Unternehmenswissen KI-ready machen – Content ist nicht Context

Du fragst die KI: Was ist unser Urlaubsprozess? Die KI antwortet vage. Etwas zu Anträgen, etwas zu Genehmigungen, am Ende ein Satz über Elternzeit, der hier eigentlich nicht hingehört. Die Quelle ist da. Ein 30-seitiges HR-Handbuch als PDF, irgendwo auf Seite 12 steht der Urlaubsprozess. Aber die Antwort ist trotzdem unbrauchbar.

Du gibst der KI dasselbe Wissen in anderer Form. Ein Markdown-Dokument Urlaubsprozess.md. Drei Abschnitte: Antrag, Genehmigung, Sonderregelungen. Oben ein kurzer Steckbrief mit Geltungsbereich und Stand. Dieselbe Frage. Die Antwort ist präzise, vollständig, direkt verwendbar.

Content ist nicht Context

Das ist der häufigste Fehler beim Einstieg in Unternehmens-KI. Dokumente in einen Ordner kippen, KI draufzeigen, enttäuscht sein. Was im Ordner liegt, ist Content. Geschrieben für Menschen. Layout, Sprache, Reihenfolge sind auf Mitarbeiter ausgerichtet, nicht auf Modelle. Was die KI braucht, ist Context. Aufbereitet, strukturiert, mit Steckbrief versehen, abgeschlossen pro Thema.

Warum das gerade jetzt zählt

Viele Unternehmen warten. Sie warten auf das beste Modell, auf den richtigen Anbieter, auf eine konsolidierte Toollandschaft. Während sie warten, sammeln sich Inseln aus ChatGPT-Tabs und Custom-Bots in den Abteilungen an. Niemand weiß, mit welchem Wissen sie eigentlich arbeiten. Die Tools werden besser. Die Aufbereitung deines Wissens passiert nicht von allein.

Das Gute: Aufbereitung ist die einzige KI-Investition, die tool- und modellunabhängig ist. Ein gut strukturiertes Markdown-Dokument funktioniert heute mit Claude, morgen mit Gemini, übermorgen mit einem Modell, das es noch nicht gibt. Wer jetzt aufräumt, ist nicht auf das Tool von morgen angewiesen.

Was du nach dieser Lesson im Kopf hast

Bevor du Dokumente aufbereitest, sortier sie. Es gibt vier Typen, und jeder verträgt eine andere Behandlung. Wer alles in einen Topf wirft, baut entweder eine veraltete oder eine unvollständige Wissensbasis. Manchmal beides gleichzeitig.

Die vier Typen

Das Kühlschrank-Prinzip

Drei Beispiele aus einem einzigen Bereich, je ein Wissenstyp. Das Brotrezept im Kochbuch ändert sich nie. Stabil. Was gerade im Kühlschrank liegt, ändert sich täglich. Dynamisch. Wie Oma das Brot wirklich macht, steht nirgends. Implizit. Klingt banal. Trifft aber genau die drei Problemzonen in fast jeder Unternehmens-Wissensbasis.

Wissenskategorisierung im Unternehmen

Wenn du strukturierst, hilft eine zweite Achse: nach Themengebiet. Eine praxistaugliche Taxonomie für KMU:

• Prozesse — Abläufe, Workflows, Zuständigkeiten
• Richtlinien & Compliance — was gilt, was ist verboten, rechtliche Grundlagen
• Produkte & Services — was das Unternehmen anbietet
• Kunden & Partner — Segmente, Verträge, Kommunikationsregeln
• Technik & Tools — Anleitungen, Systemdokumentation
• HR & Organisation — Onboarding, Rollen, Benefits
• Wissen & Lernen — Best Practices, Lessons Learned, Erfahrungswissen

Diese Achse hilft beim Aufräumen und beim Zuteilen von Verantwortung. Jeder Bereich braucht später jemanden, der ihn pflegt. Dazu kommen wir in Step 5.

KI-native Formate

Diese Formate kann ein Modell direkt verarbeiten, ohne Verluste. Wer hier startet, spart sich viel Aufräumen später.

Typische Business-Formate

Diese Formate sind in fast jedem Unternehmen das, was real existiert. Sie sind für Menschen gemacht. Für die KI brauchen sie eine Umwandlung.

