Gkc26-Session: Wie wird aus KI-Unterstützung belastbares Organisationswissen?
Weitere Optionen
Diese Seite ist KI-generiert. Sowohl die Zusammenfassung als auch das zugrundeliegende Transkript der Videoaufzeichnung wurden mithilfe von KI erstellt.
| Wie wird aus KI-Unterstützung belastbares Organisationswissen? | |
|---|---|
| Art | Barcamp-Session |
| KnowledgeCamp | KnowledgeCamp 2026 |
| Sessiongebende | Torsten Galle
|
| Datum | 08.10.2026 |
| Zeit | 16:00 bis 16:45 Uhr |
| Raum | Passau (2.OG) |
| Sprache | Deutsch |
| Aufzeichnung | YouTube |
| Im Programm | Pretalx |
| KI-Unterstützung | Whisper large-v3 (Transkription), gpt-6.1-sol (Redaktion) |
Aus dem Veranstaltungsprogramm:
ntrum stehen nicht Modelle und Datenbanken, sondern Begriffe, Herkunft, Widerspruch und Freigabe: Was braucht Wissensmanagement, damit KI-Antworten nicht nur plausibel klingen, sondern nachvollziehbar und vertrauenswürdig werden?
Zusammenfassung
Die Barcamp-Session „Wie wird aus KI-Unterstützung belastbares Organisationswissen?“ von Torsten Galle beschäftigte sich mit der Frage, wie aus einer wachsenden Sammlung von Dokumenten und KI-generierten Auswertungen ein nachvollziehbarer, gemeinsam nutzbarer Wissensbestand werden kann. Ausgangspunkt war Galles eigene Arbeit mit wissenschaftlichen Veröffentlichungen im Bereich Robotik. Anhand eines selbst entwickelten Systems stellte er vor, wie Dokumentenaufnahme, semantische Suche, eine Ontologie, Wissensgraphen und menschliche Freigaben zusammenwirken sollen.
Seine Leitthese lautete: Wissensmanagement kann KI besser machen, wenn bestimmte Bedingungen erfüllt sind. Entscheidend seien nicht allein leistungsfähige Modelle, sondern nachvollziehbare Quellen, geregelte Begriffe, sichtbare Widersprüche, Versionierung und die Prüfung von Aussagen. KI solle assistieren, die Entscheidung darüber, welche Aussagen in den gemeinsamen Wissensbestand aufgenommen werden, aber bei Menschen bleiben.
Die Diskussion konzentrierte sich besonders auf den Nutzen und die Grenzen von Wissensgraphen: Wie verlässlich sind automatisch erzeugte Beziehungen? Wann hilft eine grafische Darstellung tatsächlich weiter? Und wie können Mitarbeitende ohne umfassenden Überblick über das Unternehmenswissen Lücken erkennen? Als wiederkehrender Bezugspunkt diente eine vorangegangene Session von Sabine, an deren Fragen Galle ausdrücklich anknüpfte.
Ausgangspunkt: Wissensarbeit mit einem wachsenden Quellenbestand
Galle beschrieb seinen Zugang zum Thema aus der Zusammenarbeit zwischen unterschiedlichen Fachbereichen und aus seiner Beschäftigung mit Robotik und Scenario Planning. Bereits 2018 habe er in einem früheren Unternehmenskontext eine Zusammenarbeit mit vier Fachbereichen der TU Darmstadt begleitet beziehungsweise beauftragt. KI sei dabei als möglicher Lösungsansatz für die Zusammenarbeit zwischen verschiedenen Gewerken betrachtet worden.
Seine aktuelle Herausforderung illustrierte er anhand eines Robotik-Konferenzbesuchs: Er habe dort ungefähr 200 wissenschaftliche Veröffentlichungen gesammelt und etwa 100 Poster fotografiert. Mit der nächsten Veranstaltung kämen bereits weitere Veröffentlichungen hinzu. Für eine einzelne Person sei es kaum möglich, diese Menge vollständig zu behalten, zu strukturieren, vergleichbar zu machen und anderen bereitzustellen.
