Warum erfolgreiche KI-Projekte mit Unternehmenswissen beginnen

KI braucht mehr als Daten

Unternehmen verfügen heute über enorme Mengen an Wissen. Technische Dokumentationen, Produktdaten, Normen, Prüfberichte, Serviceinformationen und Erfahrungswissen sind in vielen Organisationen längst vorhanden.

Trotzdem verbringen Fachkräfte einen erheblichen Teil ihrer Arbeitszeit damit, genau diese Informationen zu suchen. Laut Microsoft Work Trend Index entfallen rund 27 Prozent der Arbeitszeit auf die Informationssuche, in Deutschland 26 Prozent (Microsoft, 2023). Eine Untersuchung von 716 Beschäftigten kommt zu einem ähnlichen Ergebnis: 22,34 Prozent der Befragten suchen täglich etwa eine Stunde nach arbeitsrelevanten Informationen, weitere 10,47 Prozent sogar zwei Stunden oder mehr (Nakash & Bouhnik, 2024).

Das Problem ist also häufig nicht fehlendes Wissen. Das Problem ist, vorhandenes Wissen im richtigen Moment, im richtigen Kontext und in einer überprüfbaren Form verfügbar zu machen.

Genau hier liegt eine der großen Chancen von KI.

Doch dafür reicht es nicht, ein leistungsfähiges Sprachmodell auf vorhandene Dokumente loszulassen.
 

Von der Informationssuche zur belastbaren Antwort

Klassische Informationssysteme beantworten vor allem eine Frage:

Wo finde ich eine bestimmte Information?

In vielen industriellen Anwendungen reicht das nicht aus. Fachkräfte müssen zusätzlich wissen:

• Ist diese Information noch gültig?
• Auf welche Produktvariante bezieht sie sich?
• Welche Norm oder regulatorische Anforderung gilt?
• Welche anderen Informationen hängen damit zusammen?
• Woher stammt eine Aussage?
• Welche Auswirkungen hat eine Änderung?

Aus Informationssuche wird damit eine fachliche Bewertungsaufgabe.

Ein KI-System kann beispielsweise durchaus eine plausible Antwort auf eine technische Frage erzeugen. Für eine belastbare Entscheidung muss aber nachvollziehbar sein, auf welchen Dokumenten und Daten diese Antwort beruht, welche Versionen verwendet wurden und in welchem fachlichen Zusammenhang die Informationen stehen.

Deshalb sollte ein KI-Projekt nicht mit der Frage beginnen:

Welches KI-Modell wollen wir einsetzen?

Die bessere Ausgangsfrage lautet:

Welche fachliche Entscheidung wollen wir schneller, besser oder nachvollziehbarer machen?

Erst daraus ergeben sich die Anforderungen an Datenquellen, Metadaten, Beziehungen, Rollen, Versionierung, Prüfschritte und schließlich auch an die eingesetzte KI-Technologie.
 

Ein Beispiel aus der Technischen Kommunikation

Besonders deutlich lässt sich dieser Wandel in der Technischen Kommunikation beobachten.

Ein international tätiger Hersteller medizinischer Systeme verfügte beispielsweise über umfangreiche technische Dokumentationen, Normen, Serviceinformationen und projektspezifisches Fachwissen.

Die Informationen waren vorhanden – allerdings verteilt über verschiedene Systeme, Dokumente und Fachbereiche.

Mitarbeitende konnten relevante Dokumente finden. Die eigentliche Schwierigkeit begann danach: Welche Version war gültig? Welche regulatorischen Anforderungen waren zu berücksichtigen? Welche Dokumente gehörten zusammen? Welche Auswirkungen hatte eine Änderung auf andere Systeme?

Die Informationssuche funktionierte.

Die fachliche Absicherung der gefundenen Information funktionierte nicht ausreichend.

Im Rahmen eines Konzeptes wurde deshalb vorgeschlagen, Dokumentationen, Normen, Produktinformationen, Strukturen, Metadaten und Rollenwissen über semantische Beziehungen miteinander zu verbinden.

Damit verändert sich die Aufgabe der KI grundlegend.

Sie soll nicht lediglich Dokumente finden oder Textpassagen zusammenfassen. Sie soll Informationen im fachlichen Kontext bereitstellen und gleichzeitig sichtbar machen, woher eine Aussage stammt und welche Zusammenhänge für ihre Bewertung relevant sind.
 

