KI optimiert das Wissensmanagement in Unternehmen

Der Umgang mit Informationen hat sich zuletzt durch Technologie, insbesondere Künstliche Intelligenz, stark verändert. Zwar ist die Verarbeitung von Daten vielerorts effizienter geworden, doch es wird auch eine ungleich größere Menge davon produziert. Modernes Wissensmanagement steht daher vor der Aufgabe, den menschlichen und den technologischen Zugang zu diesem wertvollen Gut zu harmonisieren. Und das geht nur, indem man Gemeinsamkeiten findet oder an Stellen bedeutender Unterschiede technologische Brücken baut.

Dieser Artikel gibt einen Überblick der Möglichkeiten, die Künstliche Intelligenz für das Wissensmanagement in Unternehmen bereithält.

Natürliche Sprache als Informationsträger

Seit die japanischen Wissenschaftler Nonaka und Takeuchi 1997 die Grundzüge des Wissensmanagements beschrieben haben, ist vor allem der Umgang mit verschiedenen Formen von Wissen eines der schwierigsten Probleme. Von Beginn an gilt deren Transformation – z. B. von implizit zu explizit – als besonders gewinnbringender Vorgang. Auch der Wissenstransfer zwischen Mitarbeitern führt durch Neuinterpretation oft zu weiteren Einblicken. Vorausgesetzt ist jedoch ein gemeinsamer Kommunikationskanal; beherrschen die beiden nicht die gleiche Sprache, ist die Verständigung stark erschwert.

Genau dieses Problem besteht bei der Wissensnutzung und -transformation, seit ein Großteil der Informationen digital verarbeitet wird: Computersysteme arbeiten vorrangig mit Maschinen- und Markupsprachen sowie mathematischen Codierungen und relationalen Datenbanken, die sich der menschlichen Kommunikation entziehen. Doch durch die Entwicklung von Large Language Models kam es hier zu einer nie dagewesenen Handreichung von Mensch und Maschine. Am Ende war es die effizienteste Lösung, Computersysteme mit neuronalen Netzen zur Verwendung natürlicher Sprache zu befähigen.

Large Language Models überwinden die tiefe Kluft zwischen menschlicher und maschineller Kommunikation. Unternehmen werden dadurch zu einem informativen Ökosystem, das ein Wissensmanagement ohne sprachliche Einschränkungen ermöglicht.

Anwendungsbereiche in Unternehmen

Die Weiterentwicklung von LLMs und entsprechenden Chatbots hat zur Folge, dass auch verbleibende Hürden zunehmend überwunden werden: Multimodale LLMs verarbeiten visuelle Inhalte, Speech-to-Text und Text-to-Speech regeln die Umwandlung zwischen gesprochenem und geschriebenem Wort. Doch auch zuvor bot KI bereits umfassende Möglichkeiten für Unternehmen, um die Informationsnutzung zu optimieren. So ist eine Sammlung an technologischen Möglichkeiten entstanden, die sich auf alle Vorgänge des Wissensmanagements anwenden lassen.

Nach Nonaka und Takeuchi wären das die vier Phasen der Externalisierung, Kombination, Internalisierung und Sozialisation. Hier kommt jedoch zunächst eine praxisnahe Aufschlüsselung nach Jarrahi (et alt., 2023) zum Einsatz, die einen direkten Technologiebezug ermöglicht:

Wissensgenerierung

Neues Wissen entsteht häufig durch die Neukombination und Reorganisation von bestehendem Wissen, indem Daten aus verschiedenen Quellen analysiert werden.

• Generative KI – Indem Large Language Models auf unternehmensweite Wissensbestände (Knowledge Bases) zugreifen, können sie auf Anfrage die gesuhten Informationen herausfiltern. Die entstehenden Texte können das bisherige Meinungsbild erweitern, implizites Wissen greifbar machen und bislang unbekannte Perspektiven aufzeigen.
• Datenanalysen – Algorithmen des maschinellen Lernens analysieren große Datenbestände in Unternehmen und decken bislang unbekannte Muster und Zusammenhänge auf. So entstehen neue Einblicke, um die unternehmensweite Ressourcennutzung zu optimieren.

