KI-Wissensdatenbank im Unternehmen: Wer freigibt, bestimmt, was die KI antwortet

Frag Copilot, wie dein Unternehmen ein neues Projekt aufsetzt. Du bekommst eine überzeugend klingende, gut formulierte Antwort, die beschreibt, wie ein typisches Unternehmen das macht. Wenn euer Ablauf einen Schritt hat, den es nur bei euch gibt, lässt die KI ihn weg oder erfindet einen anderen. Frag ChatGPT oder Claude, und du bekommst eine andere Version desselben Fehlers. Deine Kolleginnen und Kollegen stellen solche Fragen jeden Tag und arbeiten dann mit der Antwort, die sie bekommen haben. Eine KI-Wissensdatenbank ändert das.

Genau dafür braucht es sie auf Unternehmensebene. Im ersten Teil dieser Serie hat Torsten erklärt, warum du deinen alten Fileshare nicht in die KI-Welt mitnehmen solltest und warum es besser ist, ihn einzufrieren und Use Case für Use Case neu anzufangen. Im zweiten Teil hat Vincent Wissensmanagement in drei Ebenen aufgeteilt: die einzelnen Mitarbeitenden, das Team und das Unternehmen. Mit den ersten beiden kannst du diese Woche anfangen. Die dritte verlangt mehr, nämlich klare Verantwortliche und Freigabewege. Um diese dritte Ebene geht es hier, und darum, wie wir sie bei aithoria umsetzen.

‍

Warum KI ohne Firmenwissen generisch bleibt

Viele deiner Mitarbeitenden fragen längst eine KI, und nicht immer eine, die ihr bereitgestellt habt. Das Institut der deutschen Wirtschaft (IW) hat dazu im Frühjahr 2026 eine repräsentative Befragung durchgeführt. Von den Beschäftigten, die KI bei der Arbeit nutzen, verwenden demnach 29 Prozent Tools, die ihr Arbeitgeber nicht bereitgestellt hat [1]. Bei den unter 30-Jährigen sind es fast 40 Prozent.

Ein großer Teil der Arbeit mit KI besteht darin, aus allgemeinen Antworten konkrete zu machen. Ab Werk bringt eine KI viel Allgemeinwissen mit, aber nichts über dein Unternehmen, also nichts über eure Abläufe, eure Markenregeln, eure Kunden oder die Entscheidung aus dem Meeting der letzten Woche. Deshalb bleiben den meisten nur zwei Wege. Entweder bauen sie den Kontext in jedem einzelnen Chat von Hand auf, kopieren Richtlinien hinein, erklären den Ablauf, korrigieren die erste Antwort und versuchen es noch einmal. Oder sie lassen diesen Schritt weg und geben sich mit einem generischen Ergebnis zufrieden.

Beides kostet Zeit, wie zwei aktuelle Befragungen zeigen. Für den Work AI Index hat Glean Anfang 2026 insgesamt 6.000 Beschäftigte mit Bildschirmarbeitsplatz in den USA, Großbritannien und Australien befragt. Demnach verbringen sie pro Woche 6,4 Stunden mit unsichtbarer Arbeit, nur damit die KI brauchbare Ergebnisse liefert, davon 2,3 Stunden allein damit, ihr Kontext zu geben [2]. Außerdem sagten 53 Prozent, dass sie über ihre KI-Tools nicht an die Informationen kommen, die sie brauchen, und 60 Prozent geben denselben Prompt in mehrere Tools ein, weil die erste Antwort nicht gut genug war. Workday hat in einer Befragung von 3.200 Beschäftigten festgestellt, dass fast 40 Prozent der Zeit, die KI spart, durch Nacharbeit wieder verloren gehen: Fehler korrigieren, Texte umschreiben, Ergebnisse prüfen [3]. Da beide Unternehmen selbst KI-Software verkaufen, sind die genauen Zahlen mit Vorsicht zu lesen, die Richtung ist allerdings bei beiden dieselbe.

‍

‍

Vier KIs, vier Antworten

Dazu kommt, dass die meisten Unternehmen nicht nur eine KI nutzen. Ein Drittel der Befragten in der Glean-Studie nutzt jede Woche vier oder mehr KI-Tools [2]. Das Marketing arbeitet mit Claude, der Vertrieb mit Copilot, die Entwicklung mit Cursor, und irgendwer hat nebenbei noch einen ChatGPT-Account. Fragst du alle vier, wie ihr einen bestimmten Ablauf regelt, bekommst du vier Antworten, die alle plausibel klingen und von denen keine euren Ablauf beschreibt.

