Gkc26-Session: Prompt & Circumstance: AI's Place in Consulting Knowledge
Weitere Optionen
Diese Seite ist KI-generiert. Sowohl die Zusammenfassung als auch das zugrundeliegende Transkript der Videoaufzeichnung wurden mithilfe von KI erstellt.
| Prompt & Circumstance: AI's Place in Consulting Knowledge | |
|---|---|
| Art | Barcamp-Session |
| KnowledgeCamp | KnowledgeCamp 2026 |
| Sessiongebende | Ava de Pol
|
| Datum | 08.10.2026 |
| Zeit | 15:00 bis 15:45 Uhr |
| Raum | Potsdam (1.OG) |
| Sprache | Englisch |
| Aufzeichnung | YouTube |
| Im Programm | Pretalx |
| KI-Unterstützung | Whisper large-v3 (Transkription), gpt-6.1-sol (Redaktion) |
Aus dem Veranstaltungsprogramm:
This session explores how firms can use AI, particularly internal chatbots, to address knowledge management challenges such as fragmented documentation, slow onboarding, and inefficient information retrieval, based on original survey data from IT consultants. Through interactive discussions, the session examines workplace AI use, adoption concerns, implementation options such as Microsoft Copilot, self-hosted solutions, and RAG systems, and the debate over whether internal AI chatbots are truly necessary. It concludes by introducing a practical Knowledge Ecosystem Framework to help organizations structure internal knowledge and access, leaving participants with concrete considerations for implementing AI effectively.
Zusammenfassung
Die Barcamp-Session „Prompt & Circumstance: AI's Place in Consulting Knowledge“ mit Ava de Pol untersuchte, wie interne KI-Anwendungen das Wissensmanagement in Beratungsorganisationen unterstützen können. Ausgangspunkt war eine unternehmensinterne Befragung von IT-Consultants zu ihrer bisherigen KI-Nutzung, ihren Erwartungen und ihren Bedenken. Daran schloss sich eine Diskussion über Erfahrungen aus Unternehmen, Hochschulen und öffentlicher Verwaltung an.
Im Mittelpunkt stand nicht die Vorstellung einer fertigen Lösung. Ava de Pol verstand die Session als Forum, in dem sie Einblicke aus ihrer Beratungspraxis mit den Erfahrungen der Teilnehmenden verband. Zum Zeitpunkt der Befragung war in ihrem Unternehmen noch kein interner KI-Chatbot ausgerollt. Die Ergebnisse beschrieben deshalb bestehende Nutzungsweisen und Erwartungen, nicht die Wirkung einer bereits eingeführten Anwendung.
Wiederkehrende Themen waren das Wiederfinden verstreuten Wissens, die Verlässlichkeit von Antworten, der Schutz vertraulicher Daten und die Frage, wann sich eine KI-Integration überhaupt lohnt. Zum Abschluss stellte Ava de Pol ein vierstufiges Wissensökosystem vor, das die Auswahl von Wissensbeständen mit abgestuften Zugriffsrechten verbindet.
Ausgangspunkt: KI-Nutzung in der IT-Beratung
Ava de Pol verortete die Session zwischen ihrer Forschung zu KI-Adoption und Wissensmanagement und ihrer Arbeit in einer internationalen IT-Beratung. Das beschriebene Unternehmen arbeitet unter anderem mit SAP, Salesforce und Adobe; das nähere Arbeitsumfeld war durch SAP-Kundenlösungen und projektbasierte Beratung geprägt.
Die interne Befragung hatte zwei Anlässe. Einerseits sollte sie Anregungen für die Entwicklung ihres Promotionsvorhabens liefern. Andererseits hatte sich eine kleine Gruppe von Beschäftigten ohne laufenden Projekteinsatz zusammengefunden, um mit KI zu experimentieren. Diese Initiative verfolgte zwei Ziele: Ein intern entwickelter Chatbot sollte die tägliche Arbeit der Consultants erleichtern; zugleich wollte die Gruppe Erfahrungen aufbauen, um auch gegenüber Kunden Kompetenz bei der KI-Einführung zeigen zu können.
Ava de Pol stellte dabei die Produktperspektive heraus: Bevor technische Möglichkeiten und Preise weiter untersucht würden, müsse geklärt werden, wie Consultants KI tatsächlich nutzen und welche Unterstützung sie erwarten. Eine interne Anwendung ergebe wenig Sinn, wenn die Beschäftigten sie anschließend nicht verwendeten.
