevante Information erreichen?
Ist erkennbar, welche Version maßgeblich ist?
Kann eine Aussage zu ihrer Quelle zurückverfolgt werden?
Wer pflegt, prüft und verantwortet den Inhalt?
Werden falsche oder fehlende Antworten zurück in die Wissenspflege gespielt?
Die erste Ebene ist das klassische Suchproblem. Enterprise AI macht dort große Fortschritte. Die vier folgenden Ebenen verschwinden dadurch nicht.
Unternehmenswissen ist mehr als Dokumente
Noch schwieriger wird es bei Wissen, das nie sauber dokumentiert wurde.
Eine 2026 veröffentlichte Studie von Pius Finkel und Peter Wurster untersuchte Wissensmanagement in deutschen Fertigungsunternehmen in zwei Erhebungsrunden mit sechs beziehungsweise fünf Unternehmen. Die Stichprobe ist klein und nicht repräsentativ für die gesamte Wirtschaft. Trotzdem ist das Muster für die Praxis interessant.
Die Autoren beschreiben eine hohe wahrgenommene Bedeutung von Wissensmanagement, gleichzeitig aber fragmentierte Dokumentation, digitale Plattformen mit unterschiedlichem Reifegrad und eine starke Abhängigkeit von persönlichen Formaten beim Transfer impliziten Wissens. Mentoring, Tandems und Expertengespräche bleiben wichtig, sind aber schwer systematisch zu skalieren.
Das ist die Grenze der Vorstellung, man müsse nur „alle Dokumente an die KI anschließen“. Ein erfahrener Servicetechniker kennt vielleicht einen Sonderfall, der nie dokumentiert wurde. Wenn Wissen nicht erfasst wurde, kann es auch das beste Retrieval-System nicht zuverlässig finden.
Die Gegenposition: KI kann selbst Teil der Wissenssicherung sein
Daraus sollte man nicht den falschen Schluss ziehen, erst müsse das gesamte Wissensmanagement perfekt sein und danach dürfe KI eingeführt werden. Aktuelle Forschung spricht gegen diese starre Reihenfolge.
Eine 2026 auf der IEEE Conference on Artificial Intelligence veröffentlichte FHNW-Arbeit erprobte einen Ansatz, bei dem Expert-Debriefing-Interviews transkribiert und mit GenAI sowie Retrieval-Augmented Generation verarbeitet werden. Ziel war, explizites und implizites Expertenwissen zu erfassen, zu strukturieren und später wieder zugänglich zu machen. Die Fallstudie zeigt, dass KI nicht nur Konsument eines Wissensbestands sein kann, sondern auch beim Aufbau dieses Bestands helfen kann.
Der stärkere Ansatz ist deshalb nicht „erst Wissensmanagement, dann KI“, sondern eine gemeinsame Lernschleife: Fragen zeigen Lücken, Lücken erzeugen Pflege, gepflegtes Wissen verbessert die nächsten Antworten.
Warum mehr Retrieval nicht automatisch mehr Wahrheit bedeutet
Ein System kann technisch sehr gut darin sein, die wahrscheinlich relevanten Passagen zu finden, und trotzdem auf ein organisatorisch schlechtes Fundament treffen.
Ein ICIS-Paper aus Ende 2025 untersuchte mit 18 Experteninterviews Risiken von GenAI in Speicherung, Retrieval und Transfer organisationalen Wissens. Zu den identifizierten Risikokategorien gehören Wissensverlust, Systemkomplexität und fehlerhafte Outputs.
Das ist ein wichtiger Gegenpol zur reinen Benchmarkperspektive. Benchmarks können messen, ob ein System relevante Evidenz findet oder eine Frage anhand eines definierten Korpus korrekt beantwortet. Sie beantworten nicht automatisch, ob das Korpus im Unternehmen vollständig, aktuell oder organisatorisch verbindlich ist.
- Richtige Information existiert, wird aber nicht gefunden.
- Begriffe und Ablagestrukturen verhindern Zugriff.
- Retrieval, Index, Metadaten oder Suchlogik sind der Engpass.
- Versionen widersprechen sich.
- Gültigkeit oder Verantwortung ist unklar.
- Die richtige Antwort existiert nur im Kopf eines Experten.
Der praktische Test vor dem nächsten KI-Connector
Welche Quellen dürfen gewinnen? Wenn Richtlinie, Wiki und Projektmemo widersprechen, braucht das System eine nachvollziehbare Priorität.
Woher weiß man, dass etwas noch gilt? Ein Erstellungsdatum ist kein Qualitätsprozess. Relevantes Wissen braucht je nach Kontext Review, Versionierung oder einen verantwortlichen Owner.
Kann eine Antwort zu ihrer Quelle zurückverfolgt werden? Je wichtiger die Entscheidung, desto weniger reicht eine elegante Antwort ohne Herkunft.
Welches wichtige Wissen ist gar nicht dokumentiert? Wiederkehrende Expertenfragen, Übergaben, Ausnahmen und Eskalationen sind gute Kandidaten für strukturierte Wissenssicherung.
Was passiert nach einer schlechten Antwort? Wenn Nutzer nur den Prompt ändern, lernt die Organisation wenig. Wenn Fehler zu einer Korrektur von Quelle, Metadaten, Gültigkeit oder Wissenslücke führen, verbessert sich das System.
Die beste Unternehmens-KI macht Wissensmanagement nicht unsichtbar
Wenn ein interner Assistent hilfreicher wirkt als das Intranet, ist das zunächst eine gute Nachricht. Der Zugang zu Wissen wird besser. Problematisch wird es erst, wenn die Organisation daraus schließt, dass damit auch ihr Wissensproblem gelöst sei.
Generative KI kann suchen, kombinieren, erklären und beim Erfassen von Expertenwissen helfen. Sie kann aber nicht aus eigener organisatorischer Autorität entscheiden, welche von drei widersprüchlichen Prozessversionen gelten soll oder wer für eine veraltete Richtlinie verantwortlich ist.
Die eigentliche Chance liegt deshalb tiefer als in einer schöneren Suchbox: KI macht sichtbar, wo Wissen funktioniert und wo bisher nur Dokumente lagen. Unternehmen, die diese Signale nutzen, bauen eine Lernschleife zwischen Fragen, Quellen, Experten und Verantwortung.
Quellen
Wie Versionierung, Freigabe, Suche und Prüftermine als Wissensprozess zusammenspielen: Wissensmanagement ansehen.