©Gerd Altmann/Pixabay
Autor: Eric Brabänder, Chief Product Officer, Empolis
Das Thema Künstliche Intelligenz (KI) ist längst in der industriellen Realität angekommen. Dennoch zeigen aktuelle Studien, dass der wirtschaftliche Effekt vieler KI-Initiativen bislang hinter den Erwartungen zurückbleibt. Eine aktuelle PwC-Studie [1] unter mehr als 4.400 CEOs aus 95 Ländern offenbart, dass zwei Drittel der deutschen Unternehmenslenker bislang noch keinen positiven Effekt ihrer AI-Investitionen sehen. Gerade einmal elf Prozent der befragten Firmen konnten durch KI höhere Umsätze erzielen und lediglich zwei Prozent waren in der Lage, sowohl ihren Umsatz zu steigern als auch Kosten zu senken. Der Grund dafür liegt jedoch nicht in der Technologie selbst, sondern in der Art und Weise, wie Unternehmen KI einführen. In vielen Unternehmen mangelt es noch immer an einem zielgerichteten, belastbaren Fahrplan für deren Nutzung. Eine tragfähige KI-Strategie entfaltet nur dann ihre Wirkung, wenn sie unter anderem auf verlässlichen, qualitativ hochwertigen Daten und insbesondere einem umfassend aggregierten Unternehmenswissen fußt. Doch genau an dieser Stelle zeigt sich in vielen Industrieunternehmen ein strukturelles Defizit.
Datenqualität und Wissensstruktur als Erfolgsfaktoren
Die meisten Firmen verfügen zwar über eine enorme Menge an Daten, die jedoch auf Abteilungen, Standorte oder Systeme verteilt ist und sich nicht selten in siloartig angelegten, nicht einheitlich gepflegten Dokumentationsstrukturen versteckt. Hinzu kommt ein unbezahlbarer Wissensschatz in den Köpfen erfahrener Mitarbeitender, der bislang nicht gesichert wurde. Angesichts des bevorstehenden Abgangs vieler Fachkräfte in den Ruhestand droht diesbezüglich ein eklatanter Wissensverlust.
Für den erfolgreichen Einsatz von KI sind Datenqualität und Wissensmanagement daher keine technische Detailfrage, sondern eine zentrale Voraussetzung. Unvollständige, inkonsistente oder kontextarme Informationen und Daten führen nicht nur zu fehleranfälligen Ergebnissen, sondern verhindern, dass KI-Systeme belastbare Muster erkennen, korrekt arbeiten und verlässliche Aussagen treffen können. Darüber hinaus werden betriebliche Informationen erst dann tragfähig, wenn sie in einen strukturierten Wissenskontext eingebettet sind. Solange dieses Wissen nicht systematisch erfasst, strukturiert und organisationsweit zugänglich gemacht wird, bleibt auch der Erfolg durch den Einsatz von KI begrenzt.
Wissen ist Wertschöpfung – in Zeiten von KI mehr denn je
Für mittelständische Firmen ist Wissen ein elementarer Erfolgsfaktor. Produkte werden komplexer, Serviceanteile steigen und internationale Strukturen erfordern eine standortübergreifende, mehrsprachige Zusammenarbeit. Künstliche Intelligenz kann aber nur mit dem arbeiten, was ihr umfassend und strukturiert zugänglich gemacht wird. Denn sie erkennt zwar Muster in Daten, analysiert Zusammenhänge und generiert Prognosen – implizite Annahmen, ungeschriebene Regeln oder historisch gewachsene Ausnahmen versteht sie jedoch nicht. Wo Begriffe uneinheitlich verwendet werden, Prozesse unterschiedlich dokumentiert sind oder Verantwortlichkeiten unklar bleiben, reproduziert KI sogar bestehende Inkonsistenzen.
Wissensmanagement ist daher nicht als administrativer Zusatzaufwand, sondern als infrastrukturelle Grundlage digitaler Wertschöpfung zu verstehen. Es schafft die semantische Ordnung, die KI benötigt: klare Begriffsdefinitionen, konsistente Taxonomien, strukturierte Dokumentationsstandards und transparente Zuständigkeiten. Zudem sorgt es dafür, dass Erfahrungswissen nicht an einzelne Personen gebunden bleibt, sondern systematisch erfasst, validiert und weiterentwickelt wird. Erst auf dieser Grundlage entsteht ein belastbarer Wissensraum, in dem KI ihr volles Potenzial entfalten kann. Wer sie erfolgreich einsetzen will, muss den eigenen Bestand an Wissen deshalb ebenso konsequent managen wie seine finanziellen oder materiellen Ressourcen.
