Gkc25-Session: Co-Creating Intelligent Knowledge Ecosystems: Lessons from AI and KM Practice

Co-Creating Intelligent Knowledge Ecosystems: Lessons from AI and KM Practice
Art	Vortrag
KnowledgeCamp	KnowledgeCamp 2025
Speaker:in	Rajesh Dhillon
Organisation	Acies Innovations, Singapur
Track	KM Global Track
Datum	24.10.2025
Zeit	11:00 bis 11:45 Uhr
Sprache	Englisch
Aufzeichnung	YouTube
Im Programm	Programm
KI-Unterstützung	GPT-6.1 Sol

Aus dem Veranstaltungsprogramm:

Knowledge Management is no longer a back-office function, it is increasingly co-created across people, processes, and intelligent technologies. In this session, Rajesh Dhillon will share insights from recent work with large, multi-country organisations in Asia, where AI acted not merely as a tool, but as a catalyst for collective knowledge creation. He will highlight how participatory design, governance, and capacity building enabled staff to co-own the knowledge ecosystem. The talk will explore practical approaches to embedding co-creation in KM strategies to drive resilience and impact.

Rajesh Dhillon beschreibt anhand eigener Projekte, wie Künstliche Intelligenz die gemeinsame Entwicklung und Nutzung organisationalen Wissens unterstützen kann. Im Mittelpunkt stehen nicht allein Zeitgewinne, sondern Vertrauen, Beteiligung, menschliche Prüfung und klare Verantwortlichkeiten. KI soll dokumentierte Erfahrungen erschließen und Freiraum für anspruchsvollere Arbeit schaffen. Als langfristiges Ziel formuliert Dhillon die Nachhaltigkeit und Widerstandsfähigkeit von Wissen.

Gliederung und Aufbau des Vortrags

Nach einer Begrüßung und technischen Schwierigkeiten bei der Bildschirmfreigabe beginnt Dhillon mit Erfahrungen aus seiner eigenen Projektarbeit. Er erläutert zunächst, wie KI die Erstellung von Angeboten und die Strukturierung von Gedanken verändert. Anschließend erweitert er die Perspektive auf lebendige Wissensbestände, Lernkultur und Governance.

Zwei anonymisierte Organisationsbeispiele veranschaulichen unterschiedliche Herausforderungen: fachlich abgeschottete Wissensbestände und Widerstände gegen veränderte Arbeitsabläufe. Danach beschreibt Dhillon einen Workshop zur gemeinsamen Entwicklung einer Wissensmanagementstrategie. Seine Schlussfolgerungen verbinden Effizienz mit Resilienz und Inklusion. In der anschließenden Fragerunde geht es um die Grenzen dokumentierten Wissens sowie um die Aufzeichnung und Auswertung von Interviews mit Plaud.

Co-Creation als Grundlage des Wissensökosystems

Dhillon ordnet Co-Creation in eine Arbeitswelt ein, in der Wissensarbeit räumlich verteilt stattfindet. Die Erfahrungen während und nach COVID hätten die Bedeutung von Kommunikation erneut sichtbar gemacht. Zusammenarbeit sei nicht mehr an gemeinsame geografische Standorte gebunden.

Für ihn bleibt Wissensmanagement deshalb vor allem eine Frage von Gesprächen, Austausch und Beziehungen. Auch mit KI hält er an seiner persönlichen Gewichtung fest: 70 Prozent Menschen, 20 Prozent Prozesse und 10 Prozent Technologie. Menschen ermöglichen Wissensfluss und Lernen; Prozesse unterstützen Erfassung und Wiederverwendung; Technologie verbindet Daten und Systeme.

Co-Creation umfasst dabei sowohl Zusammenarbeit zwischen Menschen als auch zwischen Menschen und KI. Vertrauen und Verantwortungsübernahme entstehen nach Dhillons Erfahrung, wenn Beteiligte ihre eigenen Beiträge in Ergebnissen wiederfinden und diese weiterbearbeiten können. Die Einführung eines Werkzeugs allein reicht dafür nicht.