Vom Informationsnavigator zum Prüfassistenten

Damit entsteht eine neue Rolle für KI im Unternehmen.

In einer ersten Stufe ist KI ein Informationsnavigator. Fachkräfte stellen Fragen und erhalten relevante Informationen aus vorhandenen Unternehmensbeständen.

Das reduziert Suchaufwand, ist aber nur der Anfang.

In einer zweiten Stufe unterstützt die KI dabei, die gefundenen Informationen einzuordnen. Sie berücksichtigt beispielsweise Metadaten, Produktstrukturen, Versionen und Beziehungen zwischen Dokumenten.

In einer dritten Stufe wird daraus ein Prüfassistent: Das System macht Quellen und Zusammenhänge transparent und unterstützt Fachkräfte dabei, Aussagen fachlich zu bewerten.

„AI soll keine fachliche Entscheidung abnehmen. Sie soll Fachkräfte schneller an den Punkt bringen, an dem sie selbst eine qualifizierte Entscheidung treffen können.“ — Georg Eck

Die Verantwortung bleibt damit beim Menschen. KI ersetzt nicht das Expertenwissen, sondern verbessert den Zugang zu den Informationen und Zusammenhängen, die Fachkräfte für ihre Entscheidungen benötigen.

Genau darin liegt ein wesentlicher Unterschied zwischen einem KI-gestützten Wissenssystem und einer bloßen Suchmaschine.
 

Drei Voraussetzungen für belastbare KI

1. Semantik statt isolierter Informationen

Eine Information erhält ihren Wert erst durch ihren fachlichen Kontext.

Eine technische Anweisung beispielsweise ist nicht einfach ein Text. Sie gehört zu einem Produkt, einer Variante und einer Version. Sie kann für bestimmte Märkte gelten, regulatorischen Anforderungen unterliegen und mit anderen Dokumenten oder Komponenten verbunden sein.

KI muss diese Zusammenhänge berücksichtigen können.
 

2. Verknüpfung statt Zentralisierung

Dafür müssen Unternehmen nicht sämtliche Informationen in ein neues zentrales System kopieren.

Produktdaten können weiterhin im PLM liegen, Geschäftsdaten im ERP, Kundendaten im CRM und Dokumentationen im Content-Management-System.

Entscheidend ist eine gemeinsame Wissensebene, die Bedeutung, Beziehungen, Quellen, Versionen und fachliche Regeln über Systemgrenzen hinweg verbindet.
 

3. Prüfbarkeit statt „wahrscheinlich richtig“

Generative KI ist besonders überzeugend darin, plausible Antworten zu formulieren. Im industriellen Einsatz genügt Plausibilität jedoch nicht.

Eine Antwort muss überprüfbar sein.

Fachkräfte müssen erkennen können, aus welchen Quellen eine Aussage stammt, welche Informationen verwendet wurden und warum das System zu einem bestimmten Ergebnis kommt.

Erst dann kann aus einer KI-Antwort eine belastbare Entscheidungsgrundlage werden.
 

Der Business Value entsteht im Arbeitsprozess

Der wirtschaftliche Nutzen eines solchen Systems lässt sich deshalb nicht sinnvoll daran messen, wie viele Dokumente verarbeitet oder wie viele KI-Anfragen beantwortet werden.

Relevant ist, was sich im Arbeitsprozess verbessert.

Wie viel Zeit benötigen Mitarbeitende, um eine belastbare Antwort zu erhalten? Wie stark sinkt der Aufwand für die Prüfung von Informationen? Wie zuverlässig werden gültige Dokumente gefunden? Wie häufig kann bereits vorhandenes Wissen wiederverwendet werden?

Geeignete Kennzahlen sind beispielsweise:

• Suchzeit pro Vorgang
• Zeit bis zur belastbaren Antwort
• Anteil auffindbarer und gültiger Informationen
• Prüf- und Freigabeaufwand
• Nachvollziehbarkeit von Quellen und Versionen
• Wiederverwendung vorhandenen Wissens
• Akzeptanz bei Fachanwender*innen

Damit wird auch klar, warum erfolgreiche KI-Projekte keine reinen Technologieprojekte sind.

Unternehmen müssen festlegen, welche Quellen zulässig sind, wer Ergebnisse fachlich bewertet, wie gültige Versionen bestimmt werden und wie Entscheidungen dokumentiert werden.

Technologie, Unternehmenswissen, Prozesse und Organisation müssen zusammenspielen.
 

