Bevor ihr das nächste KI-Tool testet: baut die Wissensbasis
Modelle wechseln im Quartalsrhythmus, Tools kommen und gehen, viele Piloten enttäuschen. Eine Investition veraltet dabei nicht, sondern wird mit jeder Modellgeneration wertvoller: das eigene Unternehmenswissen, aufbereitet als semantisch durchsuchbare Wissensbasis.
Die Frage begegnet uns in fast jedem Erstgespräch: Welche KI-Initiative lohnt sich, und welche ist in achtzehn Monaten überholt? Die ehrliche Antwort ist, dass das bei den meisten Tool-Entscheidungen heute niemand sicher sagen kann. Umso wertvoller ist der eine Baustein, bei dem die Antwort nicht vom nächsten Modell-Release abhängt.
Kontext ist der Engpass, nicht das Modell
Die großen Sprachmodelle sind auf einem Niveau, auf dem sich ihre Antworten auf allgemeine Fragen kaum noch unterscheiden. Was ihnen fehlt, ist euer Kontext: die Projekthistorie, die Entscheidungen samt Begründung, die Vorlagen, das implizite Wissen aus zwanzig Jahren Arbeit. Ohne diesen Kontext antwortet jedes Modell generisch. Mit ihm antwortet dasselbe Modell auf dem Niveau eures erfahrensten Mitarbeiters, der das Archiv auswendig kennt. Der Work AI Index von Glean beziffert die Folge des fehlenden Kontexts: Wissensarbeitende verlieren im Schnitt 6,4 Stunden pro Woche mit dem Nachbessern und Prüfen von KI-Ausgaben.
Was eine Wissensbasis von einer Ablage unterscheidet
Ein SharePoint voller Dokumente ist noch keine Wissensbasis. Der Unterschied entsteht durch drei Dinge. Erstens Kuratierung: Duplikate zusammenführen, Veraltetes aussortieren, Wissen verdichten statt draufschichten. Zweitens semantische Suche: Inhalte werden über Vektoren inhaltlich auffindbar, wer nach der Gewährleistungsfrist fragt, findet auch das Dokument, das von Mängelhaftung spricht. Drittens Herkunftsnachweis: Jede Wissenseinheit weiß, aus welcher Quelle und welcher Stelle sie stammt, damit Antworten belegbar sind statt behauptet.
Richtig gebaut, hängt so eine Wissensbasis an keinem bestimmten KI-Produkt. Über offene Schnittstellen wie das Model Context Protocol (MCP) dockt sie per Konfiguration an ChatGPT, Claude oder den M365 Copilot an, mehrere Systeme parallel, Modellwechsel ohne Migration. Das ist der Grund, warum sie eine No-Regret-Entscheidung ist: Egal welches Modell sich durchsetzt, der Wert des aufbereiteten Wissens wächst mit.
Ein ehrlicher Vorbehalt
Eine Wissensbasis ist kein Selbstläufer. Die Kuratierung ist echte Arbeit, und ohne laufende Pflege verwässert das Asset wieder. Und wer nur eine Handvoll Dokumente hat oder dessen Wissen ohnehin in einem einzigen strukturierten System liegt, braucht dafür kein eigenes Projekt. Der Fall trägt dort, wo Wissen über Jahre in Projektordnern, Mails und Köpfen gewachsen ist und heute bei jeder Anfrage neu zusammengesucht wird.
Wie der Aufbau Schritt für Schritt funktioniert, welche Rolle die semantische Suche spielt und wie der Anschluss ans eigene Chat-System ohne Lock-in gelingt, steht in unserer ausführlichen Einordnung: Second Brain fürs Unternehmen. Wenn ihr wissen wollt, ob euer Wissensbestand den Fall trägt, schaut euch unsere kostenlose Probe-Analyse an.
Grundlage: Work AI Index 2026 (Glean Work AI Institute); Model Context Protocol (modelcontextprotocol.io, Anthropic). Kein bezahlter Beitrag.