Bildformate sind ein Sonderfall

Multimodale Modelle können Bilder sehen. Aber sie können sie nicht durchsuchen wie Text. Wenn auf einem Screenshot ein wichtiger Prozess steht, ergänze ihn als Markdown-Beschreibung. Sonst findet die KI den Inhalt zwar im Einzelfall, aber nicht in der Volltextsuche.

Ein Dokument, ein Thema

Große Dokumente verwirren die KI. Ein 40-seitiges Handbuch hat oft zehn Themen, und die KI liest immer nur einen Ausschnitt. Wenn auf Seite 12 der Urlaubsprozess beginnt und auf Seite 14 ein Verweis auf Anhang B steht, landet Anhang B nicht im Kontext. Die Antwort wird nutzlos.

Die Regel: Teile große Dokumente in eigenständige, abgeschlossene Einheiten. Ein Dokument, ein Thema. Klare Überschriften-Hierarchie. Keine wichtigen Infos nur in Grafiken. Redundanz bereinigen, sonst hast du widersprüchliche Aussagen über dasselbe Thema in verschiedenen Dateien.

Metadaten sind der Steckbrief eines Dokuments. Sie sagen der KI: Wer hat das geschrieben, für wen, wann zuletzt geprüft, woraus folgt das. Ein Dokument ohne Steckbrief ist wie eine Akte ohne Aufkleber. Die KI findet es vielleicht. Sie weiß nur nicht, was sie damit anfangen soll.

Layer 1: Der Minimal-Steckbrief

Fünf Felder reichen, um 80 Prozent der Fälle abzudecken. Mehr brauchst du am Anfang nicht. Mehr macht es eher schwerer, weil niemand alle Felder pflegt.

Fünf Felder. Jede KI weiß sofort: Was ist das? Für wen? Wie aktuell? Wenn du nichts anderes machst, mach das. Es ist der kleinste Aufwand mit dem größten Sprung in der Antwortqualität.

Layer 2: Die fünf Dimensionen

Sobald du in die Tiefe gehst, ändert sich der Blick. Statt einer Pflicht-Liste fragst du nach Dimensionen. Jede beantwortet eine andere Frage. Fehlt eine, fehlt der Antwort etwas Konkretes.

Diese Dimensionen sind nicht alle gleichzeitig nötig. Sie zeigen dir aber, was dir später fehlt, wenn die KI vage antwortet. Wenn die KI etwa Disclaimer vergisst, fehlt dir die Regeln-Dimension. Wenn die Antwort nicht zur Rolle des Fragenden passt, fehlt die Zielgruppe.

Erweiterter Steckbrief

Wenn Layer 1 zu wenig wird, sieht eine gute Zwischenform so aus. Etwa neun Felder. Genug für strukturierte Suche, noch nicht zu viel zum Pflegen.

Der Mehrwert gegenüber dem Minimal-Steckbrief: Die KI erkennt Zusammenhänge zwischen Dokumenten. Sie weiß, wer bei Unklarheiten zuständig ist. Sie kann gezielt nach Region oder Standort filtern.

Sobald deine Dokumente aufbereitet sind, kommt die nächste Frage: Wo legt ihr sie ab, sodass die KI sie nutzen kann? Es gibt drei Wege. Sie schließen sich nicht aus. Aber für den Start solltest du wissen, welcher zu eurer Situation passt.

Achse A: Wo lebt das Wissen?

Der ehrliche Blick auf RAG

RAG ist die Standardantwort für Wissensbasen, und das aus gutem Grund. Es hat auch Schwachstellen, die niemand gern auf Folie zwei nennt.

• Veraltete Chunks bei häufigen Änderungen. Alte Versionen liegen weiter in der Datenbank.
• Versionszwillinge. Zwei fast identische Dokumente, die KI wählt die ältere, weil sie zufällig einen relevanteren Absatz enthält.
• Verlorene Abhängigkeiten. Dokument A verweist auf Dokument B. Im Retrieval landet nur A, B fehlt.
• Datenbank-Hygiene. Ohne klare Verantwortlichkeiten wird die Datenbank zur Müllhalde. Schneller, als du denkst.