Dass die Antworten auseinandergehen, ist allerdings nur das sichtbare Problem. Schwerer wiegt, dass jede einzelne falsch sein kann. Wenn eine KI euren Ablauf nicht kennt, füllt sie die Lücke mit dem, was üblich ist, und wer ihrem Rat folgt, erledigt die Aufgabe so, wie es irgendein anderes Unternehmen tun würde. Im besten Fall ist die Hilfe also generisch, im schlechtesten falsch, und das fällt erst auf, wenn der Fehler dort auftaucht, wo er Schaden anrichtet: in einem Angebot, einem Vertrag oder einer Mail an einen Kunden.

Jede und jeder baut sich den Kontext selbst auf, im eigenen Chat, und sobald der Chat geschlossen wird, ist dieser Kontext weg. Über ein Team und ein Jahr gerechnet ist das viel Zeit, in der immer wieder dasselbe Unternehmen denselben KIs erklärt wird.

‍

Warum Firmenwissen im Chat entsteht und dort verloren geht

Immer mehr Wissensarbeit läuft über einen KI-Chat. Jemand erarbeitet mit Claude, Copilot oder ChatGPT einen Ablauf, verfeinert ihn über ein paar Runden und hat am Ende ein Ergebnis, das genau zur Arbeitsweise des Teams passt. Dieses Ergebnis ist wertvoll, bleibt aber im Chatverlauf einer einzelnen Person.

Im zweiten Teil ging es darum, wie du es wenigstens für dich selbst sicherst: Mit benutzerdefinierten Anweisungen, Erinnerungen und Skills lernt deine KI, wie du arbeitest. Du beendest einen Chat und sagst: „Merk dir das fürs nächste Mal.“ Der nächste Schritt fehlt allerdings noch, nämlich aus diesem Gespräch eine Anleitung zu machen und sie allen bereitzustellen, die dieselbe Aufgabe haben.

Ein Beispiel aus meiner eigenen Arbeit: Wenn bei uns eine Kollegin einen Blogbeitrag schreibt, muss sie einiges wissen. Dazu gehört, wie Überschriften formatiert werden, auf welche Seiten wir verlinken, wie wir Quellen angeben und welchen Ton wir treffen wollen. Heute würde ich eine Stunde brauchen, um ihr das zu erklären. In einem Unternehmen, in dem dieses Wissen jeder KI zugänglich ist, fängt sie einfach mit ihrem eigenen Assistenten an zu schreiben und bekommt von ihm die Antwort: „So machen wir das hier.“

Das Unternehmen setzt den Rahmen, alle arbeiten auf ihre Art

Das heißt nicht, dass alles in die Wissensdatenbank gehört. Jede und jeder entwickelt eigene Arbeitsweisen, und das ist in Ordnung. Manche Abläufe will ein Unternehmen aber auf eine bestimmte Art erledigt haben: Markenregeln, Freigabeschritte, den Start eines Projekts. Diese Abläufe kann es einmal aufschreiben und jeder KI im Unternehmen zur Verfügung stellen. Alle behalten ihre Tools und Gewohnheiten und arbeiten trotzdem innerhalb des Rahmens, den das Unternehmen gesetzt hat.

Für mich im Marketing ist das sehr konkret. Ich möchte, dass alle dieselben Farben, Verläufe und Logoregeln verwenden, ohne dass es dafür eine eigene Schulung braucht. Wer schon einmal etwas Neues im Team eingeführt hat, weiß, dass es leichter ist, etwas zu bauen, als alle dazu zu bringen, es auch zu nutzen. Wenn du nicht ändern kannst, wie alle arbeiten, kannst du immer noch die KI briefen, mit der sie arbeiten. Dann kommt das Wissen zu ihnen, in dem Tool, das sie ohnehin nutzen.

‍

Warum Wikis und Firmen-GPTs das nicht lösen

Seit zwanzig Jahren versuchen Unternehmen, ihr Wissen in Wikis und Intranets zu sammeln. Warum das selten funktioniert, hat Vincent im zweiten Teil beschrieben, und mit KI kommen nun zwei neue Probleme hinzu.