Dokumentierte Erfahrung erschließen und Denkraum schaffen

In seiner eigenen Organisation beschreibt Dhillon einen modularen Arbeitsbereich auf Grundlage von ChatGPT, in den Projektunterlagen und frühere Angebote eingebracht wurden. Bei einer neuen Ausschreibung werden die Ausschreibungsunterlagen ergänzt. Das System soll daraus einen Entwurf im organisationsüblichen Stil erzeugen und zunächst frühere erfolgreiche Angebote berücksichtigen.

Während die Angebotserstellung zuvor zwei bis drei Wochen beansprucht habe, liege das Grundgerüst inzwischen innerhalb etwa einer Stunde vor. Danach verwende das Team einige Tage darauf, das konkrete Problem zu durchdenken und den Ansatz anzupassen. Voraussetzung sei, dass frühere Erfahrungen und Schwierigkeiten dokumentiert wurden.

Der Gewinn besteht für Dhillon nicht nur in Geschwindigkeit. Die Entlastung von wiederkehrenden Aufgaben schafft gedanklichen Freiraum. Vergleichbar nutzt er KI für Präsentationen: Er hält zunächst ungeordnet Ideen fest, lässt einen Ablauf vorschlagen und überarbeitet diesen anschließend nach seinem eigenen Stil.

Vertrauen habe sich dabei langsam entwickelt. Im ersten Jahr habe er sämtliche Ergebnisse vollständig geprüft. Seine beispielhafte Aufteilung von 60 Prozent Vertrauen in einen KI-gestützten Start und 40 Prozent eigener Anpassung beschreibt eine Arbeitshaltung, keine gemessene Qualitätsquote.

Vom Repository zum lebendigen Wissensbestand

Dhillon stellt der Vorstellung eines bloßen Speichers ein Wissensökosystem gegenüber. Eine aktuell entwickelte operative Richtlinie soll beispielsweise nach Übungen oder Veranstaltungen um neue Erfahrungen und bewährte Vorgehensweisen ergänzt werden. Sie wird damit zu einem wachsenden Wissensbestand.

Diesen Gedanken bezeichnet er nicht als grundsätzlich neu: Bereits der Wissensmanagement-Lebenszyklus habe zwischen neuem, relevantem und überholtem Wissen unterschieden. Als Beispiel nennt er eine Organisation auf den Philippinen, deren Arbeitsanweisungen noch den Wechsel eines Schreibmaschinenfarbbandes beschrieben. Solche Inhalte sollten archiviert werden, statt aktuelle Abläufe zu belasten.

Gemeinsame Bearbeitung erfordert zugleich nachvollziehbare Versionen. In seinem Team bleibt eine Ausgangsfassung als „draft zero“ erhalten. Während eines Projekts werden Änderungen nach Datum abgelegt, damit frühere Entscheidungen rekonstruiert werden können. Nach Abschluss bleiben Ausgangs- und Endfassung bestehen. Lebendiges Wissen benötigt somit auch Rückfallmöglichkeiten und eine erkennbare Herkunft.

Menschliche Prüfung und begrenztes Vertrauen

Das Prinzip Human in the Loop zieht sich durch den gesamten Vortrag. KI-Ergebnisse sind für Dhillon Entwürfe, die Menschen prüfen, einordnen und anpassen müssen. Er beschreibt dies als Rollenverschiebung: Wer zuvor operative Aufgaben ausführte, könne nun die Arbeit der KI beaufsichtigen.

Dabei berichtet er von Grenzen seiner eigenen Nutzung. Bei zu vielen Dokumenten habe das System Anweisungen nicht zuverlässig beibehalten und Zusammenhänge verloren. Sein Team beschränke sich deshalb auf höchstens fünf Uploads. Dies ist eine geschilderte Praxisregel, keine allgemeine technische Grenze.

