Warum reicht eine gewöhnliche Dokumentensuche nicht aus?
Mitarbeiter suchen meist keine Datei, sondern eine Antwort für eine konkrete Situation. Sie müssen wissen, welches Vorgehen gilt, ob es aktuell ist und was daraus folgt. Ein Schlüsselwort kann mehrere Dokumente finden, die sich widersprechen oder verschiedene Produkte betreffen.
KI kann relevante Abschnitte verbinden und ihre Bedeutung erklären. Sie kann jedoch nicht die Verantwortung für die Richtigkeit betrieblicher Regeln übernehmen. Ohne zuständige Person und gültige Version stellt das Modell ungeordnete Unterlagen lediglich eleganter dar.
Wählen Sie vor Projektbeginn häufige Fragen und die richtigen Quellen dazu. So entstehen ein Testdatensatz und eine erste Liste fehlender Inhalte. Eine Migration sämtlicher historischer Dokumente ist kein notwendiger Anfang.
Was zeigt das Beispiel der Wissenssuche bei Upside?
Für Upside nennt Glean 92 % Nutzungsquote, einer Einsparung von mehr als 2.000 Stunden pro Monat und über 1,5 Stunden pro Mitarbeiter und Woche. Diese vom Anbieter veröffentlichten Kennzahlen betreffen eine konkrete Organisation und können sich teilweise überschneiden. Sie dürfen weder addiert noch als Versprechen gleicher Ergebnisse in anderen Unternehmen verstanden werden. Fallstudie von Glean und Upside.
„People were just constantly reinventing the wheel.“ — Elizabeth Vaggelatos, Head of Knowledge Management bei Upside, in der genannten Studie.
Fragen Sie, welches Wissen immer wieder gesucht oder neu erarbeitet wird. Sobald konkrete Arbeitssituationen feststehen, lässt sich der Nutzen messen. Die Zahl indexierter Dokumente zeigt allein nicht, ob Mitarbeiter die richtige Antwort erhalten.
Wie funktioniert RAG ohne unnötige technische Komplexität?
Zu einer Frage sucht das System zunächst passende Dokumentabschnitte. Diese erhält das Modell, das eine Antwort formuliert und Quellen zeigt. Es muss also nicht sämtliche Firmeninformationen vorher kennen. Entscheidend ist, dass es die richtigen Abschnitte erhält und erkennt, wann diese nicht ausreichen.
| Ebene | Aufgabe | Prüfung |
|---|---|---|
| Quellenverarbeitung | Text, Tabellen und Zusammenhänge erhalten | Mit dem Originaldokument vergleichen |
| Berechtigungen | Zugängliche Dokumente auswählen | Verschiedene Nutzer und Rollen testen |
| Suche | Richtige Grundlagen finden | Erwartete Quellen für Testfragen |
| Antwort | Belegte Informationen erklären | Richtigkeit, Vollständigkeit und Belege |
| Aktualisierung | Änderungen und Löschungen übernehmen | Eine Regel ändern und erneut fragen |
Ordnen Sie Fehler der richtigen Ebene zu. Wurde das relevante Dokument nicht gefunden, hilft ein längerer Prompt möglicherweise nicht. War die Quelle richtig, fehlte aber eine wichtige Bedingung in der Antwort, entstand der Fehler erst bei der Verarbeitung des gefundenen Kontexts.
Wie organisiert man Wissen, damit es nutzbar wird?
Jedes wichtige Dokument braucht Titel, Zuständigkeit, Geltungsbereich und Datum oder Version. Beschreiben Sie bei Prozessen Eingangsdaten, Schritte, Ausnahmen und erwartetes Ergebnis. Eine Tabelle ohne Spaltenerklärung kann für Menschen wie Modelle mehrdeutig sein.
Trennen Sie verbindliche Regeln von Beispielen und historischer Kommunikation. Ein einmaliger Rabatt in einer E-Mail ist keine neue Firmenpreisliste. Alte Anleitungen sollten archiviert und gekennzeichnet sein, damit normale Anfragen sie nicht als aktuell behandeln.
In der XWiki-Community auf Reddit wird die Wissensvorbereitung vor der KI-Anbindung diskutiert. Da es sich um eine Anbieter-Community handelt, dienen die Fragen als Anregung, nicht als unabhängige Untersuchung. Die eigene Bestandsaufnahme sollte klären, wer Inhalte korrigiert, wenn der Assistent einen Widerspruch findet.
