Zum Inhalt springen

Unser Wiki ist seit dem 2. Oktober öffentlich lesbar. Mehr dazu.

Gkc26-Session: Das Wissensfundament ist eine Baustelle

Aus GfWM Wiki
Disclaimer
Diese Seite ist KI-generiert. Sowohl die Zusammenfassung als auch das zugrundeliegende Transkript der Videoaufzeichnung wurden mithilfe von KI erstellt.
Das Wissensfundament ist eine Baustelle
Art Barcamp-Session
KnowledgeCamp KnowledgeCamp 2026
Sessiongebende Dr. Leon Geerdink


Datum 08.10.2026
Zeit 17:00 bis 17:45 Uhr
Raum Karlsruhe (2.OG)
Sprache Deutsch
Aufzeichnung YouTube
Im Programm Pretalx
KI-Unterstützung Whisper large-v3 (Transkription), gpt-6.1-sol (Redaktion)

Aus dem Veranstaltungsprogramm:

Sammeln reicht nicht: Warum KI-Wissenssysteme verarbeitete, rückverfolgbare und datierte Aussagen brauchen

Zusammenfassung

In der Barcamp-Session „Das Wissensfundament ist eine Baustelle“ stellte Dr. Leon Geerdink ein Konzept für den Umgang von KI mit Organisationswissen vor. Seine zentrale These: Eine verlässliche Wissensbasis entsteht nicht dadurch, dass man einer KI möglichst viele Dokumente zugänglich macht. Sie muss strukturiert, begründet, auf Veränderungen geprüft und kontinuierlich gepflegt werden.

Geerdink verband seinen Hintergrund als promovierter Erkenntnistheoretiker mit Erfahrungen aus der Data Science und seiner Tätigkeit als AI Engineering Lead bei Wingmate. Er erläuterte die konzeptionellen Überlegungen hinter einer KI-gestützten Wissensarchitektur, nicht vorrangig ein Produkt. Dabei betonte er, dass Teile des vorgestellten Zielbilds noch nicht vollständig implementiert seien.

Als durchgängiges Beispiel diente eine Urlaubsanfrage: Um sie konkret beantworten zu können, müsste ein System allgemeine Richtlinien, persönliche Urlaubsdaten, Zuständigkeiten und Zugriffsrechte zusammenführen. An diesem Beispiel erklärte Geerdink die Bedeutung einzelner Wissensaussagen, nachvollziehbarer Quellen, einer organisationsbezogenen Ontologie und zeitlicher Gültigkeit. Die anschließende Diskussion behandelte insbesondere Pflegeaufwand, Fehlerquellen, technische Grenzen und die Frage, wer verbindliche Regeln festlegt.

Ausgangspunkt: Kontext auswählen statt alles anbinden

Geerdink begann mit dem Unterschied zwischen allgemeinem Modellwissen und Organisationskontext. Auf die Frage nach dem eigenen Urlaubsanspruch könne eine KI ohne weitere Informationen nur allgemein antworten. Eine konkrete Auskunft erfordere dagegen die geltende Urlaubsregelung und die persönlichen Daten der fragenden Person. Im Beispiel waren dies ein Anspruch von 30 Tagen, zwölf verbleibende Tage und eine Frist für den Resturlaub.

Die bloße Anbindung vieler Datenquellen über Konnektoren oder Retrieval-Augmented Generation (RAG) löse dieses Problem nach seiner Einschätzung nicht. Er benannte mehrere Schwierigkeiten:

  • Die KI müsse aus einer großen Datenmenge die tatsächlich maßgeblichen Informationen auswählen.
  • Quellen könnten veraltet, falsch oder für eine verbindliche Aussage nicht autorisiert sein.
  • Inhaltlich ähnliche Treffer seien nicht automatisch geeignete Belege.
  • Auch irrelevante Informationen könnten die spätere Antwort beeinflussen.

Unter dem Stichwort „Context Rot“ beschrieb er, dass bereits vorhandener Gesprächskontext weitere Antworten prägen könne. Als ausdrücklich erfundenes Beispiel nannte er ein Gespräch über eine Weihnachtsfeier, dessen Inhalte anschließend unpassend mit einer Urlaubsfrage verknüpft würden.