MCP: Wenn Dateien nicht mehr reichen

MCP steht für Model Context Protocol. Es ist ein offener Standard, der die KI an ein Quellsystem live anbindet. Kein Export, kein Kopieren, kein veralteter Stand. Die KI fragt im Moment der Anfrage direkt im CRM, im ERP, im Wiki nach. Was zurückkommt, ist immer aktuell.

Der Kernunterschied: Kopie oder Original. MCP-Server gibt es fertig für viele gängige Tools. Die Anbindung ist eine Aufgabe für Entwickler, kein No-Code-Thema. Heißt für die meisten KMU: heute mit Dateien starten, MCP in der Architektur einplanen, sobald ein zentrales Quellsystem existiert.

Achse B: Wie groß ist eine Wissenseinheit?

Die zweite Achse fragt nicht wo das Wissen liegt, sondern wie kleinteilig es geschnitten ist. Auch hier gibt es zwei Wege, die beide funktionieren. Welcher passt, hängt vom Umfang ab.

Vorsicht Provider-Falle

Eine Compliance-Frage, die viele Entscheider unterschätzen: Wenn du ein KI-System nicht nur nutzt, sondern wesentlich veränderst, wirst du nach KI-Verordnung rechtlich zum Anbieter. Mit voller Konformitätspflicht und Produkthaftung.

Eigentümerschaft pro Bereich

Jeder Themenbereich braucht eine Person, die dafür verantwortlich ist. Nicht das Team. Eine Person mit Namen. Wenn niemand verantwortlich ist, ist niemand verantwortlich. Wenn alle verantwortlich sind, auch nicht.

• HR-Prozesse: HR-Leitung
• Einkauf: Einkaufsleitung
• Produktinformationen: Produktmanagement
• Kundendaten: Vertriebsleitung oder CRM-Verantwortliche
• IT-Anleitungen: IT-Leitung

Das ist kein Bürokratie-Setup. Es ist die Antwort auf die Frage Wen frage ich bei Unklarheiten?. Wenn du sie nicht beantworten kannst, kann die KI sie auch nicht beantworten.

Volatilität pro Dokument

Nicht jedes Dokument muss gleich oft geprüft werden. Es hilft, drei Stufen zu definieren und ins Metadaten-Feld zu schreiben:

Die Volatilität entscheidet, wie ernst der Audit-Rhythmus genommen werden muss. Dokumente mit hoher Volatilität gehören nicht in eine Wissensbasis ohne Live-Anbindung. Da ist MCP die ehrlichere Wahl.

Audits und Ablaufdaten

• Trigger: Jede Prozessänderung führt sofort zu einem Dokument-Update. Nicht in zwei Wochen, jetzt.
• Audit-Rhythmus: Quartalsweise pro Bereich. Was ist veraltet, was fehlt, was widerspricht sich?
• Ablaufdatum: Jedes Dokument bekommt ein Feld ablaufdatum. Danach fällt es aus der Suche, bis es geprüft ist.
• Archiv statt Löschen: Alte Versionen mit aktiv: false markieren, nicht löschen. Spätere Rückfragen werden so beantwortbar.

Die 5-Schritte-Roadmap

Ein Dokument durch alle fünf Schritte

Ein einziges Beispiel macht den Unterschied greifbar. Nimm den Bestellprozess bei euch im Einkauf.

Das ist die Mikro-Version dessen, was im großen Maßstab passiert. Wenn du in deinem Bereich mit drei wichtigen Dokumenten genau das machst, hast du die Methode verstanden. Der Rest ist Wiederholung und Skalierung.

Die sechs Regeln auf einer Karte

Wo es weitergeht

• FAQ: Löst RAG alle Wissensprobleme? Vertiefung zu den Grenzen von RAG.
• FAQ: Ist MCP nur ein Hype? Einordnung des Live-Anbindungs-Standards.
• Lesson: KI im Business einsetzen. Wo ihr KI strategisch ansetzt, bevor ihr Wissen aufbereitet.
• Lesson: KI-Agenten verstehen. Was nach der Wissensbasis kommt: Agenten, die mit dem aufbereiteten Wissen arbeiten.