Beispiele – Bestände anhand der Auslastung des Kundenservices optimieren. Chatbots, die eine Überlastung des Kundenservices verhindern. Rechtliche Risiken in Verträgen identifizieren.

Wissensspeicherung

Das Hauptziel dieser Methoden ist es, Wissen in einer sinnvollen Struktur aufzubewahren, sodass Mitarbeiter später leicht darauf zugreifen können. In diesem Bereich spielt intelligente Dokumentenverarbeitung eine besonders große Rolle.

• Kategorisierung und Archivierung – Mit einer Mischung aus klassischen regelbasierten Algorithmen (z.B. RegEx) und modernen Machine Learning Modellen im Bereich der natürlichen Sprachverarbeitung lassen sich Dokumente automatisiert kategorisieren und ablegen. Nutzer gewinnen Zeit, aber können bei Bedarf schnell auf das enthaltene Wissen zugreifen.
• KI-basierte Datenpipelines – Die Kategorisierung lässt sich in eine umfassende Abfolge automatisierter Datenverarbeitungsprozesse integrieren. So gelangen z. B. Dokumente vom Input nicht nur an den passenden Speicherort, sondern lösen auch bestimmte Folgeprozesse aus.
• Big Data und Deep Learning – Moderne neuronale Netzwerke sind durch ihre aufwändige Modellanpassung und engmaschige Neuronenverbindungen zur Bewältigung immenser Mengen an Echtzeitdaten in der Lage. Die enthaltenen Informationen lassen sich entweder regelbasiert abspeichern oder mithilfe von Stream Processing Algorithmen direkt analysieren.

Beispiele: Posteingang automatisieren, revisionssichere Archivierung, Lieferkettenanalyse, Zusammenfassungen erstellen.

Wissenstransfer

Eine besonders große Rolle spielt der Austausch von Wissen der einzelnen Mitarbeiter in Unternehmen. Im Prinzip hat bereits die abteilungsübergreifende Wissensspeicherung einen wesentlichen Effekt, denn sie ermöglicht einen allgemeineren Zugriff. Zu den klassischen technologischen Ansätzen für Wissenstransfer und-verbreitung zählt das unternehmenseigene Intranet. Durch die Weiterentwicklung von KI wächst der Bereich des Möglichen beträchtlich:

• Hyper-Personalisierung – Chatbots und Enterprise-AI-Software sind in der Lage, nicht nur passende Inhalte zu identifizieren, sondern sie auch individuell für bestimmte Rollen in Unternehmen aufzubereiten. So erhalten z. B. neue Teammitglieder automatisch relevante Einführungsdokumente oder Vertriebsmitarbeiter passgenaue Marktanalysen.
• Netzwerkanalyse und Wissensverknüpfung – KI-gestützte Systeme können Muster in der internen Kommunikation erkennen und Mitarbeiter mit ähnlichen Fragestellungen oder ergänzendem Fachwissen vernetzen. Chatbots mit umfassender Knowledge Base erlauben zudem die Auflösung von Wissenssilos in Unternehmen.

Beispiele – Häufige Kundenanfragen analysieren und in den Vertrieb implementieren. Neue Produktinformationen im Unternehmen verteilen.

Wissensnutzung

Damit Wissen seine volle Wirkung entfalten kann, müssen Informationen nicht nur zugänglich, sondern auch anwendungsfreundlich aufbereitet sein. KI-Systeme unterstützen diesen Prozess, indem sie Wissen kontextbezogen bereitstellen und in bestehende Arbeitsabläufe integrieren.

• Intelligente Assistenzsysteme – KI-basierte Chatbots und digitale Assistenten helfen Mitarbeitern, spezifische Informationen schnell abzurufen und in ihre Arbeit zu integrieren. Beispielsweise können Kundenservicemitarbeiter automatisch die relevantesten Fallstudien und Lösungsansätze für ein Problem erhalten.
• Datenvisualisierungen – Moderne KI-Systeme analysieren große Datenmengen und helfen bei Entscheidungen, indem sie verschiedene Optionen simulieren und bewerten. Die zugrundeliegenden Daten können die Interpretation weiterführend unterstützen. Besonders für strategische Geschäftsentscheidungen von hoher Tragweite ist diese Form der Transparenz wichtig.

