KI ohne Wissensgrundlage produziert austauschbare Ergebnisse

Ein Sprachmodell kann einen überzeugenden Text über eine Leistung formulieren. Es weiß dadurch noch nicht, wie das konkrete Unternehmen diese Leistung tatsächlich erbringt, begrenzt und belegt.

Kernaussage

Unternehmensspezifische Qualität entsteht nicht allein durch ein leistungsfähiges Modell oder einen sorgfältigen Prompt.

Sie benötigt geprüfte Wissensquellen, eindeutige Begriffe, passende Beispiele, fachliche Regeln, Berechtigungen, Aktualisierung und Freigaben. Ohne diese Grundlage erzeugt generative KI häufig plausible Durchschnittsaussagen. Sie klingen professionell, unterscheiden das Unternehmen aber kaum und können fachlich oder geschäftlich falsch sein.

Ausgangslage

Im April 2023 hatte sich die Diskussion innerhalb weniger Monate verändert.

ChatGPT hatte den breiten Zugang zu generativen Sprachmodellen geöffnet. Im März 2023 stellte OpenAI GPT-4 vor. Die Ausgaben wurden leistungsfähiger, strukturierter und in vielen Aufgaben überzeugender.

Damit entstand eine naheliegende Erwartung:

Wenn das Modell besser wird und der Prompt präzise ist, wird auch das Ergebnis automatisch unternehmensspezifisch.

Diese Erwartung übersah einen grundlegenden Unterschied.

Ein Modell kann allgemeine Sprach- und Wissensmuster verarbeiten. Es kennt jedoch nicht automatisch:

• die aktuelle Leistungsdefinition eines Unternehmens,
• interne Fachbegriffe,
• verbindliche Prozessregeln,
• freigegebene Belege,
• Zielgruppenabgrenzungen,
• Ausschlüsse und Grenzen,
• individuelle Tonalität,
• vertrauliche Erfahrungswerte,
• geltende Zuständigkeiten,
• die Quelle mit Vorrang.

Fehlen diese Informationen, füllt das Modell Lücken mit allgemeinen Mustern. Das Ergebnis kann sprachlich stimmig und trotzdem austauschbar sein.

Was hinter dem Problem liegt

Modellwissen ist nicht Unternehmenswissen

Sprachmodelle werden auf großen Mengen vorhandener Daten trainiert. Das darin enthaltene Wissen ist weder eine kontrollierte Unternehmensdokumentation noch eine Garantie für Aktualität und Richtigkeit.

Für eine allgemeine Erklärung kann das ausreichen. Für eine verbindliche Aussage über ein konkretes Unternehmen reicht es nicht.

Beispiel:

Ein Modell kann beschreiben, was eine digitale Strategie üblicherweise umfasst. Es weiß nicht automatisch, welche Leistungen goeke.digital darunter versteht, welche Zielgruppen angesprochen werden, welche Methode verwendet wird und welche Begriffe bewusst vermieden werden.

Gute Sprache verdeckt fehlende Grundlage

Schwache Rohtexte fallen schnell auf. Sprachlich überzeugende Texte sind riskanter, wenn ihre fachliche Grundlage unklar bleibt.

Ein generierter Text kann:

• eine unpassende Leistung ergänzen,
• eine Zielgruppe zu breit beschreiben,
• einen Vorteil behaupten, der nicht belegt ist,
• einen Fachbegriff anders verwenden als das Unternehmen,
• veraltete Informationen übernehmen,
• mehrere Quellen widersprüchlich vermischen.

Die sprachliche Qualität erschwert die Erkennung solcher Fehler, weil der Text zunächst vollständig und plausibel wirkt.

Prompts tragen nur begrenzten Kontext

Ein Prompt kann Ziel, Format, Ton und einzelne Fakten vorgeben. Er wird jedoch schnell unübersichtlich, wenn jedes relevante Detail, jede Ausnahme und jeder Beleg wiederholt eingebaut werden muss.