Ergebnisse der Befragung
Unter den Befragten waren 34 Prozent technische und 31 Prozent funktionale Consultants. Weitere Rollen waren Solution Architects, Projektmanagement und sonstige Tätigkeiten. 36 Prozent gaben an, KI mehrmals täglich zu verwenden, weitere 37 Prozent täglich. Ava de Pol deutete dies als Hinweis darauf, dass KI im untersuchten Beratungsumfeld bereits zur Arbeitsroutine gehörte.
ChatGPT war mit 41 Prozent der am häufigsten genannte Anbieter; daneben wurden Gemini, Copilot und weitere Angebote genutzt. Bei den wichtigsten Einsatzgebieten nannte sie:
- Fehlersuche und technische Problemlösung;
- Lernen und Recherche;
- Erstellung von Dokumentationen und Spezifikationen;
- Zusammenfassungen;
- Unterstützung im Projektmanagement.
Als eigenes Beispiel schilderte Ava de Pol die Erstellung interner Schulungsunterlagen zu SAP Sales und Service Cloud Version 2. Sie habe der KI eine Vorlage mit den gewünschten Inhalten gegeben und dadurch die Materialerstellung deutlich beschleunigt. Die Einschätzung der hohen Qualität und Zeitersparnis bezog sich auf ihre persönliche Erfahrung.
Bei Kundendokumenten sah sie dagegen ein Vertraulichkeitsproblem. In einem früheren Projekt sei sogar die Nutzung externer Übersetzungswerkzeuge vertraglich untersagt gewesen. Dieses Beispiel verdeutlichte für sie, weshalb der praktische Nutzen öffentlicher KI-Angebote nicht automatisch deren Zulässigkeit im Kundenprojekt bedeutet.
Als gewünschte Verbesserungen nannten die Befragten unter anderem die automatische Erstellung und Übersetzung von Dokumenten, bessere Dokumentationsqualität, Ideen für komplexe Anforderungen, Präsentationen und Berichte sowie eine schnellere Ursachenanalyse. Die größten Bedenken betrafen Genauigkeit, Verlässlichkeit und Vertraulichkeit. Ava de Pol betonte deshalb die Notwendigkeit, generierte Ergebnisse zu überprüfen.
Erwartungen an eine interne KI
34 Prozent der Befragten hielten die Nutzung einer internen KI für sehr wahrscheinlich, weitere 20 Prozent für wahrscheinlich. 26 Prozent waren neutral eingestellt; Ava de Pol sah hier Möglichkeiten durch Schulung und Unterstützung des Managements. Weitere 20 Prozent waren nicht zur Nutzung bereit.
Besonders häufig wurde die Suche nach Wissen aus früheren Projekten gewünscht. Ava de Pol beschrieb das Problem, dass Unterlagen nach Projektabschluss in SharePoint-Ordnern verschwinden und für spätere Teams schwer auffindbar sind. Eine interne KI sollte Erfahrungen, Lösungsansätze und Erkenntnisse aus vergangenen Projekten für aktuelle Architektur- oder Projektmanagementfragen zugänglich machen.
Die genannten Anwendungsfälle ordnete sie drei Bereichen zu:
- Interne Abläufe: Onboarding, Personalfragen, Zeiterfassung, KI-Richtlinien und aktuelle Dokumentationsstände.
- Projektwissen: Prozess- und Produktstandards, Vorlagen, Projektergebnisse, Dokumentationen und bewährte Vorgehensweisen.
- Laufende Arbeit: Unterstützung bei Leistungsbeschreibungen und Angebotsanfragen, Code und Testskripten sowie Fragen zu Projektstand und Risiken.
Zwei Anforderungen hob sie hervor: Fachliche Antworten, etwa zu SAP, sollten präzise statt nur plausibel klingen. Außerdem sollte die Anwendung organisationsspezifisches Wissen erschließen, das öffentlichen Modellen nicht zur Verfügung steht.
Auf Nachfrage präzisierte Ava de Pol den Begriff „interne KI“. Gemeint war eine Anwendung, die außerhalb der Organisation nicht zugänglich ist und deren eigenes Wissen berücksichtigt. Selbsthosting sei dafür keine zwingende Voraussetzung; auch ein entsprechend eingerichtetes Software-as-a-Service-Angebot könne darunterfallen.
