Wenn Unternehmenswissen mitdenkt: Die nächste Generation des Wissensmanagements

Vom Wissensspeicher zum aktiven Wissenssystem

Klassisches Wissensmanagement folgt häufig einem einfachen Prinzip:

Wissen wird erfasst, gespeichert und später wieder gesucht.

Ein Projektteam dokumentiert seine Erkenntnisse. Eine Marktanalyse wird abgelegt. Technisches Wissen landet in einer Datenbank. Lessons Learned werden nach Projektabschluss erfasst.

Das ist sinnvoll. Aber es hat eine grundlegende Schwäche.

Jemand muss wissen, dass dieses Wissen existiert und danach suchen.

Genau das verändert sich mit generativer KI, semantischer Suche, Retrieval-Augmented Generation und zunehmend auch KI-Agenten.

Ein modernes Wissenssystem kann eine Frage in natürlicher Sprache verstehen, relevante Informationen aus unterschiedlichen Quellen finden, Inhalte zusammenführen und daraus eine kontextbezogene Antwort erzeugen.

Die nächste Entwicklungsstufe geht noch weiter.

Wissen wird nicht nur auf Anfrage bereitgestellt. Systeme können Zusammenhänge erkennen, Veränderungen beobachten und relevante Informationen in laufende Prozesse einbringen.

Das ist gemeint, wenn Unternehmenswissen beginnt, "mitzudenken".

Nicht im menschlichen Sinn. Sondern als Fähigkeit eines Systems, Wissen aktiv in einen Arbeitskontext einzubringen.

Drei Generationen des Wissensmanagements

Genau hier beginnt die nächste Generation des Wissensmanagements.

RAG verbindet Sprachmodelle mit Unternehmenswissen

Eine Schlüsseltechnologie dieser Entwicklung ist Retrieval-Augmented Generation, kurz RAG.

Ein allgemeines Sprachmodell besitzt zunächst keinen zuverlässigen Zugriff auf aktuelle interne Unternehmensinformationen.

RAG verändert das.

Bevor das Sprachmodell eine Antwort erzeugt, sucht das System in einer definierten Wissensbasis nach relevanten Informationen. Diese Inhalte werden dem Modell als zusätzlicher Kontext zur Verfügung gestellt.

Der Vorteil ist erheblich.

Das Sprachmodell muss unternehmensspezifisches Wissen nicht vollständig in seinen Modellparametern gespeichert haben. Aktuelle Dokumente und Wissensbestände können bei einer Anfrage gezielt herangezogen werden.

Eine 2026 veröffentlichte systematische Literaturübersicht untersuchte 63 ausgewählte Studien zu RAG und Large Language Models im Enterprise Knowledge Management und in der Dokumentenautomatisierung. Die Autoren kommen zu einem differenzierten Ergebnis: Die Technologie besitzt grosses Potenzial, ein erheblicher Teil der untersuchten Implementierungen befindet sich jedoch noch in einer experimentellen Phase. Weniger als 15 Prozent der ausgewerteten Studien addressierten Herausforderungen der Echtzeitintegration für einen produktiven Einsatz. [1]

RAG ist also keine fertige Antwort auf jedes Wissensproblem.

Es ist ein wichtiger Baustein.

Von Dokumenten zu Zusammenhängen

RAG allein löst eine weitere Herausforderung nicht vollständig.

Unternehmenswissen besteht nicht nur aus Text.

Es besteht aus Beziehungen.

• Eine Technologie wird von einem Wettbewerber eingesetzt.
• Ein Wettbewerber adressiert einen bestimmten Markt.
• Dieser Markt gehört zu einer strategischen Opportunity.
• Die Opportunity steht mit mehreren Ideen in Verbindung.
• Eine Idee wurde bereits bewertet.
• Ein Projekt testet eine ähnliche Technologie.
• Eine frühere Erkenntnis verändert möglicherweise die Bewertung des Projekts.

Wenn all diese Informationen lediglich als einzelne Textpassagen betrachtet werden, gehen Teile dieses Zusammenhangs verloren.

Hier werden Knowledge Graphs interessant.

Sie repräsentieren nicht nur einzelne Informationen, sondern auch Beziehungen zwischen Personen, Technologien, Märkten, Unternehmen, Projekten, Opportunities oder anderen Objekten.

