Wissen für KI aufbereiten: Die Grundlage, bevor KI im Team etwas bringt
Einleitung
Der KI-Pilot startet. Lizenzen sind gekauft, das Tool ist eingerichtet, das Team ist erwartungsvoll. Drei Wochen später kennt der Assistent die Preisliste von 2019, die Mahnregeln stimmen nicht, und bei Sonderfällen erfindet er kreative Antworten. Niemand will daran schuld gewesen sein.
Das passiert nicht, weil die KI schlecht ist. Es passiert, weil das wichtigste Wissen des Teams im Kopf von Frau Hartmann steckt, in der Mailbox von Herrn Bayer, in einem Excel-Sheet auf dem Laufwerk und in einer PDF, die seit drei Jahren niemand mehr geöffnet hat. Wer Wissen für KI aufbereiten will, fängt nicht bei der Technik an, sondern bei dem, was Menschen täglich tun und entscheiden.
Dieser Artikel zeigt, was eine KI-fähige Wissensbasis ausmacht, warum sie für die meisten Mittelständler der ehrliche erste Schritt ist und wie ein Team Schritt für Schritt dort hinkommt.
TL;DR
KI-Assistenten und Automatisierungen brauchen Inhalte, auf die sie sich verlassen können. In vielen Mittelständlern liegt dieses Wissen verstreut in Köpfen, E-Mails und Dateien. Bevor KI im Alltag hilft, muss das relevante Teamwissen sichtbar, strukturiert und maschinenlesbar gemacht werden.
- Wissen für KI aufbereiten heißt: kritisches Erfahrungswissen einsammeln, strukturieren und in eine konsistente Form bringen
- Eine KI-fähige Wissensbasis enthält Prozesse, Sonderfälle, Entscheidungslogiken, Beispiele und Standards
- Ohne diese Grundlage scheitern KI-Projekte oft an Datenqualität, nicht an der Technik
- Der Aufwand ist überschaubar und liefert sofortigen Nutzen, auch ohne KI
Was ist eine KI-fähige Wissensbasis?
Eine KI-fähige Wissensbasis ist eine strukturierte, gepflegte Sammlung des Wissens, das ein Team für seine Arbeit braucht. Sie unterscheidet sich von einem typischen Wiki oder einem SharePoint dadurch, dass sie auf zwei Lesergruppen ausgerichtet ist: Menschen und Sprachmodelle.
Konkret heißt das:
- Inhalte sind in kurzen, eindeutigen Abschnitten formuliert
- Begriffe werden konsistent verwendet
- Entscheidungslogiken sind explizit beschrieben, nicht implizit angedeutet
- Sonderfälle stehen dort, wo eine KI sie auch findet
- Beispiele sind beigefügt und nicht nur abstrakte Regeln
In Beraterdeutsch hat sich dafür der Begriff KI-Ready eingebürgert. Ein Team ist KI-Ready, wenn sein Wissen in einer Form vorliegt, mit der ein KI-System tatsächlich arbeiten kann. Klingt selbstverständlich, ist es aber selten.
Warum KI-Projekte im Mittelstand zu früh starten
Die KI-Nutzung in deutschen Unternehmen wächst schnell. Die Bitkom-Studie zur KI in Deutschland 2026 zeigt, dass 41 Prozent der deutschen Unternehmen ab 20 Mitarbeitenden KI aktiv einsetzen, weitere 48 Prozent planen oder diskutieren den Einsatz. Gleichzeitig berichtet ein Drittel der Befragten, dass die Einführung teurer ist als erwartet.
Diese Lücke zwischen Erwartung und Realität hat selten technische Gründe. Sie hat Wissensgründe. Wer einen KI-Assistenten oder einen automatisierten Workflow auf eine schlecht dokumentierte Prozesslandschaft setzt, bekommt Antworten, die plausibel klingen und falsch sind. Halluzinationen sind oft kein Modellfehler, sondern eine Folge fehlender Quellen.
Im Mittelstand kommt ein zweites Problem dazu: der demografische Druck. Laut Statistischem Bundesamt erreichen bis 2039 rund 13,4 Millionen Erwerbspersonen das gesetzliche Rentenalter, das sind etwa 31 Prozent der heutigen Erwerbsbevölkerung. Ein erheblicher Teil des operativen Wissens, das heute funktioniert, verlässt in den kommenden Jahren die Unternehmen. Diese beiden Entwicklungen treffen aufeinander: KI wird verfügbar, gleichzeitig verschwinden die Erfahrungsträger.
Wer das Thema umdreht, sieht die Chance: Die Notwendigkeit, Wissen für KI aufzubereiten, fällt zusammen mit der Notwendigkeit, kritisches Erfahrungswissen ohnehin zu sichern. Beide Investitionen lohnen sich, auch wenn nur eine davon umgesetzt wird.
