Vom Aktenschrank ins Gedächtnis
Ein Konzeptartikel erklärt, warum eine KI ohne das eigene Wissen halb blind bleibt. Dieser hier zeigt, wie das Wissen tatsächlich hineinkommt — und wie ein Unternehmen es danach nutzt.
Die Idee, einer KI das eigene Unternehmenswissen zugänglich zu machen, klingt nach einem großen Projekt. Nach Monaten, Beratern, einer Software-Einführung mit Lenkungsausschuss. Sie ist es nicht. Sie ist eher wie das Anlegen eines Feldes: Man kann es nicht an einem Nachmittag ernten, aber jeder einzelne Schritt ist überschaubar, und keiner lässt sich überspringen.
Nehmen wir einen mittelständischen Dienstleister — dreißig Leute, seit Jahren am Markt, mit einem Aktenschrank voller Angebote, einem Postfach voller gelöster Kundenfälle und drei, vier Leuten, die "eigentlich alles wissen". Genau dieses Unternehmen ist der Normalfall. Und genau an ihm lässt sich zeigen, wie aus verstreutem Wissen ein durchsuchbares Gedächtnis wird.
Den Boden bereiten: Wo das Wissen liegt
Bevor irgendetwas in ein Embedding-System wandert, steht eine unbequeme Frage: Wo liegt das Wissen eigentlich? Bei den meisten Unternehmen ist die ehrliche Antwort: überall und nirgends. In PDF-Angeboten auf einem Netzlaufwerk, in E-Mail-Verläufen, im CRM, in einem alten Handbuch, in den Köpfen von zwei erfahrenen Mitarbeitern.
Der erste Schritt ist deshalb kein technischer, sondern ein ordnender. Man entscheidet, welche Quellen es wert sind, ins Gedächtnis aufgenommen zu werden — und welche nur Lärm wären. Die letzten fünf Jahre Angebote: ja. Der Serienbrief zur Weihnachtsfeier 2019: nein. Diese Auswahl ist Arbeit, und sie ist der Grund, warum das Ergebnis später etwas taugt. Ein Gedächtnis, das man mit allem vollstopft, erinnert sich an nichts Brauchbares.
Ein Gedächtnis, das man mit allem vollstopft, erinnert sich an nichts Brauchbares. Die Auswahl der Quellen entscheidet über die Qualität der Antworten — nicht die Technik.
Säen: Wie die Dokumente hineinkommen
Ist die Auswahl getroffen, beginnt der eigentliche Vorgang — und der läuft, einmal eingerichtet, weitgehend von selbst. Jedes Dokument wird nicht als Ganzes verarbeitet, sondern in sinnvolle Häppchen zerlegt: ein Angebot in seine Positionen, ein Handbuch in seine Abschnitte, ein Fall in seine einzelnen Vorgänge. Der Grund ist einfach: Auf eine konkrete Frage will man später eine konkrete Passage finden, nicht ein vierzigseitiges PDF, in dem die Antwort irgendwo steckt.
Jedes dieser Häppchen läuft dann durch das Embedding-Modell, das seine Bedeutung in eine Koordinate übersetzt, und wird zusammen mit dem Originaltext und ein paar Zusatzangaben — woher es stammt, von wann, zu welchem Kunden — im Vektor-Speicher abgelegt. Danach ist dieses Stück Wissen auffindbar. Nicht über Stichworte, sondern über seinen Sinn.
Das Entscheidende an diesem Schritt: Er lässt sich automatisieren. In der Praxis übernimmt das eine Ablauflogik — bei mir läuft das über n8n im eigenen Haus —, die neue oder geänderte Dokumente erkennt, zerlegt, einbettet und einspeichert, ohne dass jemand etwas anklicken muss. Das Feld sät sich nach, sobald neues Saatgut da ist.
Pflegen: Warum das Gedächtnis nie fertig ist
Ein Wissensspeicher, der einmal befüllt und dann sich selbst überlassen wird, veraltet schneller, als man denkt. Preise ändern sich, Angebote werden überholt, ein Verfahren wird durch ein besseres ersetzt. Ein Gedächtnis, das noch die Konditionen von vorletztem Jahr für aktuell hält, ist gefährlicher als gar keines — denn es antwortet mit voller Überzeugung falsch.
Pflege heißt hier: veraltete Stände entfernen, neue nachziehen, gelegentlich prüfen, ob die Antworten noch stimmen. Das ist keine große Sache, aber es ist eine dauerhafte. Wer diesen Teil einspart, spart am falschen Ende.
Ernten: Wie das Wissen zurückkommt
Jetzt zahlt sich die Arbeit aus. Ein Mitarbeiter — oder ein Kunde über ein Chatfenster auf der Website — stellt eine Frage: "Habt ihr so einen Fall schon mal gehabt?" oder "Was kostet die Wartung für diese Anlagengröße?" Die Frage wird in dieselbe Art Koordinate übersetzt, das System sucht im Speicher die inhaltlich nächstliegenden Stellen, legt sie dem antwortenden Modell vor — und erst dann wird formuliert. Die Antwort steht auf euren Unterlagen, nicht auf dem Allgemeinwissen der Maschine, und sie kann sogar sagen, aus welchem Dokument sie stammt.
