Viele Geschäftsführer investieren in KI-Tools, schulen ihre Mitarbeitenden und erwarten messbare Ergebnisse. Doch schon nach wenigen Wochen folgt die Ernüchterung: Die KI liefert generische Antworten, trifft falsche Annahmen oder produziert Texte, die nicht zum Unternehmen passen. Der Reflex ist verständlich – man hinterfragt das Tool, den Anbieter oder die Mitarbeitenden. Die eigentliche Ursache liegt jedoch an einer anderen Stelle, die selten untersucht wird: Das Unternehmen hat der KI nicht erklärt, wer es ist.
1. Die falsche Erwartung
Ein allgemeines KI-Modell kennt weder die internen Regeln eines Unternehmens noch dessen Erfahrungen, Besonderheiten oder Prioritäten. Es kennt keine Kundenhistorie, keine bewährten Formulierungen in Angeboten, keine internen Eskalationswege und keine impliziten Qualitätsstandards, die über Jahre gewachsen sind.
Das klingt offensichtlich. Und dennoch ist es die häufigste Fehlannahme in der KI-Einführung: dass ein leistungsstarkes Sprachmodell automatisch unternehmensspezifisch antwortet – weil es „intelligent“ wirkt und im Gespräch überzeugend formuliert.
Intelligenz und Kontextwissen sind jedoch zwei verschiedene Dinge. Ein erfahrener externer Berater ist ebenfalls intelligent. Ohne Einarbeitung, ohne Zugang zu internen Dokumenten und ohne Gespräche mit den zuständigen Personen wird er dennoch keine unternehmensrelevanten Empfehlungen liefern können. Bei KI-Systemen fehlt diese Einarbeitung in den meisten Unternehmen vollständig.
Das Problem liegt nicht am Sprachmodell. Es liegt an der fehlenden Wissensgrundlage, auf die das Modell zugreifen kann.
2. Wo Unternehmenswissen tatsächlich liegt
Unternehmenswissen ist selten dort, wo man es vermutet. Es liegt nicht in einem gepflegten Handbuch, nicht in einer zentralen Datenbank und nicht in einem strukturierten Intranet – zumindest nicht vollständig.
In der Praxis verteilt es sich auf:
- Köpfe: Erfahrene Mitarbeitende wissen, wie Kunden reagieren, welche Formulierungen in Angeboten funktionieren und welche Ausnahmen es bei internen Prozessen gibt.
- E-Mails: Entscheidungen, Absprachen und Erfahrungen sind in Gesprächsverläufen vergraben, die niemand systematisch auswertet.
- Dateiablagen: Angebote, Protokolle, Projektberichte – oft ohne einheitliche Benennung, Struktur oder Versionierung.
- Chats: In Messaging-Systemen entstehen täglich relevante Klärungen und Entscheidungen, die nirgendwo festgehalten werden.
- Persönliche Notizen: Individuelle Zusammenfassungen, Listen und Erinnerungsstützen, die mit dem Ausscheiden eines Mitarbeitenden verloren gehen.
Laut einer McKinsey-Studie verbringen Mitarbeitende im Durchschnitt 1,8 Stunden täglich mit der Suche nach unternehmensinternen Informationen. Das entspricht einem vollständigen Arbeitstag pro Woche. Eine Atlassian-Studie zeigt, dass Mitarbeitende in deutschen Unternehmen bis zu 10 Stunden wöchentlich – also etwa ein Viertel ihrer Arbeitszeit – für die Informationssuche aufwenden.
Diese Verteilung ist kein Organisationsversagen. Sie ist das Ergebnis eines jahrelang gewachsenen Arbeitsalltags. Aber sie macht deutlich: Das Wissen, das eine KI bräuchte, um wirklich nützlich zu sein, ist weder konsolidiert noch zugänglich.
3. Warum ist Auffindbarkeit nicht genügt
Selbst dort, wo Dokumente vorhanden und grundsätzlich auffindbar sind, entsteht ein zweites Problem: Auffindbarkeit garantiert keine Verlässlichkeit.
Ein auffindbares Dokument kann:
- veraltet sein – es beschreibt Prozesse, die längst angepasst wurden
- unvollständig sein – es enthält nur den Teil des Wissens, der zufällig dokumentiert wurde
- widersprüchlich sein – es existieren mehrere Versionen desselben Prozesses in verschiedenen Ordnern
Für menschliche Mitarbeitende ist das handhabbar. Sie kennen den Kontext, fragen nach, gleichen mit Erfahrungen ab und interpretieren entsprechend. Ein KI-System tut das nicht. Es behandelt jedes Dokument zunächst gleichwertig – unabhängig davon, ob es aktuell, obsolet oder intern umstritten ist.