Die KI war nicht im Meeting

Regeln und Abläufe schreibt man traditionell für die Ewigkeit und prüft sie einmal im Jahr, obwohl sie sich in Wirklichkeit viel häufiger ändern. Jede einzelne Änderung bedeutet, ein neues Dokument aufzusetzen, und jemand muss die Verantwortung dafür übernehmen. Deshalb wird die Änderung meistens im nächsten Teammeeting bekannt gegeben, und alle im Raum wissen Bescheid.

Die KI war aber nicht im Meeting. Das alte Dokument liegt noch da, wo es lag, und wer als Nächstes fragt, bekommt die alte Antwort. Microsoft schreibt das in seiner eigenen Copilot-Dokumentation ganz offen. Veraltete Inhalte überfrachten demnach die Datenquelle von Copilot und führen zu „less accurate responses“, also ungenaueren Antworten. Wer alte Versionen entfernt, verringert dagegen „confusion and contradictions“, also Verwirrung und Widersprüche [4].

‍

Antwort aus einer veralteten Quelle

Vergrößern

Die neue Regel wurde im Teams-Kanal verkündet. Copilot antwortet trotzdem aus dem Leitfaden von 2024, weil das alte Dokument noch da liegt.

Illustratives Beispiel mit erfundenen Namen und Inhalten.

‍

Suchen kostet Zeit, und die Antwort bleibt unsicher

Hinzu kommt, dass schon die Suche viel Zeit frisst. Für eine Studie des Suchanbieters Coveo wurden 2025 insgesamt 4.000 Beschäftigte großer Unternehmen in den USA und Großbritannien befragt. Im Schnitt verbringen sie demnach drei Stunden am Tag mit der Suche nach Informationen, verteilt auf vier verschiedene Quellen [5]. Fast die Hälfte hatte schon einmal eine KI-Halluzination erlebt. In der Praxis sparen sich viele die Suche, fragen lieber eine Kollegin oder einen Kollegen und werden von dort oft an die nächste Person verwiesen.

Viele Unternehmen haben mit einem eigenen Firmen-GPT reagiert. Die Idee dahinter, eine KI mit Firmenwissen, war richtig. In der Praxis basierten diese GPTs allerdings oft auf Dokumenten, die aus dem alten Wiki exportiert worden waren. Das Wissen war veraltet, niemand pflegte es, und die Antworten klangen trotzdem überzeugend.

Was all diesen Versuchen fehlte, war Wissen, für das jemand verantwortlich ist.

‍

‍

Was eine KI-Wissensdatenbank auf Unternehmensebene braucht

Ob diese Verantwortung geregelt ist, lässt sich prüfen. Im ersten Teil hat Torsten vier Fragen vorgestellt, mit denen du entscheidest, welche alten Dokumente den Umzug wert sind. Auch für die Unternehmensebene gibt es vier Fragen, und sie gelten unabhängig davon, welches Tool du einsetzt.

1. Antwortet jedes KI-Tool aus derselben Quelle?

Die meisten Unternehmen nutzen mehrere KI-Tools nebeneinander, und wenn jedes davon eine eigene Kopie des Wissens hat, gibt es nach der ersten Änderung mehrere Versionen der Wahrheit. Eine Wissensdatenbank für das Unternehmen sollte deshalb die einzige Quelle sein, auf die alle zugreifen. Welche Themen alle brauchen, welche nur eine Abteilung braucht und wo die Grenzen liegen, entscheidet das Unternehmen.

2. Wer gibt frei, was die KI antwortet?

Jeder Eintrag braucht eine namentlich benannte Person, die entscheidet, ob er stimmt. In den meisten Unternehmen ist das die prozessverantwortliche Person: die Vertriebsleitung für den Vertriebsprozess, die Personalleitung für das Onboarding. Vorschlagen können einen Eintrag alle Mitarbeitenden, freigeben aber nur die Person, die dafür verantwortlich ist. Schlägt jemand aus dem Vertrieb einen neuen Ablauf für die ganze Abteilung vor, hat die Vertriebsleitung das letzte Wort.