Was sich daraus im Alltag ergibt, ist handfest. Die Angebotserstellung greift auf hunderte früherer Angebote zu und schlägt Formulierungen und Preise vor, die zum Fall passen. Der Kundensupport beantwortet wiederkehrende Fragen mit dem tatsächlichen Inhalt eurer Dokumentation. Die Einarbeitung neuer Kollegen beschleunigt sich, weil das Wissen der erfahrenen Leute abrufbar geworden ist, statt nur in deren Köpfen zu liegen. Und genau das ist der stille, oft unterschätzte Gewinn:
Wenn ein erfahrener Mitarbeiter geht, geht sein Wissen mit — es sei denn, es ist vorher ins Gedächtnis des Unternehmens gewandert.
Der eigentliche Hebel: wenn der Prozess selbst nachschlägt
Solange ein Mensch die Frage tippt, ist das Gedächtnis ein besseres Nachschlagewerk — wertvoll, aber noch nicht der volle Hebel. Der entsteht dort, wo nicht mehr ein Mitarbeiter nachschlägt, sondern ein automatisierter Ablauf.
Die eingehende Kundenmail, die das System selbst einordnet, mit dem passenden Wissen anreichert und als fertigen Antwortentwurf vorlegt — ein Mensch prüft und gibt frei, statt bei null anzufangen. Die Angebotsanfrage, aus der automatisch ein Entwurf entsteht, gespeist aus hunderten früherer Angebote. Der wiederkehrende Vorgang, der nicht jedes Mal neu recherchiert wird, weil das Wissen im Ablauf schon steckt. Das ist der Punkt, an dem aus einem Wissensspeicher KI-Prozessautomation wird.
Und es ist der Punkt, an dem sich generische von eigener KI trennt. Ein automatisierter Prozess ohne dieses Gedächtnis produziert Ergebnisse, die überall gleich aussehen. Derselbe Prozess mit dem Gedächtnis produziert Ergebnisse, die auf eurem Wissen stehen und nach eurem Haus klingen.
Prozessautomation mit KI ohne das eigene Wissen im Rücken ist eine hübsche Fassade. Erst das Gedächtnis macht sie zum Werkzeug.
Das Embedding-System ist damit kein isoliertes Werkzeug, sondern der Wissenskern, an dem die automatisierten Abläufe andocken. Wer beides zusammendenkt — die Prozesse und das Gedächtnis, das sie speist —, bekommt Automatisierung, die nicht nur schneller ist, sondern auch richtig.
Kein Projekt mit Enddatum, sondern eine Anlage
Der verbreitetste Denkfehler ist, das Ganze als einmaliges Vorhaben zu sehen — abhaken, fertig. Es ist eher eine Anlage, die man bepflanzt und dann bewirtschaftet. Man beginnt klein: eine Quelle, ein klar umrissener Anwendungsfall, etwa die Angebotserstellung. Man erntet die erste Wirkung, gewinnt Vertrauen, nimmt die nächste Quelle dazu. So wächst das Gedächtnis mit dem Nutzen, nicht vor ihm.
Das Gras wächst nicht schneller, wenn man daran zieht — und ein Wissensspeicher wird nicht besser, wenn man ihn überstürzt volllädt. Aber wer den Boden ordentlich bereitet, gleichmäßig sät und pflegt, hat am Ende etwas, das kein Wettbewerber von der Stange kaufen kann: eine KI, die nicht klingt wie überall, sondern die weiß, was nur im eigenen Haus steht.
Wo man anfängt
Die ganze Kette — Dokumente erkennen, zerlegen, einbetten, einspeichern und im Prozess wieder abrufen — braucht ein Werkzeug, das diese Schritte verbindet, ohne dass man sich an eine fremde Plattform kettet. In der Praxis ist das meist n8n: quelloffen, im eigenen Haus betreibbar, mit Anschluss an so ziemlich alles, was im Unternehmen ohnehin schon läuft. Damit bleibt das Gedächtnis dort, wo es hingehört — bei euch, nicht auf dem Server eines Anbieters, der eure Angebote und Kundenfälle mitliest.
Und man muss nicht groß beginnen. Eine Quelle, ein Prozess, ein Anwendungsfall — die Angebotserstellung ist oft der dankbarste Einstieg, weil sich der Nutzen sofort zeigt. Aus dem ersten Ablauf, der trägt, wächst der Rest fast von allein.
Wenn ihr wissen wollt, wie diese Kette für euer Unternehmen aussieht — welche Quelle zuerst, welcher Prozess den schnellsten Nutzen bringt und wie das Ganze im eigenen Haus ohne Fremdabhängigkeit läuft — dann lasst uns genau das einmal durchgehen.
Über den Autor
Gerd Kopp ist Wirtschaftsinformatiker und war über 14 Jahre CIO, zuletzt als Head of Corporate Operations. Seit 2020 ist er selbstständig als Interim Manager und IT-Berater. Er arbeitet mit Unternehmen von klein bis Mittelstand, die Wachstum, Effizienz, Wettbewerbsfähigkeit und Innovation nicht dem Zufall überlassen wollen — und die verstanden haben, dass die richtigen Prozesse, Strukturen, Technologien und der gezielte Einsatz von KI dabei keine Nebensache sind, sondern der Unterschied.
Mehr unter gerds-it.de und im Innovation Lab.
Dieser Beitrag entstand mit KI-Unterstützung. Konzept, Architektur und die zugrunde liegende Praxis stammen aus meinem eigenen Stack — die KI war Werkzeug, nicht Autor.
