KI- & Wissensintegration

Was bedeutet KI- & Wissensintegration konkret?

Zwei Hälften desselben Mandats.

Die erste Hälfte ist Integration: KI-Werkzeuge in die Workflows zu bringen, die Ihr Team bereits betreibt, an den Stellen, wo sie Zeit sparen und die Qualität verbessern. Nicht "geben wir allen ChatGPT und schauen, was passiert". Spezifische Werkzeuge in spezifische Workflows verdrahtet, mit klar benannten Inputs, Outputs und Prüf-Gates, bevor das Rollout beginnt.

Die zweite Hälfte ist Wissen: die strukturierte Gedächtnis- und Kontextschicht, auf der die KI aufsetzt. Ein LLM ohne Kenntnis Ihres Unternehmens schreibt generischen Text, gibt generischen Rat und halluziniert die Details. Ein LLM mit Zugang zu einer gut organisierten Wissensbasis (Ihre vergangenen Projekte, Ihre Entscheidungen, Ihre Terminologie, Ihre Kunden, Ihre Standards) schreibt wie jemand, der seit einem Jahr in Ihrem Unternehmen arbeitet. Der Unterschied zwischen "interessante Demo" und "operatives Werkzeug" ist fast immer die Wissensschicht darunter, nicht das Modell darüber.

Wir bauen beide Hälften und das Bindegewebe dazwischen, mit den Fachexperten, die es in Ihrer Organisation bereits gibt, als massgebliche Stimme des Projekts im Raum.

Warum enttäuschen die meisten KI-Rollouts?

Drei Fehlermodi erklären die meisten davon.

Das Werkzeug wurde ohne die Wissensschicht darunter ausgerollt. Generisches ChatGPT in Slack. Nützlich für Einzelaufgaben, nutzlos für alles, was den Kontext des Unternehmens braucht. Innerhalb von sechs Wochen nutzt das Team es für dasselbe, wofür es Google genutzt hat, und das Rollout wird zum sanften Erfolg erklärt, der eigentlich nichts verändert hat.

Das Werkzeug wurde ohne ein Prüf-Gate ausgerollt. KI-Outputs gingen direkt in kundenseitige Kanäle oder Produktivdaten, ohne dass jemand Qualifizierter sie zuerst angesehen hat. Zwei Monate später gibt es einen Vorfall: eine falsche Zahl in einer Offerte, eine halluzinierte Richtlinie in einer Support-Antwort, eine markenfremde Zeile in einem Marketing-Versand. Das Rollout wird pausiert. Die interne Diskussion über KI verhärtet sich gegen jede weitere Nutzung.

Das Werkzeug wurde als Tool-Installation ausgerollt statt als Workflow-Neugestaltung. Der Prozess des Teams ist jetzt "die Arbeit gleich wie zuvor machen, plus sie in die KI einfügen und die Antwort zurückkopieren, plus prüfen, ob die KI recht hat, plus reparieren, was die KI falsch gemacht hat". Netto mehr Arbeit, nicht weniger. Innerhalb eines Quartals wird das Werkzeug stillschweigend fallen gelassen.

Eine gute Implementierung adressiert alle drei zugleich. Die Wissensschicht wird vor dem Rollout gebaut, nicht danach. Das Prüf-Gate wird in den Workflow hineingestaltet, nicht angeschraubt. Der Workflow selbst wird so umgebaut, dass der Beitrag der KI einen Schritt entfernt, statt einen hinzuzufügen.

Was bedeutet die "Wissens"-Hälfte konkret?

Die Wissensschicht ist der Teil, den die meisten Rollouts überspringen, und an dem die meisten Ergebnisse hängen.

In der Praxis heisst das ein strukturierter, abfragbarer Bestand dessen, was Ihr Team weiss und die KI nicht. Kundenhistorie. Vergangene Entscheidungen und die Überlegungen dahinter. Markenstimme und Namenskonventionen. Produktspezifikationen, Verträge und ihre Bedingungen. Die angesammelten Playbooks des Teams. Das interne Vokabular, das niemand niederschreibt, weil es ohnehin alle kennen.

