.svg){kind=icon}
Bei internen KI-Chatbots richtet sich der Blick schnell auf das Modell, die Oberfläche und die technische Plattform. Im Projektalltag liegt die entscheidende Arbeit jedoch häufig an einer früheren Stelle: beim Wissen.
Welche Informationen soll der Chatbot verwenden? Welche Aussagen sind verbindlich? Für welche Rolle gilt eine Antwort? Wer hält sie aktuell? Und woran erkennt die KI, dass sie eine Frage besser nicht beantworten sollte?
Genau diese Fragen entscheiden darüber, ob aus einem Chatbot ein hilfreiches Unterstützungssystem wird – oder nur eine weitere Oberfläche, die auf unklare und widersprüchliche Dokumente zugreift.
Ein Chatbot löst kein Wissensproblem
Viele Organisationen besitzen bereits eine große Menge interner Informationen. Sie liegen in Anleitungen, Präsentationen, E-Mails, Schulungsunterlagen, Herstellerdokumentationen, Tickets oder in den Köpfen erfahrener Mitarbeitender.
Die reine Menge an Dokumenten ist jedoch noch keine verlässliche Wissensbasis.
Ein KI-System benötigt Inhalte, die eindeutig, aktuell und für den jeweiligen Anwendungsfall verständlich sind. Enthalten mehrere Dokumente unterschiedliche Aussagen, kann der Chatbot nicht selbst beurteilen, welche davon im Unternehmen tatsächlich gilt.
Damit ein interner KI-Assistent brauchbare Antworten geben kann, muss deshalb zunächst geklärt werden:
Welche Information ist verbindlich?
Für wen gilt sie?
Wer verantwortet sie?
Ist sie bereits geprüft und freigegeben?
Wann muss sie erneut kontrolliert werden?
Was soll der Chatbot bei fehlendem oder unsicherem Wissen tun?
Ausgangspunkt ist die tatsächliche Arbeit
In einem Projekt mit der Käserei Champignon ging es um die Unterstützung der Mitarbeitenden innerhalb einer komplexen Telefonielandschaft.
Je nach Tätigkeit kamen unterschiedliche Systeme, Geräte und Prozesse zusammen. Im Büro sah die Arbeitsrealität anders aus als am Empfang, in der Produktion, im Außendienst oder unterwegs im Lkw.
Eine allgemeine Anleitung mit dem Titel „So funktioniert unsere Telefonie“ hätte diese Unterschiede nicht ausreichend abgebildet.
Deshalb begann die Konzeption nicht bei den verfügbaren Tools, sondern bei den konkreten Arbeitssituationen:
Was muss eine Person in dieser Rolle regelmäßig tun?
Welche Systeme nutzt sie dabei?
Welche Fragen treten typischerweise auf?
Welche Fehler kann sie selbst beheben?
Wann benötigt sie Unterstützung durch die IT?
Welche Informationen sind sicherheitsrelevant?
Diese rollenbezogene Perspektive bildet die Grundlage für das Knowledge Center und den späteren Support-Chatbot.
Wissensarchitektur statt Dokumentensammlung
Für ein KI-fähiges Knowledge Center reicht es nicht, vorhandene Dateien in einen gemeinsamen Ordner zu verschieben.
Das Wissen muss so strukturiert werden, dass einzelne Aussagen auffindbar, verständlich und kontrollierbar bleiben. Dafür werden umfangreiche Dokumente in kleinere, klar abgegrenzte Wissenseinheiten übersetzt.
Eine solche Einheit beantwortet möglichst eine konkrete Frage, zum Beispiel:
Welches Telefoniesystem nutze ich im Büro?
Wie vermittle ich einen Anruf mit Rückfrage?
Welche Voicebox gilt für meine Rolle?
Was kann ich tun, wenn mein Headset nicht funktioniert?
Wohin wende ich mich, wenn eine Einstellung nicht verändert werden darf?
Jede Antwort erhält den notwendigen Kontext. Eine Anleitung für Microsoft Teams darf beispielsweise nicht automatisch als Standard für alle Mitarbeitenden gelten, wenn andere Bereiche mit Innovaphone, myApps, Smartphones oder weiteren Geräten arbeiten.
Die Wissensarchitektur verbindet deshalb mehrere Ebenen:
Rollen und Arbeitssituationen
Systeme und Geräte
wiederkehrende Prozesse
typische Fragen und Störungen
Zuständigkeiten und Supportwege
Freigaben und Eskalationsregeln
Verantwortetes Wissen wird für KI nutzbar
Ein wichtiger Bestandteil der Wissensbasis sind klare Statusinformationen.