Hinzu komme, dass relevantes Domänenwissen nicht nur in wissenschaftlichen Publikationen erscheine. Auch Beiträge auf LinkedIn oder X könnten Hinweise enthalten. Gesucht sei deshalb ein Verfahren, das unterschiedliche Quellen zusammenführt, ohne ihre Herkunft und ihren unterschiedlichen Stellenwert einzuebnen.
Für seine Innovationsarbeit sei insbesondere der Vergleich zwischen externem Wissen und dem eigenen Wissensstand wichtig: Was veröffentlichen andere? Welche Themen bearbeiten Mitbewerber? Was kann die eigene Gruppe bereits belegen? Und welche Bauteile, Methoden, Herstellungsverfahren oder Marktkenntnisse fehlen noch, um ein bestimmtes Ziel zu erreichen?
Anforderungen an belastbares Organisationswissen
Mehr als wiederholte Zusammenfassungen
Das wiederholte Eingeben von Dokumenten in einen allgemeinen KI-Chat betrachtete Galle nicht als ausreichende Grundlage für verlässliches Wissensmanagement. Er stellte infrage, ob Zusammenfassungen desselben Materials über längere Zeit hinweg gleich oder zumindest gut vergleichbar bleiben. Auch der wiederkehrende Aufwand, dieselben Dokumente erneut bereitzustellen, spielte in seiner Argumentation eine Rolle.
Daneben benannte er Bedenken hinsichtlich Energiebedarf, Datennutzung, Urheberrecht und der Weitergabe impliziten Wissens an große Modellanbieter. Er verband damit die Sorge, dass Organisationen Wissen abgeben könnten, ohne ausreichend kontrollieren zu können, was anschließend damit geschieht. Diese Überlegungen erläuterte er als Motivation für ein System, das mit einem abgegrenzten eigenen Datenkorpus arbeitet.
Retrieval Augmented Generation, kurz RAG, beschrieb er als einen weiterführenden Ansatz: Einem Sprachmodell werden gezielt Informationen aus zusätzlichen Datenbeständen für die Antwortgenerierung bereitgestellt. Für Galle löst dies jedoch noch nicht sämtliche Fragen. Insbesondere bei neu hinzukommenden oder widersprüchlichen Informationen brauche es Regeln dafür, wie Aussagen eingeordnet, verglichen und geprüft werden.
Ontologie, Herkunft und Status
Im Verlauf seiner Entwicklung sei Galle immer wieder bei einer geregelten Ontologie angelangt. Als wesentliche Elemente nannte er Personen, Konzepte und Dokumente. Wichtig seien vor allem die Herkunft einer Information, ihr Freigabestatus und die Beziehungen zwischen Aussagen und Quellen.
Das System solle nicht nur Texte formulieren oder Quellen verlinken. Es solle auch helfen, Widersprüche und Lücken sichtbar zu machen. Unterschiedliche Behauptungen müssten gegeneinander abgewogen werden können; abweichende Positionen sollten dabei nachvollziehbar bleiben. Eine Versionierung solle Veränderungen vom Ursprung bis zum aktuellen Stand verfolgbar machen.
Zu den zentralen Fragen gehörten deshalb:
- Wer ist der Urheber einer Information?
- Aus welcher Quelle stammt sie?
- Welche Quelle stützt welche Aussage?
- Welchen Prüf- und Freigabestatus besitzt sie?
- Wie hat sich der Wissensstand verändert?
Galle griff dabei die Unterscheidung zwischen Informationsorganisation und Wissensrepräsentation auf. Das bloße Sammeln und Strukturieren von Material sei noch nicht gleichbedeutend mit einem belastbaren Wissensbestand.
Demonstration des eigenen Systems
Aufnahme, Glossar und Abfrage
In der Vorführung zeigte Galle zunächst die Aufnahme von Dokumenten. In seinem Anwendungsfall handelte es sich überwiegend um wissenschaftliche PDFs. Daneben könne er auch Texte direkt übernehmen, beispielsweise kopierte Beiträge aus sozialen Plattformen, und Quellen mit einem Datum versehen. Eine Verarbeitungspipeline bereite die Inhalte auf, bilde Vektoren und befülle Datenbanken.
