7 Jeder KI-Assistent im Unternehmen steht und fällt mit dem, was hinter ihm steht. Über das Modell sprechen die Anbieter; die Wissensbasis für KI im Unternehmen ist der Teil, der entscheidet, ob Antworten korrekt, aktuell und belastbar sind. Sie ist das mehrschichtige System, das Wissensgraphen des Unternehmens, Quellen für Retrieval-Augmented Generation, interne Dokumentation und die lange Liste strukturierter und unstrukturierter Inhalte, die über das ganze Unternehmen verstreut sind, zusammenführt – und bei jedem Inferenzaufruf genau den passenden Ausschnitt an ein Sprachmodell liefert. Dieser Leitfaden zeigt, wie eine solche Wissensbasis von Anfang bis Ende aufgebaut ist: welche Inhaltsquellen sie speisen, wie strukturiertes und unstrukturiertes Material zusammengeführt wird, wo Wissensgraphen des Unternehmens ihren Platz haben, wie RAG-Quellen ausgewählt und aktualisiert werden und auf welchem Speicherfundament der gesamte Stack läuft Was ist eine Wissensbasis für KI im Unternehmen? Eine Wissensbasis für KI im Unternehmen ist der kuratierte, indizierte und fortlaufend aktualisierte Bestand an Unternehmenswissen, den ein Sprachmodell bei der Inferenz heranzieht, um seine Antworten auf aktuelle, maßgebliche Inhalte zu stützen. Sie ist das Daten- und Retrieval-Fundament hinter RAG, Unternehmenssuche, agentischen Workflows, Copilots und jeder Anwendung, in der ein Modell über Fakten nachdenken muss, mit denen es nicht trainiert wurde. Eine Wissensbasis in diesem Sinne ist kein einzelnes Repository. Sie ist ein Verbund. Quellinhalte liegen in Dokumentenmanagementsystemen, Ticketing-Plattformen, Code-Hosts, CRM-Plattformen, Data Warehouses, SharePoint-Sites, Wikis, Intranets, Dateifreigaben und dem einen oder anderen geteilten Laufwerk, dessen Existenz niemand zugibt. Ein Teil dieser Inhalte ist hochgradig strukturiert – Zeilen in einem Warehouse, Felder in einem CRM, Knoten und Kanten in einem Wissensgraphen des Unternehmens. Der Großteil ist unstrukturiert – PDFs, Foliensätze, Verträge, Transkripte, E-Mail-Verläufe, aufgezeichnete Besprechungen. Aufgabe der Architektur ist es, diesen Verbund in eine einzige abrufbare Oberfläche zu verwandeln, ohne die wichtigen Unterschiede einzuebnen. Eine regulatorische Klausel hat eine andere Herkunft als eine Slack-Nachricht. Ein Eintrag im Finanzbuch unterliegt anderen Zugriffskontrollen als eine öffentliche Marketingbroschüre. Die Wissensbasis muss diese Unterschiede bewahren, sie bei der Aufnahme als Metadaten anhängen und sie bis zu dem Moment mitführen, in dem einem Benutzer ein Zitat angezeigt wird. Warum Wissensbasen für KI im Unternehmen anders aussehen als im Verbraucherumfeld Ein Chatbot für Verbraucher, der auf einem öffentlichen Web-Crawl basiert, kann seinen Bestand als weitgehend einheitlich behandeln. Im Unternehmen geht das nicht. Vier Faktoren erzwingen ein sorgfältigeres Design. Sensibilität. Interne Dokumentation umfasst Verträge, Personalakten, Finanzdaten, Kundendaten und Sicherheitsarchitektur. Das Retrieval muss bestehende Zugriffskontrollen respektieren; ein Benutzer, der einen Copilot befragt, darf niemals Inhalte sehen, die er nicht auch direkt öffnen könnte. Herkunft. Jeder abgerufene Chunk braucht angehängte Angaben zu Quelle, Version, Verantwortlichem, Zeitstempel, Rechtsraum und Aufbewahrungsklasse. Ohne sie sind Zitate nicht prüfbar, und Aufsichtsbehörden sind nicht zufrieden. Volumen. Ein typisches Großunternehmen verfügt über Dutzende Millionen Quelldokumente und nach der Vorverarbeitung