KI-Wissensdatenbank aufbauen: Quellen, Rechte und Qualität
Ein Entscheidungsrahmen für den Chat mit Unternehmenswissen: verbindliche Quellen, Berechtigungen, Aktualisierung und überprüfbare Antworten.
Definition
KI-Wissensdatenbank aufbauen: Eine KI-Wissensdatenbank verbindet freigegebene Unternehmensquellen mit einer Such- und Antwortfunktion. Mitarbeitende stellen Fragen in ihrer Alltagssprache und erhalten Antworten mit überprüfbaren Fundstellen. Der Nutzen hängt davon ab, ob die Quelle stimmt, der Zugriff erlaubt ist und die Antwort die tatsächliche Frage beantwortet.
Eine KI-Wissensdatenbank verbindet freigegebene Unternehmensquellen mit einer Such- und Antwortfunktion. Mitarbeitende stellen Fragen in ihrer Alltagssprache und erhalten Antworten mit überprüfbaren Fundstellen. Der Nutzen hängt davon ab, ob die Quelle stimmt, der Zugriff erlaubt ist und die Antwort die tatsächliche Frage beantwortet.
Wenn du einen Chat mit Unternehmenswissen aufbauen willst, beginne mit einer wiederkehrenden Informationsaufgabe. Für Geschäftsführung und IT im Mittelstand ist die erste Entscheidung: Reicht die Suche im bestehenden System, passt eine verfügbare Anbindung oder braucht das Unternehmen eine eigene Lösung? Dieser Artikel liefert dafür einen Entscheidungsrahmen. Die Tabellen sind meine redaktionellen Vorschläge, keine Produktbenchmarks.
Company GPT und Chat mit Unternehmenswissen einordnen
Bezeichnungen wie Company GPT oder Unternehmens-KI beschreiben noch keine bestimmte Architektur. Für die Auswahl muss feststehen, welche Fragen beantwortet werden, welche Quellen gelten und welche Person welche Inhalte sehen darf. Ein Markenname ersetzt diesen Anforderungskatalog nicht.
Prüfe zunächst die Frage an einer bekannten Quelle. Kann das Team deren Geltungsbereich und die Antwort selbst beurteilen? Die Checkliste für KI-Ergebnisse hilft dabei. Ein Mitarbeiter muss eine unbelegte Auskunft erkennen, auch wenn der Chat eine Quellenangabe zeigt.
Das Problem mit klassischen Knowledge Bases
Eine erfolglose Suche hat verschiedene Ursachen. Ein Dokument fehlt, seine Bezeichnung passt nicht zur Frage, mehrere Fassungen widersprechen sich oder der Nutzer hat keine Berechtigung. Eine zusätzliche Chat-Oberfläche löst diese Ursachen nicht automatisch.
Sammle deshalb konkrete Suchaufgaben aus einem Team: "Welche Freigabe braucht ein Sonderrabatt?", "Welche Vorlage gilt für eine Reklamation?" oder "Wo steht die aktuelle Vertretungsregel?" Dokumentiere den gewünschten Beleg. Wenn auch ein erfahrener Kollege keine verbindliche Quelle findet, muss zunächst diese Quelle entstehen oder geklärt werden.
Ein KI-Wissensassistent eignet sich für die Suche und Erklärung vorhandener Informationen. Eine verbindliche Entscheidung oder eine Änderung im Fachsystem ist ein eigener Prozess. Die Integration von ChatGPT in Unternehmensabläufe beschreibt, wie eine solche Übergabe mit begrenzten Rechten und Freigaben funktioniert.
Architektur einer Enterprise Knowledge Base mit KI
Der folgende Aufbau ist eine Planungshilfe. Kleine Anwendungen brauchen nicht für jeden Schritt ein eigenes Werkzeug. Sie brauchen jedoch eine überprüfbare Antwort darauf, wer welchen Teil verantwortet.