Außerdem entsteht ein Wartungsproblem:

• Welche Version des Prompts ist aktuell?
• Wer darf ihn ändern?
• Welche Aussage wurde aus welcher Quelle übernommen?
• Welche Regel gilt für welchen Anwendungsfall?
• Wie werden Aktualisierungen in alle Prompts übertragen?

Ein Prompt ist eine Anweisung. Er ist keine gepflegte Wissensarchitektur.

Lose Dokumente sind keine verlässliche Wissensbasis

Unternehmen besitzen häufig zahlreiche Unterlagen:

• Website-Texte,
• Präsentationen,
• Angebote,
• Prozessbeschreibungen,
• Schulungsunterlagen,
• E-Mails,
• FAQ,
• interne Notizen,
• Verträge,
• Produktinformationen.

Die Menge dieser Dateien beweist nicht, dass ein KI-System daraus eine korrekte Antwort ableiten kann.

Dokumente können:

• veraltet sein,
• denselben Begriff unterschiedlich verwenden,
• widersprüchliche Aussagen enthalten,
• nur für einen internen Kontext gelten,
• unklare Urheberschaft besitzen,
• sensible Informationen enthalten,
• keine Prioritätsregel haben.

Bevor Wissen technisch abgerufen wird, muss fachlich geklärt werden, welche Quelle wofür verbindlich ist.

Strategische Einordnung

Die Forschung zu Retrieval-Augmented Generation hatte bereits 2020 einen wichtigen Ansatz beschrieben: Ein generatives Modell wird mit einem externen Abrufsystem verbunden. Dadurch kann es zusätzliches Wissen aus einem Dokumentenbestand heranziehen.

Dieser Ansatz war im April 2023 strategisch relevant, weil er zwei Grenzen rein parametrischer Modelle adressierte:

• Wissen lässt sich nicht beliebig aktuell und präzise im Modell selbst halten.
• Herkunft und Aktualisierung externer Informationen bleiben offene Aufgaben.

RAG löste diese Aufgaben jedoch nicht automatisch.

Ein System kann die falschen Dokumente abrufen. Es kann wichtige Abschnitte nicht finden, veraltete Quellen priorisieren oder einen gefundenen Text falsch zusammenfassen. Auch ein korrekt abgerufener Abschnitt kann für die konkrete Frage ungeeignet sein.

Deshalb muss eine unternehmensspezifische Wissensgrundlage mehr leisten als Suche.

Sie muss festlegen:

1. welche Wissensdomäne abgedeckt wird,
2. welche Quellen zugelassen sind,
3. welche Quelle Vorrang besitzt,
4. welche Begriffe verbindlich sind,
5. welche Beispiele die Anwendung verstehen muss,
6. welche Regeln und Grenzen gelten,
7. wer fachlich verantwortlich ist,
8. welche Inhalte nicht verwendet werden dürfen,
9. wie Aktualisierungen und Konflikte behandelt werden,
10. welche Ergebnisse menschlich freigegeben werden müssen.

Perspektive aus der Praxis

In der Praxis beginnt die Arbeit nicht mit einer vollständigen Unternehmensdatenbank.

Sinnvoller ist eine klar begrenzte Wissensdomäne. Beispiele:

• ein konkretes Leistungsangebot,
• ein Produktbereich,
• ein wiederkehrender Beratungsprozess,
• ein definierter FAQ-Bereich,
• eine fachliche Themenbibliothek,
• ein internes Onboarding,
• ein klar abgegrenzter Supportfall.

Für diese Domäne werden vorhandene Informationen geordnet.

Ein typischer Befund:

• Die Website verwendet einen anderen Begriff als das Angebot.
• Eine Präsentation enthält eine ältere Leistungsstufe.
• Ein interner Text erklärt eine Ausnahme, die öffentlich nicht gelten soll.
• Ein Beispiel ist hilfreich, aber nicht zur Veröffentlichung freigegeben.
• Eine Fachperson besitzt das aktuelle Wissen, aber keine dokumentierte Quelle.
• Zwei Dokumente widersprechen sich und niemand hat den Vorrang festgelegt.

