KI-Wissensmanagement bezeichnet den Einsatz von KI-Verfahren innerhalb des Wissensmanagements einer Organisation, also beim Erfassen, Ordnen, Auffinden und Weitergeben von Wissen. Typisch ist, dass die manuelle Pflege von Kategorien und Verschlagwortung durch maschinelles Erschließen und semantisches Suchen ergänzt oder ersetzt wird. Der Begriff selbst stammt aus der Marktsprache und ist nicht normiert. Normiert ist nur das Wissensmanagement, in ISO 30401, und diese Norm beschreibt ein Managementsystem, keine Technik.
Woher der Begriff kommt und wo er normiert ist
Wissensmanagement ist eine betriebswirtschaftliche Disziplin, die sich seit den 1990er Jahren als eigenes Feld etabliert hat. Seit 2018 gibt es dafür eine internationale Managementsystemnorm, ISO 30401. Sie stellt Anforderungen an ein Wissensmanagementsystem einer Organisation: Kontext und Anspruchsgruppen, Führungsverantwortung, Ziele, Ressourcen, Bewertung und Verbesserung. Sie ist nach demselben Muster aufgebaut wie andere Managementsystemnormen und richtet sich an die Organisation, nicht an ein Produkt.
Der Zusatz KI stammt nicht aus der Norm. Er bezeichnet, dass Teilaufgaben des Wissensmanagements mit maschinellen Verfahren erledigt werden, insbesondere mit Sprachmodellen und mit Suchverfahren über gelernte Vektordarstellungen. Für die Bauform, mit der ein Sprachmodell auf einem festgelegten Dokumentenbestand antwortet, gibt es eine Primärquelle, die Arbeit von Lewis und anderen aus dem Jahr 2020. Für den zusammengesetzten Begriff KI-Wissensmanagement gibt es keine.
Einordnung des Begriffs
KI-Wissensmanagement ist eine Bezeichnung aus der Marktsprache. Normiert ist das Wissensmanagement selbst, in ISO 30401, als Managementsystem. Welche Technik ein Angebot einsetzt, zeigt seine Beschreibung im Einzelnen.
Was KI im Wissensmanagement übernimmt
Wissensmanagement lässt sich in vier wiederkehrende Tätigkeiten zerlegen. An jeder greifen maschinelle Verfahren an einer anderen Stelle an.
- Erfassen: Inhalte, die nur als Bild oder Tonaufnahme vorliegen, werden in Text überführt. Texterkennung und Transkription erschließen damit Bestände, die vorher für jede Suche unsichtbar waren.
- Ordnen: Statt einer von Hand gepflegten Verschlagwortung entstehen Vektordarstellungen der Textabschnitte. Die Ordnung ist danach nicht mehr sichtbar, sie steckt in den Abständen. Das erspart Pflegeaufwand.
- Auffinden: Gesucht wird nach Bedeutung statt nach Zeichenkette. Wer die im Dokument verwendete Formulierung nicht kennt, findet die Stelle trotzdem.
- Weitergeben: Aus mehreren Fundstellen entsteht eine formulierte Antwort mit Quellenangabe, statt einer Trefferliste, die noch jemand lesen muss.
Der eigentliche Gewinn liegt nicht bei einer dieser vier Tätigkeiten, sondern in der Kostenverschiebung: Nachschlagen wird billiger als Nachfragen. Genau dann hört ein Bestand auf, totes Archiv zu sein. Voraussetzung ist, dass die Inhalte abgelegt werden.
Welche Ansätze und Anbieter es gibt
Am Markt gibt es drei Bauformen, die sich in Aufwand und Kontrolle deutlich unterscheiden.
- Aufsatz auf vorhandene Werkzeuge: Das bestehende Wiki, Dateisystem oder Dokumentenmanagement bleibt, eine KI-Funktion wird ergänzt. Geringer Umstellungsaufwand, dafür bleibt der Bestand so verteilt, wie er ist.
- Integrierte Plattform: Ablage, Index, Suche und Assistent stammen von einem Anbieter. Weniger Schnittstellen, eine einheitliche Rechteprüfung und ein Ansprechpartner für Ablage, Suche und Assistent.
- Eigenbau: Vektordatenbank, Embedding-Modell und Sprachmodell werden selbst zusammengesetzt. Volle Kontrolle über jeden Baustein, dafür liegt der laufende Betrieb einschließlich Aktualisierung und Rechteprüfung im eigenen Haus.
Quer zu diesen drei Bauformen steht die Frage, wo die Verfahren laufen. Die Berechnung der Vektordarstellungen und die Antwortgenerierung sind zwei getrennte Schritte, die an verschiedenen Orten und bei verschiedenen Anbietern stattfinden können. Wer Wissensmanagement mit KI betreibt, sollte beide Orte kennen, siehe Datenresidenz.
Wie Nexoria das umsetzt
Nexoria ordnet sich selbst als KI-Wissensmanagement auf eigenen Unternehmensdaten ein. Umgesetzt ist das als integrierte Plattform: Die Dateien liegen in Nexoria Drive, ihre Inhalte werden beim Ablegen indexiert, Audio und Texterkennung erschließt zusätzlich Aufnahmen, Scans und Bilder. Gesucht wird über die Dokumentensuche, abgerufen und weiterverarbeitet wird über den Assistenten Nex. Workspaces bestimmen, wer worauf zugreift.
Für die Frage, was mit den Inhalten geschieht: In der geprüften Mistral-Organisation von Nexoria ist die Nutzung neuer API-Interaktionen für Modelltraining deaktiviert (Kontoprüfung vom 26.09.2026). Diese Einstellung gilt für die dort verarbeiteten neuen Interaktionen. Für optional verbundene eigene KI-Konten gelten die Einstellungen des jeweiligen Kontos.
Werkzeug und Organisation im Zusammenspiel
- Nexoria ist das Werkzeug, mit dem Sie abgelegtes Wissen erschließen, finden und weitergeben. Rollen, Verantwortlichkeiten, Ziele und deren Bewertung im Sinne von ISO 30401 legen Sie in Ihrer Organisation fest. Zertifiziert wird nach dieser Norm das Managementsystem Ihrer Organisation, nicht die eingesetzte Software.
- Erschlossen wird, was in Nexoria Drive abgelegt und für den jeweiligen Workspace freigegeben ist. Erfahrungswissen, das Ihr Team aufschreibt und dort ablegt, wird damit ebenfalls durchsuchbar.
- Welche Abschnitte zu einer Frage passen, ermittelt die semantische Suche über die Bedeutung statt über einzelne Wörter. Die Dokumentensuche nennt zu jedem Ergebnis die Quelle, so prüfen Sie jede Fundstelle direkt im Dokument.
Quellen
Stand
- ISO 30401:2018, Knowledge management systems, Requirements. International Organization for Standardization (ISO), 2018. https://www.iso.org/standard/68683.html Abgerufen am .Die Managementsystemnorm für Wissensmanagement. Sie beschreibt Anforderungen an ein Managementsystem, nicht an eine Software, und arbeitet mit dem Begriff organizational knowledge. Der Volltext ist kostenpflichtig, die verlinkte Seite gibt Titel, Ausgabe und Anwendungsbereich wieder.
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33 (NeurIPS 2020), Vorabdruck auf arXiv, 2020. https://arxiv.org/abs/2005.11401 Abgerufen am .Die Erstbeschreibung des RAG-Verfahrens. Sie führt die Bezeichnung ein und beschreibt die Verbindung eines Retrieval-Schritts mit einem generierenden Modell.
Stand


