Viele Unternehmen investieren in KI – doch messbare Erfolge bleiben oft aus. Der Grund liegt selten in der Technologie, sondern in fehlendem, unstrukturiertem oder verstreutem Unternehmenswissen. Der Beitrag zeigt, warum KI erst dann produktiv wird, wenn Wissen systematisch erfasst, strukturiert und zugänglich gemacht wird – und wie mittelständische Firmen diesen Schritt pragmatisch meistern können.
Wissen sichtbar machen: KI braucht eine verlässliche, gut strukturierte Datenbasis. (Bild: Proalpha)
Die Erwartungen vieler Unternehmen an die vermeintlich unbegrenzten Möglichkeiten Künstlicher Intelligenz waren hoch, doch die betriebliche Praxis zeichnet bislang ein deutlich nüchterneres Bild. Eine aktuelle PwC-Studie unter mehr als 4400 CEOs aus 95 Ländern zeigt, dass zwei Drittel der deutschen Unternehmenslenker keinen positiven Effekt ihrer KI-Investitionen feststellen konnten. Nur elf Prozent erzielten durch KI höhere Umsätze, lediglich zwei Prozent schafften es, gleichzeitig Erlöse zu steigern und Kosten zu senken.
Die Ursache ist selten technischer Natur, sondern in den meisten Fällen auf strukturelle Defizite im Unternehmen selbst zurückzuführen. Künstliche Intelligenz kann ihr Potenzial nur dann produktiv entfalten, wenn sie auf ein strukturiert erfasstes, zugängliches und belastbares Unternehmenswissen zugreifen kann. Fehlt diese Grundlage, sind unbefriedigende und nicht selten sogar fehlerhafte Ergebnisse die fast zwangsläufige Konsequenz.
Verborgenes Wissen als KI-Bremse
Dabei mangelt es Industrieunternehmen in aller Regel nicht an Wissen. Produktionssysteme, Servicedokumentationen sowie ERP- und MES-Umgebungen erzeugen kontinuierlich gewaltige Informationsmengen. Das eigentliche Problem liegt in deren Verfügbarkeit. Verteilt über Abteilungen, Standorte und Systeme, uneinheitlich gepflegt und selten strukturiert genug für eine maschinelle Auswertung, bleibt dieses Wissen für KI-Systeme weitgehend unzugänglich.
Hinzu kommt eine weitere Herausforderung, die in vielen Unternehmen bislang kaum angegangen wird. Maschinenbediener, Servicetechniker und Konstrukteure tragen ein über Jahrzehnte gewachsenes Erfahrungswissen in sich, das nie systematisch dokumentiert wurde. Es existiert ausschliesslich in den Köpfen der Mitarbeitenden und hat bislang den Weg in kein strukturiertes System gefunden. Wer es nicht rechtzeitig sichert, riskiert, es beim Ausscheiden dieser Fachkräfte unwiderruflich zu verlieren.
Bleiben solche Wissenslücken ungeschlossen, arbeiten KI-Systeme zwangsläufig auf lückenhafter, fragmentierter und nicht selten widersprüchlicher Datenbasis. Zuverlässige Muster lassen sich daraus ebenso wenig ableiten wie belastbare Schlussfolgerungen – ob in der vorausschauenden Wartung, der Qualitätssicherung oder der Produktionsplanung. Betriebliches Wissen entfaltet seinen vollen Nutzen demnach erst, wenn es methodisch erfasst, fachlich validiert und abteilungsübergreifend verfügbar gemacht wird.
Wissen an der Quelle strukturieren
Wo Fachbegriffe im Unternehmen uneinheitlich genutzt werden, Wartungsprozesse je nach Standort unterschiedlich dokumentiert sind oder Zuständigkeiten unklar bleiben, reproduziert KI bestehende Fehler und Inkonsistenzen, anstatt sie zu beheben. Wissensmanagement schafft die semantische Ordnung, ohne die kein KI-System produktiv arbeiten kann.
Klare Begriffsdefinitionen, konsistente Taxonomien, verbindliche Dokumentationsstandards und transparente Verantwortlichkeiten bilden das Rückgrat jeder tragfähigen KI-Anwendung. Den eigenen Wissensbestand mit derselben Sorgfalt wie finanzielle oder materielle Ressourcen zu verwalten, ist für Unternehmen, die KI erfolgreich nutzen wollen, schlicht unumgänglich.
In vier Schritten zum Ziel
Für mittelständische Unternehmen ohne eigene KI-Abteilung und mit begrenzten Projektbudgets liegt der entscheidende Hebel nicht in aufwendigen Transformationsvorhaben, sondern in der systematischen Erschliessung des bereits vorhandenen Wissens. Spezialisierte SaaS-Lösungen, die genau diesen Prozess unterstützen, sind auf dem Markt verfügbar und lassen sich ohne grössere Integrationsaufwände in bestehende IT-Landschaften einbinden.