Diese Arbeit wirkt zunächst weniger spektakulär als die Auswahl eines Modells. Sie entscheidet jedoch darüber, ob die spätere Anwendung das Unternehmen korrekt abbilden kann.

Das Systemmodell der KI-Wissensgrundlage

Sieben Bausteine einer belastbaren Wissensgrundlage

1. Verbindliche Quellen

Nicht jedes Dokument besitzt denselben Status.

Eine einfache Klassifikation kann unterscheiden:

• verbindlich,
• ergänzend,
• historisch,
• in Prüfung,
• widersprüchlich,
• gesperrt.

Der Status muss für Menschen und technische Systeme erkennbar sein.

2. Begriffsstandard

Leistungen, Zielgruppen, Produkte und Prozesse benötigen eindeutige Bezeichnungen.

Synonyme können für Suche und Kommunikation sinnvoll sein. Intern muss dennoch klar sein, welcher Begriff welche Bedeutung trägt.

3. Fachliche Regeln

Eine KI-Anwendung benötigt mehr als Fakten.

Sie muss wissen:

• welche Aussage unter welcher Bedingung gilt,
• welche Ausnahme besteht,
• welche Schlussfolgerung nicht gezogen werden darf,
• welche Angaben fehlen können,
• wann sie nicht antworten soll.

Regeln müssen möglichst prüfbar formuliert sein.

4. Beispiele und Gegenbeispiele

Beispiele zeigen, wie Wissen angewendet wird.

Gegenbeispiele sind ebenso wichtig. Sie markieren:

• unzulässige Formulierungen,
• unpassende Fälle,
• typische Fehlinterpretationen,
• Grenzen der Leistung,
• notwendige Eskalationen.

5. Berechtigungen

Nicht jedes Wissen darf in jeder Anwendung genutzt werden.

Es muss geklärt sein:

• welche Personen Zugriff besitzen,
• welche Systeme die Inhalte abrufen dürfen,
• welche Daten in externe Dienste übertragen werden,
• welche Inhalte vertraulich bleiben,
• welche Ergebnisse protokolliert werden.

6. Aktualisierung und Konfliktregel

Wissen verändert sich.

Jede zentrale Information benötigt:

• Verantwortlichkeit,
• Prüfintervall oder Änderungsanlass,
• Versionsstand,
• Quelle mit Vorrang,
• Regel für Widersprüche,
• dokumentierte Ablösung alter Inhalte.

7. Fachliche Freigabe

Die Wissensgrundlage kann die Ergebnisqualität erhöhen. Sie hebt die fachliche Verantwortung nicht auf.

Je nach Anwendung werden Ausgaben:

• vollständig geprüft,
• stichprobenartig kontrolliert,
• nur intern als Entwurf genutzt,
• bei Unsicherheit eskaliert,
• nach klaren Regeln automatisch weiterverarbeitet.

Wissensqualität muss nach Anwendung bewertet werden

Eine Wissensgrundlage ist nicht abstrakt „gut“ oder „schlecht“. Ihre Qualität richtet sich nach der konkreten Aufgabe.

Für eine interne Orientierung können kurze, klar markierte Quellen genügen. Für eine öffentliche Fachantwort werden belastbare Belege, aktuelle Freigaben und eindeutige Aussagegrenzen benötigt. Für eine automatisierte Systemaktion müssen zusätzlich strukturierte Regeln und sichere Abbruchbedingungen vorliegen.

Diese Unterscheidung verhindert zwei Fehler: unnötige Perfektion für einfache Entwurfsaufgaben und zu geringe Sorgfalt bei folgenreichen Anwendungen.

Welche Rolle der Prompt weiterhin spielt

Eine gute Wissensgrundlage macht Prompts nicht überflüssig.

Der Prompt beschreibt:

• die konkrete Aufgabe,
• den gewünschten Empfänger,
• das Format,
• den aktuellen Kontext,
• die anzuwendenden Prüfkriterien.

