Es fehlt an Wissen und Roadmaps KI für die KI - sie hilft, Wissen zu ordnen und zu füllen, um dieses produktiv per KI zu nutzen

Anbieter zum Thema

Empolis Information Management GmbH

Proalpha GmbH

Stäubli TEC-Systems GmbH Connectors

VON ZUR MÜHLEN'SCHE GmbH

Fujitsu Technology Solutions GmbH

Eine wirkungsvolle KI-Strategie greift nur, wenn sie auf zuverlässigen, hochwertigen Daten und vor allem auf umfassend zusammengeführtem Unternehmenswissen basiert. Genau hier offenbart sich in vielen Industriebetrieben eine strukturelle Schwäche.

Künstliche Intelligenz (KI) hat längst Einzug in die industrielle Praxis gehalten, doch die wirtschaftlichen Erträge bleiben vielfach hinter den Erwartungen zurück. Eine PwC-Erhebung unter mehr als 4.400 Geschäftsführern aus 95 Ländern zeigt, dass zwei Drittel der deutschen Unternehmenslenkenden bisher keine messbaren Vorteile aus ihren KI-Investitionen ziehen konnten. Lediglich elf Prozent verzeichneten höhere Erlöse, nur zwei Prozent steigerten gleichzeitig Umsatz und Kosteneffizienz.

Die Ursache liegt weniger in der Technologie selbst als in der Art der Implementierung: In zahlreichen Betrieben fehlt eine durchdachte Roadmap für den KI-Einsatz.

An der Datenmenge fehlt es nicht. Doch die meisten Betriebe verfügen zwar über riesige Datenbestände, aber diese verteilen sich jedoch auf Abteilungen, Standorte und Systeme und liegen häufig in isolierten, uneinheitlich gepflegten Dokumentationslandschaften. Hinzu kommt ein enormer Wissensschatz in den Köpfen erfahrener Beschäftigter, der bislang nicht systematisch gesichert wurde. Mit dem bevorstehenden Ausscheiden vieler Fachkräfte droht ein gravierender Wissensverlust.

Bekanntes, Bewährtes und doch Aktuelles

Datenqualität und Wissens-Management sind daher keine technische Nebensache, sondern eine grundlegende Voraussetzung für den erfolgreichen KI-Einsatz. Unvollständige, widersprüchliche oder kontextlose Informationen verhindern, dass KI-Systeme zuverlässige Muster erkennen und tragfähige Aussagen liefern. Solange Wissen nicht planmäßig erhoben, strukturiert aufbereitet und organisationsweit verfügbar gemacht wird, bleiben auch KI-Projekte hinter ihren Möglichkeiten zurück.

Nicht nur aber auch für mittelständische Unternehmen ist Wissen ein zentraler Wertschöpfungsfaktor. Doch KI kann nur mit dem arbeiten, was ihr strukturiert zur Verfügung steht.

KI-Modelle sind Mimosen

Das Vernachlässigen des Datenbank-Change-Managements hat unschöne Folgen

Sie erkennt Muster, analysiert Zusammenhänge und erstellt Prognosen, erfasst aber keine impliziten Annahmen, ungeschriebenen Regeln oder historisch gewachsenen Sonderfälle. Wo Begriffe uneinheitlich verwendet oder Abläufe unterschiedlich dokumentiert sind, bildet KI bestehende Widersprüche sogar ab und potenziert sie, anstatt sie aufzulösen.

Wissen ist Wertschöpfung

Wissens-Management ist daher kein Verwaltungsaufwand, sondern das infrastrukturelle Fundament digitaler Wertschöpfung. Es schafft die semantische Ordnung, die KI benötigt: eindeutige Begriffe, einheitliche Taxonomien, standardisierte Dokumentation und klare Verantwortlichkeiten.

Zugleich stellt es sicher, dass Erfahrungswissen systematisch dokumentiert und weiterentwickelt wird, statt an einzelnen Personen zu versickern. Wer KI wirksam nutzen will, muss den eigenen Wissensbestand genauso konsequent steuern wie finanzielle oder materielle Ressourcen.

Gerade für KMU ohne eigene KI-Teams ist ein pragmatischer Ansatz entscheidend. Oft liegt der größte Hebel nicht in Leuchtturmprojekten, sondern in der konsequenten Ordnung und Digitalisierung des bestehenden Wissensbestands. So wird mit überschaubarem Einsatz die Grundlage für tragfähige, skalierbare KI-Lösungen geschaffen.

Statt Informationschaos besser ein KI-fähiger Wissenszyklus

Für eine erfolgreiche Umsetzung ist entscheidend, wie sich ein Wissenssystem in der Praxis aufbauen lässt. Industriebetriebe stehen vor einer zweifachen Aufgabe: vorhandenes Wissen aus vielfältigen Quellen zusammenführen und sicherstellen, dass es in einer Qualität vorliegt, mit der KI-Systeme zuverlässig arbeiten können.

Spezialisierte SaaS-Lösungen, die diesen Prozess ganzheitlich begleiten, sind am Markt bereits verfügbar und lassen sich unkompliziert in bestehende IT-Infrastrukturen einbinden. Die eigentliche Herausforderung liegt daher weniger in fehlender Technik als in der konsequenten organisatorischen Umsetzung.