Außerdem soll das System ausschließlich innerhalb des bereitgestellten Informationsraums arbeiten und nicht im offenen Web suchen. Dhillon verbindet diese Begrenzung mit Kontrolle, Datenschutz und ethischen Fragen. Er warnt vor blindem Vertrauen, Verzerrungen und Systemabhängigkeit. Besonders bei Empfehlungen hält er menschliche Prüfung für unverzichtbar.

Auch Vielfalt, Inklusion und gerechte Ergebnisse bleiben menschliche Aufgaben. Ein KI-System entbindet die Beteiligten nicht davon, unterschiedliche Perspektiven einzubeziehen und Auswirkungen zu beurteilen.

Praxisfall: Fachliche Silos und überprüfbare Ergebnisse

Das erste anonymisierte Beispiel betrifft eine große Organisation in Südostasien, deren Arbeit mit Tieren und unterschiedlichen Fachdisziplinen verbunden ist. Fachleute für verschiedene Tiergruppen führten eigene Wissenssammlungen. Unterschiedliche Arbeitsweisen und fehlende Standardisierung erschwerten den Austausch. Hinzu kam die Frage, welchen Nutzen Erfahrungen aus einem anderen Spezialgebiet überhaupt hätten.

Dhillons Team erschloss frühere Berichte mithilfe von KI. Bei teilweise dreijährigen Projekten seien Felddaten in Vergessenheit geraten oder aus dem Blick der Mitarbeitenden verschwunden. Die Auswertung machte solche Informationen wieder zugänglich.

Zum Vertrauensaufbau nutzte das Team das Spiel „Call My Bluff“: Mitarbeitende sollten fehlerhafte Antworten erkennen und die KI herausfordern. Über ungefähr zwei Wochen wurden Fragen gestellt, Berichte erzeugt und mit vorhandenen Berichten verglichen.

Die Botschaft blieb, dass die Mitarbeitenden die Fachleute seien und KI lediglich unterstütze. Unstrukturierte oder unvollständige Eingaben könnten problematische Ergebnisse erzeugen. Vertrauen sollte deshalb durch überprüfbare Leistung entstehen, nicht durch ungeprüfte Zustimmung.

Praxisfall: Governance gemeinsam entwickeln

In einer Regierungsorganisation bestand die zentrale Hürde darin, etablierte Arbeitsabläufe zu verändern. Fachleute verwiesen darauf, dass funktionierende Verfahren nicht repariert werden müssten. Zugleich fürchteten sie, KI könne ihre Aufgaben übernehmen.

Das Projektteam entwickelte deshalb die Governance gemeinsam mit Organisationsmitgliedern. Besprochen wurden Schulungen, Regeln und Verbesserungen bei Metadaten. Dhillon beschreibt außerdem ein KI-gestütztes Dokumentenmanagementsystem namens Aura, das automatische Verschlagwortung und Zusammenfassungen ermöglicht. Als Beschäftigte ihre eigenen Beiträge in den Ausgaben wiedererkannten, sei Vertrauen gewachsen.

Nicht alle Ziele wurden erreicht. Die Organisation nutzte unter anderem SharePoint, Monday.com, Zoho Project und Google. Eine Vereinheitlichung auf einer Plattform gelang nicht. Dhillon benennt dies ausdrücklich als Misserfolg. Die Sorge vor Arbeitsplatzverlust habe jedoch abgenommen. Das Beispiel zeigt damit sowohl Fortschritte durch Beteiligung als auch Grenzen organisatorischer Veränderung.

Strategieentwicklung: Interviews, Workshop und gemeinsame Entwürfe

Ein weiteres Beispiel betrifft die Entwicklung einer Wissensmanagementstrategie. Dafür wurden 14 Personen von der Führungsebene bis zur Ebene der Assistant Directors jeweils etwa 90 Minuten interviewt. Die aufbereiteten Interviews enthielten Transkripte und herausgearbeitete Muster. Eine Frage betraf die gewünschten Inhalte der künftigen Strategie.

