Use Case — Anwendungsbereich

KI im Wissensmanagement

Handbücher, SOPs, Verträge, Entscheidungs-Notizen — in einem System, das natürliche Sprache versteht und Relationen kennt. Drei Setup-Stufen vom Hosted-Tool bis zur Self-Hosted-Pipeline mit , mit ehrlicher Einordnung von Aufwand, Pflege und Datenschutz.

Unternehmenswissen liegt verstreut: in E-Mails, Confluence-Seiten, Notizbüchern, Slack-Threads und vor allem in Köpfen. Wenn jemand das Unternehmen verlässt, geht das Wissen mit. Wenn jemand eine Information sucht, fragt er drei Kollegen, durchsucht fünf Ordner — und findet es vielleicht. Oder auch nicht.

Ein modernes Wissenssystem kombiniert drei Such-Logiken: Volltext für exakte Begriffe, für Bedeutung, optional Graph-Strukturen für Relationen zwischen Themen, Personen und Projekten. Die Anfrage „wie haben wir damals das SSL-Problem gelöst“ findet die richtige Notiz auch ohne exaktes Stichwort — und zeigt die zugehörige Konfiguration, das beteiligte Projekt und die Entscheidung gleich mit dazu.

Voraussetzung in allen Stufen: jemand pflegt die Quellen. Eine Wissensbasis ohne Redaktion ist eine Notiz-Ablage mit besserer Suche — nicht ein arbeitender Speicher. Der Aufbau ist daher in erster Linie Aufräumarbeit, die Technik kommt danach.

Drei Setup-Stufen

Welche Stufe passt, hängt von drei Faktoren ab: Sensitivität der Inhalte, vorhandene Pflege-Kapazität und Bedarf nach Relations-Struktur (nicht nur Volltext).

Stufe 1

Hosted Wissensbasis mit semantischer Suche

Tool-Mix

Hosted Tool mit RAG-Funktion (Notion AI, Glean Trial, Mem, Coda AI, Microsoft Copilot for Business) — Wissensbasis und Suche in einem
Single Source of Truth: alle Handbücher, SOPs, Onboarding-Texte und Entscheidungs-Notizen an einem Ort, abgelöst von verstreuten Ordnern
Such-Frontend mit semantischen Treffern statt reiner Volltext-Suche — „wie haben wir damals X gelöst“ findet die richtige Notiz auch ohne exaktes Stichwort
Rechte- und Sichtbarkeits-Modell auf Team-Ebene — sensible Bereiche bleiben sichtbar, ohne dass jeder alles liest
Integration in Slack, Teams oder E-Mail — Wissen wird abgerufen, wo gearbeitet wird, nicht im separaten Wiki-Reiter

Eignung

am Anfang strukturierter Wissensarbeit, mit Bedarf an schnellem Einstieg ohne Self-Hosting. Funktioniert besonders gut für Teams, die ohnehin schon im SaaS-Stack arbeiten.

Aufwand & Kosten

Setup 3–8 Tage. Laufende Kosten ca. 8–25 € pro Nutzer und Monat. Skaliert mit Teamgröße, nicht mit Inhalts-Menge.

Tradeoff

Inhalte und liegen beim SaaS-Anbieter — meist mit DSGVO-AVV, aber selten ausschließlich in der EU. Für allgemeines Betriebswissen vertretbar, für strategische Notizen, Mandantendaten oder vertrauliche Verträge die falsche Stufe.

Stufe 2

Self-Hosted RAG mit Frontier-LLM

Tool-Mix

Eigene RAG-Pipeline: Dokumenten-Ingest, Chunking, Embeddings, Vektorspeicher (pgvector, Qdrant) auf eigener Infrastruktur
Wissensbasis in offenem Format (Markdown, Notion-Export, Confluence-Export, Sharepoint-Sync) — bewusst nicht an einen einzigen Anbieter gebunden
Frontier-LLM (Claude, GPT, Gemini) für Antworten und Zusammenfassungen — mit AVV, aber API-Calls verlassen die EU
Web-Frontend für die Suche, optional Slack/Teams-Bot oder Mail-Anfrage als Eingang
Optional: Wissensgraph für Relationen zwischen Notizen, Projekten, Personen — wenn semantische Suche nicht ausreicht, weil Struktur wichtig ist

Eignung

mit gewachsenem Wissensbestand, mehreren Teams und Anspruch auf Datenhoheit über die Quellen — sowie einer Person, die sich für Pflege und Index-Hygiene verantwortlich fühlt.

Aufwand & Kosten

Setup 12–22 Tage. Laufende Kosten ca. 80–250 € / Monat (Server, LLM-API, Index-Hosting). Skaliert mit Datenmenge und Anfragevolumen.

