Internes Unternehmenswissen mit KI durchsuchbar machen

Ein Mitarbeiter sucht die aktuelle Regel für Sonderrabatte. Im Intranet findet er eine Arbeitsanweisung von 2023, im Vertriebsordner eine neuere Präsentation und im CRM den Hinweis auf eine Ausnahme, die nur für einen bestimmten Kundentyp gilt. Ein Kollege kennt die richtige Antwort, ist aber gerade nicht erreichbar. Wer Unternehmenswissen mit KI durchsuchbar machen will, kann diese Suche deutlich verkürzen. Die KI kann aber ebenso überzeugend die veraltete Regel zusammenfassen, wenn Quellen, Versionen und Berechtigungen nicht vorher geklärt wurden.

Wer Unternehmenswissen mit KI durchsuchbar machen will, baut deshalb keinen allgemeinen Chatbot über einen Dateiordner. Benötigt wird ein kontrolliertes Wissenssystem: Es übernimmt freigegebene Inhalte, zerlegt und indexiert sie, berücksichtigt Metadaten und Zugriffsrechte, sucht zur konkreten Frage passende Passagen und erzeugt daraus eine Antwort mit Quellen. Für kritische Fragen muss auch „Dazu liegt keine belastbare Information vor“ ein zulässiges Ergebnis sein.

SW Business Solutions entwickelt solche Lösungen passend zur vorhandenen Systemlandschaft. Je nach Betrieb werden Dokumentenmanagement, SharePoint, Wiki, CRM, Ticketsystem, ERP oder eine branchenspezifische Fachsoftware angebunden. Die Anwendung kann als interne Suche, Assistent im Kundenservice, Unterstützung für Disposition und Außendienst oder als Wissensfunktion innerhalb einer bestehenden Unternehmenssoftware entstehen. Entscheidend ist nicht die Zahl der angeschlossenen Dateien, sondern ob Mitarbeiter eine überprüfbare und für ihre Rolle zulässige Antwort erhalten.

Unternehmenswissen mit KI durchsuchbar machen heißt nicht, eine neue Ablage zu bauen

In vielen Unternehmen existiert Wissen bereits digital. Es liegt nur an unterschiedlichen Stellen und ist unterschiedlich gut gepflegt. Verträge befinden sich im Dokumentenmanagement, Produktinformationen in einem PIM oder ERP, Arbeitsanweisungen im Intranet, gelöste Störungen im Ticketsystem und Erfahrungswissen in Freitextfeldern. Eine KI-Suche kann diese Quellen verbinden, sollte sie aber nicht ungeprüft in einen neuen Sammelspeicher kopieren.

Die führende Quelle muss erkennbar bleiben. Ändert die Fachabteilung eine Arbeitsanweisung, soll die Wissenssuche die neue freigegebene Version übernehmen und die alte Version aus dem aktiven Suchbestand entfernen oder als historisch kennzeichnen. Eine Kopie ohne Rückverbindung zur Quelle erzeugt dagegen einen weiteren Datenbestand, dessen Aktualität bald niemand mehr sicher beurteilen kann.

Auch die fachliche Zuständigkeit bleibt bestehen. Die Personalabteilung verantwortet Personalrichtlinien, der Vertrieb Konditionen, die Technik Arbeitsanweisungen und die Rechtsabteilung freigegebene Vertragsklauseln. Die KI wird nicht zum Eigentümer dieses Wissens. Sie macht vorhandene Informationen auffindbar und bereitet sie für eine konkrete Frage auf.

So arbeitet Retrieval-Augmented Generation mit internen Quellen

Für solche Systeme wird häufig Retrieval-Augmented Generation, kurz RAG, eingesetzt. Dabei beantwortet das Sprachmodell die Frage nicht allein aus seinem allgemeinen Modellwissen. Zuerst sucht eine Retrieval-Komponente passende Abschnitte in den freigegebenen Unternehmensquellen. Erst diese Treffer werden dem Modell als Kontext für die Antwort übergeben.