In der Praxis hat sich ein zyklisches Vorgehen in vier Phasen bewährt:

• 1. Wissen identifizieren und erschließen: Zunächst gilt es, sämtliche relevanten Wissensquellen zu erfassen und in einem zentralen Knowledge Hub als verbindliche Referenzquelle zusammenzuführen. Drei Quellen spielen dabei eine besondere Rolle:
  das Fachwissen erfahrener Mitarbeitender, festgehalten in strukturierten Wissensartikeln;
  das Wissen aus dem alltäglichen Austausch über Chats, E-Mails, Besprechungsprotokolle oder Remote-Support-Aufzeichnungen, sowie
  vorhandene Systeme wie ERP, CRM, PIM oder Office-Anwendungen, die über Schnittstellen angebunden und automatisiert synchronisiert werden können.

• 2. Wissen aufbereiten und erfassen: KI-Tools erleichtern den Aufbau einer Wissensdatenbank erheblich. Servicemitarbeitende können Stichpunkte oder unstrukturierte Informationen hochladen, aus denen KI-gestützte Texterstellung zügig Wissensartikel erzeugt.
  In Verbindung mit einem Wissensmodell erkennt die Anwendung systematisch relevante Inhalte in umfangreichen Datenbeständen und bereitet sie auf. Eine nachgelagerte Überprüfung durch Fachexperten sichert die inhaltliche Qualität.

• 3. Wissen bereitstellen: Das aufbereitete Wissen wird über ein differenziertes Rollen- und Berechtigungssystem gezielt zugänglich gemacht, einschließlich externer Partner und Kunden, sofern erwünscht. Eine intelligente Suchfunktion mit Freitext- und Filteroptionen sorgt dafür, dass Mitarbeitende rasch die passenden Ergebnisse finden. Entscheidend für die Akzeptanz ist die nahtlose Einbindung in vorhandene Systeme wie Outlook, CRM- oder Ticketing-Anwendungen sowie der mobile Zugriff – auch offline.

• 4. Künstliche Intelligenz nutzen: Knowledge Graphen bilden als semantische Netzwerke das logische Rückgrat des Unternehmenswissens und ermöglichen zentrale Aktualisierungen. Ergänzend verstehen Large Language Models (LLMs) die natürliche Sprache der Nutzenden und übertragen sie in den Unternehmenskontext, so dass auch weniger erfahrene Mitarbeitende ohne Fachtermini relevante Inhalte finden.
  Unstrukturiertes Wissen lässt sich mithilfe Generativer KI in Sekundenbruchteilen in strukturierte Artikel überführen. Ein RAG-Ansatz (Retrieval Augmented Generation) bindet separat hinterlegte Quellen bedarfsgerecht ein und macht sie nachvollziehbar. Das größte Wirkungspotenzial liegt in der Kombination beider Technologien.

Das Praxisbeispiel Viastore

Welchen Nutzen KI-gestütztes Wissens-Management in der Praxis erzeugt, zeigt die Viastore Gproup. Der seit über 50 Jahren auf automatisierte Intralogistiklösungen spezialisierte Anbieter setzt weltweit komplexe Hochregallager und Logistiksysteme um. Mit wachsender Internationalisierung, steigender Anlagenkomplexität und hohen Serviceanforderungen wurde klar, dass technisches Erfahrungswissen systematisch gesichert und international verfügbar gemacht werden muss, zumal zahlreiche erfahrene Beschäftigte unmittelbar vor dem Ruhestand standen.

Gemeinsam mit dem Empolis, Anbieter von Cloud-basierter und KI-gestützter Software für Wissens-Management und Decision Support, hat Viastore eine zentrale Wissens-Management-Plattform eingeführt, die Informationen aus verschiedensten Quellen bündelt und kontextbezogen bereitstellt. KI spielt dabei eine tragende Rolle: Schulungen und Experteninterviews werden automatisch transkribiert und zu strukturierten Wissensartikeln aufbereitet.

Inhalte lassen sich sprachlich harmonisieren, so dass Wissen länder- und sprachübergreifend einheitlich abrufbar wird. Eine semantische Suche sorgt dafür, dass relevante Informationen im Servicekontext schnell gefunden werden, während Feedback- und Freigabemechanismen die dauerhafte Qualitätssicherung gewährleisten.

Operativer wie strategischer Nutzen

Nun sind die Recherchezeiten im Remote Support deutlich gesunken, das Erfahrungswissen ausscheidender Mitarbeitender bleibt im Unternehmen verankert, neue Teammitglieder werden schneller produktiv und die Servicequalität steigt nachhaltig. Auf dieser qualitätsgesicherten Wissensbasis schafft Viastore zudem die Voraussetzungen für den Ausbau KI-basierter Anwendungen, etwa intelligente Assistenzsysteme oder datenbasierte Optimierung im Service. Wissens-Management wird so nicht nur zum Effizienztreiber im Alltag, sondern zum strategischen Fundament für die künftige KI-Nutzung.

(ID:50820312)