Diese Schicht wird einmal gebaut und über die Zeit gepflegt. Wir helfen zu gestalten, was hineingehört, wie es organisiert wird, wie es aktualisiert wird, während sich das Unternehmen entwickelt, und wie die KI im Moment der Nutzung daraus schöpft. Wir nutzen vorhandene Werkzeuge, wo sie passen: Vektordatenbanken, Retrieval-augmentierte Muster, wo Nachschlagen zählt, strukturierte Prompt- und Skill-Dateien, wo Reproduzierbarkeit zählt, einfache Klartext-Wissensbasen, wo das Team sie selbst lesen und bearbeiten muss. Die Werkzeugwahl ist Mittel zum Zweck.

Der potenzierende Teil zählt. Eine Wissensbasis, die jede Woche reicher wird (weil das Team beim Arbeiten ergänzt und die KI ihm hilft, korrekt zu ergänzen), wird Monat für Monat nützlicher. Eine Wissensbasis, die ein einmaliger Datenabwurf ist, veraltet schnell. Die Implementierungen, die wir ausliefern, beinhalten den Pflegerhythmus als Teil des Designs, nicht als zukünftiges Problem.

Wo passt KI in einen Workflow, und wo nicht?

KI ist gut in einer definierten Klasse von Arbeit. Erste Entwürfe strukturierter Dokumente schreiben. Lange Inputs in kürzere zusammenfassen. Eingehende Elemente klassifizieren oder weiterleiten. Daten von einer Form in eine andere umformatieren. Varianten von etwas innerhalb einer definierten Vorlage erzeugen. Die langweiligen Teile einer Arbeit beschleunigen, die ein Fachexperte sonst von Hand täte. Die meisten wissensarbeitenden Organisationen haben Dutzende solcher Stellen und sehen sie nicht als solche.

KI ist schlecht in einer anderen Klasse. Endgültige Entscheidungen, bei denen Falschliegen reale Nachteile hat. Alles Regulierte, Rechtliche oder Compliance-Geformte ohne ausdrückliche Freigabe. Echtes neues Urteil in einem Kontext, von dem das Modell keine Versionen gesehen hat. Eine Position aus umstrittener Evidenz synthetisieren, bei der die Lesenden wissen müssen, welche Evidenz wie gewichtet wurde. Aufgaben, bei denen die Kosten einer selbstbewusst klingenden falschen Antwort höher sind als die Kosten, es langsam richtig zu tun.

Wir helfen Ihnen zu identifizieren, welche Workflows in welche Klasse gehören. Die ehrliche Antwort für die meisten Unternehmen ist, dass 20–40 % der aktuellen Arbeitslasten gut zu KI passen, weitere 20 % vielleicht mit Umbau, und der Rest besser vorerst in Ruhe gelassen wird. Wer Ihnen eine viel höhere Zahl verkauft, verkauft.

Wie bleibt der Fachexperte eingebunden?

Dieser Teil ist in jeder Implementierung, die wir ausliefern, nicht verhandelbar.

Jeder KI-vermittelte Workflow hat ein definiertes menschliches Gate. Die Strenge des Gates skaliert mit dem Einsatz. Für Outputs mit geringem Einsatz (interne Entwürfe, Sortieraufgaben, leichte Zusammenfassungen) ist das Gate vielleicht eine periodische Stichprobenprüfung und eine Feedback-Schleife in den Prompt. Für Outputs mit mittlerem Einsatz (kundenseitiger Text, Vertriebsunterlagen, interne Berichte, die Entscheidungen treiben) bekommt jeder Output eine kurze Fachexperten-Prüfung, bevor er ausgeliefert wird. Für Outputs mit hohem Einsatz (rechtliche Sprache, finanzielle Verpflichtungen, regulierte Kommunikation, alles Vertragliche) entwirft die KI, und der Fachexperte gibt frei, mit derselben Sorgfalt, als wäre keine KI beteiligt.