Ein typischer Ablauf besteht aus mehreren technischen Schritten:

1. Ein Konnektor liest Dokumente und Datensätze aus den erlaubten Quellsystemen.
2. Ein Parser erkennt Text, Überschriften, Tabellen und relevante Dokumenteigenschaften.
3. Längere Inhalte werden in sinnvolle Abschnitte zerlegt und mit Metadaten versehen.
4. Die Abschnitte werden für eine semantische und gegebenenfalls klassische Stichwortsuche indexiert.
5. Die Nutzerfrage wird analysiert und mit Rollen-, Mandanten- oder Abteilungsfiltern an die Suche übergeben.
6. Das System bewertet die Treffer und übergibt nur passende Quellenpassagen an das Sprachmodell.
7. Die Antwort verweist auf die verwendeten Dokumente und macht Unsicherheiten sichtbar.

RAG ist damit kein Verfahren, das ein Modell automatisch mit dem gesamten Unternehmenswissen „trainiert“. Die Inhalte bleiben außerhalb des Modells in kontrollierbaren Quellen und Indizes. Das erleichtert Aktualisierungen und kann die Herkunft einer Aussage nachvollziehbarer machen. Es beseitigt jedoch keine Fehler. Wenn die Suche die falsche Passage liefert, Metadaten fehlen oder zwei gültig wirkende Dokumente einander widersprechen, kann auch die formulierte Antwort falsch sein.

Der Anwendungsfall bestimmt, welche Antwort belastbar genug ist

„Mitarbeiter sollen alles fragen können“ ist kein prüfbarer Projektumfang. Eine Personalrichtlinie, eine technische Ersatzteilsuche und eine Antwortvorlage für den Kundenservice stellen unterschiedliche Anforderungen an Aktualität, Rechte und fachliche Genauigkeit.

Für einen ersten Anwendungsfall sollte deshalb feststehen, wer fragt, in welcher Arbeitssituation die Frage entsteht und welche Handlung aus der Antwort folgt. Ein Servicemitarbeiter benötigt beispielsweise eine freigegebene Vorgehensweise für einen bestimmten Gerätetyp. Ein Vertriebsmitarbeiter sucht nach einer aktuellen Leistungsbeschreibung, darf aber keine vertrauliche Kalkulation eines anderen Teams sehen. Ein neuer Kollege möchte wissen, wie eine Reklamation intern weitergegeben wird und benötigt neben der Erklärung auch den Link zum richtigen Formular.

Je höher die Fehlerfolge, desto enger muss die Antwortfunktion sein. Bei unverbindlichen Orientierungshilfen kann eine zusammenfassende Antwort genügen. Bei Sicherheitsanweisungen, Vertragsbedingungen, Preisfreigaben oder personenbezogenen Entscheidungen sollte das System die maßgebliche Quelle öffnen, Gültigkeitsdatum und Verantwortlichen anzeigen und gegebenenfalls eine menschliche Bestätigung verlangen. Manche Inhalte eignen sich nur für die Suche, nicht für eine frei formulierte KI-Antwort.

Der Go-/No-Go-Check für KI-Prozesse hilft dabei, Datenlage, Fehlerkosten, Freigaben und einen Ausweichweg vor der Entwicklung zu bestimmen.

Vor der KI kommt eine belastbare Quelleninventur

Eine brauchbare Wissenssuche beginnt mit einer Liste der Quellen, nicht mit der Wahl eines Sprachmodells. Für jede Quelle werden mindestens Eigentümer, Inhaltstyp, Aktualisierungsweg, Berechtigung, Verbindlichkeit und Aufbewahrung erfasst. Dadurch wird sichtbar, welche Informationen gemeinsam durchsucht werden dürfen und wo zunächst organisatorische Arbeit nötig ist.

