KI wird nicht besser, weil sie größer wird – sondern weil sie strukturierter eingebunden wird
SerieRAG – Vom Konzept zum Wissenssystem
Teil 2 von 6
Die Illusion vom immer besseren Chatbot
Seit Ende 2022 jagt ein Modell-Release das nächste. GPT-3.5, GPT-4, Claude 3, Llama 3, Gemini – jedes Mal mit dem Versprechen: besser, schneller, schlauer. Aber die eigentliche Entwicklung passiert nicht im Modell. Sie passiert drumherum.
Die spannendste Veränderung der letzten zwei Jahre ist nicht, dass KI besser antworten kann. Es ist, dass KI anders arbeiten kann.
Vier Phasen der KI-Integration
Phase 1 – Offene Chatbots (2022)
ChatGPT erscheint. Die Welt staunt. Ein Textfeld, eine Antwort. Kein Kontext, kein Gedächtnis, keine Anbindung an die Realität. Nützlich für Brainstorming, gefährlich für Fakten.
Limitierung: Das Modell weiß nur, was im Training war. Alles andere wird erfunden.
Phase 2 – Web-gestützte LLMs (2023)
Bing Chat, Perplexity, Google SGE. Die Modelle bekommen Zugang zum Web. Jetzt können sie aktuelle Informationen einbeziehen – zumindest theoretisch.
Limitierung: Die Websuche ist breit, aber unspezifisch. Das Modell kann das Internet durchsuchen, aber nicht Ihre internen Dokumente.
Phase 3 – RAG-Workflows (2024)
Der entscheidende Sprung. Statt das gesamte Web zu durchsuchen, werden kuratierte Wissensbasen angebunden. Unternehmensdokumente, Fachbücher, Projektdaten – alles wird vektorisiert und gezielt abrufbar.
Neues Paradigma: Nicht das Modell wird besser, sondern der Kontext wird relevanter.
Phase 4 – Persistente Wissenslayer (2025/26)
Die aktuelle Entwicklung. Wissensbasen werden nicht mehr pro Sitzung zusammengestellt, sondern existieren als permanente Schicht. Sie werden kontinuierlich aktualisiert, versioniert und mit unterschiedlichen Zugriffsrechten versehen.
Konsequenz: KI wird vom Tool zum Bestandteil der Wissensinfrastruktur.
Was sich bei jeder Phase wirklich ändert
Es ist nicht die Modellqualität, die den Unterschied macht. Es ist die Architektur der Kontextanbindung.
| Phase | Kontextquelle | Kontrolle | Nachvollziehbarkeit |
|---|---|---|---|
| Chatbot | Trainingsdaten | Keine | Keine |
| Web-LLM | Websuche | Gering | Teilweise (Links) |
| RAG-Workflow | Eigene Dokumente | Hoch | Quellenangabe möglich |
| Wissenslayer | Persistente Wissensbasis | Voll | Versioniert, nachvollziehbar |
Vom Werkzeug zur Infrastruktur
In Phase 1 und 2 ist KI ein Werkzeug. Man öffnet es, stellt eine Frage, schließt es wieder. Wie ein Taschenrechner.
Ab Phase 3 wird KI zur Infrastruktur. Sie ist dauerhaft eingebunden, arbeitet mit spezifischem Wissen und wird Teil der Arbeitsabläufe. Wie eine Datenbank – nur dass man in natürlicher Sprache damit interagiert.
Das verändert auch die Anforderungen:
- Phase 1-2: Promptqualität entscheidet
- Phase 3-4: Datenqualität entscheidet
Wer in Phase 3 angekommen ist und noch glaubt, der perfekte Prompt sei der Schlüssel, hat den Paradigmenwechsel nicht verstanden.
Was das für Organisationen bedeutet
Wissensmanagement wird operative Priorität
Wenn die Qualität der KI-Ausgabe direkt von der Qualität der Wissensbasis abhängt, dann ist Wissensmanagement keine Nebensache mehr. Schlecht strukturierte Confluence-Seiten, veraltete PDFs in Sharepoint, undokumentierte Prozesse – all das wird zum direkten Bottleneck.
Die Rolle des „Knowledge Engineers”
Eine neue Funktion entsteht: jemand, der Wissensbasen kuratiert, strukturiert und aktuell hält. Nicht als IT-Aufgabe, sondern als strategische Funktion. Ähnlich wie Datenbanken einmal eine eigene Disziplin hervorgebracht haben, passiert das jetzt mit Wissensarchitekturen.
