Nicht das Modell entscheidet über Vertrauen – sondern die gesamte Wissenskette.
- 01
Ein KI-Wissenssystem erschließt verteiltes Wissen aus Dokumenten, Fachsystemen und Dataverse, ohne die Verantwortung der Quellsysteme aufzulösen.
- 02
Klassisches RAG beantwortet konkrete Fragen mit passenden Textstellen; GraphRAG ergänzt Beziehungen und übergreifende Muster, ist aber kein automatischer Qualitätsknopf.
- 03
Quellen, Berechtigungen, Versionen und Gültigkeit müssen bereits beim Ingest berücksichtigt werden – nicht erst in der Oberfläche.
- 04
Evaluation, Feedback und ein benannter Knowledge Owner machen aus einem Prototyp ein dauerhaft nutzbares Wissensprodukt.
Unternehmenswissen ist verteilt – und Suche allein löst das Problem nicht.
Relevantes Wissen liegt in SharePoint, Dateisystemen, CRM, ERP, Tickets, E-Mails und in den Köpfen erfahrener Mitarbeitender. Eine klassische Volltextsuche findet Begriffe. Sie versteht aber selten, welche Version gilt, für welchen Kunden eine Information freigegeben ist oder welche Beziehung zwischen Produkt, Vertrag, Störung und Lösung besteht.
Ein KI-Wissenssystem baut deshalb keine neue Schattenablage auf. Es erschließt führende Quellen, ergänzt Metadaten und stellt Wissen in dem Arbeitskontext bereit, in dem eine Entscheidung oder Aktion ansteht.
- Quellsystem bleibt verantwortlich
- Antworten zeigen Belege und Gültigkeit
- Berechtigungen werden aus Identität und Quelle abgeleitet
- Nutzerfeedback fließt in die Qualitätsarbeit ein
RAG, GraphRAG und agentisches Retrieval lösen unterschiedliche Fragen.
RAG zerlegt Inhalte, bildet Suchrepräsentationen und liefert einer Anfrage die relevantesten Textstellen. Das ist stark bei konkreten Fragen mit klaren Fundstellen. GraphRAG modelliert zusätzlich Entitäten und Beziehungen. Damit lassen sich Zusammenhänge, Themenbilder oder Abhängigkeiten über viele Dokumente hinweg besser untersuchen.
Agentisches Retrieval kann eine komplexe Frage in Teilfragen zerlegen, mehrere Suchstrategien ausführen und Ergebnisse zusammenführen. Mehr Schritte erhöhen jedoch auch Kosten, Latenz und Fehlerfläche. Die Architektur muss deshalb je Fragetyp entscheiden, wie viel Komplexität gerechtfertigt ist.
- RAG: konkrete Frage, konkrete Belege
- GraphRAG: Beziehungen und Themen über einen Bestand
- Agentisches Retrieval: mehrteilige Recherche und Synthese
- Immer erforderlich: Evaluation mit echten Nutzerfragen
Berechtigung, Gültigkeit und Quellenqualität gehören in dieselbe Kette.
Ein technisch guter Treffer darf nicht angezeigt werden, wenn der Nutzer die Quelle nicht sehen darf. Ebenso wenig sollte ein veraltetes Dokument die gleiche Priorität erhalten wie eine freigegebene Richtlinie. Permission-aware Retrieval filtert daher nicht nur am Ende, sondern berücksichtigt Identität und Zugriffsrechte bereits bei der Suche.
Für jede Wissensdomäne braucht es Regeln: Welche Quelle ist verbindlich? Wie werden Versionen und Ablaufdaten erkannt? Wie werden widersprüchliche Aussagen markiert? Wer entscheidet bei Lücken? Diese Fragen sind Organisationsdesign – nicht Prompt Engineering.
- Identity und ACLs bis zum Chunk durchreichen
- Version, Owner und Gültigkeit als Metadaten führen
- Antworten mit Quelle, Datum und Unsicherheit darstellen
- Sensible Aktionen separat freigeben
Ein KI-Wissenssystem braucht einen Owner, ein Qualitätsmodell und einen Release-Rhythmus.
Die erste Demo beantwortet oft beeindruckende Fragen. Der produktive Wert zeigt sich jedoch bei schwierigen Fällen: schlechte Scans, widersprüchliche Quellen, neue Produktvarianten, fehlende Rechte oder Fragen außerhalb des Bestands.
Wir starten mit einem vertikalen Schnitt: eine Nutzergruppe, eine Wissensdomäne, echte Quellen und ein definierter Satz an Evaluationsfragen. Erst wenn Retrieval, Antwort, Beleg und Arbeitsablauf zusammen funktionieren, werden weitere Domänen ergänzt.
- Ground-Truth-Set aus realen Fragen
- Messung von Treffer, Beleg, Vollständigkeit und Handlungsnutzen
- Feedback-Triage und Quellenpflege
- Kosten, Latenz, Datenschutz und Incident-Prozess
Ist Ihr Wissen bereit für ein KI-Wissenssystem?
- 01
Welche Nutzerentscheidung soll besser werden?
- 02
Welche Quellen sind verbindlich?
- 03
Sind Owner, Version und Gültigkeit erkennbar?
- 04
Können Berechtigungen technisch übernommen werden?
- 05
Welche Fragen benötigen Beziehungen statt Texttreffer?
- 06
Wie messen wir gute Antworten?
- 07
Wer pflegt Wissen und Qualitätsregeln?
Das Briefing als PDF erhalten
Briefing direkt erhalten und bei Bedarf mit NXTGN vertiefen. Der Download oben bleibt selbstverständlich ohne Formular verfügbar.