Besonders wichtig ist die Unterscheidung zwischen freigegebenem Wissen und bloßen Arbeitsspuren. Ein verabschiedetes Prozesshandbuch hat einen anderen Stellenwert als eine Chatnachricht, ein interner Kommentar oder ein ungeprüfter Ticketverlauf. Beide können nützlich sein, dürfen in der Antwort aber nicht gleich erscheinen. Metadaten wie „freigegeben“, „Entwurf“, „abgelaufen“ oder „nur Erfahrungswert“ helfen der Suche, diese Unterschiede zu berücksichtigen.

Beim Aufbau zeigt sich oft, dass nicht die Suche, sondern die Dokumentqualität das größte Hindernis ist. Mehrere Dateien tragen denselben Titel. Versionsstände stehen nur im Dateinamen. Ein PDF enthält gescannte Seiten ohne maschinenlesbaren Text. Produktbezeichnungen wechseln zwischen Abteilungen. Die im Artikel zur Datenbasis für KI im Unternehmen beschriebenen Grundfragen gelten deshalb auch für eine Wissenssuche: Identitäten, Zuständigkeiten und Aktualität müssen technisch erkennbar sein.

Nicht jede Quelle muss im ersten Schritt angeschlossen werden. Ein begrenzter, gut gepflegter Bestand liefert meist mehr Erkenntnisse als ein Vollimport sämtlicher Netzlaufwerke. Für einen Pilot können etwa freigegebene Arbeitsanweisungen einer Abteilung, die zugehörigen Produktinformationen und ausgewählte gelöste Vorgänge genügen.

Gute Abschnitte sind wichtiger als möglichst viele Dokumente

Ein Sprachmodell kann nicht sinnvoll mit einem vollständigen Handbuch, mehreren Verträgen und tausenden Tickets gleichzeitig arbeiten. Die Dokumente werden deshalb in kleinere Abschnitte zerlegt. Diese sogenannten Chunks müssen groß genug sein, um eine Aussage im Zusammenhang zu zeigen, und klein genug, damit die Suche genau den relevanten Teil findet.

Eine starre Trennung nach einer festen Zeichenzahl kann Zusammenhänge zerstören. Steht eine Ausnahme im nächsten Absatz, darf die allgemeine Regel nicht ohne diese Einschränkung als einzelner Treffer erscheinen. Tabellen benötigen Überschriften, Einheiten und Zeilenbezug. Bei einer Arbeitsanweisung gehören Voraussetzung, Handlung und Warnhinweis möglicherweise in denselben Suchabschnitt. Für Verträge kann die Gliederung nach Klauseln sinnvoller sein als eine gleichmäßige Zerlegung.

Zusätzlich braucht jeder Abschnitt Metadaten. Dazu können Dokumenttyp, Abteilung, Produkt, Kundengruppe, Standort, Sprache, Versionsstand, Gültigkeitszeitraum und Geheimhaltungsstufe gehören. Diese Angaben verbessern nicht nur die Treffer. Sie ermöglichen Filter, ohne dass das Sprachmodell selbst erraten muss, ob ein Dokument für die Frage gültig ist.

Die geeignete Aufbereitung hängt vom Material ab. Reiner Fließtext lässt sich anders behandeln als gescannte PDFs, Excel-Tabellen, technische Zeichnungen oder strukturierte Datensätze aus dem ERP. Wenn eine Antwort aktuelle Lieferfähigkeit oder einen Ticketstatus enthalten soll, reicht ein gelegentlich aktualisierter Dokumentindex nicht. Solche Daten müssen über eine kontrollierte Echtzeitabfrage aus dem führenden System kommen.

Semantische Suche und Stichwortsuche lösen unterschiedliche Probleme

Eine semantische Suche findet inhaltlich ähnliche Aussagen, auch wenn Frage und Dokument unterschiedliche Begriffe verwenden. Ein Mitarbeiter fragt nach „Rückgabe“, während die Arbeitsanweisung von „Retoure“ spricht. Eine klassische Stichwortsuche ist dagegen stark, wenn exakte Artikelnummern, Fehlercodes, Vertragskennzeichen oder Produktnamen gesucht werden.