Tradeoff

Eine Wissensbasis verfällt schnell, wenn niemand pflegt. Alte SOPs, widersprüchliche Versionen, verwaiste Notizen — wer das zulässt, hat ein , das selbstbewusst Falsches zitiert. Pflege-Verantwortung ist Voraussetzung, nicht Bonus.

Stufe 3

Full-Self-Hosted mit lokalem Modell und Graph

Tool-Mix

Stufe 2 in vollem Umfang, KI-Komponenten lokal
Lokales Sprachmodell (Llama 3, Qwen 2.5, Mistral) für Antworten — kein API-Call verlässt das Haus
Lokales Embedding-Modell und Vektorspeicher; optional Wissensgraph (Neo4j, Memgraph oder Property-Graph in PostgreSQL)
Hybride Suche: Vektor (für Bedeutung), Volltext (für exakte Begriffe), Graph (für Relationen) — gemeinsam besser als jede Methode allein
Audit-Trail: wer hat wann was abgefragt und welche Quellen wurden zitiert — für regulierte Branchen und interne Sicherheit

Eignung

Kanzleien, Steuerberatung, Gesundheitsdienstleister, öffentliche Hand, R&D-Abteilungen — Bereiche, in denen Wissensinhalte das Haus nicht verlassen sollen oder strukturelle Beziehungen zwischen Inhalten wichtig sind.

Aufwand & Kosten

Setup 22–45 Tage, plus ab 200 € / Monat oder einmalige Hardware-Investition. Antwortqualität lokaler Modelle ist für strukturierte Recherche-Fragen sehr gut, bei freier Formulierung schwächer als Frontier — was bei reiner Wissensabfrage selten ein Problem ist.

Tradeoff

Höchste Kontrolle, höchste Komplexität — und höchster Pflegeaufwand. und mehrstufige Suche sind mächtig, aber ohne klaren („wir brauchen Struktur, nicht nur Volltext“) ist Stufe 2 ergebnisorientierter.

Was Ihr Team verstehen sollte

Eine Wissensbasis ist mehr als ein Tool — sie ist eine Disziplin. Sechs Kompetenzbereiche, die in jedem Setup verankert sein müssen:

Wissensbasis als Single Source of Truth

Welche Inhalte hineingehören, welche ins Archiv, welche regelmäßig aktualisiert werden müssen. Wer zuständig ist und wer freigibt. Eine SOP, die niemand schreibt, ist kein Wissen — es ist eine Lücke mit Etikett.

RAG-Architektur verstehen

Ingest, Chunking, , Retrieval, Re-Ranking, Generation. Warum die Qualität der Antworten direkt von der Pflege der Quellen abhängt — nicht vom Modell.

Hybrid-Retrieval (Vektor + Volltext + Graph)

Wann semantische Suche gewinnt, wann Volltext, wann Relationen entscheidend sind. Wie man die drei kombiniert, ohne dass Treffer-Listen unübersichtlich werden.

Pflege-Disziplin

Wer neue Inhalte einbringt, wer veraltete entfernt, wie widersprüchliche Versionen aufgelöst werden. Wissensbasis ist Redaktion, nicht Datei-Ablage.

Rechte, Sichtbarkeit und Datenschutz

Welche Inhalte für wen sichtbar sind, was bei Personalwechsel passiert, wie Löschpflichten umgesetzt werden. Wer KI-Antworten auf interne Notizen freigibt, gibt damit auch ein Stück Vertraulichkeit ab — das gehört dokumentiert.

Auswertung der Suchanfragen

Welche Fragen werden häufig gestellt, welche bleiben unbeantwortet, wo entstehen Themen-Cluster ohne passende Quellen. Aus dem Such-Log entsteht die nächste Iteration der Wissensbasis.

Was automatisiert wird

Acht Schritte, die im laufenden Betrieb von der Pipeline übernommen werden — in unterschiedlicher Tiefe je nach Stufe:

Dokumenten-Ingest

Neue Notizen, Markdown-Dateien, Confluence-Exports oder Sharepoint-Inhalte werden automatisch erkannt, gechunkt und in den Index aufgenommen — kein manueller Upload nötig.

Semantische Suche mit Quellenangabe

Jede Antwort verweist sichtbar auf die Quelle, aus der sie zusammengesetzt wurde — wer mehr wissen will, geht direkt in die Notiz.

Relations-Abfragen

Verknüpfungen zwischen Personen, Projekten, Tools und Entscheidungen — über Vektor allein nicht beantwortbar, über Graph oder strukturierten Index sehr wohl.

Onboarding-Suche

Neue Mitarbeitende stellen typische Einstiegs-Fragen, bekommen automatisch die richtigen SOPs, Beispiele und Verträge präsentiert — kein „wo finde ich nochmal X“ in Slack mehr.

