Verteilt über Systeme
Slack, Tickets, PDFs, Datenbanken, HTML, Wikis, Mailpostfächer – kein gemeinsamer Zugriff.
Wissensmanagement
Die Wissenslücke
in Enterprise AI.
Der Engpass ist nicht das Modell.
Die meisten KI-Initiativen scheitern nicht am Modell, sondern am Wissen darunter: verteilt, implizit, ohne Struktur und ohne Verantwortung. Bevor KI in Unternehmen verlässlich wird, muss das Unternehmenswissen selbst KI-ready werden.
Multi-Agenten-Architektur
Azure & Google Cloud, On-Prem-fähig
Transparent statt Black Box
Das Problem
Wissen ist nicht KI-ready.
In Unternehmen liegt Wissen genau dort, wo es entstanden ist – und genau das macht es für KI unbrauchbar. Selbst wenn KI Zugriff auf „alles" bekommt, kann sie daraus kein belastbares Wissen rekonstruieren. Sie generiert plausibel klingende Antworten ohne Grundlage – in regulierten und sicherheitskritischen Umgebungen ein direktes Geschäftsrisiko.
Verteilt über Menschen
Kritisches Service-, Produkt- und Applikationswissen lebt in Erfahrung, nicht in Dokumenten.
Verteilt über Einheiten
Regionen, Baureihen, Branchen und Fachbereiche pflegen jeweils eigene Quellen, in eigener Terminologie.
Veraltet beim Schreiben
Reale Workflows leben in Gewohnheiten – Dokumente bilden Snapshots ab, die sofort wieder von der Realität abweichen.
Bedeutungsabhängig
Dieselben Begriffe heißen in Vertrieb, Service und Engineering etwas anderes; Definitionen entwickeln sich über Zeit.
Inkonsistent und unkuratiert
Widersprüchliche Versionen koexistieren, ohne klare Quelle der Wahrheit.
Der Engpass ist nicht die Technologie – sondern ein nicht KI-ready strukturiertes Unternehmenswissen.
Warum Standardlösungen scheitern
Die gängigen Antworten greifen zu kurz.
„Schließt die KI einfach an alle Daten an."
Datenzugriff ist nicht Verständnis. Ohne strukturierte, kontextualisierte Quellen halluziniert die KI – besonders dort, wo Konsistenz und Nachvollziehbarkeit zählen. Mehr Daten machen unstrukturiertes Wissen nicht nutzbar, sie machen es nur größer.
„Wir bauen RAG über alle Dokumente."
Klassisches Retrieval findet textuelle Ähnlichkeit, nicht inhaltliche Bedeutung. Implizites Erfahrungswissen, kontextabhängige Definitionen und sich entwickelnde Bedeutungsräume lassen sich nicht durch Embeddings allein abbilden.
„Wir nehmen einfach das größere Modell."
Der Engpass ist nicht die Modellqualität, sondern die Qualität und Struktur der Wissensbasis. Selbst das beste Modell kann kein konsistentes Reasoning leisten, wenn die Quellen widersprüchlich, veraltet oder unkuratiert sind.
„Wir setzen ein Tool ein."
Isolierte Tools lösen Einzelfälle. Sie bauen kein gemeinsames Fundament. Jeder neue Use Case beginnt bei null, statt auf einer wachsenden Wissensbasis aufzusetzen.
„Wir steuern Berechtigungen auf Dateiebene."
File-level Governance ignoriert die semantische Ebene. Sensibles Wissen lässt sich nicht zuverlässig kontrollieren, wenn unklar bleibt, welches Wissen eine Datei eigentlich repräsentiert.
„Daten und Prozesse pflegen sich von selbst."
Ohne klare Ownership für Wissensdomänen veralten Inhalte schneller, als sie gepflegt werden. Wissen muss wie eine geschäftskritische Ressource behandelt werden – mit Verantwortlichkeit, nicht als Nebenprodukt von Arbeit.
Erfolgreiche Enterprise AI entscheidet sich nicht am Modell, sondern an der
Wissensinfrastruktur darunter.
Die Lösung
Wissensinfrastruktur Schritt für Schritt.