Die Bausteine: Was Teamwissen für KI strukturieren bedeutet
Eine Wissensbasis besteht typischerweise aus mehreren Bausteinen. Welche relevant sind, hängt vom Team ab. Diese vier sind in fast jedem Setup wertvoll:
Prozesswissen. Wie läuft ein Vorgang vom Anfang bis zum Ende? Welche Systeme sind beteiligt, welche Entscheidungen werden getroffen, wer schaltet wann ein? Reine Schritt-für-Schritt-Beschreibungen reichen oft nicht. Eine KI braucht auch die Frage „was tun, wenn der Standardfall nicht zutrifft".
Entscheidungslogiken. Das ist der wertvollste und am schlechtesten dokumentierte Teil. Erfahrene Mitarbeitende treffen Entscheidungen, die sie selbst kaum erklären können. Welche Faustregeln gelten? Wann wird eskaliert? Wann wird ein Rabatt freigegeben, wann nicht? Wer diese Logiken hebt, hat den größten Wertgewinn.
Sonderfälle und FAQ. Die unangenehmen 20 Prozent der Fälle, die 80 Prozent der Diskussionen verursachen. Diese Sammlung wächst nie von allein. Sie muss aktiv erarbeitet werden.
Beispiele und Vorlagen. Eine gute E-Mail an einen verärgerten Kunden, ein sauberes Angebot, ein typischer Reklamationsabschluss. Sprachmodelle lernen aus Beispielen schneller als aus Regeln.
Diese Inhalte sollten in einer einheitlichen Struktur und einem konsistenten Format vorliegen. Markdown-Dateien in einer klaren Ordnerlogik sind dafür ausreichend und unabhängig vom späteren Zielsystem.
Beispiel: Der Voicebot im Kundensupport
Ein konkretes Szenario macht das greifbar. Ein mittelständisches Unternehmen will einen Voicebot im Kundensupport einsetzen. Erste Anrufe sollen automatisch beantwortet werden, Routinefragen vom Bot erledigt, komplexe Fälle weitergeleitet.
Stufe 1: Der Bot braucht ein belastbares FAQ. Antworten auf häufige Fragen müssen aktuell, eindeutig und konsistent formuliert sein. Wenn drei Mitarbeitende drei verschiedene Antworten auf dieselbe Frage geben, hat der Bot keine Chance.
Stufe 2: Damit der Bot auch Prozesse erklären kann, etwa „Wie kündige ich meinen Vertrag?", braucht er Prozessbeschreibungen. Diese müssen die Sonderfälle abdecken: Kündigung innerhalb der Probezeit, außerordentliche Kündigung, Umzug ins Ausland.
Stufe 3: Wenn der Bot Dinge selbst ausführen soll, etwa Termine vereinbaren, Adressen ändern oder Rechnungen versenden, muss das gesamte Prozesswissen sauber dokumentiert sein. Welches System, welche Bedingungen, welche Freigabegrenzen, welche Fehlerfälle.
Ohne Stufe 1 kein sinnvoller Bot. Ohne Stufe 2 ein Bot, der schnell an Grenzen stößt. Ohne Stufe 3 keine echte Automatisierung. Die Qualität des Voicebots ist im Kern eine Funktion der Qualität der zugrundeliegenden Wissensbasis.
Wie Teams ihr Wissen für KI strukturieren
Der Weg zu einer KI-fähigen Wissensbasis ist methodisch unspektakulär. Die Reihenfolge entscheidet trotzdem über das Ergebnis.
1. Mandat klären. Welches Team wird betrachtet, warum genau dieses, was soll am Ende anders sein? Ohne klares Mandat von der Geschäftsführung versickert die Arbeit.
2. Interviews mit den Wissensträgern. Pro Person etwa eine Stunde. Ziel ist, Aufgaben, Sonderfälle, Entscheidungslogiken und Engpässe zu verstehen. Wichtig: zuhören und nachfragen, nicht schon strukturieren wollen.
3. Kuratierte Sammelphase. Die Mitarbeitenden tragen ausgewählte Materialien zusammen: gute Beispiele, wichtige Vorlagen, Dokumente, die wirklich genutzt werden. Auf keinen Fall ganze Ordner ungefiltert. Eine Wissensbasis darf nicht zur Daten-Müllhalde werden.
4. Konsolidierung. Aus Interviews und Materialien entsteht eine erste Struktur. Personenbezogene Bereiche für individuelles Erfahrungswissen, themenbezogene Bereiche für gemeinsames Teamwissen. Dopplungen und Widersprüche werden sichtbar.
5. Folgegespräche. Lücken klären, Entscheidungslogiken explizit machen, Sonderfälle ergänzen. Dieser Schritt wird oft unterschätzt. Ohne ihn bleibt die Wissensbasis flach.
6. Pflege verankern. Eine Wissensbasis, die nicht weitergepflegt wird, veraltet innerhalb von Monaten. Pflegerollen, Reviewzyklen und einfache Update-Routinen sind Teil des Ergebnisses.
