Kernpunkte & Schnellleser-Modus
- Nicht das Modell ist schuld: Widersprüchliche Bezeichnungen in PLM, PDM und CAD verhindern verlässliche KI-Antworten.
- Unstrukturierte Daten als Fundament: Das eigentliche Unternehmenswissen liegt in Dokumenten, Richtlinien und Berichten – nicht in sauberen Tabellen.
- Vom Silo zum Quellarchiv: Erst eine kuratierte, eindeutige Datenbasis macht Wissen für Menschen und KI-Agenten verlässlich nutzbar.
Zusammenfassung Sie stellen Ihrem KI-Assistenten eine präzise Frage, erhalten aber nur unvollständige oder fehlerhafte Antworten? Das liegt selten an der Rechenleistung des Modells. Wenn dasselbe Bauteil in verschiedenen Abteilungen völlig unterschiedlich benannt wird, scheitert jede semantische Suche. Erst der Schritt vom isolierten Datensilo zum kuratierten Quellarchiv schafft die Basis für verlässliche Ergebnisse.
Sie stellen eine einfache Frage. Der KI-Assistent liefert … irgendetwas. Unvollständig, halb richtig, jedenfalls nicht das, was Sie gesucht haben. Dabei wissen Sie genau: Die Information ist im System. Irgendwo.
Woran das liegt, hat selten etwas mit dem Modell zu tun. Dasselbe Bauteil heißt im PLM „Dichtring“, im PDM „Dichtungsring“, in der Stückliste „O-Ring 12x2“ und in der Konstruktion seit 2014 „Teil_final_v3“. Zehn Namen, ein Bauteil – und eine KI, die keine Chance hat, das zusammenzubringen. Wenn Sie aber jede KI-Antwort erst mühsam prüfen müssen, ist der Nutzen schon dahin.
Genau hier scheitern die meisten KI-Projekte.
Wo das Wissen wirklich steckt
Der Grund liegt auf der Hand: Die meisten Unternehmensdaten sind unstrukturiert. Sie stecken in Dokumenten – Richtlinien, Berichten, Verträgen, Montageanleitungen und Produktspezifikationen. Das ist kein Nebenschauplatz, sondern wertvolles, firmeneigenes Wissen, auf dem der gesamte Geschäftsbetrieb fußt.
Während Datenbanken mit festen Schemata und eindeutigen Fremdschlüsseln arbeiten, wächst die Dokumentenlandschaft über Jahre organisch. Jede Abteilung pflegt ihr eigenes Vokabular, jede Generation von Mitarbeitern hinterlässt eigene Dateiablagen und Konventionen. Für Menschen mit jahrelanger Betriebszugehörigkeit ist dieses implizite Wissen selbstverständlich („Wenn du die Dichtung für die Pumpe 4 suchen willst, schau im Ordner Konstruktion_Alt nach“). Für ein KI-System, das auf semantische Ähnlichkeiten oder Stichwortsuche angewiesen ist, ist es ein unüberwindbares Labyrinth.
Stunden für eine Antwort
Früher bedeutete der Zugriff auf dieses Wissen: Mitarbeiter suchten Dateien, riefen sie ab, lasen sie quer und stellten Informationen aus verschiedenen Quellen von Hand zusammen.
- Bei einer einfachen Frage kostete das Minuten.
- Bei komplexen Fragen, deren Antworten sich über mehrere Dokumente und Versionen erstreckten, dauerte es Stunden oder Tage.
Die Verheißung moderner KI-Agenten und RAG-Systeme (Retrieval-Augmented Generation) lautet, genau diese Fleißarbeit in Sekundenschnelle zu erledigen. Doch die Realität holt viele Unternehmen schnell ein: Die KI kann nur finden, was sie versteht – und sie versteht kein Bauteil mit zehn verschiedenen Namen und kein Dokument, das in einem isolierten Silo verschwindet, von dessen Existenz die Schnittstelle nichts weiß.
Wenn das Sprachmodell mangels eindeutiger Zusammenhänge halluziniert oder raten muss, liegt das Problem nicht im Algorithmus. Es liegt an der Datenbasis.
Aus Silos wird ein Archiv
Deshalb ist die eigentliche Aufgabe keine rein technische. Es geht nicht darum, das nächste, noch größere Sprachmodell einzukaufen oder komplizierte Prompts zu verfassen.
Die echte Herausforderung besteht darin, aus verstreuten Ablagen kuratierte Sammlungen zu machen: ein Quellarchiv, in dem Dinge einen Namen haben und diesen Namen behalten.
Das bedeutet in der Praxis:
- Nomenklatur bereinigen: Eindeutige Begrifflichkeiten und Synonym-Mappings etablieren, damit ein System versteht, dass „Dichtring“, „O-Ring 12x2“ und die CAD-Zeichnung dieselbe physische Realität abbilden.
- Dokumente lesbar machen: Formatballast, proprietäre Dateiformate und veraltete Layouts entfernen und die Kernaussagen in saubere, versionierte Textformate (wie Markdown) überführen.
- Kontext verknüpfen: Beziehungen zwischen Daten herstellen, statt Dokumente isoliert auf Netzlaufwerken verstauben zu lassen.
Das ist eine echte organisatorische Kraftanstrengung – und für viele Unternehmen eine handfeste Kampfansage an die eigene jahrelange Praxis, Daten in Abteilungssilos wegzuschließen, statt sie unternehmensweit zugänglich und maschinenlesbar zu machen.
Vom Neuland zur tragfähigen Wissensinfrastruktur
In meinen eigenen Projekten zeigt sich immer wieder dasselbe Muster: Wer sich der Frage stellt, warum eine KI scheinbar einfache Auskünfte verweigert, landet schnell bei der grundlegenden Arbeitsweise des Unternehmens.
Aus der scheinbar einfachen Frage „Geht das auch anders?“ entsteht dabei fast zwangsläufig mehr als nur ein Prompt-Tuning. Am Ende steht der Aufbau einer dauerhaften, belastbaren Wissensinfrastruktur – ein kuratierter Datenschatz, der unabhängig vom jeweiligen KI-Anbieter Bestand hat.
Wer sein Wissen strukturiert und kuratiert, macht sich unabhängig von Modell-Hypes. Ob heute GPT, Gemini oder morgen ein lokales Open-Weights-Modell zum Einsatz kommt: Erst wenn die Datenbasis konsistent ist, kann ein Unternehmen wirklich anfangen, produktiv mit seinen Daten zu sprechen.
Achim Weidner
Haßlocher Straße 73
65428 Rüsselsheim am Main
E-Mail: post@achim-weidner.de
Telefon: 06142 796066
LinkedIn: achimweidner