Wie bleiben Zugriffsrechte auch in Antworten erhalten?
Für Suche, Quellenangaben und Folgeaktionen müssen dieselben Regeln gelten. Nutzer dürfen vertrauliche Informationen nicht über Zusammenfassungen unzugänglicher Dokumente erhalten. Auch Links oder Quellentitel dürfen keine sensiblen Inhalte außerhalb ihrer Berechtigungen offenlegen.
Atlassians Erläuterungen zu Rovo beschreiben den Zusammenhang von Nutzerkontext und Berechtigungen. Prüfen Sie bei der konkreten Einführung das verbundene Konto und die Ausführung von Automatisierungen. Ein weitreichend berechtigtes Dienstkonto ersetzt keine individuellen Zugriffskontrollen.
Testen Sie Rollenentzug, Dokumentverschiebungen, Kontolöschung und Links auf unzugängliche Quellen. Suche und Zwischenspeicher müssen auf Änderungen reagieren. Sonst kann eine scheinbar geschützte Quelle über eine alte Kopie im KI-System zugänglich bleiben.
Was soll der Assistent tun, wenn er die Antwort nicht kennt?
Der Assistent sollte sagen, was er gefunden hat und was fehlt. Bei widersprüchlichen Quellen benennt er den Konflikt und verweist an die zuständige Person. Aus uneinheitlichen Unterlagen eine einheitliche Regel zu erfinden kann schlimmer sein als eine unvollständige Antwort.
„Wie hoch ist der aktuelle Satz?“ braucht Kontext zu Produkt, Kunde und Zeitraum. Ohne diesen sollte der Assistent nachfragen, wenn keine richtige Quelle bestimmbar ist. Verständliche Rückfragen sind Teil guter Leistung, kein Modellversagen.
Die neuere Anthropics Methodik zur Agentenbewertung von 2026 unterstützt die Prüfung tatsächlicher Ergebnisse. Bei Wissensdatenbanken bewerten wir daher auch gefundene Quellen und Berechtigungen, nicht nur flüssig formulierte Antworten.
Welche Kennzahlen sollte der erste Pilot messen?
Richtigkeit der Antwort und Quelle, Umgang mit unbekannten Fragen, Einhaltung der Zugriffsrechte und Zeit bis zum nutzbaren Ergebnis. Testfragen sollten typische Formulierungen und Begriffe abdecken, die von der Dokumentation abweichen.
Rechenbeispiel: Von 100 Fragen beantwortet der Assistent 80 richtig, bei 15 erkennt er korrekt fehlende Grundlagen und bei fünf erfindet er eine Antwort. Diese fünf Fehler können wichtiger sein als insgesamt flüssige Antworten. Weitere Arbeit sollte ihre Ursachen beheben, nicht die Wortzahl erhöhen.
Der Pilot sollte auch Pflegeregeln festlegen. Wer korrigiert Quellen, wie werden Fehler gemeldet und wann werden Tests wiederholt? Erst dann ist es sinnvoll, die Wissensdatenbank zu einem KI-Assistenten für Mitarbeiter oder zum öffentlichen Kundensupport auszubauen.
Häufige Fragen
Müssen wir dafür ein eigenes Modell trainieren?
Meist nicht. Üblicherweise werden zur jeweiligen Frage relevante Unterlagen gesucht und dem Modell als Kontext übergeben. Dieses Prinzip heißt RAG. Ein eigenes Modelltraining ist keine Voraussetzung für eine gute Unternehmenswissensdatenbank.
Kann die Wissensdatenbank PDFs und Scans enthalten?
Ja, wenn die Integration sie zuverlässig verarbeitet. Scans benötigen OCR, Tabellen eine Prüfung ihrer Struktur. Ob diese Schritte verfügbar sind, hängt von der konkreten Lösung ab; nicht jeder Chat bietet sie automatisch.
Was passiert nach dem Löschen oder Ändern eines Dokuments?
Die Änderung muss in Index, Zwischenspeichern und Verfügbarkeit für weitere Fragen wirksam werden. Auch für vorhandene Verläufe braucht es Regeln. Das Löschen im Ursprungssystem allein reicht möglicherweise nicht.
Recherche und Lösungskonzept: Tanduva mit KI-Unterstützung. Externe Fallstudien sind gekennzeichnet. Modellbeispiele sind keine gemessenen Ergebnisse unserer Kunden. Redaktionelle Methodik und Korrekturen.