über Milliarden von Chunks, mit fortlaufenden Schreibvorgängen aus Change-Data-Capture-Feeds. Das Fundament muss das verkraften, ohne dass Teams bei Latenz oder Kosten Kompromisse eingehen müssen. Heterogenität. Strukturierte Datensätze, unstrukturierte Dokumente und Graphbeziehungen müssen alle im selben Retrieval-Aufruf abfragbar sein. Ein reiner Vektorindex verbirgt Struktur; ein rein relationaler Speicher verbirgt semantische Ähnlichkeit. Produktivsysteme setzen auf hybride Ansätze. Diese vier Bedingungen prägen jede nachgelagerte Designentscheidung – von der Anbindung der Inhaltsquellen über die Verzahnung des Wissensgraphen mit dem Dokumentenbestand bis hin zur Zusammenführung der Ergebnisse über Modalitäten hinweg in der Retrieval-Schicht. Inhaltsquellen, die die Wissensbasis speisen Die erste Designfrage ist die Abdeckung der Quellen. Eine produktive Wissensbasis bezieht Inhalte in der Regel aus sechs Quellfamilien. Dokumenten-Repositorys. SharePoint, Confluence, Google Drive, Box, Notion. Hier liegt der Großteil des unstrukturierten Unternehmenswissens: Richtlinien, Runbooks, Produktdokumentation, Designspezifikationen, Unterlagen für Vorstand und Aufsichtsrat. Ticketing- und Supportsysteme. Jira, ServiceNow, Zendesk, Salesforce Service Cloud. Tickets tragen das institutionelle Gedächtnis darüber, wie Probleme diagnostiziert und gelöst wurden – genau das, was ein Support-Copilot abrufen muss. Code-Hosts. GitHub, GitLab, Bitbucket. Quellcode, README-Dateien, Architecture Decision Records, Diskussionen zu Pull Requests. Entscheidend für Engineering-Copilots und für Compliance-Prüfungen dessen, was das Unternehmen tatsächlich ausliefert. Kommunikationsarchive. E-Mail, Slack, Teams, aufgezeichnete Besprechungen mit Transkripten. Die unstrukturierte Ebene, in der Kontext, Entscheidungen und Begründungen oft zu finden sind. Die Sensibilität ist hier am höchsten; die Zugriffskontrollen müssen eisern sein. Strukturierte Systems of Record. Data Warehouses, CRMs, ERPs, HRIS. Tabellen, Felder und Beziehungen statt Fließtext. Die Retrieval-Schicht behandelt sie anders als Dokumente: schemabewusste Abfragen statt Ähnlichkeitssuche. Externe maßgebliche Inhalte. Vorschriften, Standards, Herstellerdokumentation, lizenzierte Marktforschung. Sie werden über lizenzierte Konnektoren oder kontrollierte Crawler eingebunden, wobei die Herkunft erfasst wird, damit Lizenzbedingungen eingehalten werden. Eine produktive Architektur bindet jede Quellfamilie über einen eigenen Konnektor an, der Formatextraktion, Authentifizierung, inkrementelle Aktualisierungen und die Erfassung der Herkunft übernimmt. Die Konnektoren schreiben ihre Ergebnisse in ein haltbares Quellarchiv auf kapazitätsoptimiertem Objektspeicher – die einzige wiederherstellbare Kopie, aus der jeder nachgelagerte Index neu aufgebaut wird. Strukturiert, unstrukturiert und der Wissensgraph des Unternehmens Der schwierigste Teil beim Design einer solchen Wissensbasis ist es, die strukturierte mit der unstrukturierten Welt in Einklang zu bringen. Drei Muster dominieren. Retrieval mit Fokus auf unstrukturierte Inhalte Dokumente werden in Chunks zerlegt, eingebettet und über einen hybriden Index aus Vektor- und Schlüsselwortsuche bereitgestellt. Strukturierte Datensätze werden zu Text abgeflacht – „Kunde 4711: Tarif Platinum, Verlängerung 30.09.2026, Kundenbetreuerin Maria Schultz“ – und zusammen mit den Dokumenten indiziert. Einfach umzusetzen, schwach bei relationalen Abfragen, aber heute das vorherrschende