Das klingt, als hebe es den Geschwindigkeitsvorteil auf. In der Praxis tut es das nicht, weil die Zeit des Fachexperten pro Output deutlich sinkt, wenn er einen nahezu fertigen Entwurf freigibt, statt einen von Grund auf zu schreiben. Die Ökonomie geht auf, solange die Entwurfsqualität der KI hoch genug ist, dass der Überarbeitungsdurchgang des Fachexperten wirklich schneller ist als ein Start vom leeren Blatt. Der Aufbau der Wissensschicht ist, was die Entwurfsqualität so hoch macht.

Die Rolle des Fachexperten verschwindet nicht. Sie verschiebt sich von Produktion zu Aufsicht und Urteil, was ohnehin meist die höherwertige Nutzung seiner Zeit ist. Personalgespräche sind von dieser Arbeit getrennt, und wir führen nicht mit ihnen ein.

Für wen ist das nichts?

Drei Ausschlusskriterien.

Unternehmen, deren erklärtes Ziel Personalersatz ist. Manchmal ist das die richtige Geschäftsentscheidung und manchmal nicht, aber es ist ein anderes Gespräch als dieses. Beides zugleich einfädeln zu wollen produziert kompromittierte Implementierungen und ein Team, das das Werkzeug nicht annimmt. Lautet der Auftrag Stellenabbau, beauftragen Sie eine Beratung, die mit diesem Pitch führt. Wir tun das nicht.

Unternehmen ohne genug Fachexperten-Kapazität, um die Prüf-Gates zu besetzen. Die Implementierungen, die wir ausliefern, hängen davon ab, dass qualifizierte Menschen KI-Outputs in dem Tempo prüfen, in dem der Workflow sie produziert. Sind die Fachexperten bereits überlastet und ist das Hinzufügen eines Prüf-Gates nicht tragbar, ist der richtige Schritt, zuerst das Besetzungsproblem zu lösen oder die Implementierung auf einen engeren Workflow zu fassen, in dem die Kapazität vorhanden ist.

Unternehmen, die einen Anbieter suchen, der KI an ihnen tut statt mit ihnen. Die Implementierungen, die über den dritten Monat hinaus überleben, sind die, die das interne Team versteht, anpassen und erweitern kann. Lautet der Auftrag "baut uns eine Blackbox, die X tut", wird die Box im Moment, in dem X sich ändert, spröde, und X ändert sich immer. Wir arbeiten offen, mit dem Team, und dokumentieren alles in klarer Sprache.

Was passiert nach der Implementierung?

Die Übergabe folgt derselben Form wie jedes andere Mandat, das wir ausliefern.

Das interne Team verantwortet die Workflows, die wir gebaut haben, und die Wissensschicht darunter. Es kann die Prompts anpassen, die Wissensbasis ergänzen, die Prüfschwellen ändern und Werkzeuge austauschen, wenn in einem schnell bewegten Markt bessere Optionen auftauchen.

Das Übergabedokument ist in klarer Sprache. Es beschreibt, was jeder Workflow tut, was sein Prüf-Gate ist, wo die Wissensschicht liegt und wie man sie pflegt, was die Indikatoren dafür sind, dass etwas abgedriftet ist und Aufmerksamkeit braucht, und wen man anruft, wenn ein Modellanbieter die Preise ändert oder eine Produktlinie einstellt. Das Dokument ist für den Operator geschrieben, der es übernehmen wird, nicht für ein Audit.

Wir stehen nach dem Abgang für beratende Check-ins zur Verfügung. Die meisten Mandate haben einen am 60-Tage-Punkt, einen nach sechs Monaten und danach ad hoc, wenn sich im Modellmarkt etwas Wesentliches ändert. Danach betreiben Sie es selbst. Genau das ist der Punkt.