Aktuelle Forschung zu Enterprise Knowledge Graphs zeigt gleichzeitig, dass solche Systeme anspruchsvoll sind. Eine 2026 auf der ACL veröffentlichte Arbeit zu Knowledge-Graph-basiertem RAG stellte fest, dass generische agentische Verfahren, die auf öffentlichen Benchmarks funktionieren, nicht automatisch auf komplexe Unternehmensgraphen übertragbar sind. Unternehmensspezifische Strukturen und Geschäftslogik müssen berücksichtigt werden. [2]

Wenn Wissen den Kontext einer Entscheidung kennt

Nehmen wir ein Industrieunternehmen, das eine neue Technologie für seine Produktplattform untersucht.

In einem klassischen System sucht ein Produktmanager nach Informationen zur Technologie.

Ein moderneres System beantwortet seine Frage anhand interner und externer Quellen.

Ein aktives Wissenssystem könnte zusätzlich Zusammenhänge herstellen:

Aus einer Suchanfrage entsteht dadurch ein Entscheidungsraum.

Der Wert liegt nicht mehr nur in der Antwort.

Er liegt in den Verbindungen zwischen relevanten Informationen.

Wissen kann proaktiv werden

Hier wird die Entwicklung besonders interessant.

Wenn ein Wissenssystem Informationen, Beziehungen und laufende Aktivitäten kennt, muss es theoretisch nicht warten, bis ein Mensch eine Frage stellt.

Stellen wir uns vor, eine neue regulatorische Vorgabe wird veröffentlicht.

Ein aktives System könnte erkennen:

• Sie betrifft eine Technologie, die das Unternehmen verwendet.
• Diese Technologie ist Bestandteil von drei laufenden Projekten.
• Zwei Opportunities basieren auf Annahmen, die durch die neue Regulierung beeinflusst werden könnten.
• Bestimmte Fachpersonen besitzen dazu relevantes Wissen.

Das System könnte diese Zusammenhänge sichtbar machen und die verantwortlichen Personen darauf hinweisen.

Oder ein anderes Beispiel:

Eine neue wissenschaftliche Publikation beschreibt einen technologischen Durchbruch.

Das System erkennt eine Verbindung zu einem seit zwei Jahren beobachteten Trend, mehreren früheren Research-Ergebnissen und einer Opportunity, die vor einem Jahr wegen mangelnder technologischer Reife zurückgestellt wurde.

Die interessante Frage lautet dann:

"Sollten wir diese Opportunity neu bewerten?"

Damit verändert sich Wissensmanagement grundlegend.

Es beantwortet nicht mehr nur Fragen zur Vergangenheit.

Es kann helfen, neue Fragen für die Zukunft zu stellen.

Diese Darstellung beschreibt ein mögliches Entwicklungsziel. Heutige Systeme können dies innerhalb definierter Regeln unterstützen, aber nicht vollständig autonom und fehlerfrei leisten.

KI-Agenten erweitern diese Idee

KI-Agenten bringen eine weitere Fähigkeit hinzu.

Sie können nicht nur Informationen abrufen und zusammenfassen, sondern innerhalb definierter Grenzen mehrstufige Aufgaben bearbeiten und Werkzeuge nutzen.

Ein Knowledge Agent könnte beispielsweise:

1. 1.neue externe Informationen beobachten,
2. 2.relevante Inhalte erkennen,
3. 3.diese mit internem Wissen vergleichen,
4. 4.betroffene Opportunities oder Projekte identifizieren,
5. 5.mögliche Auswirkungen analysieren,
6. 6.eine verantwortliche Person informieren.

Aus Wissenszugriff wird ein Prozess.

Deloitte sieht Search und Knowledge Management 2026 als einen der Bereiche, in denen Führungskräfte besonders starke Auswirkungen von generativer KI erwarten. Auch bei Agentic AI wird Knowledge Management neben Bereichen wie R&D, Supply Chain und Cybersecurity als Einsatzfeld mit hohem Potenzial genannt. [3]

APQC kommt aus der Perspektive des Wissensmanagements zu einem ähnlichen Bild. Die Integration von AI und Smart Technology war in der Erhebung zu den KM-Prioritäten 2025 die wichtigste technologische Priorität. APQC betont zugleich, dass KI schlecht organisierte Informationsbestände nicht automatisch repariert. [4]

Auch Erfahrungswissen wird interessanter

Eine der schwierigsten Fragen im Wissensmanagement betrifft implizites Wissen.

Ein erfahrener Ingenieur weiss beispielsweise nicht nur, welche technische Lösung in der Vergangenheit funktioniert hat.

Er weiss vielleicht auch:

• unter welchen Bedingungen sie funktioniert,
• welche scheinbar gute Alternative damals gescheitert ist,
• welcher Kunde besonders empfindlich auf eine bestimmte Eigenschaft reagiert,
• welche Annahme in einem Projekt falsch war.