Diskussion: Verstreutes Wissen und unterschiedliche Einführungserfahrungen
Ein Beitrag aus der Betreuung eines internen Wikis beschrieb eine Landschaft aus Atlassian-Wiki, Rovo, Copilot, Teams und SharePoint. Gewünscht wurde ein gemeinsamer Zugang, damit Beschäftigte nicht mehrere Chatbots getrennt befragen und die Ergebnisse selbst zusammenführen müssen. Als mögliche Alternative wurde das Zusammenspiel mehrerer Agenten genannt.
Ava de Pol verband dies mit Erfahrungen aus international verteilten Organisationen: Schon das Ermitteln der richtigen Ansprechperson könne mehrere Rückfragen über Länder- und Abteilungsgrenzen hinweg erfordern.
Aus dem Hochschulumfeld kamen unterschiedliche Berichte. Einerseits wurde beschrieben, dass KI zwar gelehrt werde, in der Verwaltung aber nicht verfügbar sei. Andererseits berichtete ein Beitrag von einem vorhandenen Hochschulwerkzeug, das selbst noch nicht genutzt worden sei und zu dem wenig überzeugende Rückmeldungen vorlägen.
Aus Interviews in der öffentlichen Verwaltung wurde berichtet, dass Beschäftigte vorhandene KI-Angebote teilweise gar nicht kennen oder bisher wenig hilfreiche Erfahrungen damit gemacht haben. Diese Beobachtungen wurden ausdrücklich nicht als repräsentativ eingeordnet.
Als nützliche, vergleichsweise grundlegende Funktion wurde eine schnelle Suche nach Kontakten und Verwaltungsunterlagen genannt. Für die Forschung wurden Zusammenfassungen und Unterstützung bei der Literaturrecherche angesprochen. Zugleich wurde geschildert, dass dafür teilweise private Konten statt institutionell bereitgestellter Zugänge verwendet werden.
Grenzen der erwarteten Leistung
In der Diskussion wurde davor gewarnt, von einem Sprachmodell die Reparatur ungeordneter Wissensbestände zu erwarten. Wenn Informationen unvollständig über mehrere Plattformen verteilt und uneinheitlich strukturiert seien, bleibe dies auch für eine KI ein Problem.
Ebenso wurde die Erwartung durchgehend fehlerfreier Antworten zurückgewiesen. Ein Erfahrungsbericht beschrieb Chatbots als hilfreich für einen ersten Konzeptentwurf, gerade wenn der Einstieg schwerfällt. Auch bei umfangreichem Hintergrundmaterial seien jedoch viele Korrekturen erforderlich. Ein komplexes Konzept lasse sich nicht zuverlässig mit ein oder zwei Prompts fertigstellen.
Ava de Pol ergänzte, dass sie auch bei einer SAP-eigenen KI unzutreffende Antworten auf Konfigurationsfragen erlebt habe. Die Beispiele unterstrichen den weiterhin nötigen fachlichen Prüfaufwand.
Lösungswege und die Frage nach dem Bedarf
Im weiteren Verlauf erläuterte Ava de Pol das Grundprinzip von Retrieval-Augmented Generation, kurz RAG: Eine Wissensbasis wird mit einem Sprachmodell verbunden, damit Informationen daraus für Antworten auf Nutzungsanfragen herangezogen werden können.
Sie unterschied drei grundsätzliche Lösungswege:
- Integration in eine bestehende Arbeitsumgebung: Am Beispiel Microsoft Copilot beschrieb sie mögliche Vorteile für Organisationen, deren Informationen bereits im Microsoft-Ökosystem liegen. Erweiterte Funktionen und Automatisierungsmöglichkeiten stellte sie den Lizenzkosten gegenüber.
- KI innerhalb einer Fachanwendung: Als Beispiel nannte sie SAP Joule im Vertrieb. Dort könne KI auf bereits vorhandene Kundeninformationen, Bestellhistorien und Serviceanfragen zurückgreifen.
- Selbst betriebene Lösungen: Diese stellte sie als mögliche Alternative mit potenziell geringeren direkten Kosten dar. Zugleich betonte sie den Bedarf an spezialisiertem Personal für Betrieb, Wartung und Anpassung.