In Unternehmensanwendungen ist deshalb häufig eine hybride Suche sinnvoll. Sie verbindet semantische Ähnlichkeit mit exakten Begriffstreffern und kann Ergebnisse anschließend neu bewerten. Filter begrenzen den Bestand vor oder während der Suche auf zulässige Produkte, Abteilungen, Standorte oder Dokumentstatus.

Die Suche muss außerdem mit unklaren Fragen umgehen. „Wie machen wir das bei einem Großkunden?“ enthält weder Prozess noch Produkt noch Vertragsart. Statt eine allgemeine Antwort zu erfinden, sollte das System nachfragen: Geht es um Rabattfreigabe, Reklamation, Liefertermin oder Abrechnung? Diese Rückfrage ist kein Mangel, sondern schützt vor einer flüssig formulierten Antwort auf eine falsch verstandene Frage.

Synonyme und betriebliche Begriffe gehören in ein gepflegtes Glossar. Wenn „Einsatz“, „Auftrag“ und „Ticket“ in verschiedenen Abteilungen unterschiedliche Objekte bezeichnen, darf die Suchlogik sie nicht pauschal gleichsetzen. Ein Glossar dokumentiert die Bedeutung und kann die Anfrage gezielt erweitern.

Quellenangaben machen eine Antwort prüfbar, aber nicht automatisch richtig

Jede fachliche Antwort sollte zeigen, auf welchen Passagen sie beruht. Ein Quellenlink ermöglicht dem Mitarbeiter, den vollständigen Zusammenhang zu öffnen. Dazu gehören Dokumenttitel, Version, Datum und möglichst die konkrete Stelle. Bei strukturierten Daten sollte erkennbar sein, aus welchem System und von welchem Abfragezeitpunkt der Wert stammt.

Eine Quelle allein garantiert noch keine richtige Antwort. Das System könnte eine veraltete, aber formal passende Datei zitieren. Es könnte eine Ausnahme übersehen oder zwei widersprüchliche Quellen gemeinsam verwenden. Deshalb braucht die Oberfläche Hinweise auf Konflikte und fehlende Eindeutigkeit. Sind eine Richtlinie vom März und eine Arbeitsanweisung vom Juni beide als gültig markiert, sollte die KI nicht selbst entscheiden, welches Dokument Vorrang hat.

Für bestimmte Fragen kann die direkte Fundstelle besser sein als eine Zusammenfassung. Bei einer technischen Prüfanweisung sollte die Anwendung beispielsweise den freigegebenen Abschnitt anzeigen und die KI nur zum Auffinden oder Erklären verwenden. Bei einem internen Prozess kann eine kurze Antwort mit Link zum Formular genügen. Die Darstellungsform folgt der Fehlerfolge, nicht einem einheitlichen Chatbot-Design.

Berechtigungen müssen bereits bei der Suche wirken

Ein zentrales Risiko entsteht, wenn die KI Informationen findet, die der fragende Mitarbeiter im Quellsystem nicht sehen dürfte. Das betrifft Personalakten, Vertragskonditionen, Kundendaten, technische Geheimnisse und interne Auswertungen. Eine nachträgliche Filterung der fertig formulierten Antwort ist zu spät. Sensible Inhalte dürfen gar nicht erst in den Modellkontext gelangen.

Wo möglich, übernimmt die Wissenssuche die vorhandenen Zugriffslisten der Quelle. Der angemeldete Nutzer erhält nur Treffer aus Dokumenten, für die er berechtigt ist. Bei mehreren Systemen müssen Rollen und Identitäten eindeutig zugeordnet werden. Ein allgemeines Gruppenkonto für den gesamten Index unterläuft dieses Prinzip.