Dieses Wissen lässt sich nur teilweise in einem Dokument erfassen.

Generative KI eröffnet hier neue Möglichkeiten.

Eine 2026 veröffentlichte Studie in den Academy of Management Proceedings untersuchte anhand von 66 Interviews in 52 Organisationen, wie generative KI zur Integration impliziten Wissens eingesetzt wird. Die Autoren beschreiben unter anderem Ansätze, bei denen KI wiederkehrende Zusammenhänge zwischen Kontext und Handlungen erfahrener Fachpersonen erfassen kann. Gleichzeitig betonen sie, dass der Erfolg von organisatorischen Voraussetzungen abhängt und nicht automatisch entsteht. [5]

Das bedeutet nicht, dass eine KI die Erfahrung eines Experten einfach kopiert.

Es bedeutet, dass Unternehmen neue Möglichkeiten erhalten, Teile dieser Erfahrung für andere zugänglich zu machen.

Das Unternehmensgedächtnis bekommt eine neue Rolle

Damit verändert sich auch die Bedeutung des organisationalen Gedächtnisses.

Traditionell beantwortet es vor allem:

"Was haben wir gelernt?"

Ein AI-gestütztes Unternehmensgedächtnis kann zusätzlich fragen:

"Was davon ist jetzt relevant?"

Das ist ein grosser Unterschied.

Lessons Learned sind ein gutes Beispiel.

Viele Unternehmen dokumentieren Erfahrungen aus Projekten. Das Problem entsteht später: Die Erkenntnis existiert zwar, wird beim nächsten ähnlichen Projekt aber nicht gefunden.

Eine 2026 veröffentlichte Untersuchung testete RAG für den Zugriff auf Lessons Learned in einem realen industriellen Wissensbestand. Ausgangspunkt war genau dieses Problem: Klassische Keyword-Suche erschwert die Wiederverwendung von Projekterfahrungen. Die Studie untersuchte deshalb semantische Suche und kontextbezogene Filterung, um relevante frühere Erkenntnisse besser verfügbar zu machen. [6]

Aber darf Unternehmenswissen selbstständig handeln?

Je aktiver Wissenssysteme werden, desto wichtiger wird diese Frage.

Ein System, das Informationen sucht, besitzt ein anderes Risikoprofil als ein System, das auf Basis dieser Informationen Aktionen auslösen kann.

Deshalb muss die nächste Generation des Wissensmanagements nicht nur intelligenter, sondern auch kontrollierbarer werden.

Eine 2026 veröffentlichte Arbeit zu Designprinzipien für generative KI im Knowledge Management identifiziert sieben zentrale Gestaltungsprinzipien. Dazu gehören Datenschutz und Sicherheit, skalierbare RAG-Integration, Vertrauen und Transparenz, Datenqualität, Nutzerorientierung, User Experience sowie eine klare Ausrichtung auf den jeweiligen Anwendungsfall. [7]

Für Unternehmen lassen sich daraus einige einfache Regeln ableiten.

Die Zukunft des Wissensmanagements besteht deshalb nicht darin, einer KI einfach Zugriff auf sämtliche Unternehmensdaten zu geben.

Sie besteht darin, vertrauenswürdiges Wissen kontrolliert nutzbar zu machen.

Fazit: Die nächste Generation des Wissensmanagements ist aktiv

Wissensmanagement hatte lange die Aufgabe, Wissen zu bewahren.

Dann kam die Aufgabe hinzu, Wissen besser auffindbar zu machen.

Mit generativer KI, RAG, Knowledge Graphs und KI-Agenten entsteht nun eine dritte Dimension: Wissen kann zunehmend aktiv in Arbeits- und Entscheidungsprozesse eingebunden werden.

Das ist technologisch anspruchsvoll und organisatorisch noch anspruchsvoller.

Die Forschung zeigt deutlich, dass zwischen überzeugenden Prototypen und robusten Enterprise-Systemen weiterhin eine Lücke besteht. Gute Daten, klare Strukturen, Berechtigungen, Transparenz und Governance bleiben Voraussetzungen.

Doch die Richtung ist erkennbar.

Die interessante Wissensplattform der Zukunft beantwortet nicht nur:

"Was wissen wir?"

Sie hilft zusätzlich bei zwei weiteren Fragen:

"Was davon ist jetzt relevant?"

und

"Was sollten wir aufgrund dieses Wissens als Nächstes untersuchen?"

Dann wird aus einer Wissensablage ein aktiver Bestandteil der Unternehmensintelligenz.