Das Ergebnis: Die KI gibt Antworten, die auf dem basieren, was sie vorfindet – nicht auf dem, was tatsächlich gilt. Und wenn niemand die Wissensgrundlage aktiv kuratiert, ist das Ergebnis bestenfalls ungenau, schlimmstenfalls irreführend.
Unternehmen, die dieses Problem kennen, beschreiben es häufig so: „Die KI antwortet schnell, aber wir müssen jede Antwort trotzdem manuell prüfen.“ Das ist kein Fortschritt – das ist zusätzlicher Aufwand in neuem Gewand.
4. Die vier Voraussetzungen für nutzbares KI-Wissen
Damit Unternehmenswissen für KI-Systeme tatsächlich nutzbar wird, reicht es nicht, Dokumente zu sammeln und hochzuladen. Vier Voraussetzungen müssen erfüllt sein:
1. Quelle: Jedes Wissenselement muss auf eine konkrete, nachvollziehbare Quelle zurückführbar sein. Nicht „irgendwie intern bekannt“, sondern: Woher stammt diese Information? Wer hat sie erstellt? In welchem Kontext?
2. Kontext: Wissen ohne Kontext ist gefährlich. Ein Prozess, der für den Servicebetrieb gilt, darf nicht ohne weiteres auf den Anlagenbau übertragen werden. Die KI muss wissen, für welchen Bereich, welchen Kundentyp oder welche Situation eine Information relevant ist.
3. Aktualität: Veraltetes Wissen ist kein Wissen – es ist ein Risiko. Jedes Wissenselement braucht ein Erstellungsdatum, eine Überprüfungshistorie und eine klare Kennzeichnung, wenn es nicht mehr gültig ist.
4. Verantwortlichkeit: Wer ist für dieses Wissen zuständig? Wer aktualisiert es, wenn sich Prozesse ändern? Wer entscheidet, ob eine Information verallgemeinerbar oder ausschließlich kontextgebunden ist? Ohne klare Verantwortlichkeiten verkommt jede Wissensdatenbank über kurz oder lang zum digitalen Archiv ohne praktischen Wert.
Diese vier Kriterien sind kein technisches Detail. Sie sind die eigentliche Infrastrukturarbeit, die vor der KI-Einführung geleistet werden muss – und die in den meisten Unternehmen noch aussteht.
5. Was Geschäftsführer zuerst prüfen sollten
Die erste Frage bei der KI-Einführung ist in den meisten Unternehmen: „Welches KI-Tool kaufen wir?“ Das ist die falsche Reihenfolge.
Die relevante Ausgangsfrage lautet: „Auf welches Wissen soll die KI zugreifen – und wie verlässlich ist dieses Wissen?“
Diese Frage führt zu einer ehrlichen Bestandsaufnahme:
- Welches Unternehmenswissen ist tatsächlich dokumentiert – und welches existiert nur in Köpfen?
- Welche vorhandenen Dokumente sind aktuell, vollständig und widerspruchsfrei?
- Wer ist für welche Wissensbereiche verantwortlich?
- Gibt es eine klare Trennung zwischen allgemeinem Betriebswissen und kundenbezogenem Kontextwissen?
- Welche Konsequenz hätte es, wenn die KI veraltetes oder widersprüchliches Wissen als Grundlage nutzt?
Ein KI-Tool ist so gut wie die Wissensgrundlage, auf der es operiert. Wer diesen Schritt überspringt, erhält kein intelligentes Assistenzsystem – sondern ein Automatisierungswerkzeug, das zuverlässig auf Basis unzuverlässiger Informationen antwortet.
Die gute Nachricht: Diese Arbeit ist lösbar. Sie erfordert keine komplexe Technologie, sondern strukturiertes Denken, klare Verantwortlichkeiten und den Willen, Wissen als strategische Ressource zu behandeln – nicht als Nebenprodukt des Tagesgeschäfts.
Prüfen Sie jetzt, ob Ihr Unternehmen wirklich bereit ist.
Viele Unternehmen bewerten KI-Readiness ausschließlich technisch. Dabei ist die entscheidende Lücke häufig keine Frage der Infrastruktur – sondern eine Frage des Wissens und der Verantwortlichkeiten.
Nutzen Sie den KI-Readiness-Check, um strukturiert zu klären, auf welchem Fundament Ihre KI-Einführung steht: technisch, organisatorisch und wissensbasiert.