Zusätzlich können anwendungsbezogene Grenzen erforderlich sein. Ein Mitarbeiter darf vielleicht ein Dokument im Quellsystem öffnen, die Inhalte aber nicht über eine neue abteilungsweite KI-Suche auffindbar machen. Vor dem Anschluss einer Quelle wird deshalb geprüft, ob die ursprüngliche Berechtigungslogik auch für den neuen Zugriffskanal passt.

Protokollierung gehört ebenfalls zum Konzept. Der Betrieb sollte nachvollziehen können, welche Quelle für eine Antwort verwendet wurde, ohne beliebig lange sämtliche Fragen und Antworttexte zu speichern. Suchprotokolle können personenbezogene oder vertrauliche Inhalte enthalten. Zweck, Zugriff und Löschfrist werden daher vor dem Pilot festgelegt. Der Beitrag zu Datenschutz, Beschäftigten und EU-KI-Verordnung beim KI-Einsatz ordnet die organisatorischen und rechtlichen Fragen ausführlicher ein.

Aktualisierung, Löschung und Versionierung brauchen einen festen Datenweg

Eine Wissenssuche ist nur so aktuell wie ihre Synchronisation. Für jede Quelle wird deshalb definiert, wie Änderungen erkannt werden, wie schnell sie im Index erscheinen und wie gelöschte Inhalte entfernt werden. Ein nächtlicher Import kann für Prozesshandbücher genügen, aber für aktuelle Störungsmeldungen oder Lieferinformationen zu langsam sein.

Beim Ersetzen eines Dokuments muss das System alle daraus erzeugten Abschnitte kennen. Sonst bleiben Teile der alten Version im Index, obwohl die Quelldatei längst überschrieben wurde. Eindeutige Dokument- und Versionskennungen verhindern solche Wissensreste. Löschvorgänge müssen auch Sicherungen, Zwischenspeicher und Protokolle entsprechend dem festgelegten Lebenszyklus berücksichtigen.

Hilfreich ist eine sichtbare Statuskette: Quelle gelesen, Verarbeitung erfolgreich, Index aktualisiert, Qualitätsprüfung bestanden. Scheitert die Texterkennung eines neuen PDFs oder der Zugriff auf SharePoint, darf der Fehler nicht unbemerkt bleiben. Die Anwendung benötigt eine Warteschlange für fehlerhafte Dokumente und einen Verantwortlichen, der sie klärt.

Bei zeitkritischen Informationen kann die Wissenssuche statisches und aktuelles Wissen trennen. Eine Verfahrensanweisung stammt aus dem Index. Den aktuellen Auftragsstatus fragt die Anwendung dagegen live im ERP oder Ticketsystem ab. Die Antwort kennzeichnet beide Herkunftsarten und darf einen fehlgeschlagenen Live-Abruf nicht durch einen alten Wert ersetzen.

Antwortqualität wird mit realen Fragen gemessen

Eine überzeugende Demo mit fünf vorbereiteten Fragen sagt wenig über den Betrieb aus. Für die Abnahme wird ein Testbestand aus echten, anonymisierten oder dafür freigegebenen Fragen aufgebaut. Er enthält häufige Standardfragen, seltene Ausnahmen, mehrdeutige Formulierungen, falsche Voraussetzungen, Fragen ohne vorhandene Antwort und Fälle mit eingeschränkten Berechtigungen.

Für jede Testfrage wird nicht nur eine Musterantwort festgelegt. Ebenso wichtig sind die erwarteten Quellen, erlaubte Varianten und unzulässige Aussagen. So lässt sich unterscheiden, ob die Suche relevante Dokumente nicht gefunden, die Rangfolge falsch gewichtet oder das Sprachmodell trotz korrekter Quelle eine unzutreffende Schlussfolgerung formuliert hat.

Eine belastbare Prüfung betrachtet getrennte Qualitätsstufen:

• Quellenabdeckung: Enthält der freigegebene Bestand überhaupt die benötigte Information?
• Retrieval: Findet das System die richtige Passage und schließt unzulässige Dokumente aus?
• Antworttreue: Bleibt die Formulierung bei den gefundenen Quellen oder ergänzt sie unbelegte Details?
• Quellenanzeige: Kann der Nutzer Aussage und Dokumentstelle ohne Umwege prüfen?
• Prozesswirkung: Verkürzt die Lösung die konkrete Suche, ohne neue Nacharbeit zu erzeugen?