Wir bauen kein isoliertes Tool, sondern die fehlende Schicht zwischen Rohdaten und Reasoning – als Fundament, das mit der Organisation wächst.
01
Start mit konkreten Use Cases entlang der Wertschöpfung
Wir setzen dort an, wo der Schmerz heute messbar ist – Fehlerdiagnose und Troubleshooting im Service, Zugriff auf Maschinen-, Komponenten- und Prozesswissen, Unterstützung im Field Service oder vergleichbare wissensintensive Engineering-Aufgaben.
→ Schneller, messbarer Mehrwert statt jahrelanger Vorarbeit.
02
Transparenz über Wissenssilos
Bevor wir strukturieren, machen wir sichtbar: wo kritisches Wissen heute liegt, wer die Wissensträger sind, wo Abhängigkeiten und Engpässe bestehen.
→ Klare Sicht auf die aktuelle Wissenslandschaft – die Ausgangskarte für alles Weitere.
03
Aufbau strukturierter Wissensdomänen
Wir übertragen die Logik Ihrer Organisation in eine digitale Struktur – nach Produktlinien, Branchen, Service- und Engineering-Prozessen. Wissen wird aus zwei Quellen gehoben: aus Dokumenten (Extraktion, Klassifikation, Verknüpfung) und aus Köpfen (geführte Experten-Interviews, Workflow-Capture, KI-gestützte Konversationen).
→ Modulare Wissensdatenbanken, die für Mitarbeitende und für KI gleichermaßen nutzbar sind.
04
Klare Verantwortung: Ownership für Unternehmenswissen
Wissen wird wie eine geschäftskritische Ressource behandelt. Spezialisten und Spezialabteilungen kuratieren ihre Domäne – genau wie heute schon. KI übernimmt rund 95 % der Kurations-Mechanik (Klassifikation, Aktualitäts- und Konsistenzprüfung, Vorschläge). Die fachliche Verantwortung bleibt bei den Domänen-Owner.
→ Jeder verantwortet seinen Teil des Unternehmensgehirns – kein zentraler Flaschenhals, keine verwaiste Wikipedia.
05
KI nach dem Vorbild Ihrer Organisation: Spezialisten und Generalisten
Eine Organisation funktioniert, weil Spezialisten und Generalisten zusammenarbeiten. Spezialisierte Wissensagenten kennen ihre Domäne in der Tiefe. Ein Router-LLM als Generalist ordnet Anfragen ein, zerlegt sie an die richtigen Spezialisten und führt deren Antworten zu einem konsistenten Ganzen zusammen.
→ Die KI arbeitet wie Ihre Organisation – als Zusammenspiel spezialisierter Experten mit Generalisten, die den Überblick behalten.
06
Iterativer Ausbau
Pilot starten, schrittweise erweitern, Systeme integrieren – statt Big-Bang-Programm. Jeder Schritt liefert Wirkung und reduziert Risiko.
→ Schneller Impact bei geringem Risiko – eine wachsende Wissensbasis statt isolierter Prototypen.
Was dabei entsteht
Eine Wissensinfrastruktur mit klaren Eigenschaften.
Strukturiert & gewichtet
Information wird nach Relevanz, Aktualität und Quellen-Autorität bewertet – nicht gleichberechtigt durchsucht.
Kontextbewusst
Bedeutungen sind explizit und an Domänen gebunden, statt textuell verkürzt zu werden.
Versionierbar
Definitionen und Kontexte dürfen sich entwickeln – ohne die Vergangenheit zu verlieren.
Nachvollziehbar
KI-Antworten lassen sich über die angewandte semantische Logik und die genutzten Quellen zurückverfolgen.
Semantische Governance
Zugriff wird auf Konzept- und Domänenebene gesteuert, nicht nur auf Dateiebene.
Souverän betreibbar
On-Premises oder Private Cloud, kompatibel mit regulierten Umgebungen.
Transparent statt Black Box
Routing-Logik, Prompts, Domänen-Strukturen und Bewertungs-Layer sind einsehbar und gezielt anpassbar – anders als bei fertigen Plattformen, in denen Verhalten und Daten hinter einer Vendor-API verschwinden.
Das ist kein zusätzliches Tool im Stack.