Bewährt hat sich dabei ein iteratives Vorgehen in vier aufeinander aufbauenden Phasen:
1. Identifizierung und Erschliessung von Wissen
Dokumentiertes Expertenwissen, informelles Kommunikationswissen aus Chats und Besprechungsprotokollen sowie Daten aus bestehenden Systemen wie ERP, MES, CRM oder PIM werden in einem zentralen Knowledge Hub als Single Source of Truth zusammengeführt und über standardisierte Schnittstellen regelmässig synchronisiert. So entsteht eine belastbare Wissensbasis, die verteilte Informationen systematisch erschliesst und nutzbar macht.
2. Aufbereitung und Freigabe von Wissen
Mitarbeitende laden unstrukturierte Inhalte oder Stichpunkte in das System hoch, woraus die KI automatisch strukturierte Wissensartikel erstellt. Ein integriertes Wissensmodell sorgt für die systematische Identifizierung und Einordnung relevanter Inhalte aus grossen, teils heterogenen Datenbeständen. Eine abschliessende fachliche Prüfung durch Experten sichert die Qualität und Verlässlichkeit der bereitgestellten Informationen.
3. Bereitstellung von Wissen
Ein granulares Rollen- und Rechtesystem steuert, wer auf welche Inhalte Zugriff erhält. So lässt sich relevantes Wissen nicht nur internen Mitarbeitenden, sondern bei Bedarf auch externen Servicepartnern gezielt bereitstellen. Intelligente Such-, Freitext- und Filterfunktionen erleichtern den schnellen Zugriff auf passende Inhalte. Die Anbindung an verbreitete Arbeitsumgebungen wie Outlook, CRM- und Ticketingsysteme sowie die Verfügbarkeit auf mobilen Endgeräten – auch offline – sorgen dafür, dass das Wissen dort genutzt wird, wo es gebraucht wird.
4. Nutzung generativer KI
Knowledge Graphen bilden das semantische Gerüst des Unternehmenswissens, machen Zusammenhänge zwischen Inhalten sichtbar und ermöglichen eine konsistente Pflege zentraler Wissensstrukturen. Generative KI und Large Language Models (LLMs) übersetzen natürliche Sprache in den Unternehmenskontext, überführen unstrukturiertes Wissen in strukturierte Artikel und erleichtern so auch weniger erfahrenen Mitarbeitenden den Zugang zu relevantem Wissen. Über einen RAG-Ansatz (Retrieval Augmented Generation) lassen sich zudem quellenbasierte, nachvollziehbare und vertrauenswürdige Auskünfte bereitstellen. Das grösste Potenzial liegt dabei in der Kombination von semantischer Wissensstruktur und generativer KI.
Wissenssicherung bei der viastore GROUP
Die viastore GROUP zählt seit mehr als 50 Jahren zu den etablierten Spezialisten für automatisierte Intralogistiklösungen und Hochregallager. Wachsende Internationalisierung, steigende Anlagenkomplexität und ein erheblicher Anteil an Mitarbeitenden im Übergang zum Ruhestand haben das Unternehmen vor die Aufgabe gestellt, kritisches Servicewissen systematisch zu konservieren und weltweit nutzbar zu machen.
Gemeinsam mit dem Lösungspartner Empolis wurde eine zentrale Wissensmanagement-Plattform eingeführt. Schulungen und Experteninterviews fliessen seitdem automatisch als Transkripte in das System ein und werden KI-gestützt in strukturierte Wissensartikel überführt. Eine integrierte Sprachaufbereitung macht die Inhalte für internationale Teams zugänglich, während eine semantische Suche gewährleistet, dass Servicetechniker im Einsatz schnell zur richtigen Information gelangen.
Die Ergebnisse sind greifbar. Recherchezeiten im Remote-Service haben sich messbar verkürzt, die Treffsicherheit bei der Suche nach störungsrelevanten Informationen ist gestiegen. Das Expertenwissen ausscheidender Mitarbeitender bleibt dem Unternehmen erhalten, neue Mitarbeitende erreichen ihre volle Einsatzfähigkeit rascher als zuvor. Nicht zuletzt legt viastore damit das Datenfundament für weiterführende Anwendungen, darunter KI-gestützte Diagnoseassistenten und prädiktive Instandhaltungsansätze im Anlagenbetrieb.
Wissen als bedeutender Wettbewerbsvorteil
Ob Künstliche Intelligenz im Mittelstand ihr volles Potenzial entfalten kann, ist letztlich keine reine Technologiefrage. Entscheidend ist, wie konsequent ein Unternehmen sein vorhandenes Wissen erfasst, strukturiert und verfügbar macht. Denn häufig ist die nötige Wissensbasis bereits vorhanden, wenn auch oft nur verteilt oder implizit. Moderne KI-Anwendungen helfen dabei, dieses Wissen zusammenzuführen, aufzubereiten und nutzbar zu machen. KI-gestütztes Wissensmanagement ist deshalb weit mehr als ein IT-Vorhaben: Es ist ein fortlaufender Prozess, der sich früh auszahlt und für mittelständische Industrieunternehmen zu einem entscheidenden Wettbewerbsfaktor wird.
Der Autor
Eric Brabänder ist Chief Product Officer bei Empolis
Proalpha Schweiz AG | 4147 Aesch | www.proalpha.com
Weitere Informationen und Beiträge bei Proalpha in der topsoft Marktübersicht