| Baustein | Festzulegende Entscheidung | Nachweis im Test |
|---|---|---|
| Quellen | Welche Ablage ist verbindlich? | Antwort verweist auf die freigegebene Fassung |
| Aufbereitung | Bleiben Tabellen, Überschriften und Einheiten erhalten? | Extraktion entspricht dem Original |
| Suche | Wie werden passende Inhalte gefunden? | Erwartete Fundstelle erscheint |
| Berechtigungen | Welche Person darf welche Quelle lesen? | Gesperrte Inhalte bleiben unerreichbar |
| Antwort | Welche Aussagen sind durch Quellen gedeckt? | Aussage und Fundstelle stimmen überein |
| Betrieb | Wer bearbeitet Änderungen und Fehler? | Korrektur ist nachvollziehbar umgesetzt |
Quellen und Verantwortliche festlegen
Beginne mit einem abgegrenzten Dokumentbestand und einem fachlichen Eigentümer. Halte pro Quelle Titel, Ablageort, Gültigkeitsbereich, Version, Freigabestatus und verantwortliche Rolle fest. Ein Änderungsdatum allein beweist nicht, dass ein Dokument fachlich aktuell ist.
Chatverläufe und Tickets enthalten oft nützlichen Kontext, aber auch Einzelmeinungen, personenbezogene Daten und überholte Entscheidungen. Nimm sie nur auf, wenn ihr Zweck, Zugriff und fachlicher Status geklärt sind. Für einen ersten Pilotbestand empfehle ich freigegebene Dokumente mit eindeutiger Zuständigkeit.
Dokumente sinnvoll aufbereiten
Prüfe die tatsächlichen Inhalte nach der Textextraktion. Bei Tabellen müssen Spaltenbezüge erhalten bleiben. Bei Abbildungen darf eine Bildunterschrift nicht als vollständige technische Erklärung gelten. Trenne umfangreiche Dokumente in Abschnitte, die genügend Kontext für die spätere Antwort enthalten.
Ein Abschnitt braucht weiterhin seinen Dokumenttitel, die relevante Version und einen Weg zurück zum Original. Verliert eine Tabelle beim Import ihre Einheit, kann auch eine sprachlich saubere Antwort falsch sein. Dieser Fehler muss vor der Antworterzeugung auffallen.
Berechtigungen vor der Antwort durchsetzen
Ein Nutzer darf über den Assistenten keine Informationen erhalten, für die ihm in der Quelle die Leseberechtigung fehlt. Für eine eigene Lösung muss der berechtigte Suchraum technisch feststehen, bevor Inhalte in den Modellkontext gelangen. Ein Prompt mit "Zeige keine vertraulichen Inhalte" ist keine Zugriffskontrolle.
Prüfe auch Zwischenspeicher, gespeicherte Unterhaltungen und Protokolle. Nach einem Rechteentzug darf ein neuer Abruf nicht aus einem gemeinsamen Cache beantwortet werden, der diese Änderung ignoriert. Historische Exporte und bereits gelesene Nachrichten brauchen eigene Aufbewahrungsregeln.
RAG-Architektur nach Suchaufgabe auswählen
Retrieval Augmented Generation, kurz RAG, ergänzt eine Modellanfrage um abgerufene Quellen. Das Verfahren macht die Antwort nicht automatisch richtig. Die ausgewählten Abschnitte müssen zur Frage passen, und die daraus gebildete Aussage muss überprüfbar bleiben. Die technischen Grundlagen erklärt der Artikel Retrieval Augmented Generation.
Wähle die Suchtechnik anhand von Testfragen. Artikelnummern und genaue Bezeichnungen brauchen andere Prüfungen als offene Fragen zu einem Ablauf. Ein grösseres Modell ersetzt keine fehlende Quelle.
| Suchaufgabe | Zuerst prüfen | Erweiterung erst bei belegter Lücke |
|---|---|---|
| Exakte Dokumentnummer finden | Vorhandene Suche und Metadaten | Zusätzlicher Suchindex |
| Alltagssprache passt nicht zum Dokumenttitel | Bedeutungsbasierte Suche | Kombination mit Stichwortsuche |
| Viele ähnliche Fassungen | Versions- und Gültigkeitsfilter | Zusätzliche Relevanzbewertung |
| Antwort braucht mehrere Quellen | Nachvollziehbare Zusammenführung | Mehrstufiger Abruf |
| Antwort braucht aktuelle Vorgangsdaten | Direkte Fachsystem-Abfrage | Separater kontrollierter Workflow |
OpenAI dokumentiert File Search als gehostete Suche über hochgeladene Dateien mit semantischer Suche, Stichwortsuche und Metadatenfiltern. Das ist ein möglicher Baustein. Quellenpflege und das passende Berechtigungsmodell bleiben Aufgaben deiner Anwendung.