Der Aufwand ist überschaubar. Für ein Team von fünf Personen sind etwa fünf Arbeitstage realistisch, verteilt über zwei bis drei Wochen.
Häufige Fehler beim Aufbau
Drei Muster wiederholen sich:
Den Werkzeugkasten vor das Problem stellen. Notion, Confluence, SharePoint, Vektordatenbank, Embedding-Modell. Diese Diskussionen sind interessant und verzögern den eigentlichen Schritt. Markdown-Dateien reichen für den Anfang. Das Zielsystem wird gewählt, wenn der Inhalt steht.
Vollständigkeit anstreben. Eine vollständige Dokumentation existiert nicht. Wer auf Vollständigkeit zielt, kommt nie ins Tun. Besser: die kritischsten 20 Prozent zuerst, alles andere folgt.
Wissen für die KI schreiben statt für Menschen. Das ist eine Falle. Eine Wissensbasis, die nur für Sprachmodelle taugt, wird vom Team nicht gepflegt. Eine Wissensbasis, die im Alltag hilft, wird gepflegt und ist genau dadurch auch KI-Ready.
Weiterführende Artikel
Sobald passende interne Artikel verlinkt werden sollen, lassen sich hier Querverweise einfügen.
FAQ
Brauchen wir wirklich eine eigene Wissensbasis, wenn die KI doch im Internet alles weiß?
Allgemeines Weltwissen löst keine internen Prozessfragen. Eine KI kann nicht wissen, wie Ihr Unternehmen Reklamationen behandelt, welche Rabattstaffeln gelten oder welcher Lieferant bei welchem Material zuverlässig ist. Ohne diese Inhalte halluziniert das Modell.
Wir haben doch schon ein Wiki. Reicht das nicht?
In vielen Fällen reicht es nicht. Klassische Wikis sind oft unvollständig, veraltet oder unstrukturiert. Für eine KI-fähige Wissensbasis kommt es auf Konsistenz, klare Definitionen und explizite Entscheidungslogiken an. Ein bestehendes Wiki kann ein guter Startpunkt sein, ersetzt aber selten die Konsolidierungsarbeit.
Wie lange dauert es, ein Team KI-Ready zu machen?
Für ein Team von fünf bis sieben Personen ist eine fokussierte Woche realistisch, wenn Mitarbeitende und Geschäftsführung mitziehen. Größere Teams brauchen entsprechend mehr Zeit. Der größte Engpass ist meist nicht die Methode, sondern die Verfügbarkeit der Wissensträger.
Was kostet das?
Die Kosten hängen von Teamgröße und Tiefe ab. Als Größenordnung: ein strukturierter Sprint für ein Team bis fünf Personen bewegt sich im Bereich eines kleinen einstelligen Beraterprojekts. Der Nutzen entsteht doppelt, durch Wissenssicherung und durch die Grundlage für spätere KI-Anwendungen.
Was passiert nach der Wissensbasis?
Mit einer aufbereiteten Wissensbasis lassen sich konkrete KI-Anwendungen aufsetzen: Assistenten, Workflows, Automatisierungen. Das ist der nächste Schritt. Mittel- bis langfristig folgt der Aufbau einer internen Fähigkeit, Prozesse mit KI kontinuierlich zu verbessern, ohne dauerhafte externe Begleitung.
Fazit
Wer Wissen für KI aufbereiten will, beginnt mit einer ehrlichen Frage: Wo liegt das relevante Erfahrungswissen heute, und in welcher Form? In den meisten mittelständischen Teams lautet die Antwort: verstreut, unvollständig und stark an Personen gebunden. Das ist kein Defizit, sondern der Normalzustand. Es ist aber die schlechtere Hälfte der Voraussetzungen für KI-Nutzung.
Die gute Nachricht: Der Schritt ist methodisch klar, der Aufwand überschaubar, der Nutzen doppelt. Eine strukturierte Wissensbasis hilft schon ohne KI, und sie macht spätere KI-Anwendungen erst tragfähig. Sie ist der ruhige, unspektakuläre Anfang einer KI-Strategie, die später skaliert.
Wer als Geschäftsführung oder Teamlead darüber nachdenkt, das eigene Team KI-Ready zu machen, findet im Austausch über die konkrete Ausgangslage meist einen klaren ersten Schritt. Genau dafür gibt es kompakte Einstiegsformate.
Hilfreiche Links
- Bitkom Research: Künstliche Intelligenz 2025/2026 — bitkom-research.de
- Statistisches Bundesamt (Destatis): Pressemitteilung Nr. N048 vom 03.09.2025 — destatis.de
- Bertelsmann Stiftung: Studie Zuwanderung und Arbeitsmarkt – eine Analyse für Deutschland und die Bundesländer (November 2024) — bertelsmann-stiftung.de
Autor: Erik Weber