Wissensmanagement im Unternehmen: Was KI wissen muss

Aufgabe 1: Wissensmanagement. Ein Agent sammelt Ihr Firmenwissen, bündelt es, speichert es und verlinkt die Teile miteinander. Er liest dafür Mails, Besprechungen, Tickets und Dokumente. Aus dem Transkript einer Besprechung von 41 Minuten macht er zum Beispiel vier Notizen: Besprechung, Entscheidungen, Aufgaben und Kontakt. Jede Notiz verweist auf das, was schon vorhanden ist, etwa auf den Kunden, das Projekt und das letzte Angebot. Jede Notiz trägt auch ihre Herkunft, zum Beispiel „Mail vom 22.07.“.

Aufgabe 2: Kontextmanagement. Bei einer neuen Aufgabe holt derselbe Agent heraus, was dafür nötig ist: die Kundennotiz, die letzte Mail, das Angebot vom März. Er weiß, wie er das Wissen abgelegt hat, und findet es deshalb wieder. Dieses Herausholen heißt Kontextmanagement, in der Fachsprache Context Engineering. Es entscheidet, was die KI bei genau dieser Aufgabe zu sehen bekommt.

Dazwischen liegt das Second Brain, das gemeinsame Gedächtnis aus verlinkten Notizen. Bei uns sind es Markdown-Dateien in einem Notizordner. Wie der Agent ablegt, steht in einer Regeldatei, bei uns AGENTS.md: welche Ordner es gibt, wie Notizen heißen und wie sie verlinkt werden. Diese Datei liest er zu Beginn jeder Sitzung, also auch, bevor er etwas herausholt.

Ein volles Archiv allein bringt nichts. Erst wenn die KI für jede Aufgabe den passenden Ausschnitt findet, hilft das Wissen weiter.

Wie das in Ihrem Unternehmen aussehen kann, besprechen wir im Erstgespräch. Auf der Seite KI-Wissensmanagement für den Mittelstand steht, was wir dabei übernehmen.

Zwei Arten von Beispielen. Drei stammen aus dem Alltag bei AllBytes, ohne Kundennamen. Zwei erzählen wir an der Bergmeister Gebäudetechnik GmbH, einem erfundenen Betrieb für Heizung, Lüftung und Sanitär in Oberbayern mit rund 25 Mitarbeitenden. Geschäftsführerin ist Katrin Bergmeister, im Vertrieb arbeitet Tobias Lechner, die Projektleitung hat Sabine Huber. Alle Namen, Firmen, Kunden und Projekte der Bergmeister-Beispiele sind erfunden. Die Ohne-Fassungen zeigen, was ein Sprachmodell ohne Firmenwissen typischerweise liefert, sie sind keine Messung.

In unserem eigenen Bürogebäude zeigte die Lüftungsanlage eine Fehlermeldung. Wir haben sie abfotografiert und wollten das Foto unserem HLS-Betrieb schicken, also dem Betrieb für Heizung, Lüftung und Sanitär. Das Second Brain weiß, wer unser HLS-Betrieb ist, und kann ihm die Support-Mail schreiben. Wir haben uns gefreut, dass wir es haben.

Dann antwortete uns das Second Brain selbst. Der Fehler deute darauf hin, dass der Filter falsch eingebaut wurde. Vor zwei Wochen sei bei uns der Filter gewechselt worden, das sehe es in seiner Historie. Und auch im Internet stehe als Fehlerbehebung, den Filter noch einmal zu drehen.

Wir haben den Filter gedreht, und der Fehler war behoben. Die Support-Mail mussten wir gar nicht mehr schicken.

Hier arbeiten beide Wissensarten zusammen. Aus dem Internet kam das Allgemeinwissen zu dieser Fehlermeldung. Aus unserer Historie kam der Filterwechsel vor zwei Wochen. Erst beides zusammen ergibt die Vermutung. Liegt unser Wissen zentral an einem Ort, erkennt die KI solche Zusammenhänge selbst. Ein Chatfenster, in das wir nur das Foto hochladen, kennt unsere Historie nicht.