Beispiele – Automatische Zusammenfassung von Richtlinien für den schnellen Abruf, KI-gestützte Entscheidungsfindung für Einkaufs- oder Investitionsentscheidungen, Personalisierung von Schulungsmaßnahmen.

Knowledge Graphs und LLMs

Ein beliebter Ansatz für Wissensmanagement und die Organisation von Informationen ist die sogenannte Graphtechnologie sowie deren Anwendung als Knowledge Graph. Bestehend aus Kanten und Knoten in einem dreidimensionalen Raum lassen sich damit Beziehungen zwischen Wissensfragmenten modellieren. Ein Knoten kann zum Beispiel ein Objekt, eine Person, eine Abteilung oder einen Kunden repräsentieren. Die beschrifteten Kanten zeigen auf, in welchem Verhältnis die Knoten zueinander stehen. So entsteht ein komplexes, aber leicht nachvollziehbares Netz aus Daten in einer semantischen Darstellungsweise. 

Dieses Prinzip hat sich schon länger darin bewährt, komplexe Zusammenhänge und Strukturen nicht nur für Mitarbeiter in Unternehmen, sondern auch für KI-Systeme verständlich zu machen – man denke an vektorielle Modelle wie Word2vec. Semantischer Kontext ist eine beliebte Herangehensweise an das Training von KI-Modellen, insbesondere LLMs. Ein Knowledge Graph, der die internen Wissensstrukturen eines Unternehmens abbildet, ist daher eine ideale Grundlage, um LLMs zu unternehmensspezifischen Experten zu trainieren. Sie erlernen die Rollen von Mitarbeitern, wo welches Wissen vorhanden ist, und können auf entsprechende Anfrage reagieren oder proaktiv relevante Informationen in Workflows integrieren.

Enterprise-Anwendungen für das Wissensmanagement

Die Notwendigkeit, Wissen zu organisieren und relevante Informationen jederzeit finden zu können, wächst mit der Menge an Inhalten. Besonders in großen Organisationen ist der Einsatz entsprechender Tools und Technologien wie Künstliche Intelligenz daher unumgänglich. Die Enterprise KI-Plattform Konfuzio unterstützt Unternehmen in dieser Hinsicht mit verschiedenen Funktionen:

• Konfuzio IDP – Durch die KI-basierte Auslesung von Dokumenten sowie die anschließende Archivierung ist eine automatisierte Wissensspeicherung möglich. Inhalte werden individuell verschlagwortet und sind jederzeit auffindbar.

• Konfuzio Chat – Der KI-Chatbot greift auf unternehmenseigene Datenquellen zu und wird auf dieser Basis zu einem individuellen Wissensassistent für Mitarbeiter. Durch die vielseitigen Integrationen in bestehende Systeme werden Wissenssilos aufgelöst und Wissenstransfer sowie -nutzung unterstützt.

Beim modernen Wissensmanagement kommt es auf ganzheitliche technologische Ansätze an, die Unternehmen in allen operativen Bereichen entlasten und die Informationsnutzung optimieren.

Fazit

Wissensmanagement ist in den vergangenen Jahren von einem stark theoretisch geprägten Konzept zu einem weitläufigen Anwendungsfeld fortschrittlicher Technologien geworden. Insbesondere Künstliche Intelligenz tut sich dabei hervor, denn die eingesetzten Algorithmen und Modelle sind in der Lage, wertvolle Muster in Daten zu finden und nutzbar zu machen. Auf diese Weise entstehen in Organisationen jeder Größe Einblicke und Verknüpfungen, die sich ansonsten der menschlichen Aufmerksamkeit entziehen würden. Durch KI-gestütztes Wissensmanagement können Nutzer ihr individuelles Wissen sinnvoll verbinden und langfristig nutzbar machen – selbst wenn sie das Unternehmen verlassen.

Suchen Sie nach technologischen Lösungen, um das Wissensmanagement in Ihrem Unternehmen zu verbessern? Senden Sie uns gern eine Nachricht, um sich von Experten beraten zu lassen.