Komplexere Verfahren müssen ihren zusätzlichen Aufwand rechtfertigen. Ein Wissensgraph oder ein Agent mit mehreren Werkzeugen ist keine allgemeine Voraussetzung. Eure Auswahl muss zu den belegten Fehlern im Test und den Anforderungen des Betriebs passen.
Retrieval-Qualität messen
Trenne die Prüfung der Suche von der Prüfung der Antwort. Wenn die richtige Fundstelle fehlt, muss zuerst der Abruf untersucht werden. Wenn sie vorhanden ist und die Antwort trotzdem etwas anderes behauptet, liegt der Fehler in einem späteren Schritt.
Für jede Testfrage notiert der Fachbereich die erwartete Quelle und die erlaubte Kernaussage. Markiere ausserdem Fälle, in denen keine Antwort erlaubt ist. Beispiele sind unauflösbare Widersprüche oder eine fehlende Berechtigung. Allgemeine Prozentziele ohne Bezug zur Aufgabe helfen bei dieser Abnahme wenig.
Build vs. Buy
Prüfe zuerst die vorhandene Umgebung. Eine Suchfunktion, eine unterstützte Unternehmensanbindung oder ein bestehendes Wissensportal ist oft der kleinere Einstieg. Eigene Entwicklung passt, wenn eine konkrete Anforderung damit nachweislich nicht abgedeckt ist.
OpenAI beschreibt Company Knowledge in ChatGPT als Zugriff auf verfügbare Unternehmensquellen unter bestehenden Berechtigungen. Die Verfügbarkeit hängt von Workspace, Quellen und Einstellungen ab. Prüfe diese Voraussetzungen mit euren tatsächlichen Konten und Dokumenten.
Für den Vergleich fertiger Plattformen und eigener Entwicklung empfehle ich dieselbe Abnahmeliste: Quellen anschliessen, Rechte entziehen, Dokument ersetzen, Antwort prüfen und Fehler melden. Lass diese Fälle mit eurem Material zeigen. Eine Demo mit fremden Beispieldaten belegt nicht die Eignung für eure Ablage.
Bei eigener Entwicklung muss die IT den gesamten Betrieb übernehmen oder verbindlich vergeben. Dazu gehören Sicherungen, Aktualisierungen, Ausfälle und der Export bei einem Anbieterwechsel. Bei einer Plattform müssen Vertrag, verfügbare Funktionen und Zuständigkeiten diese Anforderungen abdecken. Pauschale Preise und Einführungsfristen ersetzen keine Aufwandsermittlung.
ROI-Berechnung
Berechne zunächst den Aufwand der heutigen Informationsaufgabe. Erfasse Suche, Nachfragen bei Kollegen und Prüfung des Ergebnisses. Miss anschliessend denselben Aufgabentyp mit dem Assistenten einschliesslich Quellenkontrolle und Korrekturen.
Eine brauchbare Rechnung besteht aus dem gewonnenen Zeitbudget abzüglich Quellenpflege und Systembetreuung. Für eine finanzielle Bewertung kommen Einrichtung, Lizenzen, Modellnutzung, Speicherung und Schulung hinzu. Verwende eure Messwerte und Angebote; dieser Artikel setzt keine allgemeinen Sparquoten oder Marktpreise voraus.
Prüfe auch den Fall ohne Nutzen: Wenn eine gut organisierte Ablage die Antwort bereits schnell liefert und der Chat zusätzliche Kontrolle erzeugt, ist die bestehende Suche möglicherweise die bessere Lösung. Gewonnene Kapazität ist ausserdem keine automatisch realisierte Kostensenkung.
Fünf Fehler beim Aufbau vermeiden
- Unklare Quellen übernehmen: Widersprüchliche Fassungen bleiben ungeklärt. Abhilfe: fachlichen Eigentümer und gültige Fassung festlegen.
- Rechte nur im Chat beschreiben: Der technische Abruf sieht trotzdem alle Daten. Abhilfe: berechtigten Suchraum vor dem Abruf durchsetzen.
- Aktualisierung nicht testen: Neue Dokumente kommen an, ersetzte Inhalte bleiben jedoch auffindbar. Abhilfe: Austausch und Löschung ausdrücklich prüfen.