Es ist das Fundament, auf dem alle weiteren KI-Anwendungen aufsetzen.
Integration
In Ihre bestehende Cloud-Landschaft.
Wir bringen keinen eigenen Stack mit. Die Wissensinfrastruktur lebt in genau der Umgebung, in der Ihr Unternehmen ohnehin arbeitet – typischerweise Microsoft Azure oder Google Cloud. Damit greifen bestehende Identity-, Compliance- und Betriebsmechanismen automatisch, die Datenhoheit bleibt bei Ihnen und es entsteht kein zusätzliches Vendor-Risiko über Ihre Cloud-Strategie hinaus.
Modelle und Inference
- Azure: Azure OpenAI Service (GPT-4-Klasse); optional Azure ML mit Open-Weight-Modellen (Llama, Mistral)
- Google: Vertex AI mit Gemini; optional Vertex AI Model Garden für Open Source
- On-Prem / Sovereign: Open-Weight-Modelle in Ihrer eigenen Umgebung
Wissensbasis und Retrieval
- Azure AI Search bzw. Vertex AI Search als Vektor- und Hybrid-Search-Backbone
- Metadaten und Strukturen in Cosmos DB / Azure SQL bzw. BigQuery / Cloud SQL
- Optional Open-Source-Vector-Stores (Qdrant, Weaviate) innerhalb Ihres Tenants
Orchestrierung und Agenten
- Standard-Frameworks (Semantic Kernel, LangGraph) statt proprietärer Black Box
- Generalist als Router-LLM, der Anfragen einordnet und zerlegt
- Trace- und Eval-Layer (Azure AI Foundry, Vertex AI Evaluation)
Integration in Quellsysteme
- Microsoft Graph: SharePoint, Teams, OneDrive, Outlook, Logic Apps
- Google: Drive API, Workspace Connectors
- Drittsysteme: Salesforce, ServiceNow, SAP, Confluence, JIRA, Fileshares
- Event-getriebene Synchronisation via Webhooks und Change Feeds
Identity und Berechtigungen
- Entra ID (Azure AD) bzw. Google Workspace als Quelle der Wahrheit
- Bestehende Gruppen und Rollen auf Wissensdomänen gemappt
- Semantische Berechtigung ergänzt das Identity-Modell, ersetzt es nicht
Compliance und Regulatorik
- DSGVO: Deployment in EU-Regionen (Azure West Europe, Google europe-west)
- EU AI Act: Risk-Klassifikation, vollständiges Logging, Human-in-the-Loop
- ISO 27001, SOC 2, BSI C5 werden über die Cloud-Plattform geerbt
Betrieb
- Hosting in Ihrem Tenant – Datenhoheit bleibt bei Ihnen
- Monitoring über Azure Monitor bzw. Google Cloud Operations
- Betrieb durch Ihre IT, durch uns als Managed Service oder hybrid
- Lifecycle: Versionierung, Staged Rollouts, Tests
Aktualität und Wissens-Pflege
- Change-Detection in den Quellsystemen triggert inkrementelles Re-Indexing
- Freshness-Signale fließen in das Context Weighting ein
- Automatische Veraltungs-Erkennung markiert Inhalte für Domänen-Owner
Kein Sonder-Stack, kein Lock-in über Ihre Cloud-Strategie hinaus.
Die Wissensinfrastruktur läuft, wo Ihre IT zu Hause ist.
Referenzen aus der Praxis
Was Wissensinfrastruktur operativ bewegt.
Zwei konkrete Projekte – ein Service-Case und ein Sales-Case – mit messbaren Outcomes und übersetztem Business Value.
Service
KI Knowledge Base für Dynamic Machine Detroit
Ausgangslage
Servicetechniker eines internationalen Maschinenherstellers verloren pro Einsatz bis zu 30 Minuten mit der Suche in fragmentierter Dokumentation – verteilt über PLM, Service-Portale, Tickets und Senior-Wissen. Jede Suchminute war direkter Maschinenstillstand beim Kunden.