Sein Ansatz war deshalb, den Kontext gezielt zu verwalten. Für die Urlaubsfrage könnten die aktuelle Richtlinie und persönliche Daten aus Personio relevant sein. Eine interne HR-Diskussion über die Richtlinie könne zwar von einer semantischen Suche gefunden werden, müsse aber nicht in den Antwortkontext gehören.

Wissensaussagen, Quellen und Ontologien

Die Aussage als Baustein

Geerdink unterschied zwischen Primärquellen und dem daraus gewonnenen Wissen. Dokumente seien wichtige Begründungen, aber nicht die geeignete kleinste Einheit einer Wissensrepräsentation. Ein einzelnes Dokument könne zugleich aktuelle, veraltete, falsche und weiterhin relevante Passagen enthalten. Deshalb betrachtete er die einzelne Aussage als Baustein.

Als philosophischen Bezug führte er die Vorstellung von Wissen als wahrer, begründeter Überzeugung an. Für den Organisationskontext bedeutete dies: Eine Aussage sollte nicht nur zutreffen, sondern durch eine geeignete Quelle gestützt sein. Das fiktive Beispiel, Julia Schulz sei für HR-Themen im Vertrieb zuständig, könnte etwa durch eine entsprechende Mitteilung einer zuständigen Stelle begründet werden.

Dabei unterschied Geerdink zwischen einer zutreffenden Aussage und einer tragfähigen Begründung. Selbst wenn eine alte Kopie einer Richtlinie zufällig noch die richtige Frist enthalte, sei sie nicht unbedingt der richtige Nachweis. Das System solle stattdessen die maßgebliche aktuelle Richtlinie heranziehen.

Entitäten und Beziehungen

Eine Ontologie sollte nach dem vorgestellten Konzept festlegen, welche Arten von Dingen und Beziehungen für die Organisation wichtig sind. Im Beispiel war Julia Schulz eine Person, die eine HR-Rolle ausfüllte und den Vertrieb betreute. Weitere mögliche Entitäten waren Teams, Projekte oder Prozesse.

Eine solche Struktur sollte auch mehrdeutige Bezeichnungen auflösbar machen. Bei einer Erwähnung von „Julia“ oder „Frau Schulz“ könne das System vorhandene Personen und ihre Eigenschaften abgleichen. Bleibe die Zuordnung unsicher, solle es nachfragen, statt willkürlich eine Person auszuwählen.

Geerdink beschrieb damit drei ergänzende Zugänge zu Informationen:

  • semantische Suche nach inhaltlicher Ähnlichkeit;
  • Stichwortsuche nach konkreten Bezeichnungen;
  • Navigation durch Beziehungen in einem Wissens- beziehungsweise Kontextgraphen.

Über den Graphen könne eine KI gezielt weitere relevante Informationen erschließen, ohne vorsorglich große Dokumentmengen in ihren Kontext aufzunehmen. RAG und Dokumentensuche erklärte er damit nicht für überflüssig. Ergänzend sprach er sich dafür aus, Dokumente durch Zusammenfassungen, Schlagwörter und Zuordnungen zu enthaltenen Entitäten besser erschließbar zu machen.

Antworten begründen und Berechtigungen beachten

Im Urlaubsbeispiel sollte das System erkennen, dass sich „ich“ auf den angemeldeten Nutzer Tom bezieht. Anschließend könnte es die Urlaubsrichtlinie suchen, Toms persönliche Daten abrufen und gegebenenfalls die zuständige HR-Person ermitteln.

Dabei hob Geerdink zwei Anforderungen hervor. Erstens dürfe ein KI-Agent nur mit den Berechtigungen handeln, die Tom selbst besitzt und deren Nutzung er gestattet. Die technische Umsetzung des Berechtigungsmanagements bezeichnete er als schwierig; im Vortrag vertiefte er sie nicht.

Zweitens müsse die Antwort nachvollziehbar bleiben. Tom sollte prüfen können, welche Angabe aus Personio stammt, welche Regel in der Urlaubsrichtlinie steht und woher eine Zuständigkeitsinformation kommt. Die Quellen dienten damit nicht nur als Eingabe, sondern als überprüfbare Begründung einzelner Aussagen.