Eine Antwort kann beispielsweise offen, in Klärung, beantwortet, freigegeben, nur intern oder veraltet sein. Erst dadurch lässt sich festlegen, welche Inhalte im Wiki erscheinen und welche zusätzlich vom Chatbot verwendet werden dürfen.
Zu jeder relevanten Information gehört außerdem ein fachlicher Owner. Das ist die Person oder Funktion, die eine Aussage prüfen, freigeben und bei Veränderungen aktualisieren kann.
Damit verändert sich auch die Bedeutung der internen Dokumentation. Sie ist nicht mehr nur eine Ablage, sondern ein gepflegtes System mit nachvollziehbaren Verantwortlichkeiten.
Für den Chatbot ist diese Unterscheidung entscheidend. Eine mündliche Aussage oder eine ungeprüfte Herstellerinformation darf nicht automatisch zur verbindlichen Unternehmensregel werden.
Ein guter Chatbot kennt seine Grenzen
Bei einem internen Support-Chatbot ist eine korrekte Nicht-Antwort oft wertvoller als eine überzeugend formulierte Vermutung.
Fehlt eine freigegebene Information, muss das System dies erkennen und an die richtige Stelle weiterleiten. Das gilt besonders für Berechtigungen, Notfallprozesse, sicherheitsrelevante Einstellungen und noch nicht abschließend geklärte Unternehmensregeln.
Die zentrale Regel lautet deshalb:
Der Chatbot beantwortet nur Fragen, für die eine geprüfte und freigegebene Grundlage vorhanden ist.
In allen anderen Fällen verweist er transparent auf den zuständigen Support- oder Fachbereich.
Diese Eskalationslogik verhindert nicht jeden Fehler. Sie reduziert aber das Risiko, dass ein sprachlich überzeugendes KI-Ergebnis mit einer verbindlichen internen Auskunft verwechselt wird.
Eine Wissensbasis für mehrere Anwendungen
Die strukturierte Wissensbasis ist nicht nur für den Chatbot gedacht.
Dieselben Inhalte können für unterschiedliche Unterstützungs- und Lernformate verwendet werden:
als übersichtliche Seiten im internen Wiki oder SharePoint,
als kompakte Kurzkarten für einzelne Rollen,
als Grundlage für Trainings und Coachings,
als Hilfestellung für den First-Level-Support,
als Quelle für einen Chatbot in Microsoft Copilot Studio,
als Basis für die Einarbeitung neuer Mitarbeitender.
Dadurch entstehen nicht mehrere voneinander getrennte Informationswelten. Training, Dokumentation und KI-Unterstützung greifen auf denselben fachlichen Kern zurück.
Ändert sich ein Prozess, muss die Information nicht an vielen unterschiedlichen Stellen unabhängig voneinander neu erfunden werden. Sie wird in der Wissensbasis aktualisiert und anschließend in den jeweiligen Formaten ausgespielt.
Was „KI-ready“ bei internem Wissen bedeutet
Internes Wissen ist nicht allein deshalb KI-ready, weil es digital vorliegt.
Es ist KI-ready, wenn es:
klaren Rollen und Situationen zugeordnet ist,
in verständliche Wissenseinheiten gegliedert wurde,
eine nachvollziehbare Quelle und Verantwortung besitzt,
fachlich geprüft und mit einem Status versehen ist,
regelmäßig aktualisiert werden kann,
für den Chatbot ausdrücklich freigegeben wurde,
und eine klare Eskalation für unsichere Fälle enthält.
Die technische Umsetzung bleibt wichtig. Sie kommt jedoch erst dann sinnvoll zum Tragen, wenn diese Grundlagen vorhanden sind.
Vom Chatbot-Projekt zur Enablement-Architektur
Das Beispiel zeigt, dass ein interner Support-Chatbot nicht als isoliertes KI-Projekt betrachtet werden sollte.
Er verbindet Wissensmanagement, Prozessklärung, technische Dokumentation, Lernen, Support und Governance. Häufig werden dabei nicht nur Antworten gesammelt. Es werden auch Unklarheiten sichtbar, die zuvor zwischen verschiedenen Systemen, Bereichen und Zuständigkeiten verborgen geblieben sind.
Genau darin liegt ein zusätzlicher Wert des Vorgehens: Die Vorbereitung für den Chatbot verbessert bereits die Qualität des internen Wissens.
Bei HUMMEL betrachten wir den Chatbot deshalb als Teil einer umfassenderen Enablement-Architektur. Ziel ist nicht, möglichst viele Fragen automatisch beantworten zu lassen. Ziel ist ein verlässliches Unterstützungssystem, das Menschen in ihrer konkreten Arbeit weiterhilft – und Verantwortung dort belässt, wo sie hingehört.