3. Steht bei jedem Eintrag, wann er bestätigt wurde und wann er wieder geprüft wird?

Ein Datum ist der einfachste Schutz vor veraltetem Wissen. Jeder Eintrag sollte zeigen, wann er zuletzt bestätigt wurde und wann die nächste Prüfung fällig ist. Ein Eintrag ohne Review-Datum veraltet, ohne dass es jemand merkt.

4. Wird vor der Nutzung geprüft, und wie streng?

Wie streng die Prüfung ausfällt, sollte vom Thema abhängen. Eine Best Practice aus einem Team kann schnell live gehen, eine Richtlinie für alle sollte dagegen vorher jemand gelesen haben. Manche Unternehmen lassen alle frei beitragen, und die wissensverantwortliche Person fragt einfach ihre eigene KI, was neu ist, bevor sie freigibt. Andere lassen nichts ungeprüft live gehen. Beides kann funktionieren, solange die Entscheidung bewusst fällt.

Ein gutes System speichert außerdem den Verlauf: welche Änderungen es gab, wer sie gemacht und wer sie freigegeben hat. Geht etwas schief, siehst du, wo, und kannst zu einer früheren Version zurück.

‍

‍

Praxisbeispiel: Wie wir bei aithoria Wissen festhalten, prüfen und nutzen

Bei aithoria nutzen wir dafür unser eigenes System, kenrAI. Alle Mitarbeitenden können Wissen vorschlagen, und im Moment handhaben wir das ziemlich offen. Das ist Absicht, denn so teilen wir viel im ganzen Unternehmen, und man stößt auf Dinge, bei denen man sonst nicht einmal wüsste, wo man suchen sollte. Jeder Eintrag hat eine verantwortliche Person, ein Datum der letzten Bestätigung und ein Review-Datum.

‍

Ein Eintrag in kenrAI

Vergrößern

Der Eintrag zur neuen Schrift: Oben steht, wer verantwortlich ist, wann er zuletzt bestätigt wurde und bis wann er wieder geprüft wird.

Ansicht nachgestellt in der aktuellen kenrAI-Oberfläche.

‍

Ein aktuelles Beispiel aus meiner Arbeit zeigt, wie das in drei Schritten läuft.

Festhalten. Ich habe vor Kurzem eine neue Schrift für unsere Marke erstellt. Das hatte ich noch nie gemacht, also habe ich recherchiert und mich Schritt für Schritt mit meiner KI durchgearbeitet, bis wir ein Ergebnis hatten, mit dem ich zufrieden war. Fast alles, was dafür nötig war, stand damit schon in diesem Chat. Deshalb habe ich meine KI gebeten, daraus einen Eintrag für kenrAI zu machen: was die Schrift ist, wie sie entstanden ist und wie man sie verwendet.

Prüfen. Bevor der Eintrag live ging, hat ihn eine unserer Führungskräfte angesehen und freigegeben. Genau das ist der Prüfschritt, bei dem jemand, der für den Bereich verantwortlich ist, bestätigt, dass der Inhalt stimmt.

Nutzen. Am Abend hatte ein Kollege die Schrift schon an ein paar Stellen eingesetzt, ohne mich ein einziges Mal danach zu fragen, denn alles Nötige stand in kenrAI.

‍

Festhalten, prüfen, nutzen

So kommt ein Eintrag in kenrAI.

Schritt 1 Festhalten

Du erklärst deiner KI im Chat, was gilt, oder hängst alte Dokumente an. Daraus entsteht ein Entwurf für den Eintrag.

Schritt 2 Prüfen

Die verantwortliche Person liest den Entwurf und gibt ihn frei. Erst danach gilt er.

Schritt 3 Nutzen

Copilot, ChatGPT oder Claude antworten mit dem freigegebenen Eintrag und nennen ihn als Quelle.

Beispiel aus einer Demo-Wissensbasis. Inhalte illustrativ.

‍

Das Beispiel ist klein, aber niemand hat ein eigenes Dokument geschrieben, niemand musste daran denken, allen Bescheid zu sagen, und das Wissen ist nicht in meinem Chatverlauf hängen geblieben.

‍

Wer pflegt das?

Der naheliegende Einwand ist der, den Vincent im zweiten Teil formuliert hat: Wissensmanagement scheitert, weil niemand es aktuell hält. Fehlende Verantwortung ist dabei allerdings nur ein Teil des Problems, denn schon die Pflege eines Wikis ist eine Last, und diese Last begrenzt, was ein Wiki leisten kann.