Veränderungen und zeitliche Gültigkeit

Mit dem Gedanken „Alles fließt“ leitete Geerdink zum zweiten Schwerpunkt über: Wissen verändert sich. Personen können ihren Namen und ihre E-Mail-Adresse ändern, andere Rollen übernehmen oder Zuständigkeiten abgeben. Auch Richtlinien werden überarbeitet.

Im fortgeführten Beispiel wechselte Julia aus ihrer bisherigen HR-Rolle in eine Leitungsfunktion; eine andere Person übernahm die Betreuung des Vertriebs. Das System sollte bei einer neuen Anfrage die veränderten Beziehungen berücksichtigen können, statt eine veraltete Zuständigkeit aus einem älteren Dokument zu wiederholen.

Als technischen Ansatz nannte Geerdink einen bitemporalen Kontextgraphen. Dieser unterscheidet zwei Zeitdimensionen:

  • den Zeitraum, in dem eine Information gilt;
  • den Zeitpunkt, ab dem das System von dieser Information weiß.

Eine Rollenänderung könne beispielsweise bereits erfolgt sein, bevor das System davon erfahre. Mit beiden Zeitangaben ließe sich später erklären, weshalb eine frühere Antwort noch auf einem alten Kenntnisstand beruhte. Als verwandten Ansatz aus der Datenverarbeitung erwähnte er „Slowly Changing Dimensions“.

Die Metapher der Baustelle bezog sich damit auf dauerhafte Arbeit: Die Wissensbasis müsse Veränderungen aufnehmen und veraltete, falsche oder widersprüchliche Aussagen erkennen und bearbeiten können.

Menschliche Pflege und aktive Rückkopplung

Geerdink verstand das vorgeschlagene System nicht als passiven Speicher. Es sollte Informationen strukturieren, Widersprüche erkennen und bei Bedarf zuständige Menschen ansprechen. Gleichzeitig dürfe es diese nicht durch ständige Rückfragen überlasten.

Für Menschen und Wissensmanagement sah er insbesondere folgende Aufgaben:

  • relevante Entitäten und Beziehungen der Organisation bestimmen;
  • die Ontologie gestalten;
  • maßgebliche Quellen und Zuständigkeiten festlegen;
  • unklare Referenzen und Widersprüche klären;
  • Fehler in der Wissensbasis korrigieren.

Nicht jede Strukturentscheidung lasse sich allgemein vorwegnehmen. Ob eine Person mehrere Rollen gleichzeitig ausüben könne, hänge beispielsweise von der Organisation ab. KI könne bei Extraktion und Zuordnung unterstützen; diese Unterstützung ersetze aber nicht sämtliche menschlichen Entscheidungen.

Diskussion: praktische Grenzen und offene Fragen

Dokumente oder direkte Arbeit mit der KI?

In der Diskussion wurde gefragt, ob Beschäftigte künftig weiterhin Wissensartikel und Richtlinien pflegen oder ihr Wissen direkt im Austausch mit einer KI vermitteln würden.

Geerdink hielt es technisch für vorstellbar, dass auch Gespräche mit autorisierten Personen als Primärquellen dienen. Aus Sicht seines Unternehmens sei eine stärkere Verlagerung auf die KI-Plattform plausibel. Zugleich ließ er offen, ob dies organisatorisch ausreiche: Schriftlich festgehaltene Richtlinien könnten unabhängig von der technischen Verarbeitung weiterhin wichtig sein.

Pflegeaufwand und Wildwuchs

Auf die Frage nach den größten Umsetzungshürden nannte Geerdink zunächst die Bereitschaft zur Pflege. Auch ein System, das diesen Aufwand reduziere, benötige weiterhin menschliche Mitwirkung. Bleibe diese aus, müsse die KI womöglich selbst entscheiden und könne dabei erneut Fehler verursachen.

Eine zweite Sorge betraf das Wachstum des Kontextgraphen. Nach seiner Einschätzung ergänze KI gern neue Entitäten und Strukturen, reduziere sie aber weniger bereitwillig. Ohne Begrenzung drohe Wildwuchs. Deshalb sollte die Ontologie nicht unkontrolliert von der KI selbst aufgebaut, sondern vorgegeben und gegebenenfalls mit KI-Unterstützung gestaltet werden.