Tägliche Sichtung von Lücken

Anfragen ohne ausreichend gute Treffer werden in einen Themen-Backlog geschrieben — Hinweis an die Redaktion, wo die Wissensbasis nachgepflegt werden sollte.

Versions-Erkennung

Wenn zwei Notizen denselben Sachverhalt widersprüchlich behandeln, wird das markiert — bevor die fröhlich beide zitiert.

Konversations-Summaries

Längere Recherche-Dialoge werden zu kompakten Notizen zusammengefasst, ablegbar in der Wissensbasis — Lernen aus dem Such-Verlauf, nicht aus dem Bauch.

Audit-Trail der Anfragen

Wer hat wann was gesucht und welche Antwort bekam, mit welchen Quellen — für regulierte Branchen Pflicht, für alle anderen ein sehr nützlicher Sicherheits-Layer.

Was bewusst MANUELL bleibt

Wissensmanagement ist redaktionelle Arbeit. Diese sechs Punkte gehören nicht in einen :

Wissens-Redaktion

Welche Inhalte verbindlich sind, welche entwurfshaft, welche gelöscht werden — das ist redaktionelle Arbeit, kein .

Strukturieren statt sammeln

Eine wachsende Notizmenge ist noch keine Wissensbasis. Klare Hierarchien, Tags, Verweise — das entsteht nicht aus , das wird gepflegt.

Sensible Inhalte

Strategie-Papiere, Personal-Akten, Mandantenstammdaten — die Entscheidung, was wo liegt und wer welche Antworten bekommen darf, ist Inhaber-Verantwortung.

Auflösen widersprüchlicher Quellen

Wenn zwei SOPs verschiedene Wahrheiten behaupten, kann das System markieren — entscheiden muss ein Mensch, welche Version gilt.

Pflege bei Personalwechsel

Was passiert mit Notizen von Mitarbeitenden, die gehen? Welche Inhalte bleiben sichtbar, welche werden archiviert? Diese Übergänge gehören in einen klaren Prozess.

Reviewzyklen

Auch ein mit perfekter Pipeline veraltet — quartalsweise Sichtung, was noch gilt, ist die Differenz zwischen lebender Wissensbasis und gut indizierter Vergangenheit.

Wie der Aufbau läuft

Von der Wissens-Inventur bis zum vollen Selbstbetrieb in der Regel 10–18 Wochen, abhängig von Stufe, Quellen-Reife und Aufräum-Bedarf:

Wissens-Inventur

Welche Quellen existieren, wo liegen sie, wer pflegt sie. Was ist aktuell, was ist verwaist, was ist widersprüchlich. Ohne diese Bestandsaufnahme schippt man Müll in den Index.

Use-Case-Schnitt

Wofür soll das System antworten — Onboarding, interne Recherche, Mandanten-Auskunft, Kunden-Support? Aus dem entsteht das Datenmodell, nicht umgekehrt.

Setup-Stufe wählen

Hosted, Self-Hosted-Frontier oder Full-Self-Hosted — abhängig von Sensitivität der Inhalte, Volumen, Branchen-Compliance. Begründete Empfehlung, Sie entscheiden.

Quellen kuratieren

Verbindliche Quellen aufräumen, Versionierungs-Regeln klären, Tags und Hierarchie definieren — die mühsamste Phase, aber sie deckelt langfristig die Antwortqualität.

Pipeline aufbauen

Ingest, Chunking, , Suche, Antwort-Frontend, ggf. Graph-Anbindung. Konfiguration auf Branche und abgestimmt.

Schulung & Hands-on-Übergabe

4–6-stündiger Workshop: Wissensbasis pflegen, Lücken aus dem Such-Log erkennen, Versionskonflikte auflösen, Audit-Trail lesen.

Begleiteter Pilot-Monat

Vier Wochen mit wöchentlicher Sparring-Session: echte Anfragen prüfen, Quellen nachpflegen, Hybrid-Suche kalibrieren, Such-Verhalten beobachten.

Selbstbetrieb mit Pflege-Rhythmus

Klare Verantwortlichkeiten für Redaktion und Reviewzyklen — sonst veraltet das System unbemerkt. Optional: vierteljährlicher Auffrischer für größere Themenverschiebungen.

Aufwand und Investition hängen von der gewählten Stufe und vom Pflegezustand der Quellen ab — eine konkrete Einschätzung gibt es nach der Wissens-Inventur und im Rahmen der Preisübersicht.

Bereit für den nächsten Schritt?

Kostenloses Erstgespräch. Unverbindlich. In 30 Minuten wissen Sie, ob und wie KI Ihrem Unternehmen helfen kann.

Erstgespräch buchen Förderfähigkeit prüfen