Produktionsmuster. Retrieval mit Fokus auf den Wissensgraphen Ein Wissensgraph des Unternehmens bildet Entitäten (Personen, Produkte, Kunden, Verträge, Systeme) und die Beziehungen zwischen ihnen ab. Abfragen durchlaufen den Graphen und liefern den umgebenden Teilgraphen als Kontext. Hervorragend für relationale und Compliance-Fragen, aber schwerer auf frei formulierte Abfragen in natürlicher Sprache zu skalieren, weil der Graph nichts beantworten kann, was sein Schema nicht enthält. Hybrides Retrieval über Graph und Dokumente Der produktionsreife Ansatz. Der Wissensgraph indiziert Entitäten und Beziehungen; unstrukturierte Dokumente werden über Entitätsverweise mit dem Graphen verknüpft (ein Vertragsknoten verweist auf sein PDF, ein Kundenknoten auf die zugehörigen Support-Tickets, ein Knoten für eine Architekturentscheidung auf die Code-Commits, die sie geprägt hat). Das Retrieval durchläuft zuerst den Graphen, sammelt die verknüpften Dokumente und führt dann Vektor- und Schlüsselwortsuche über diese gefilterte Menge aus. Der Graph begrenzt den Suchraum; der Dokumentenbestand liefert den Text, den das Modell lesen muss. Beim hybriden Retrieval landen die meisten Unternehmen, nachdem ihr erstes naives RAG-Deployment bei relationalen Abfragen an Grenzen gestoßen ist. Hier ist auch das Speicherfundament am wichtigsten: Graphspeicher, Chunk-Speicher, Embedding-Speicher und Metadatenschicht müssen alle unabhängig voneinander skalieren und bei fortlaufenden Schreibvorgängen konsistent bleiben. Für das angewandte Retrieval-Design behandelt der Beitrag Architektur von KI-Wissensbasen: vollständiger Leitfaden (auf Englisch) die Chunk- und Embedding-Seite ausführlich. RAG-Quellen, Aktualität und das Änderungsproblem RAG-Quellen sind der Teil der Wissensbasis, den das Retrieval dem Modell tatsächlich zugänglich macht. Ihre Auswahl ist eine Designentscheidung, keine Voreinstellung. Ein naives Deployment indiziert jede angebundene Quelle und hofft, dass das Ranking es schon richtet. Produktive Deployments kuratieren. Sie legen fest, welche Quellen für welche Fragetypen maßgeblich sind, versehen Quellen mit Prioritätsmetadaten, damit der Retriever maßgebliche Inhalte höher gewichten kann, und schließen Quellen mit veralteten oder doppelten Informationen aus. Kuratierung macht den Unterschied zwischen einem Copilot, der die aktuelle Richtlinie zitiert, und einem, der einen fünf Jahre alten Entwurf zitiert, weil dieser bei der lexikalischen Ähnlichkeit besser abschnitt. Aktualität ist die Partnerdisziplin. Eine Wissensbasis, die nicht aktualisiert wird, erzeugt mit großer Selbstsicherheit veraltete Antworten. Drei Muster für Aktualität sind verbreitet. Geplante Neuindizierung. Regelmäßige vollständige oder inkrementelle Neuaufbauten im täglichen oder wöchentlichen Rhythmus. Einfach, planbar, aber langsam bei der Abbildung von Änderungen. Aufnahme per Change Data Capture. Quellsysteme senden Änderungsereignisse; die Aufnahme-Pipeline schreibt neue und geänderte Objekte in das Quellarchiv, und nachgelagertes Chunking, Embedding und Graph-Aktualisierungen folgen dem Änderungsstrom. Hybride Aktualität. Neben dem Hauptindex liegt eine Live-Ebene mit aktuellen Änderungen. Das Retrieval fragt beide ab; die Live-Ebene wird in regelmäßigen Abständen in den Hauptindex übernommen. Jedes Muster stellt andere Anforderungen an das Speicherfundament. Change Data Capture und hybride Aktualität erfordern gleichzeitige Schreib- und Lese-Workloads ohne Sperren und ohne Einbußen bei der Abfrageleistung. Die