Ihr KI-Modell ist gut genug. Was Sie ausbremst, ist das Gedächtnis.

Wichtigste Erkenntnisse
- Für den Erfolg von Enterprise-KI ist weniger die Modellwahl entscheidend als der Kontext, den das Modell zu Beginn seiner Arbeit kennt.
- Ein nützliches Unternehmensgedächtnis macht Wissen abfragbar, vernetzt, nachvollziehbar und vertrauenswürdig.
- Beginnen Sie mit einer konkreten Entscheidung, erfassen Sie den Kontext des Menschen, bauen Sie Retrieval mit nachvollziehbarer Herkunft auf und setzen Sie dann den Agenten ein. Wiederverwendbarer Kontext kann die Kosten weiterer Use Cases auf einen Bruchteil des ersten senken.
Die meisten Gespräche über Enterprise-KI, die ich in diesem Jahr geführt habe, liefen früher oder später auf dieselbe Frage hinaus: Welches Modell sollen wir nehmen? Und in fast jedem einzelnen Fall ist das die falsche Frage.
Verständlich ist sie trotzdem. Alle reden über die neuesten Versionen ihres Lieblingsmodells und vergleichen sie endlos miteinander. Im Unternehmenskontext hat diese Frage allerdings eine ziemlich unspektakuläre Antwort: Die führenden Modelle liegen so nah beieinander, dass der Unterschied nur selten darüber entscheidet, ob Ihr Projekt erfolgreich ist. Tauscht man ein Modell gegen ein anderes aus, bewegen sich die meisten Enterprise-Workloads innerhalb einer Bandbreite, die außerhalb des Teams niemandem auffallen würde.
Was tatsächlich über Erfolg entscheidet, ist etwas anderes: was das Modell über Ihr Unternehmen weiß, wenn es mit der Arbeit beginnt. Denn Intelligenz ohne Gedächtnis ist nichts als Eloquenz.
Überlegen Sie einmal, was Sie eigentlich verlangen, wenn Sie einen KI-Agenten mit einer Kundeneskalation betrauen. Er soll zum Beispiel wissen:
- wie die Historie genau dieses Kunden aussieht,
- welche Zusagen Ihr Vertrieb vor zwei Quartalen gemacht hat,
- warum für diese Produktlinie ein abweichendes SLA gilt,
- dass genau dieses Beschwerdemuster im vergangenen Jahr einer Kundenabwanderung vorausging.
Nichts davon steckt im Modell selbst. All das liegt in Ihrer Organisation, verstreut über unterschiedliche Systeme und Dokumente. (Die klugen Köpfe Ihrer Fachleute könnte man übrigens zu beidem zählen.)
Ein Modell ohne diesen Kontext ist wie ein sehr wortgewandter neuer Mitarbeiter an seinem ersten Morgen. Es antwortet selbstbewusst, liegt aber falsch, und zwar auf eine Weise, die teuer und schwer zu erkennen ist. Eloquent, aber nicht korrekt. Anders gesagt: Es weiß nicht, was es noch nicht versteht.
Das Unternehmensgedächtnis als Engineering-Aufgabe
Die Branche hat dieser Suche nach Wissen viele Namen gegeben: Retrieval-Augmented Generation (RAG), Knowledge Graphs, Data Fabric, Context Engineering. Hinter all dem Vokabular steckt eine einzige, beständige Idee: Ein Unternehmen braucht eine abfragbare Repräsentation dessen, was es weiß, und zwar mit klarer Governance. Diese Repräsentation entsteht nicht von allein. Sie muss gebaut werden.
Vielleicht fragen Sie sich: Ist das nicht einfach eine weitere Datenplattform, so etwas wie ein Data Lakehouse oder ein Data Warehouse? Nicht wirklich. Wir haben es mit einer völlig neuen Generation von Wissensplattformen für Unternehmen zu tun. Klassische Datenplattformen wurden gebaut, um Daten zu speichern, zu verarbeiten und zu analysieren. Die neuen Plattformen müssen fragmentierte Informationen in aussagekräftigen, strukturierten Kontext verwandeln, also in Kontext, mit dem KI-Agenten tatsächlich arbeiten können. Vier Dinge machen sie grundlegend anders:
Sie extrahieren Bedeutung, nicht nur Daten.
Unternehmen sitzen auf riesigen Mengen unstrukturierter Informationen: Dokumente, E-Mails, Gespräche, Entscheidungen und jahrelang gesammelte Erfahrung. Vieles davon ist Rauschen, doch darin verborgen liegt unschätzbar wertvolles Wissen. Die Herausforderung besteht darin, das Signal vom Rauschen zu trennen und herauszufinden, was wirklich zählt.
Sie erfassen das Warum, nicht nur das Was.
Zu wissen, was in einem Geschäftsprozess passiert ist, ist das eine. Zu verstehen, warum eine bestimmte Entscheidung gefallen ist, welche Alternativen auf dem Tisch lagen, welche Umstände sie beeinflusst haben und welche Folgen sie hatte, ist etwas ganz anderes. Genau diesen Kontext tragen erfahrene Mitarbeitende im Kopf. Und genau ihn brauchen KI-Agenten, um sinnvolle Entscheidungen zu treffen.
Sie verknüpfen Wissen, nicht nur Datensätze.
Knowledge Graphs, Ontologien, Skills Files und andere neue Ansätze ermöglichen es, Beziehungen zwischen Prozessen, Menschen, Entscheidungen und Geschäftsregeln abzubilden. Statt isolierte Informationsschnipsel abzurufen, können KI-Agenten auf vernetztes Wissen zugreifen, das widerspiegelt, wie eine Organisation tatsächlich funktioniert.
Sie machen Wissen nutzbar und vertrauenswürdig.
Kontext muss für Agenten genau dann verfügbar sein, wenn sie ihn brauchen. Dabei müssen Quellen, Historie und Zugriffsrechte erhalten bleiben. Ein Agent muss relevante Informationen nicht nur finden. Er muss auch verstehen, woher sie stammen, ob sie noch gültig sind und ob er sie für eine bestimmte Entscheidung heranziehen darf.
Wo anfangen? Ganz konkret.
Wählen Sie eine Entscheidung, die ein kompetenter Mensch gut trifft und ein naiver Agent schlecht. Halten Sie jedes Stück Kontext fest, das dieser Mensch dafür nutzt, auch das, was er weiß, ohne nachschlagen zu müssen. Bauen Sie als Nächstes ein Retrieval für genau diesen Kontext auf, mit nachvollziehbarer Herkunft. Dann setzen Sie den Agenten ein.

Aus dieser Übung werden Sie wahrscheinlich zwei Dinge lernen:
Die erste Lektion: wie viel Wissen in Ihrem Unternehmen nirgends verbindlich erfasst ist, in keinem einzigen System.
Die zweite Lektion: Sobald die Kontextschicht einmal steht, kostet jeder weitere Use Case nur noch einen Bruchteil des ersten. Deshalb sollten Sie Kontext als Plattforminvestition betrachten, nicht als Projektkosten.
Das Modell ist austauschbare Ware, die Sie mieten. Das Gedächtnis ist das Kapital, das Ihnen gehört.
Machen Sie Ihr Unternehmenswissen samt Kontext nutzbar
Entscheidendes Wissen liegt verstreut in Dokumenten, in Geschäftssystemen oder in den Köpfen weniger Experten. Mit einem verfolgen wir die Vision, dieses Wissen und seinen Kontext für Menschen und KI-Agenten zugänglich zu machen.
Mehr erfahren