Lösung
- Connectoren zu Service-Portal, Ticket-System, Dokumenten-Repositories und PLM/CAD-Metadaten
- Semantische Strukturierung entlang Maschine → Baugruppe → Komponente → Fehlerbild
- Multi-Agenten-Architektur mit Router-LLM als Generalist
- Wissen aus Köpfen: geführte Interviews und Workflow-Capture mit Senior-Technikern
- Mobiloptimierter Field-Zugang am Einsatzort, mit Provenance und Konfidenzsignal
Messbare Ergebnisse
30 Min → 30 Sek
Recherchezeit pro Einsatz (Faktor ~60)
↑
First-Time-Fix-Quote deutlich gestiegen
↓
Eskalations-Quote an L2/L3 spürbar reduziert
↓
Mean Time to Repair (MTTR) gesenkt
Business Value
- Beispielrechnung: 100 Einsätze/Woche × 29,5 Min ≈ 49 Stunden vermiedene Stillstandszeit pro Woche → bei € 2.000–5.000 pro Stillstandsstunde ein argumentierbarer Kundenwert von € 5–13 Mio. p. a.
- Kapazität ohne Personalaufbau – ~25 zusätzliche Einsätze pro Woche bei gleichbleibender Mannschaft
- Onboarding von Monaten auf Wochen, weil Junior-Techniker mit derselben Wissensbasis arbeiten
- Senior-Wissen systemisch erfasst – Business-Continuity-Argument auf C-Level
- Höhere First-Time-Fix-Quote und kürzere MTTR rechtfertigen Premium-SLAs und stärken die Service-Marge
Sales
Wissensframework & Multi-Agenten-System für AGCO / Fendt
Ausgangslage
AGCO vertreibt komplexe, hochgradig konfigurierbare Landtechnik über mehrere Marken (u. a. Fendt, Massey Ferguson, Valtra, Challenger) und Regionen. Wissen über Baureihen, Optionen, Kompatibilitäten und regulatorische Besonderheiten lag verteilt über Produktmanagement, Engineering, Marketing und einzelne Senior-Experten – mit langen Angebotsprozessen und schwankender Antwortqualität als Folge.
Lösung
- Wissensdomänen entlang von Baureihen mit klarer Ownership im jeweiligen Produktmanagement
- Spezialisierte Wissensagenten je Baureihe – jeder Agent kennt seine Grenzen
- Router-LLM als Generalist für markenübergreifende und komplexe Anfragen
- Markenübergreifende Wissensbasis mit markenspezifischer Tonalität und Compliance
- Mehrsprachiger Einsatz in 7 Sprachen – nicht übersetzt, sondern in Zielsprache erzeugt
- Integration in CRM- und Konfigurator-Kontext des Vertriebs
Messbare Ergebnisse
7
Sprachen produktiv im Einsatz
4+
Marken auf einer gemeinsamen Wissensbasis
↓
Reaktionszeit bei Vertriebsanfragen deutlich verkürzt
↓
Experten-Eskalationen spürbar reduziert
Business Value
- Höherer Vertriebsdurchsatz: mehr verarbeitete Anfragen pro Vertriebsmitarbeitendem bei gleicher Qualität
- Verkürzter Sales-Cycle und höhere Win-Rate – Kunden erhalten früher belastbare Aussagen
- Markenübergreifend konsistente, regulatorisch saubere Aussagen → reduziertes Haftungs- und Reputationsrisiko
- Skalierungshebel: ein Wissens-Asset, viele Märkte – neue Märkte mit minimalem Mehraufwand
- M&A- und Markenintegration: neue Marken werden in das bestehende Framework eingehängt
- Senior-Produktexperten aus Routine-Anfragen herausgelöst – Engpass-Hebel auf strategische Ressourcen
- Mehrfach-Nutzung: dieselbe Basis trägt Service-, Trainings-, Marketing- und Händler-Use-Cases
Unsere Rolle
Beratung UND Umsetzung.
Wir begleiten den gesamten Aufbau – von der Strategie bis zum produktiven System.