Auf dieser Grundlage fand ein eineinhalbtägiger Workshop statt. Nach dem einführenden Teil entstanden nach Dhillons Darstellung innerhalb von acht Stunden:

ein erster Entwurf der Wissensmanagementstrategie;
ein erster Entwurf einer Wissensmanagementrichtlinie;
ein automatisiertes Lessons-Learned-System auf SharePoint unter Verwendung von Power BI.

Die vorbereiteten Ausgaben wurden ausgedruckt, gemeinsam verändert und gegenseitig vorgestellt. Dhillon betonte wiederholt, dass es sich nicht um fertige Ergebnisse handelte, sondern um eigene Entwürfe der Beteiligten, die weiter verbessert werden mussten.

Unter Einrechnung von Interviews, Transkription und Vorbereitung beziffert er den Gesamtaufwand auf zwei bis höchstens drei Wochen statt zuvor etwa drei Monaten. Die zu Beginn zugespitzt geschilderte Beschleunigung darf daher nicht mit dem vollständigen Projektaufwand gleichgesetzt werden. Entscheidend waren für ihn vorbereitete Beiträge, gemeinsame Gestaltung, Schulung und klar zugewiesene Rollen.

Fragerunde: Wissensgrenzen und Interviewauswertung

Eine Teilnehmerin fragt nach Wissenssystemen, die nicht auf dokumentiertem, explizitem Wissen beruhen und deshalb in KI-Grundlagen nicht angemessen vertreten seien. Dhillon antwortet vor allem mit Hinweisen auf Ungenauigkeit, begrenzende Prompts und notwendige Kontrollen. Die grundsätzliche Repräsentationsfrage vertieft er nicht.

Auch für intern arbeitende KI würde er nach eigener Einschätzung keine Genauigkeit über 80 Prozent ansetzen. Präzisere Vorgaben könnten Ergebnisse verändern, ersetzten aber keine Prüfung. Zudem seien Persönlichkeiten und organisatorische Prägungen nicht ausreichend erfassbar.

Anschließend demonstriert er Plaud anhand aufgezeichneter Gespräche. Eigene Prompts ordnen die Transkripte nach seinem Auswertungsschema, markieren Herausforderungen und erfassen genannte Umgangsweisen. Er stellt klar, dass die KI hier keine Strategieempfehlungen geben soll: Sie soll Aussagen identifizieren und zusammenführen.

Die Zusammenführung von ungefähr sechs Interviews habe etwa 30 Minuten gedauert. Danach seien zwei bis drei Stunden Kontrolle erforderlich gewesen. Das Team gleiche Auswertungen mit den Gesprächen ab, um zu prüfen, ob die erfasste Bedeutung der tatsächlich gemeinten Aussage entspricht.

Handlungsempfehlungen und Zielbild: Knowledge Sustainability

Zum Abschluss fordert Dhillon, KI als Katalysator statt als Ersatz für Menschen einzusetzen. Seine Empfehlungen verbinden Beteiligung mit Kontrolle:

Mitarbeitende an Gestaltung und Governance beteiligen.
KI-Ausgaben ausdrücklich als überprüfungsbedürftige Entwürfe behandeln.
Rollen, Regeln und Verantwortlichkeiten festlegen.
Kritisches Wissen, Abhängigkeiten und mögliche Verluste frühzeitig erkennen.
Rückmeldungen ermöglichen und unterschiedliche Perspektiven einbeziehen.
Systeme einfach, zugänglich und transparent gestalten sowie Sicherungen vorhalten.

Über Effizienz hinaus geht es ihm um Kontinuität. Wissen soll am richtigen Ort, zur richtigen Zeit und im passenden Medium verfügbar bleiben, möglichst kostenlos oder zu geringen Kosten.

Dafür schlägt er die Bezeichnung „Knowledge Sustainability“ als nächste Perspektive nach Wissensmanagement vor. Bestehendes Wissen soll nicht ständig neu erfunden, sondern erhalten, angepasst und verbessert werden. Ein resilientes Wissenssystem ist in diesem Verständnis zugleich ein verantwortliches System: Gemeinsam weiterentwickeltes Wissen bleibt lebendig.