Gerade für kleine und mittelständische Unternehmen bedeutet dies, dass KI kein isoliertes Innovationsprojekt bleiben darf. Mittelständische Unternehmen verfügen in der Regel weder über eigene KI-Abteilungen noch über umfangreiche Budgets für Experimente. Umso entscheidender ist ein pragmatischer Ansatz, der vorhandene Datenquellen strukturiert nutzbar macht. Der größte Hebel liegt häufig nicht in spektakulären Leuchtturmprojekten, sondern in der konsequenten Organisation und Digitalisierung des bereits vorhandenen Wissensbestands. Wer hier ansetzt, schafft mit überschaubarem Aufwand die Voraussetzung für wirtschaftlich tragfähige und skalierbare KI-Anwendungen.
Vom Informationschaos zum KI-fähigen Wissenszyklus
Damit dies gelingt, kommt es darauf an, wie sich ein Wissenssystem in der Praxis konkret aufbauen lässt. Industrieunternehmen stehen dabei vor einer doppelten Herausforderung. Sie müssen einerseits vorhandenes Wissen aus unterschiedlichsten Quellen zusammenführen und andererseits dafür sorgen, dass dieses Wissen in einer Qualität vorliegt, mit der KI-Systeme nutzenbringend und verlässlich arbeiten können. Leistungsstarke, spezialisierte SaaS-Lösungen, die diesen Prozess umfassend unterstützen, gibt es am Markt längst. Sie lassen sich einfach in bestehende IT-Landschaften integrieren und bieten standardisierte Schnittstellen zu gängigen Unternehmenssystemen. Die Herausforderung liegt daher weniger in fehlender Technologie als in der konsequenten organisatorischen Umsetzung und Priorisierung.
Für die Umsetzung hat sich hierbei ein zyklischer Ansatz bewährt, der aus vier aufeinander aufbauenden Schritten besteht:
1. Wissen identifizieren und erschließen: Im ersten Schritt gilt es, alle relevanten Wissensquellen im Unternehmen zu ermitteln und in einem zentralen Knowledge Hub als Single Source of Truth zusammenzuführen. Dabei sind drei Quellen besonders relevant. Erstens das Expertenwissen erfahrener Mitarbeitender, das in Form strukturierter Wissensartikel erfasst werden sollte. Zweitens das Community-Wissen, das im täglichen Austausch über Chat- und E-Mail-Verläufe, Meetingprotokolle oder Remote-Support-Videos als wertvolles Nebenprodukt der Kommunikation entsteht. Und drittens bestehende Datenbanken und Systeme wie ERP, CRM, PIM oder Office-Anwendungen, die sich über Schnittstellen an den Knowledge Hub anbinden lassen und per automatisierten Datenabgleich in regelmäßigen Intervallen synchronisiert werden sollten.
2. Wissen aufbereiten und erfassen: Inzwischen erleichtern moderne KI-Anwendungen den Aufbau einer Wissensdatenbank. Dabei können zum Beispiel Mitarbeitende im Service im entsprechenden System einfach Stichpunkte oder unstrukturierte Daten hochladen. Mithilfe einer KI-generierten Texterstellung werden schnell und einfach Wissensartikel generiert. In Kombination mit einem Wissensmodell identifiziert die Anwendung systematisch relevante Inhalte aus großen, teils unstrukturierten Datenmengen und bereitet sie auf. Eine anschließende Kontrolle durch Experten sichert zusätzlich die Qualität. Das spart wertvolle Arbeitszeit und bietet neue Ansätze, Wissen aus bestehenden Daten zu extrahieren.
3. Wissen bereitstellen: Das aufbereitete Wissen wird im Knowledge Hub über ein Rollen- und Rechtesystem gezielt zugänglich gemacht, sodass Informationen nur an berechtigte Personen ausgespielt werden – einschließlich externer Partner und Kunden, sofern gewünscht. Eine intelligente Suche mit Freitext- und Filterfunktionen sorgt dafür, dass Mitarbeitende schnell die passenden Ergebnisse finden. Entscheidend für die Akzeptanz ist dabei die Integration in bestehende Systeme wie Outlook, CRM- oder Ticketingsysteme sowie der mobile Zugriff über Smartphone oder Tablet, auch offline.
4. Künstliche Intelligenz nutzen: Knowledge Graphen bilden als semantische Netzwerke das logische Gerüst des Unternehmenswissens ab, stellen Zusammenhänge zwischen Metadaten und Dokumenten dar und ermöglichen es, Aktualisierungen zentral an einer Stelle vorzunehmen. Ergänzend bietet Generative KI großes Potenzial. Large Language Models (LLMs) verstehen die natürliche Sprache der Nutzenden und übersetzen sie in den Unternehmenskontext, sodass auch unerfahrene Mitarbeitende ohne Fachtermini Wissensbeiträge finden können. Zudem lässt sich unstrukturiertes Wissen mithilfe von Generativer KI in Sekundenschnelle in strukturierte Artikel überführen. Ein RAG-Ansatz (Retrieval Augmented Generation) bindet separat gespeicherte Wissensquellen bei Bedarf ein und macht die zugrunde liegenden Quellen transparent, um vertrauenswürdige Auskünfte zu ermöglichen. Das größte Potenzial ergibt sich aus der Kombination beider Technologien.