Aus dem Korpus lasse er außerdem ein Glossar erzeugen. Dieses solle einen gemeinsamen sprachlichen Bezug schaffen: Beteiligte sollten nachvollziehen können, was mit einem Begriff gemeint ist. Das Glossar wachse mit dem Quellenbestand.
Der für die Demonstration verwendete Korpus enthielt nach Galles Angaben nur etwa fünf bis zehn Dokumente. Anhand der vorbereiteten Frage nach Europas KI-Souveränität zeigte er eine Antwortgenerierung mit einem kleinen Open-Source-Modell. Nach seiner Beschreibung arbeitete dieses mit dem eigenen Korpus, getrennt von den großen Modellplattformen. Zur Antwort wurden Textabschnitte und Quellen angezeigt, aus denen sie zusammengesetzt worden war.
Wissensgraph und technische Grenzen der Vorführung
Die Bildschirmfreigabe musste während der Demonstration mehrfach angepasst werden. Zudem verzögerte sich die Anzeige des Graphen. Galle führte dies auf Anlaufzeiten der verwendeten Infrastruktur zurück. Die Wartezeit wurde für eine erste Frage aus dem Publikum genutzt.
Auf die Frage, ob bei gleicher Datengrundlage tatsächlich wieder dieselben Wissensgraphen entstünden, verwies Galle auf seine Nutzung von Neo4j. Er berichtete von weitgehend gleichbleibenden Ergebnissen und einer für ihn verlässlichen Infrastruktur. Zugleich sagte er, dass er nur wenige andere Graphplattformen getestet habe. Die Aussage blieb damit ein Erfahrungsbericht aus seinem Aufbau, kein systematischer Vergleich.
Der anschließend sichtbare Graph war wegen des kleinen Demonstrationskorpus überschaubar. Galle erläuterte unterschiedliche Beziehungsarten: etwa, wer zu etwas beigetragen habe, was von etwas anderem genutzt werde oder welche Voraussetzungen und Teilbeziehungen bestünden. Durch solche Beziehungen erhoffte er sich zusätzliche Einsichten gegenüber einer ausschließlich textlichen oder tabellarischen Darstellung.
Diskussion: Wann helfen Wissensgraphen?
Zwischen Übersicht und unlesbarer Punktwolke
In der Diskussion wurde die grafische Darstellung nicht grundsätzlich als Vorteil betrachtet. Ein Einwand lautete, dass große Graphen schnell zu unübersichtlichen Mengen von Punkten und Verknüpfungen würden. Sehr kleine Graphen wiederum könnten Zusammenhänge zeigen, die man ohnehin noch leicht selbst überblicke.
Als möglicher Umgang damit wurden aufgabenbezogene Ausschnitte angesprochen: Nicht der gesamte Graph müsse sichtbar sein, sondern die für eine konkrete Frage relevanten Teile.
Galle stimmte dem Einwand ausdrücklich zu. Seine ersten Graphen hätten ebenfalls schwer beherrschbare Wolken ergeben. Als Reaktion habe er unterschiedliche Beziehungsarten eingeführt. Statt alles gleichzeitig anzuzeigen, könne er gezielt danach fragen, wer zu wem gehöre oder wer wem zugearbeitet habe. Dadurch reduziere sich die sichtbare Menge, und die Darstellung werde für ihn erkenntnisreicher.
Die Diskussion machte zugleich unterschiedliche Darstellungspräferenzen sichtbar. Grafische Beziehungen können manchen Menschen den Zugang erleichtern; für andere oder für andere Aufgaben sind Listen und Tabellen geeigneter. Der Nutzen wurde entsprechend an den jeweiligen Kontext gebunden.
Wissenslücken erkennen und Mitarbeitende befähigen
Eine weitere Frage betraf das notwendige Vorwissen: Wer einen Graphen als Hinweis auf Wissenslücken lesen wolle, müsse bereits viel über das Unternehmen wissen. Gefragt wurde deshalb, wie Mitarbeitende ohne diesen Überblick das System sinnvoll nutzen könnten.