Fehler werden nach Typ ausgewertet. Häufige leere Treffer können auf fehlende Synonyme oder Inhaltslücken hinweisen. Falsche Versionen sprechen für Metadaten- oder Lebenszyklusprobleme. Unbelegte Ergänzungen erfordern strengere Antwortregeln oder eine andere Modellkonfiguration. Nur diese Trennung zeigt, welcher Teil des Systems verbessert werden muss.

Ein Wissensredakteur bleibt auch nach dem Start notwendig

Technik kann veraltete Dokumente erkennen, wenn Datum, Version oder Freigabestatus gepflegt sind. Sie kann jedoch nicht eigenständig entscheiden, welche von zwei widersprüchlichen Arbeitsweisen fachlich gelten soll. Dafür braucht jede Wissensdomäne einen verantwortlichen Eigentümer.

Diese Rolle prüft neue Quellen, klärt Konflikte, schließt Wissenslücken und bewertet wiederkehrende Suchanfragen. Wenn Mitarbeiter häufig nach einer Vorgehensweise fragen, zu der nur verstreute Ticketnotizen existieren, entsteht daraus ein Redaktionsauftrag. Erst nach fachlicher Prüfung wird ein verbindlicher Wissenseintrag daraus.

Das unterscheidet die KI-Wissenssuche vom bloßen Sammeln von Erfahrungswerten. Der Beitrag zum Sichern von Erfahrungswissen mit KI beschreibt, wie Wissen von Meistern, Disponenten und Technikern strukturiert erfasst und freigegeben werden kann. Die Suchlösung macht diese freigegebenen Inhalte anschließend im richtigen Kontext auffindbar. Rohnotizen werden nicht automatisch zur Arbeitsanweisung.

Auch Nutzerfeedback braucht Regeln. Ein Daumen nach unten zeigt, dass eine Antwort nicht geholfen hat, erklärt aber noch nicht warum. Eine kurze Auswahl wie „falsche Quelle“, „veraltet“, „Frage missverstanden“ oder „Antwort fehlt“ liefert verwertbarere Hinweise. Fachlich relevante Korrekturen gehen an den zuständigen Wissenseigentümer und nicht ungeprüft in einen automatischen Lernprozess.

Standardplattform oder individuelle Wissensanwendung

Viele Plattformen bieten bereits Konnektoren, semantische Suche und generative Antworten. Das kann passend sein, wenn die benötigten Quellen unterstützt werden, Berechtigungen sauber übernommen werden und der Arbeitsablauf innerhalb der Plattform bleibt. Der Einführungsaufwand verschwindet dadurch nicht: Inhalte, Rollen, Testfragen, Freigaben und Betrieb müssen auch bei einem Standardprodukt geplant werden.

Eine individuelle Lösung wird interessant, wenn verschiedene Fachsysteme verbunden, eigene Berechtigungsregeln abgebildet oder Antworten direkt in einen betrieblichen Prozess überführt werden sollen. Ein Servicetechniker benötigt vielleicht nicht nur eine Antwort, sondern den passenden Abschnitt innerhalb seines konkreten Auftrags. Der Kundenservice soll aus einer freigegebenen Information einen Antwortentwurf erzeugen, dessen Versand weiterhin bestätigt wird. Die Disposition möchte eine gefundene Arbeitsanweisung mit einer Anlagen-ID und dem letzten freigegebenen Bericht verbinden.