Wahl hängt davon ab, wie veraltet Antworten sein dürfen – Minuten für den Support im Handelsraum, Stunden für den Kundenservice, Tage für Compliance-Recherchen. Speicheranforderungen über die gesamte Wissensbasis Ein hilfreicher Ansatz ist es, jeder Ebene der Architektur ihr Speicherprofil zuzuordnen. Ebene Zugriffsmuster Latenzanforderung Speicherprofil Quellarchiv Schreibspitzen, selten gelesen Sekunden bis Minuten Kapazitätsoptimierter Objektspeicher Chunk-Speicher Leseintensiv beim Neuaufbau Sekunden Objektspeicher Embedding-Speicher Hochparallele Lesevorgänge beim Neuaufbau Sekunden Objektspeicher Wissensgraph des Unternehmens Zeigerverfolgung, Traversierungen Einstellige Millisekunden Graphspeicher auf Flash Vektorindex (heiß) Wahlfreies Lesen, Memory-Mapped oder Flash-gestützt Unter einer Millisekunde Flash / NVMe Schlüsselwortindex Wahlfreies Lesen, überwiegend gecacht Unter einer Millisekunde Flash Metadatenschicht Filtern und Abrufen zur Abfragezeit Einstellige Millisekunden Indizierter Metadatendienst Aufbewahrungsarchiv Seltenes Lesen, regulatorische Sperre Minuten Kapazitätsoptimierter Objektspeicher oder Band Ein einzelnes Speichersystem, das auf eine Ebene abgestimmt ist, bedient die anderen nur unzureichend. Teams, die den gesamten Stack auf einem universellen NAS oder einem einzigen Cloud-Bucket betreiben, stoßen regelmäßig entweder auf Kostenüberschreitungen (zu viel Flash für Archivdaten) oder auf Latenzverletzungen (Indexlesevorgänge über rotierende Festplatten). Eine mehrstufige Architektur, die den Medientyp am Zugriffsmuster ausrichtet, ist der Produktionsstandard. Mehrstufiger Speicher für KI: skalierbare Leistung und Kostenkontrolle behandelt das Thema umfassender, und KI-Kontext-Pipelines: Architektur, Phasen und Ablauf beschreibt den gesamten Retrieval-Ablauf. Häufig gestellte Fragen Was ist eine Wissensbasis für KI im Unternehmen? Eine Wissensbasis für KI im Unternehmen ist der kuratierte, indizierte und fortlaufend aktualisierte Bestand, den ein Sprachmodell bei der Inferenz heranzieht, um Antworten auf aktuelle, maßgebliche Inhalte des Unternehmens zu stützen. Sie bündelt strukturierte und unstrukturierte Quellen – Dokumenten-Repositorys, Ticketing-Systeme, Code-Hosts, Kommunikationsarchive, Data Warehouses, Wissensgraphen und lizenzierte externe Inhalte – über Konnektoren, die Herkunft und Zugriffskontrollen erfassen. Die Architektur stellt diesen Verbund über hybrides Vektor-, Schlüsselwort-, Graph- und Metadaten-Retrieval als einzige abrufbare Oberfläche bereit. Welche Rolle spielt ein Wissensgraph des Unternehmens? Ein Wissensgraph des Unternehmens bildet Entitäten (Kunden, Produkte, Verträge, Systeme, Personen) und die Beziehungen zwischen ihnen ab. In einem hybriden Retrieval-Design begrenzt der Graph den Suchraum – eine Abfrage durchläuft zuerst den Graphen, um den relevanten Teilgraphen zu finden –, und mit dem Graphen verknüpfte unstrukturierte Dokumente liefern den Text, den das Sprachmodell liest. Graph-basiertes Retrieval beantwortet relationale und Compliance-Fragen, die ein reiner Vektorindex nicht beantworten kann, und Dokument- und Vektor-Retrieval beantwortet frei formulierte Fragen, die das Graphschema nicht abdeckt. Die meisten Produktivsysteme nutzen beides zusammen. Was sind RAG-Quellen in einer Wissensbasis für Unternehmen? RAG-Quellen sind der Teil der angebundenen Systeme und Inhaltssammlungen, den das Retrieval dem Modell tatsächlich zugänglich macht. Die Auswahl der Quellen ist eine Kuratierungsdisziplin: