Der Knowledge-Loop — Wissen, das antwortet, statt nur zu liegen.
Das Wissen ist fast immer da. Es liegt nur in Ablagen, Wikis, Postfächern und in den Köpfen von zwei Leuten, die gerade im Urlaub sind.
Der Alltag dahinter: Dieselbe Frage wird zum fünften Mal beantwortet, weil die Antwort von damals nicht findbar ist. Das Onboarding dauert Monate, weil das eigentliche Handbuch mündlich existiert. Und die Dokumentation, die es gibt, ist zur Hälfte veraltet — nur weiß niemand, welche Hälfte. Das ist kein Vorwurf an die Leute: Jeder legt ab, so gut es das Werkzeug erlaubt. Es fehlt nicht am Sammeln, es fehlt am Rückweg.
Der Knowledge-Loop baut genau den: Quellen werden angebunden, Antworten kommen mit Beleg — und jede Nutzung wird zum Signal. Welche Antwort geholfen hat, welche korrigiert wurde, welche Quelle veraltet ist: Das fließt zurück ins System, und die nächste Antwort ist besser als die letzte. So wird aus einer Suche, die Dokumente findet, ein System, das Antworten kennt — und lernt, welche stimmen.
Oben sieht das aus wie eine Antwort, die einfach sitzt — mit Quelle, auf die man klicken kann. Eine Ebene tiefer arbeiten die Anbindungen und das Feedback: hilfreich, falsch, veraltet — erfasst statt verpufft. Und im Fundament sitzt die Entscheidungslogik, ohne die Wissens-Systeme kippen: Welche Quelle führt bei Widerspruch, was passiert mit Veraltetem — und wer darf was sehen. Gerade das Letzte nehmen wir wörtlich: Ein Wissens-System liest die Quellen, die eine Antwort braucht, keine weitere — und dein Wissen bleibt deins.
Dokumente sind noch kein Wissen — ein Ordner voller PDFs ist erst einmal ein Ordner.
Das Wiki war mal die richtige Antwort: ein Ort statt zwanzig Postfächer. Es hat nur nie geklärt, was von dem, was drinsteht, noch gilt. Dokumente können veraltet, widersprüchlich, unvollständig oder nur für bestimmte Rollen gedacht sein; dasselbe gilt für Tickets und Chatverläufe. Bevor also irgendetwas durchsucht wird, klären wir, welche Quellen verbindlich, hilfreich oder nur noch historisch sind, wer fachlich für sie verantwortlich ist, welche Version und Gültigkeit gelten, welche Rollen sie sehen dürfen und wie Aktualisierung und Löschung zurück in den Index gelangen.
Das ist auch unsere ehrliche Grenze zu RAG (also: ein Modell antwortet aus Dokumenten, die vorher gefunden wurden). RAG kann schlechte Wissenspflege schneller durchsuchen. Gut macht es sie nicht.
Dieselbe Frage braucht je nach Rolle eine andere Antwort — Kontext ist eine Produktentscheidung.
Eine Support-Mitarbeiterin braucht andere Details als ein Endkunde. Ein Techniker braucht die Information für genau das Gerät, das vor ihm liegt. Und ein Vertriebler darf nicht in fremde Kundendaten greifen, auch nicht über den Umweg einer freundlichen Antwort. Kontext besteht deshalb aus mehr als der Frage:
- Nutzer und Rolle
- Mandant oder Kunde
- der aktuelle Vorgang
- Produkt, Version und Konfiguration
- Ort, Zeit oder Vertragsstatus, wo es darauf ankommt
- die Werkzeuge, die das System überhaupt bedienen darf
Je mehr Kontext ein System erhält, desto mehr Verantwortung trägt die Architektur. „Gib dem Modell einfach alles" ist deshalb keine Abkürzung, sondern die Stelle, an der Rechte zum ersten Mal wirklich zählen.
Eine Antwort ohne Quelle ist eine Behauptung in gutem Ton.
Sprachmodelle sind gut darin, eine zusammenhängende Antwort zu formulieren. Genau deshalb muss das System unterscheiden, was aus einer Quelle stammt, was daraus abgeleitet wurde und was offen bleibt. Je nach Risiko zeigen wir die konkrete Fundstelle, Dokument, Version und Aktualität, konkurrierende Quellen, fehlende Informationen, eine fachliche Grenze und den Weg zur menschlichen Klärung. Eine nicht beantwortete Frage ist manchmal der ehrlichste und nützlichste Output, den so ein System liefern kann.
Die Korrektur fließt zurück — in die Quelle, die Regel oder den Ablauf, nicht ins Interface.
Menschen sollen nicht jede Antwort neu recherchieren; dann hätten wir nur einen zusätzlichen Prüfjob gebaut. Eine sinnvolle Freigabe zeigt genau das, was für die Entscheidung nötig ist: den Vorschlag, die verwendeten Quellen, relevante Abweichungen, die mögliche Wirkung, die erlaubten Aktionen und einen klaren Korrekturweg. Und die Korrektur darf nicht im Interface verschwinden. Sie verändert die Quelle, eine Regel, ein Prüfset oder den Ablauf selbst — sonst wiederholt das System denselben Fehler mit frischem Selbstbewusstsein. Dass genau hier die meisten Systeme scheitern, hat ein MIT-Report von 2025 so formuliert: Die meisten GenAI-Systeme behalten kein Feedback, passen sich nicht an den Kontext an und werden mit der Zeit nicht besser — 95 % der untersuchten Enterprise-Piloten blieben ohne messbaren ROI. Der Report ist ein Preprint und methodisch umstritten; die Diagnose passt trotzdem zu dem, was ohne Rückfluss passiert.