Anschließend stellte sie ausdrücklich zur Diskussion, ob ein interner Chatbot überhaupt notwendig sei. Dafür wurden Arbeitsbelastung und mögliche Produktivitätsgewinne angeführt. Ein weiterer Beitrag hielt die Einführung für kaum vermeidbar, betonte aber die Beteiligung der Beschäftigten an konkreten Anwendungsfällen und Wissensbeständen. Auch das Verhältnis zwischen verbindlichen Leitlinien und freiem Experimentieren wurde angesprochen.
Ava de Pol brachte als Gegenperspektive kleinere Unternehmen ein: Bei begrenztem Budget und einer gut gepflegten Wissensbasis könne eine zusätzliche KI-Anwendung entbehrlich sein. Dem wurde entgegengehalten, dass gerade kleine Unternehmen durch wiederkehrende Onboarding-Fragen stark belastet sein können. Die Diskussion blieb damit situationsbezogen: Entscheidend seien Aufgaben, vorhandene Wissensorganisation, Ziele und Aufwand, nicht allein die Unternehmensgröße.
Das vierstufige Wissensökosystem
Zum Abschluss stellte Ava de Pol einen Rahmen vor, mit dem Organisationen Wissen für einen internen Chatbot auswählen und Zugänge differenzieren können.
Grundlagenebene
Diese Ebene enthält Wissen, das grundsätzlich alle Beschäftigten benötigen: Unternehmensgrundlagen, Standortinformationen, Prozesse, Richtlinien und Supportkontakte. Ava de Pol beschrieb es als überwiegend faktisch und vergleichsweise langsam veränderlich. Sie gab dieser Ebene hohe Priorität, weil damit häufige Alltagsfragen unmittelbar beantwortet werden könnten.
Anwendungsebene
Hier liegt Wissen für die tägliche Arbeit, abhängig von Abteilung, Rolle oder Erfahrungsstufe. Ava de Pol schlug eine Gliederung nach Abteilungen vor. Die Zugriffsrechte sollten entsprechend begrenzt sein; Beschäftigte im Vertrieb müssten beispielsweise nicht automatisch technische Ausführungsdokumentationen einsehen können.
Expertiseebene
Diese Ebene umfasst spezialisiertes Wissen, beispielsweise aus früheren Beratungsprojekten. Zugriff sollte erhalten, wer dieses Wissen für eine konkrete Aufgabe benötigt. So könnten Erfahrungen aus ähnlichen Projekten nutzbar werden, ohne sämtliche Projektinformationen allgemein freizugeben.
Innovationsebene
Die letzte Ebene bezeichnete Ava de Pol als optional. Sie umfasst streng vertrauliches Wissen aus Innovations- oder Entwicklungsarbeit und soll nur den daran Beteiligten offenstehen. Als Motivation nannte sie das Risiko, solche Inhalte durch die Nutzung öffentlicher KI-Angebote an Dritte weiterzugeben.
Wichtigste Erkenntnisse und Abschluss
Ava de Pol bündelte ihre Schlussfolgerungen in mehreren Punkten:
- Den Zweck zuerst klären: Produktivität, Prozessautomatisierung oder Kundenbindung verlangen unterschiedliche Strategien.
- Kosten berücksichtigen: Neben Lizenzen können nutzungsabhängige Abrechnungen relevant sein. Wiederholte Anfragen und fehlende Schulung können den Aufwand erhöhen.
- Wissen aufräumen: Kategorisierung und aktuelle Dokumentationsstände bleiben grundlegende Aufgaben – auch ohne KI-Einführung.
- Zugriffsrechte erhalten: Ein Chatbot sollte keine Informationen zugänglich machen, die Beschäftigte in den zugrunde liegenden Systemen nicht einsehen dürfen.
Die Session endete mit einer kurzen Nachfrage zum Forschungsstand. Ava de Pol erläuterte, dass sie im zweiten Promotionsjahr an Forschungsvorhaben und Fragebogendesign arbeite und Beschäftigte in professionellen Dienstleistungsorganisationen untersuchen wolle. Insgesamt blieb die Session eine offene Bestandsaufnahme: Sie verband konkrete Nutzungswünsche mit der Frage, welche organisatorischen Voraussetzungen eine interne KI tatsächlich hilfreich machen.