Für Wissen, das lange gleich bleibt, funktioniert ein Wiki gut: ein Organigramm, die Firmengeschichte, eine Richtlinie, die sich alle paar Jahre ändert. Für alles, was sich häufiger ändert, wird es ineffizient. Jede Änderung heißt, die richtige Seite zu finden, zu prüfen, was sonst noch davon abhängt, und sie von Hand umzuschreiben. Die verantwortliche Person müsste Hunderte Seiten lesen, um zu wissen, welche Version stimmt. In der Praxis tut das niemand, und das Wiki veraltet langsam.

Verantwortlich sein muss trotzdem jemand, aber KI kann diese Aufgabe deutlich leichter machen. In einer KI-Wissensdatenbank gehört jeder Eintrag zu einem Bereich des Unternehmens und steht neben verwandten Einträgen. Kommt etwas Neues dazu, kann die KI es mit dem abgleichen, was schon da ist. Sie erkennt, was neu ist, was sich geändert hat und wo die neue Information der alten widerspricht. Die wissensverantwortliche Person bekommt dann statt eines Stapels Seiten eine kurze Zusammenfassung darüber, was sich geändert hat und wo es Widersprüche gibt, und kann direkt entscheiden, was bleibt. Genau das bauen wir gerade in kenrAI ein.

So wird aus einem Archiv, das jemand pflegen muss, eine Wissensbasis, die auf neue Informationen reagiert. Und weil an jedem Eintrag ein Name und ein Review-Datum stehen, siehst du, was überfällig ist, statt es erst zu merken, wenn jemand eine falsche Antwort bekommt.

Klare Grenzen gibt es trotzdem. Eine KI-Wissensdatenbank enthält nur, was jemand hineingeschrieben hat, und zu einem Ablauf, der nie aufgeschrieben wurde, gibt es keine Antwort. Außerdem gehören weder Kundendaten noch dreißig Jahre Dateien vom alten Fileshare hinein. Das alte Archiv bleibt, wie im ersten Teil beschrieben, eingefroren, wo es ist. Laut Gartner werden Unternehmen bis Ende 2026 rund 60 Prozent der KI-Projekte aufgeben, denen KI-taugliche Daten fehlen [6].

‍

So fängst du an

Du musst nicht dein gesamtes Firmenwissen auf einmal übertragen. Es gilt dieselbe Logik wie im ersten Teil: Fang mit einem Use Case an.

Such dir einen Bereich, in dem immer wieder dieselben Fragen gestellt werden, etwa wie ein Projekt startet, wie Dienstreisen gebucht werden oder wie eure Markenregeln funktionieren. Benenne dafür eine wissensverantwortliche Person und schreib die ersten zehn Einträge, oder, noch besser, lass die Leute sie selbst ihrer KI diktieren, wenn das Thema das nächste Mal aufkommt. Gib jedem Eintrag ein Review-Datum, stell deiner KI danach die Fragen, die sonst an Kolleginnen und Kollegen gehen, und prüf, ob die Antworten stimmen.

Wenn ja, nimm dir den nächsten Bereich vor. Wenn nein, hast du die Lücke gefunden, bevor eine neue Kollegin oder ein Kunde sie findet.

‍

Fazit: Die KI macht die Arbeit, die Kontrolle bleibt bei euch

Firmenwissen entsteht schon heute jeden Tag, in jedem Chat, den dein Team mit einer KI führt. Ob es dort verloren geht oder etwas wird, das das ganze Unternehmen nutzen kann, hängt von drei Dingen ab. Es braucht eine gemeinsame Quelle für alle KI-Tools, eine namentlich benannte Person, die freigibt, was hineinkommt, und ein Datum, das zeigt, wann zuletzt geprüft wurde.

Dafür haben wir kenrAI gebaut. Wenn du sehen willst, wie das funktioniert, oder Fragen zu deinem eigenen Firmenwissen hast, melde dich gern bei mir.

‍

‍

Lass uns 20 Minuten darüber sprechen, welches Wissen bei euch zuerst in die KI gehört.

In den nächsten Teilen dieser Serie geht es darum, was mit Wissen passiert, wenn erfahrene Kolleginnen und Kollegen in Rente gehen, und wie sich neue Mitarbeitende zurechtfinden, wenn die Antworten in den Köpfen anderer stecken.

‍