Vom einzelnen Use Case zur AI-Ready Platform

Technische Kommunikation eignet sich besonders gut als Ausgangspunkt, weil dort große Mengen strukturierten und qualitätsgesicherten Wissens vorhanden sind.

Das zugrunde liegende Problem ist jedoch nicht auf Dokumentation beschränkt.

Service benötigt Informationen über Produkte, Fehlerbilder und Reparaturen. Entwicklung arbeitet mit Anforderungen, Spezifikationen und Änderungen. Qualität und Compliance müssen Vorgaben, Nachweise und Abhängigkeiten bewerten. Auch das Management benötigt Informationen aus unterschiedlichen Unternehmensbereichen im richtigen Kontext.

Die Wissensebene, die zunächst für einen einzelnen Anwendungsfall aufgebaut wird, kann deshalb schrittweise für weitere Anwendungen genutzt werden.

Aus einem KI-Assistenten für Technische Dokumentation entsteht so nicht automatisch, aber potenziell der Ausgangspunkt für eine unternehmensweite AI-Ready Platform.

ERP-, PLM-, CRM-, MES- und Dokumentationssysteme bleiben dabei bestehen. Verbunden werden nicht zwangsläufig die Systeme selbst, sondern ihre Informationen: über Metadaten, semantische Beziehungen, Quellen, Versionen und fachliche Regeln.

Auf dieser gemeinsamen Wissensebene können unterschiedliche KI-Anwendungen aufbauen.
 

Wie Unternehmen sinnvoll beginnen

Der Weg dorthin sollte nicht mit einem unternehmensweiten Großprojekt beginnen.

Sinnvoller ist ein klar abgegrenzter Anwendungsfall, bei dem ein konkretes Wissensproblem besteht und der Nutzen messbar ist.

Der erste Schritt besteht deshalb darin, einen Prozess zu identifizieren, in dem heute besonders viel Zeit, Wissen oder Qualität verloren geht.

Anschließend wird untersucht, welches Wissen für diesen Prozess benötigt wird: Welche Informationen existieren bereits? Wo liegen sie? Welche Systeme sind beteiligt? Welche Metadaten und Beziehungen sind vorhanden? Und bei welchen Personen befindet sich zusätzliches Expertenwissen?

Im nächsten Schritt werden die relevanten Informationen semantisch verbunden. Dabei geht es nicht darum, möglichst viele Daten zu sammeln, sondern genau die Zusammenhänge abzubilden, die für den jeweiligen Anwendungsfall benötigt werden.

Gleichzeitig müssen Qualitäts- und Vertrauenskriterien festgelegt werden: Welche Quellen dürfen verwendet werden? Wie werden Versionen behandelt? Wie werden Ergebnisse nachvollziehbar? Wer trägt die fachliche Verantwortung?

Erst danach sollte der konkrete KI-Anwendungsfall umgesetzt und anhand vorher definierter Kriterien bewertet werden.

Funktioniert der Ansatz, lässt sich die entstandene Wissensbasis auf weitere Prozesse und Unternehmensbereiche ausweiten.
 

Fazit: Erfolgreiche KI-Projekte beginnen beim Wissen

Die entscheidende Frage für Unternehmen lautet deshalb nicht, welches Sprachmodell die besten Antworten erzeugt.

Sie lautet:

Wie müssen wir unser vorhandenes Wissen organisieren und verbinden, damit Menschen und KI damit zuverlässig arbeiten können?

Unternehmen besitzen einen großen Teil der dafür notwendigen Informationen bereits. Die Herausforderung besteht darin, aus verteilten Daten, Dokumenten und Erfahrungswissen eine nutzbare Wissensbasis zu schaffen.

Wenn Informationen mit Kontext, Beziehungen und überprüfbaren Quellen verbunden werden, verändert sich auch die Rolle der KI: von der Suchmaschine zum Informationsnavigator und schließlich zum Prüfassistenten.

Der Business Value entsteht dabei nicht durch KI allein. Er entsteht dadurch, dass Fachkräfte weniger Zeit mit Suchen verbringen, Zusammenhänge schneller erkennen und früher zu einer belastbaren Entscheidung gelangen.

Ein erfolgreicher Pilot ist deshalb nicht das Ende eines KI-Projekts. Er kann der erste Baustein einer unternehmensweiten Wissensinfrastruktur sein, auf der weitere KI-Anwendungen aufbauen.