Praxisbeispiel viastore: Wissenssicherung im industriellen Umfeld
Wie professionelles, KI-gestütztes Wissensmanagement in der Praxis Mehrwert schafft, zeigt die viastore GROUP. Das Unternehmen ist seit über 50 Jahren Spezialist für automatisierte Intralogistiklösungen und realisiert weltweit komplexe Hochregallager sowie Logistiksysteme. Mit zunehmender Internationalisierung, steigender Anlagenkomplexität und hohen Anforderungen im Service wurde deutlich, dass technisches Erfahrungswissen systematisch gesichert und international nutzbar gemacht werden muss. Gleichzeitig standen zahlreiche erfahrene Mitarbeitende kurz vor dem Ruhestand, sodass ohne einen strukturierten Wissenstransfer ein erheblicher Verlust an Expertise gedroht hätte.
Gemeinsam mit dem Lösungspartner Empolis implementierte viastore eine zentrale Wissensmanagement-Plattform, die Informationen aus unterschiedlichen Quellen bündelt und kontextbezogen bereitstellt. Künstliche Intelligenz übernimmt dabei eine tragende Funktion. Schulungen und Experteninterviews werden automatisiert transkribiert und KI-gestützt in strukturierte Wissensartikel überführt. Inhalte lassen sich sprachlich vereinheitlichen und für die internationale Nutzung aufbereiten, sodass Wissen über Länder- und Sprachgrenzen hinweg konsistent verfügbar wird. Eine semantische Suche sorgt dafür, dass relevante Informationen im jeweiligen Servicekontext schnell gefunden werden. Ergänzende Feedback- und Freigabeprozesse stellen sicher, dass die Qualität der Inhalte dauerhaft gesichert und kontinuierlich weiterentwickelt wird.
Der Mehrwert zeigt sich sowohl operativ als auch strategisch. Die Recherchezeiten im Remote Support haben sich deutlich reduziert, während gleichzeitig eine standort- und sprachübergreifende Konsistenz in der Wissensbereitstellung erreicht wurde. Das Erfahrungswissen ausscheidender Mitarbeitender bleibt dauerhaft im Unternehmen verankert und kann strukturiert weitergegeben werden, wodurch neue Teammitglieder schneller produktiv arbeiten können und die Servicequalität nachhaltig steigt. Auf dieser stabilen, qualitätsgesicherten Wissensbasis schafft viastore zudem die Voraussetzungen für den weiteren Ausbau KI-gestützter Anwendungen, etwa in Form intelligenter Assistenzsysteme oder datenbasierter Optimierungsansätze im Service. Damit wird Wissensmanagement nicht nur zum Effizienztreiber im Tagesgeschäft, sondern zu einem strategischen Fundament für die zukünftige Nutzung Künstlicher Intelligenz im Unternehmen [2].
Fazit
Die bislang oft enttäuschenden Effekte vieler KI-Initiativen sind häufig in einer fehlenden zentral verfügbaren Wissensbasis begründet. Gerade im Mittelstand zeigt sich, dass Unternehmen mehr nutzbares Wissen besitzen, als auf den ersten Blick sichtbar ist – es liegt häufig nur verteilt oder implizit vor.
Dabei muss diese Basis nicht von Grund auf neu geschaffen werden: Moderne KI-Anwendungen unterstützen aktiv dabei, Wissen zu strukturieren, Lücken zu identifizieren und fragmentierte Informationen zusammenzuführen. Der Einsatz von KI-basierten SaaS-Lösungen gestaltet den Weg zum modernen, digitalen Wissensmanagement aktiv mit.
Mit der KI-basierten Erfassung und Vernetzung von Wissen wird nicht nur das unternehmenseigene Know-how produktiv nutzbar, sondern Unternehmen profitieren auch unmittelbar von mehr Transparenz und Effizienz in den eigenen Prozessen. KI-basiertes Wissensmanagement ist ein kontinuierlicher Prozess, der sich von Anfang an auszahlt. Für mittelständische Industrieunternehmen, die KI erfolgreich in ihre Prozesse integrieren und damit überzeugende neue Produkte und Services entwickeln wollen, ist er ein entscheidender Wettbewerbsfaktor.
[1] https://www.pwc.de/de/ceosurvey/2026/pwc-29-ceo-survey-report.pdf
Disclaimer:
„Für den oben stehenden Beitrag sowie für das angezeigte Bild- und Tonmaterial ist allein der jeweils angegebene Nutzer verantwortlich. Eine inhaltliche Kontrolle des Beitrags seitens der Seitenbetreiberin erfolgt weder vor noch nach der Veröffentlichung. Die Seitenbetreiberin macht sich den Inhalt insbesondere nicht zu eigen.“