Vendor Lock-in verschiebt sich
In Phase 1 war die Frage: Welches Modell nutze ich? In Phase 4 wird die Frage: Welche Wissensinfrastruktur baue ich auf? Das Modell wird austauschbar. Die kuratierte Wissensbasis nicht.
Was das in der Praxis verändert
Ein Maschinenbauunternehmen mit 400 Mitarbeitern koppelt seine Support-Tickets, Produktdokumentationen und Wartungshandbücher an einen Wissenslayer. Der Support-Bot greift nicht mehr auf das offene Web zu, sondern auf verifizierte, interne Quellen – gefiltert nach Produktlinie, Kundenvertrag und Dokumentationsstand.
Das Ergebnis: Die Erstlösungsrate im Support steigt um 40 Prozent. Nicht weil das Modell besser wurde, sondern weil der Kontext stimmt. Die gleiche Frage, die ein Chatbot mit einer generischen Antwort beantwortet hätte, wird jetzt mit der exakten Passage aus dem Wartungshandbuch der betroffenen Baureihe beantwortet – inklusive Quellenangabe.
Das ist kein Einzelfall. Überall dort, wo Organisationen über gewachsene, dokumentierte Wissensbestände verfügen – Kanzleien, Ingenieurbüros, Kliniken, Versicherungen – entfaltet der Wechsel von Phase 2 auf Phase 3 den größten Hebel.
Der kulturelle Wandel dahinter
Mit jeder Phase verändert sich nicht nur die Technik, sondern auch der Umgang mit Wissen in Organisationen.
In Phase 1 war Wissen im Kopf einzelner Mitarbeiter – und KI war ein Spielzeug. In Phase 3 und 4 belohnen KI-Systeme transparente, gepflegte und zugängliche Informationsflüsse. Schlecht dokumentierte Prozesse, Wissen, das in E-Mail-Postfächern versauert, Silodenken zwischen Abteilungen – all das wird nicht mehr nur ineffizient. Es wird zum messbaren Nachteil, weil die KI nur so gut arbeiten kann wie die Wissensbasis, auf die sie zugreift.
Das ist eine unbequeme Wahrheit: Wer KI produktiv einsetzen will, muss zuerst sein Wissensmanagement in Ordnung bringen. Kein Tool der Welt kompensiert eine chaotische Dokumentation.
Der unsichtbare Wandel
Dieser Übergang passiert leise. Es gibt keine dramatischen Launches, keine viralen Demos. Stattdessen bauen Unternehmen Stück für Stück ihre Wissensinfrastruktur um. Sie merken: Der RAG-Ansatz liefert bessere Ergebnisse als der dreißigste Versuch, den perfekten Prompt zu schreiben.
Die Frage ist nicht mehr, ob KI nützlich ist. Die Frage ist, wie gut die Organisation ihr eigenes Wissen strukturiert hat, damit KI damit arbeiten kann.
Ausblick – Phase 5
Die nächste Stufe zeichnet sich bereits ab: Adaptive Wissenssysteme. Wissenslayer beginnen, sich selbst zu kuratieren. Sie erkennen Redundanzen, schlagen Strukturverbesserungen vor und integrieren externe Quellen kontextsensitiv. KI wird nicht mehr nur Nutzer von Wissen, sondern dessen aktiver Verwalter.
Erste Ansätze dafür existieren schon. Agentische Systeme, die eigenständig Quellen bewerten, veraltete Einträge markieren und Wissenslücken identifizieren. Noch ist das experimentell. Aber die Richtung ist klar: Die Grenze zwischen Wissensnutzung und Wissenspflege verschwimmt.
Unterm Strich
Wir befinden uns mitten im Übergang von Phase 3 zu Phase 4. Wer heute anfängt, eine strukturierte Wissensbasis aufzubauen, investiert nicht in ein Tool – sondern in eine Infrastruktur, die mit jedem besseren Modell automatisch wertvoller wird.
Nicht die KI revolutioniert das Wissen – sondern unser Umgang damit. Je besser eine Organisation ihr Wissen strukturiert, desto größer der Hebel der KI. Modelle veralten. Wissensinfrastrukturen skalieren.
Im nächsten Artikel schauen wir uns an, wie man ein solches Wissenssystem konkret aufbaut – ohne Enterprise-Budget und ohne Data-Science-Team.
Wer RAG systematisch von Grund auf verstehen und implementieren möchte, findet auf learn.casoon.dev einen strukturierten Kurs dazu.