Fehlerhafte Quellen und Änderungen an Dokumenten

In der Diskussion wurde eingewandt, dass Geschäftsbriefe und andere menschlich erstellte Quellen ebenfalls Fehler enthalten könnten. Eine falsche Namensschreibung könne dadurch in die Verarbeitung eingehen.

Geerdink verwies auf den Abgleich erkannter Personen mit einem Verzeichnis wie Active Directory. Solche Zuordnungen seien seiner Einschätzung nach mit modernen Modellen häufig zuverlässig möglich, aber nicht fehlerfrei.

Er stellte außerdem klar, dass die KI in seinem Konzept keine Primärquellen umschreiben sollte. Sie verändere ihre eigene Repräsentation des Unternehmens, sofern dafür eine Begründung vorliege. Ein alter Name in einem bestehenden Dokument bleibe somit erhalten, während die interne Zuordnung anhand neuer Informationen aktualisiert werden könne.

Verbindliche Regeln statt wechselnder Interpretation

Weitere Fragen betrafen vorhandene Metadaten in SharePoint und die Zuordnung von Inhalten zu Produkten oder Prozessen. Geerdink unterschied zwischen der Fähigkeit einer KI, solche Strukturen zu interpretieren, und einer dauerhaft gleichbleibenden Interpretation. Letztere sei nicht allein dadurch gesichert, dass das Modell den Zusammenhang grundsätzlich erkenne.

Als Beispiel nannte er eine Umsatzabfrage: Ob interne Kunden mitzuzählen seien, sollte die KI nicht bei jeder Anfrage neu entscheiden. Solche Regeln sollten möglichst technisch festgelegt sein, etwa durch vorgegebene Abfragen, Vorlagen oder Stored Procedures.

Wo eine Plattform diese Möglichkeiten nicht biete, könnten standardisierte Prompts ein Ausweg sein. Geerdink bevorzugte jedoch eine systematisch hinterlegte Repräsentation. Werde eine bisher implizite Regel als Fehlerquelle erkannt, sollte sie explizit ergänzt werden, statt bei jeder Anfrage erneut erklärt werden zu müssen.

Autorität, Rückfragen und Evaluation

In der Diskussion blieb die Frage wichtig, wer festlegt, welche Aussagen verbindlich sind. Geerdink erläuterte sein Konzept als eigenen Architekturvorschlag, nicht als allgemeingültige Vorgabe. Innerhalb des Systems sollten bestimmte Quellen oder Personen für bestimmte Themen als maßgeblich hinterlegt werden.

Auch hierbei sah er ein Kalibrierungsproblem: Zu wenige Rückfragen könnten Fehler begünstigen, zu viele die zuständigen Personen überfordern. Auf den angesprochenen Evaluationsaufwand bei stark individualisierten Lösungen antwortete er, dass sein Unternehmen zunächst eine vorgegebene Ontologie nutze. Unbegrenzte Anpassbarkeit sei schwer beherrschbar; maßgeschneiderte Lösungen seien entsprechend aufwendiger.

Zentrale Erkenntnisse

Die Session entwarf ein Zielbild für KI-gestütztes Organisationswissen, keine bereits vollständig umgesetzte Universallösung. Im Mittelpunkt standen begründete Einzelaussagen, gezielt ausgewählter Kontext und nachvollziehbare Veränderungen.

Die Baustellenmetapher fasste Geerdinks Kernpunkt zusammen: Verlässlichkeit entsteht nicht allein durch Zugriff auf Daten. Sie erfordert eine gestaltete Wissensstruktur, festgelegte Autoritäten, zeitliche Einordnung und fortlaufende Pflege. Die Diskussion machte zugleich deutlich, dass Pflegebereitschaft, kontrolliertes Wachstum und eine angemessene Zahl menschlicher Rückfragen offene praktische Herausforderungen bleiben.

Cookies helfen uns bei der Bereitstellung von GfWM Wiki. Durch die Nutzung von GfWM Wiki erklärst du dich damit einverstanden, dass wir Cookies speichern.