Galle antwortete aus seiner eigenen Arbeitsweise heraus. Er vergleiche die zusammengetragenen wissenschaftlichen Erkenntnisse mit einem konkreten Unternehmensziel. Daraus lasse sich untersuchen, welche Voraussetzungen bereits bekannt seien und welche noch fehlten. In der Diskussion wurde dies als gezielte Frage an den Wissensbestand aufgegriffen: Reicht das vorhandene Wissen aus, um eine Aufgabe zu beantworten, oder nicht?
Darüber hinaus könnten Beziehungen zwischen Personen einen Einstieg bieten. Ein Graph könne beispielsweise auf einen Domänenexperten hinweisen, der mit einem bekannten Kollegen zusammenarbeitet. Das wäre ein Anlass, nachzufragen oder bestimmte Dokumente genauer zu lesen. Eine ausgearbeitete Vorgehensweise zur Befähigung aller Mitarbeitenden wurde daraus jedoch nicht entwickelt.
Menschliche Prüfung als entscheidender Übergang
Zum Ende stellte Galle ein Modell mit drei Gedächtnissen vor. In seiner Erläuterung unterschied er zwischen aufgenommenen und wieder auffindbaren Informationen, ihrer Bearbeitung im Arbeitsgedächtnis und einem geprüften, erneut abrufbaren Wissensgedächtnis. Semantische Suche und Metadaten sollten dabei helfen, Material nicht nur abzulegen, sondern später im passenden Zusammenhang wiederzufinden.
Auch die Gewichtung von Quellen gehörte für ihn dazu. Er erläuterte, dass er einer wissenschaftlichen Veröffentlichung eines anerkannten Professors in seiner Beurteilung einen anderen Stellenwert gebe als einem Beitrag auf X oder LinkedIn.
Den entscheidenden Übergang zum belastbaren Wissensbestand verortete er jedoch bei der menschlichen Prüfung. In der abschließenden Demonstration zeigte er eine Ansicht, in der verarbeitete Inhalte zur Kontrolle zurückkommen. Die KI könne eine Einschätzung zur Passung eines Konzepts vorschlagen. Er selbst lese den Vorschlag dennoch und entscheide, ob dieser in die Ontologie beziehungsweise den Graphen übernommen werde.
Eine Rückfrage präzisierte, ob andere Nutzende damit auf einen von ihm vorab kuratierten Bestand zugriffen. Galle betonte daraufhin die gemeinschaftliche Dimension: Wertvoll werde der Wissensstand, wenn nicht nur er, sondern auch andere Mitarbeitende Aussagen validierten und diese Prüfung in den Bestand zurückspiegelten. Relevante und als richtig beurteilte Aussagen würden übernommen, fehlerhafte ausgesondert.
Wichtigste Erkenntnisse
- KI-Unterstützung und belastbares Organisationswissen wurden nicht gleichgesetzt. Der Übergang erfordert nach Galles Ansatz nachvollziehbare Herkunft, strukturierte Beziehungen und menschliche Freigaben.
- Eine Ontologie soll gemeinsame Begriffe und Beziehungen schaffen sowie Widersprüche und Veränderungen nachvollziehbar machen.
- Wissensgraphen können beim Erkunden von Zusammenhängen helfen, werden aber ohne Auswahl und Kontext schnell unübersichtlich.
- Konkrete Arbeitsfragen und Ziele erleichtern die Suche nach fehlendem Wissen. Die Darstellung allein ersetzt nicht die Interpretation.
- Die gezeigte Anwendung veranschaulichte den Ansatz anhand eines kleinen Korpus; umfassende Nachweise zu Reproduzierbarkeit oder Nutzung in größeren Organisationen wurden nicht vorgestellt.
- Galles abschließender Appell war, menschliches Urteilsvermögen statt Technik in den Mittelpunkt zu stellen. KI solle dieses Urteil unterstützen, nicht ersetzen.