Die Wissensgrundlage liefert dagegen:

• verbindliche Fakten,
• Begriffe,
• Regeln,
• Beispiele,
• Grenzen,
• Quellen.

Beide Ebenen müssen getrennt gepflegt werden. Sonst werden Unternehmensregeln in einzelne Anweisungen kopiert und entwickeln sich auseinander.

Was Unternehmen nicht tun sollten

Unternehmen sollten nicht sämtliche vorhandenen Dateien ungeprüft in ein Abrufsystem laden.

Damit werden Widersprüche nicht gelöst, sondern technisch verfügbar gemacht.

Sie sollten auch nicht versuchen, jede Antwort ausschließlich durch einen immer längeren Systemprompt zu kontrollieren. Eine solche Konstruktion wird schwer wartbar und bleibt bei fehlenden Quellen begrenzt.

Ebenso falsch ist die Annahme, eine Quellenanzeige beweise die Richtigkeit der Antwort. Ein System kann eine Quelle nennen und sie dennoch unvollständig oder falsch interpretieren.

Schließlich sollten Unternehmen keine Wissensbasis aufbauen, ohne Verantwortlichkeit und Pflege zu klären. Ein einmaliger Import altert genauso wie jede andere Dokumentensammlung.

Konsequenz für Unternehmen

Unternehmensspezifische KI-Qualität ist eine Wissens- und Governance-Aufgabe.

Das Modell bleibt wichtig. Es entscheidet über Sprachfähigkeit, Kontextverarbeitung und technische Möglichkeiten. Der geschäftliche Unterschied entsteht jedoch durch die Verbindung mit dem richtigen Wissen und einer kontrollierten Verwendung.

Eine belastbare Grundlage verbessert nicht nur KI-Ausgaben. Sie stärkt zugleich:

• Website und Fachkommunikation,
• interne Orientierung,
• Onboarding,
• Service,
• Vertriebsunterlagen,
• Such- und Antwortfähigkeit,
• Konsistenz zwischen Teams.

Damit wird die Wissensarbeit nicht zu einem technischen Nebenprojekt. Sie wird zur gemeinsamen Grundlage mehrerer digitaler Systeme.

Fachlicher Anschluss

Unternehmenswissen für KI-Anwendungen vorbereiten

Der SDC Knowledge Core ordnet Quellen, Begriffe, Regeln, Beispiele, Berechtigungen und Freigaben für eine klar begrenzte Wissensdomäne. Erst auf dieser Grundlage wird entschieden, wie das Wissen technisch abgerufen und in KI-gestützte Abläufe eingebunden wird.

CTA: KI-Wissensgrundlage strukturiert aufbauen

Weiterführende Insights

1. KI und Automatisierung
2. Generative KI verändert zuerst die Arbeitsweise
3. Expertise muss digital auffindbar und verständlich werden
4. Unternehmenswissen wird zur operativen Infrastruktur

Über den Autor

Göke Frerichs ist Digitalstratege und Smart Digital Creative. Er arbeitet seit 1999 professionell an der Verbindung von digitaler Strategie, Kommunikation, Technologie und Umsetzung.

Quellen

1. OpenAI, „GPT-4 Technical Report“, März 2023, https://cdn.openai.com/papers/gpt-4.pdf
2. OpenAI, „GPT-4 System Card“, März 2023, https://cdn.openai.com/papers/gpt-4-system-card.pdf
3. Patrick Lewis et al., „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks“, 2020, https://arxiv.org/abs/2005.11401
4. Kelvin Guu et al., „REALM: Retrieval-Augmented Language Model Pre-Training“, 2020, https://arxiv.org/abs/2002.08909
5. National Institute of Standards and Technology, „Artificial Intelligence Risk Management Framework (AI RMF 1.0)“, 2023, https://www.nist.gov/itl/ai-risk-management-framework
6. ISO, „ISO 30401:2018. Knowledge management systems“, https://www.iso.org/standard/68683.html