Als Weg aufgeschrieben, von der Frage bis zur Korrektur:
001Frage002→ Rolle und Mandant prüfen003→ nur erlaubte Quellen holen004→ Antwort mit Fundstelle005→ Feedback: hilfreich · falsch · veraltet006→ Quelle oder Regel ändern
Wissen kann dabei mehr als antworten: ein Ticket mit Quellen vorbereiten, eine Antwort für den Support entwerfen, Pflichtfelder aus einem Dokument übernehmen, eine Freigabe an die richtige Rolle leiten. Sobald eine Aktion aber Zustände verändert, braucht sie einen engen Vertrag: erlaubter Input, Berechtigung, Validierung, Rückmeldung. Der Sprung von „weiß etwas" zu „tut etwas" ist klein im Interface und groß in der Verantwortung.
Und weil sich Quellen, Modelle, Rechte und Begriffe ändern, hat auch Wissen einen Betrieb: Indexierungsstatus, Aktualitäts- und Löschkontrollen, unbeantwortete Fragen, Quellen ohne Eigentümer. Ein Dashboard allein hält Wissen nicht aktuell. Verantwortliche und Routinen tun es — deshalb ist auch dieser Loop managed.
Manchmal reicht eine gute Suche — und die Tür heißt AI-Automatisierung.
Eine AI-Schicht ist nicht immer nötig. Klare Navigation, gute Metadaten, Volltextsuche und gepflegte Dokumente lösen den Job oft vollständig, und dann sagen wir das. Ein Modell wird relevant, wenn Fragen sprachlich variieren, mehrere Quellen verbunden werden müssen oder unstrukturierte Information in einen Arbeitsablauf übergehen soll. Wir beginnen deshalb nicht mit der Modellwahl, sondern mit den Fragen, die heute niemand sicher beantworten kann.
Wir benutzen so ein System selbst: openchat, unser interner Chat mit eigenen Quellen, in dem wir unter anderem testen, was kleine Modelle beim Reranking leisten — mehr dazu bei den Jev-Experimenten. Gebaut bekommt ihr einen Knowledge-Loop bei AI-Automatisierung: Suche, Klassifikation, Extraktion und Entscheidungsvorbereitung mit menschlicher Freigabe, im Fundament statt im Chatfenster.
Der Rückweg ist dabei kein Knowledge-Trick — er ist das Prinzip hinter allen Managed Business Loops. Und wenn dir beim Lesen eine bestimmte Frage eingefallen ist:
Fünf Fragen, die uns zu Wissens-Systemen gestellt werden.
Reicht nicht eine bessere Suche in unserem Wiki?
Manchmal ja — und dann sagen wir das. Klare Navigation, gepflegte Metadaten und eine Volltextsuche lösen den Job, wenn die Dokumente aktuell sind und die Frage so gestellt wird, wie der Text geschrieben ist. Sie lösen ihn nicht, wenn die Antwort auf drei Quellen verteilt liegt, die Frage sprachlich variiert oder niemand weiß, welche Hälfte des Wikis noch gilt. Das letzte ist kein Such-, sondern ein Pflegeproblem — und das löst auch kein Modell.
Was ist RAG — und warum reicht es allein nicht?
RAG heißt Retrieval-Augmented Generation: Ein Modell antwortet nicht aus seinem Training, sondern aus Dokumenten, die vorher zu der Frage gefunden wurden. Das ist die richtige Grundlage — und allein nicht genug, weil es nicht klärt, welche Quelle verbindlich ist, wer sie sehen darf und was mit Veraltetem passiert. Ohne diese Regeln bekommt ihr eine schnelle Antwort aus der falschen Quelle.
Sieht das Modell alle unsere Dokumente?
Nein. Das System holt zu einer Frage nur die Quellen, die der Fragende sehen darf und die Antwort braucht — Rolle, Mandant und Vorgang werden vor der Suche geprüft, nicht danach. Ein Vertriebler bekommt keine fremden Kundendaten, auch nicht über den Umweg einer freundlichen Antwort. Und was nicht in den Index soll, kommt nie beim Modell an.
Wo läuft so ein System — bei euch, bei uns, in welcher Cloud?
Standardmäßig in Deutschland gehostet; wir betreiben auf AWS, Azure oder Hetzner, und wo euer Geschäft es verlangt, auch international über mehrere Regionen. Welche Variante passt, entscheidet sich an euren Daten und Pflichten, nicht am Modellanbieter. Betrieb und Verantwortung übernehmen wir, wenn ihr wollt — mit einem benannten Verantwortlichen statt einer Hotline.
Welche Quellen lassen sich anbinden?
Alles, was eine Schnittstelle oder einen Export hat — typisch sind:
- Dokumentablagen und Wikis
- Ticketsysteme, Postfächer und Chatverläufe
- Produkt- und Vertragsdaten aus Fachsystemen
Entscheidend ist weniger, ob eine Quelle angebunden werden kann, sondern ob sie es soll — mit Eigentümer, Gültigkeit und Rechten. Eine Quelle ohne Verantwortlichen binden wir nicht an; sie würde als Wahrheit gelesen, bis sie veraltet ist.