- Strukturierung der Wissenslandschaft
- Definition von Ownership und Governance
- Aufbau von Wissensarchitekturen
- Implementierung mit KI-Tooling
- Integration in bestehende Systeme
- Systematischer Wissenstransfer in die Organisation
Wir stellen sicher, dass Wissen nicht nur in Systemen entsteht, sondern in Ihrer Organisation verankert wird:
- Übergabe von Methoden und Strukturen an Fachbereiche
- Enablement von Wissensträgern (Service-, Produkt- und Domänenexperten)
- Befähigung zur eigenständigen Pflege und Weiterentwicklung
Sie behalten die fachliche Verantwortung – wir sorgen dafür, dass sie funktioniert.
Häufige Fragen
Die Fragen, die Entscheider stellen.
Wie unterscheidet sich das von klassischem RAG?
Klassisches RAG sucht textuelle Ähnlichkeit über alle Dokumente und liefert je nach Embedding-Glück passende oder unpassende Treffer. Wir bauen davor eine kuratierte, gewichtete Wissensstruktur mit klaren Domänen, Verantwortlichkeiten und versionierten Bedeutungsräumen. Retrieval läuft innerhalb dieser Struktur – die Antworten werden dadurch konsistent, nachvollziehbar und überprüfbar.
Wie unterscheidet sich das von Microsoft Copilot, Glean oder ähnlichen Plattformen?
Fertige Produkte sind Plattformen mit fixer Logik und versiegelter Black Box – Sie konfigurieren am Rand, der Kern bleibt zu. Bei uns ist die Wissensinfrastruktur Ihr Eigentum: Routing-Logik, Domänen-Strukturen, Prompts und Bewertungs-Layer sind einsehbar und anpassbar. Wir nutzen Standardkomponenten der Hyperscaler, aber kein proprietäres Lock-in.
Wo läuft die Lösung – in der Cloud, on-premises oder hybrid?
In Ihrer bestehenden Cloud, in Ihrem Tenant, in einer EU-Region – typischerweise Microsoft Azure oder Google Cloud. Für streng regulierte Daten arbeiten wir mit Open-Weight-Modellen on-premises oder in einer Sovereign-Cloud, sodass Daten das Haus nicht verlassen. Hybride Setups sind möglich.
Wie steht es mit DSGVO und EU AI Act?
DSGVO-Konformität entsteht durch EU-Region-Deployment und durch die Zertifizierungen Ihrer Cloud-Plattform (ISO 27001, SOC 2, BSI C5), die Sie erben. Den EU AI Act adressieren wir pro Use Case: Risk-Klassifikation, vollständiges Logging, Provenance der Antworten und Human-in-the-Loop, wo es vorgeschrieben oder sinnvoll ist.
Wie verhindern Sie, dass das wie unser Wiki vor zehn Jahren endet?
Drei Mechanismen: (1) Domänen-Ownership ist Teil des Setups, nicht optional – Pflege gehört zur Rolle. (2) KI übernimmt rund 95 % der Kurations-Mechanik (Klassifikation, Konsistenz, Aktualität, Vorschläge). (3) Change-Detection in den Quellsystemen sorgt dafür, dass die Wissensbasis automatisch mitwächst.
Bauen wir uns damit eine Abhängigkeit von Skytala?
Nein. Wir nutzen Standardkomponenten Ihrer Cloud, geben Strukturen, Prompts und Konfigurationen offen heraus und übergeben Methodik, Ownership-Modell und Tooling an Ihre Fachbereiche. Sie können die Lösung selbst weiterentwickeln – mit uns, ohne uns oder mit einem anderen Partner.
Brauchen wir eigene KI-Expertise im Haus?
Für den Aufbau nicht – das bringen wir mit. Für den nachhaltigen Betrieb empfehlen wir mindestens eine Person in Ihrer IT, die Architektur und Evaluations-Schleife versteht. Wir transferieren das Wissen aktiv, sodass diese Rolle aus Ihrem bestehenden Team besetzt werden kann.
Was ist mit unseren bestehenden KI-Initiativen und Daten-Plattformen?
Wissensinfrastruktur ist additiv. Wir setzen auf bestehenden Datenbeständen, Data Lakes, Vektor-Stores und vorhandenen LLM-Endpunkten auf. Wenn Sie bereits Azure OpenAI oder Vertex AI einsetzen, nutzen wir genau das. Bestehende KI-Anwendungen profitieren, sobald die Wissensinfrastruktur darunterliegt – ohne sie ablösen zu müssen.