- Nur freundliche Antworten bewerten: Der Text klingt gut, aber die Fundstelle trägt die Aussage nicht. Abhilfe: Aussage gegen Originalquelle prüfen.
- Fehlermeldungen ohne Bearbeiter sammeln: Nutzer melden Probleme, niemand korrigiert sie. Abhilfe: Verantwortlichen und Rückmeldung im bestehenden Arbeitsablauf festlegen.
Diese Liste ist eine redaktionelle Prüfhilfe, keine gemessene Rangfolge aus Kundenprojekten.
Ein prüfbarer Pilot für Unternehmenswissen
Das folgende Beispiel ist fiktiv: Ein Vertriebsinnendienst fragt nach der Freigabe eines Sonderrabatts. Die freigegebene Vertriebsrichtlinie nennt die zuständige Rolle. Eine alte Schulungsfolie nennt eine andere Grenze. Der Assistent muss die gültige Richtlinie verwenden und die alte Folie als überholt behandeln. Ist die Gültigkeit nicht geklärt, muss er den Konflikt offenlegen.
| Prüffall | Erwartetes Ergebnis |
|---|---|
| Frage zur gültigen Richtlinie | Antwort mit passender Fundstelle und Version |
| Frage mit anderer Wortwahl | Gleiche fachliche Aussage |
| Zwei widersprüchliche, ungeklärte Quellen | Konflikt nennen, keine Regel erfinden |
| Dokument für Nutzer gesperrt | Keinen Inhalt daraus offenlegen |
| Dokument ersetzt oder entfernt | Neue Abrufe verwenden nur zulässigen Bestand |
| Frage ausserhalb des Bestands | Wissenslücke benennen |
Die Fachverantwortlichen prüfen diese Fälle vor der Freigabe und nach relevanten Änderungen. Die technische Prüfung muss zusätzlich Ausfälle und Rechteänderungen abdecken. Eine bestandene Pilotliste belegt die getesteten Fälle, keine allgemeine Fehlerfreiheit.
Für den engeren Einsatz mit Produktdokumentation zeigt der KI-Wissensassistent im technischen Service, wie Handbuchversionen und Quellenstellen in einer Antwort zusammenkommen. Wenn du euren ersten Wissensprozess eingrenzen willst, nutze die Fit-Prüfung. Beschreibe die wiederkehrende Frage, die heutige Ablage und die Personen, die die Antwort prüfen.
Häufige Fragen
Braucht eine KI-Wissensdatenbank eigene Entwicklung?
Nein. Prüfe zuerst vorhandene Suchfunktionen und verfügbare Anbindungen. Eigene Entwicklung braucht eine konkrete Anforderung, die damit nicht erfüllt wird.
Verhindert RAG falsche Antworten?
Nein. Der Abruf liefert Quellen, die Suche und Antwort bleiben prüfpflichtig. Fehlende Belege und Widersprüche müssen sichtbar bleiben.
Wie bleibt Unternehmenswissen aktuell?
Jede Quelle braucht eine fachliche Zuständigkeit und einen überprüften Änderungsweg. Teste neue Fassungen, Rechteentzug und Entfernung aus dem Suchbestand ausdrücklich.
Quellenstand: 9. Oktober 2026. Entscheidungsrahmen und Pilotbeispiel sind eigene redaktionelle Vorschläge.
Weiterlesen
Passende Anleitungen und Artikel für die nächste Frage im Arbeitsablauf.
- Veraltete Dokumente in der KI-Wissensdatenbank erkennen und ersetzenVertiefung
- ChatGPT im Unternehmen nutzen: Aufgaben, Regeln und EinführungVertiefung
- KI-Ergebnisse prüfen: Eine Checkliste für Mitarbeiter mit konkreten FehlerbeispielenVertiefung
- KI im Unternehmen: Was eine HIIG-Analyse über den Wert von Fachwissen zeigtVertiefung
- KI-Wissensassistent im Service: Antworten aus HandbüchernVertiefung
- KI für Unternehmen: Anwendungen, Auswahl und Einstieg im MittelstandGrundlagen
- Vektordatenbanken vergleichen: Pinecone, Weaviate, Qdrant und ChromaVertiefung
- LLM-Vergleich: Das Framework für die richtige ModellwahlVertiefung
- Retrieval Augmented Generation: RAG für Unternehmenswissen erklärtVertiefung
Verwandte Artikel