Das Modell ist nicht länger der Flaschenhals
Schlag auf Schlag veröffentlichen Entwickler immer leistungsfähigere Modelle, und auch in der deutschen Wirtschaft ist KI mittlerweile fest im Arbeitsalltag verankert. 97 Prozent der in einer KPMG-Studie befragten Unternehmen bewerten KI als relevant für ihr Geschäftsmodell.
Trotzdem macht sich Ernüchterung breit. Laut einem Report des MIT-Projekts NANDA liefern 95 Prozent der generativen KI-Projekte in Unternehmen keinen messbaren ROI. Ähnliches stellt auch eine aktuelle Studie der DZ Bank fest, wenn auch mit weniger dramatischen Zahlen: 41 Prozent der befragten deutschen Mittelständler sehen bislang keinen konkreten Nutzen in KI, nur 16 Prozent erwarten mehr Produktivität.
Die Gründe sind vielfältig, doch nur selten liegt es an der Modellqualität. Was häufig übersehen wird: KI hat eine Wissenslücke.
Woher nehmen KI-Agenten ihr Wissen?
Diese Wissenslücke ist kein Fehler der KI selbst. Moderne Systeme arbeiten mit Retrieval Augmented Generation, kurz RAG. Bevor das Modell antwortet, durchsucht es hinterlegte Datenquellen und zieht passende Dokumente heran. Das funktioniert, wie es soll – aber nur, soweit das vorhandene Wissen reicht.
Hier beginnt das Problem. Fast jedes Unternehmen hat heute Data Lakes. Informationen liegen in SharePoint, Confluence, Notion und etlichen weiteren Systemen. Aber Informationen sind nicht dasselbe wie Wissen. KI kann abrufen, dass 2022 der Lieferant gewechselt wurde, wer der aktuelle Lieferant ist und wann die letzte Lieferung einging – nicht aber, wie viel Kopfzerbrechen der alte Lieferant der Einkaufsleiterin bereitet hat und warum es schließlich zum Wechsel kam. Der Kontext, das „Warum“ hinter dem „Was“, liegt woanders.
Rund 70 Prozent des Unternehmenswissens stecken ausschließlich in den Köpfen der Belegschaft. Darauf kann keine KI zugreifen. Dokumente abzurufen ist eben nicht dasselbe wie ein Unternehmen zu verstehen.
Vom Abrufen zum Verstehen
Was Unternehmen brauchen, ist deshalb keine weitere Datenbank und kein noch mächtigerer Chatbot. Gefragt ist eine Infrastruktur, die dort ansetzt, wo diese Systeme aufhören: beim impliziten Erfahrungswissen, das Menschen im Alltag ganz natürlich per Sprache teilen, aber niemals oder nur unter Widerstand in ein Wiki tippen würden.
Nennen wir es ein lebendiges Unternehmensgedächtnis. Es fängt implizites Wissen im Arbeitsalltag ein, setzt es in Beziehung, erkennt Lücken und hält es lebendig. Es weiß nicht nur, dass der Lieferant 2022 gewechselt wurde, sondern auch, warum und welche Learnings daraus gezogen wurden.
Das Unternehmensgedächtnis ist weniger ein Archiv als eine lebendige Landkarte der Organisation. Es erinnert sich, verknüpft, bemerkt Wissenslücken und lässt Unwichtiges beiseite. KI-Agenten brauchen diese Grundlage, um zu leisten, was von ihnen erwartet wird: nicht nur Daten abrufen, sondern im Sinne des Unternehmens handeln.
Die Wissensfrage ist die Basis erfolgreicher Transformation
Was wissen wir eigentlich? Wo und wie haben wir es gesichert? Und wer kann es nutzen? Viele Organisationen können diese Fragen nicht beantworten – und bemerken das erst, wenn kritisches Wissen durch Renteneintritte oder Kündigungen verloren geht.
Es entsteht eine schleichende Unternehmensdemenz: Die Organisation funktioniert weiter und vergisst zugleich, warum sie tut, was sie tut. Der Verlust ist tückisch, weil er unsichtbar bleibt, bis er irreversibel ist. Automatisierung verschärft ihn: Wer einen Prozess automatisiert, bevor er die Erfahrung dahinter gesichert hat, skaliert seine blinden Flecken.
Die wichtigste Frage vor der erfolgreichen Skalierung und Integration von KI lautet deshalb: Was wissen wir eigentlich – und wo, wie und für wen ist es zugänglich? Wer darauf eine belastbare Antwort hat, schafft die Grundlage für alles Weitere: für Agenten, für Automatisierung, für eine skalierbare Transformation. Erst wenn das implizite Wissen der Organisation für Mensch und KI gleichermaßen nutzbar wird, entstehen aus teuren KI-Experimenten echte Produktivitätsgewinne.