SW Business Solutions kann dafür Standardkomponenten und kundenspezifische Entwicklung kombinieren. Die KI-Integration verbindet Sprachmodelle, Suchkomponenten, Prüfoberflächen und Sicherheitsregeln. Über API-Entwicklung werden Quellsysteme kontrolliert angebunden. Fehlen passende Oberflächen oder Prozessfunktionen, entsteht eine individuelle Web-, Portal- oder mobile Anwendung. Das Ziel ist keine Abhängigkeit von einer möglichst großen Eigenentwicklung, sondern die kleinste belastbare Architektur für den konkreten Wissensprozess.

Zu den Kosten gehören Quellenanalyse, Konnektoren, Aufbereitung, Index, Modellnutzung, Benutzeroberfläche, Berechtigungskonzept, Tests und laufende Pflege. Hinzu kommen gegebenenfalls Lizenzen und nutzungsabhängige Gebühren. Besonders aufwendig werden unklare Berechtigungen, schlechte Dokumentqualität, gescannte Bestände und zahlreiche Sonderformate. Diese Faktoren sollten vor einer Produktentscheidung sichtbar werden.

Ein Pilot beginnt mit einem abgegrenzten Wissensraum

Ein geeigneter Pilot umfasst eine klar benannte Nutzergruppe, wenige verlässliche Quellen und Fragen mit prüfbaren Antworten. Beispielsweise kann ein technischer Service mit freigegebenen Anleitungen für eine Produktfamilie starten. Der Vertrieb könnte aktuelle Leistungsbeschreibungen und verbindliche interne Freigaberegeln durchsuchen. Ein interner Support kann Prozessanweisungen und Formularwege bereitstellen.

Vor dem Pilot werden Ausgangslage und Ziel festgehalten. Wie lange dauert die Suche heute? Welche Rückfragen treten wiederholt auf? Welche Fehler sollen vermieden werden? Anschließend wird der Testbestand erstellt, werden Rollen eingerichtet und Grenzfälle definiert. Die Lösung läuft zunächst mit einem überschaubaren Kreis, damit falsche Treffer und Inhaltslücken ohne breite betriebliche Folgen sichtbar werden.

Für kritische Anwendungsfälle bietet sich ein KI-Schattenbetrieb an. Die neue Suche beantwortet reale Fragen parallel, ihre Ergebnisse werden aber noch nicht als verbindliche Arbeitsgrundlage verwendet. Fachverantwortliche vergleichen Quellen, Antworten und den bisherigen Weg. Erst wenn festgelegte Qualitätsgrenzen erreicht sind, wird der Nutzerkreis oder Funktionsumfang erweitert.

Der Pilot endet nicht mit einer einmaligen Trefferquote. Er liefert eine Betriebsentscheidung: Welche Quellen bleiben angeschlossen? Wer pflegt Inhalte? Welche Fragen darf das System beantworten? Welche Antworttypen benötigen eine Bestätigung? Wie werden Fehler gemeldet und Änderungen getestet? Ohne diese Zuständigkeiten wird aus einer guten Demonstration schnell ein veralteter interner Chat.

Der nächste Schritt ist eine Wissenslandkarte, kein Modellvergleich

Nehmen Sie einen konkreten Arbeitsablauf und notieren Sie die Fragen, für die Mitarbeiter heute Ordner durchsuchen oder Kollegen unterbrechen. Ordnen Sie jeder Frage die maßgebliche Quelle, den Verantwortlichen, den zulässigen Nutzerkreis und die Folge einer falschen Antwort zu. Bereits diese kleine Wissenslandkarte zeigt, ob das Problem hauptsächlich in der Suche, in fehlender Dokumentation oder in widersprüchlichen Regeln liegt.

SW Business Solutions prüft mit Ihnen einen abgegrenzten Wissensfall, bewertet Quellen und Berechtigungen und entwickelt daraus eine passende Such- und Integrationsarchitektur. Das Ergebnis kann eine Erweiterung vorhandener Software, ein interner KI-Assistent oder eine kundenspezifische Wissensanwendung sein. Entscheidend ist, dass eine Antwort nicht nur schnell erscheint, sondern auf der richtigen, aktuellen und für den Mitarbeiter zulässigen Quelle beruht.