Teams legen fest, welche Quellen für welche Fragetypen maßgeblich sind, versehen sie mit Prioritätsmetadaten, damit der Retriever sie gewichten kann, und schließen veraltete oder doppelte Sammlungen aus. Disziplinierte Kuratierung macht den Unterschied zwischen einem Copilot, der die aktuelle Richtlinie zitiert, und einem, der einen fünf Jahre alten Entwurf zitiert. Wie werden strukturierte und unstrukturierte Daten kombiniert? Drei Muster dominieren. Retrieval mit Fokus auf unstrukturierte Inhalte flacht strukturierte Datensätze zu Text ab und stellt sie über denselben Vektor- und Schlüsselwortindex bereit wie Dokumente. Retrieval mit Fokus auf den Wissensgraphen durchläuft einen Graphen aus Entitäten und Beziehungen und liefert den umgebenden Teilgraphen. Hybrides Retrieval über Graph und Dokumente verknüpft unstrukturierte Dokumente per Entitätsverweis mit dem Graphen und führt erst eine Graphtraversierung und dann ein Dokument-Retrieval aus. Beim hybriden Retrieval landen die meisten Unternehmen, nachdem ein naives erstes Deployment bei relationalen Abfragen an Grenzen gestoßen ist. Welchen Speicher braucht eine Wissensbasis für KI im Unternehmen? Das Fundament muss haltbaren Objektspeicher für Quellarchiv, Chunk-Speicher und persistente Embeddings bieten; eine heiße Ebene mit geringer Latenz für Vektor- und Schlüsselwortindizes; einen Graphspeicher mit Traversierungslatenzen im Millisekundenbereich; eine Metadatenschicht, die für Filter- und Abrufabfragen auf Milliarden von Zeilen skaliert; hochparallele Lesevorgänge für die Verteilung auf Embedding-Worker und Index-Builder; sowie Unveränderlichkeit und Auditierung für regulierte Umgebungen. Mehrstufiger Speicher unter einem Namespace mit richtliniengesteuertem Lebenszyklus ist der Produktionsstandard. Wie funktioniert Aktualität in einer Wissensbasis für KI im Unternehmen? Drei Muster für Aktualität dominieren. Geplante Neuindizierung läuft täglich oder wöchentlich und ist einfach, bildet Änderungen aber nur langsam ab. Die Aufnahme per Change Data Capture schreibt Aktualisierungen sofort in das Quellarchiv und speist Chunking, Embedding und Graph-Aktualisierungen über den Änderungsstrom. Hybride Aktualität hält neben dem Hauptindex eine Live-Ebene mit aktuellen Änderungen vor und führt sie regelmäßig zusammen. Die Wahl hängt davon ab, wie veraltet Antworten sein dürfen und wie viel gleichzeitige Aufnahme- und Abfragelast das Speicherfundament verkraftet. Weiterführende Lektüre Architektur von KI-Wissensbasen: vollständiger Leitfaden (auf Englisch) KI-Kontext-Pipelines: Architektur, Phasen und Ablauf Retrieval-Augmented Generation und Speicher für KI Speicher für Vektordatenbanken Metadatenmanagement für Retrieval-Augmented Generation Mehrstufiger Speicher für KI: skalierbare Leistung und Kostenkontrolle Speicherinfrastruktur für agentische KI KI-Datenpipelines Fazit Eine Wissensbasis für KI im Unternehmen wird nicht durch das Modell definiert, das daraus liest, und auch nicht durch den Vektorindex, der sie bereitstellt. Sie wird dadurch definiert, wie sauber Quellkonnektoren, strukturierte und unstrukturierte Ebenen, der Wissensgraph des Unternehmens, RAG-Quellen, Retrieval und Aktualität zusammenspielen – und wie gut das darunterliegende Speicherfundament Quellarchiv, Embeddings, Graph und Metadaten im großen Maßstab trägt. Bauen Sie die Ebenen mit Sorgfalt, und wählen Sie das Fundament mit derselben Sorgfalt, denn im Fundament entscheidet sich still und leise, ob diese Systeme gelingen oder scheitern.
