Versteht die KI eigentlich unser Unternehmen? 

Warum Unternehmenswissen, Geschäftskontext und Prozesse darüber entscheiden, wie nützlich KI und Agents wirklich werden.

Wer heute mit ChatGPT oder Microsoft Copilot arbeitet, kann durchaus beeindruckt sein. In Sekunden werden Dokumente zusammengefasst, Konzepte erstellt und komplexe Fragen beantwortet. Dinge, für die wir früher deutlich länger gebraucht haben. 

Trotzdem gibt es eine Frage, die mir bei der Einführung von KI in Unternehmen immer wichtiger erscheint: 

Versteht die KI eigentlich, wie unser Unternehmen funktioniert? 

Mit „Verstehen“ meine ich kein menschliches Verständnis. Es geht darum, ob die KI Informationen fachlich richtig zuordnen, verbindliche Daten berücksichtigen und daraus passende Ergebnisse für einen konkreten Geschäftsprozess ableiten kann. Dokumente lesen oder E-Mails durchsuchen zu können, ist dafür nur der Anfang. 

Das ist ein erheblicher Unterschied. 

Die Informationen sind da. Der Zusammenhang oft nicht. 

Nehmen wir ein typisches Projektgeschäft. 

Ein Kunde fragt nach dem aktuellen Projektstand. Der Projektleiter weiß, was er dafür braucht: den Projektplan, offene Aufgaben, die letzte Besprechung, eine aktuelle Kunden-E-Mail und vielleicht noch Zahlen aus dem ERP-System. Er weiß auch, welche Dokumente veraltet sind, wer entscheiden darf und dass eine bestimmte Änderung bereits abgestimmt, aber noch nicht im Projektplan nachgezogen wurde. 

Dieses Wissen steckt nicht vollständig in einer Datei oder Datenbank. Ein Teil liegt in Systemen, ein anderer in Abläufen, Zuständigkeiten und der Erfahrung der Mitarbeitenden. 

Ein KI-Assistent kann einzelne Quellen auswerten und daraus schon sehr hilfreiche Antworten erzeugen. Schwierig wird es, wenn die Zusammenhänge nicht erkennbar sind. Dann findet die KI vielleicht drei Projektstatusberichte, weiß aber nicht zuverlässig, welcher aktuell ist. Sie sieht eine offene Aufgabe, aber nicht unbedingt, dass diese durch eine spätere Entscheidung hinfällig ist. 

Die Antwort kann sprachlich hervorragend sein und fachlich trotzdem am Sachverhalt vorbeigehen. 

Warum mehr Daten nicht automatisch bessere KI bedeuten 

In vielen Unternehmen geht es gerade darum, möglichst viele Informationen für Copilot und andere KI-Anwendungen zugänglich zu machen. Das ist grundsätzlich sinnvoll. Das eigentliche Problem löst es aber nicht. Unvollständige, widersprüchliche oder schlecht gepflegte Informationen stehen der KI genauso zur Verfügung wie gute. 

Eine KI kann Zusammenhänge aus vorhandenen Inhalten erschließen. Sie kann aber nicht immer zuverlässig erkennen, welche Quelle verbindlich ist, was inzwischen überholt wurde oder welche fachliche Regel im Unternehmen gilt. 

Deshalb wird neben der Datenqualität vor allem der Geschäftskontext wichtig. Dazu gehören etwa gemeinsame Projekt- und Kundennummern, klare Verantwortlichkeiten, Dokumentenstatus, Beziehungen zwischen Geschäftsvorgängen und die Regeln, nach denen ein Prozess funktioniert. 

Das klingt wenig spektakulär. Metadaten haben selten für Begeisterungsstürme im Management gesorgt. Für zuverlässige KI-Anwendungen sind genau diese Grundlagen aber oft entscheidend. 

Vom Informationsmanagement zum Geschäftskontext 

In unserem Beitrag zu Business Hubs mit Microsoft 365 haben wir beschrieben, wie sich Dokumente, Geschäftsdaten, Aufgaben und Verantwortlichkeiten in einem gemeinsamen fachlichen Kontext verbinden lassen. 

Der Gedanke ist einfach: Informationen sollen nicht nur irgendwo gespeichert sein. Sie sollen dort verfügbar sein, wo die Aufgabe stattfindet, für die man sie braucht. 

Für KI bekommt dieser Ansatz eine zusätzliche Bedeutung. Ein Business Hub kann beispielsweise den geschäftlichen Zusammenhang zwischen Dokumenten, Aufgaben, Entscheidungen und Geschäftsdaten herstellen – und damit eine wichtige Grundlage für den sinnvollen Einsatz von KI schaffen. Die KI muss sich den Zusammenhang dann nicht allein aus Suchergebnissen zusammenreimen. Sie kann auf explizite Beziehungen, Metadaten und definierte Quellen zurückgreifen. 

Im Projekt von oben heißt das: Der aktuelle Statusbericht ist als maßgebliche Quelle gekennzeichnet. Die spätere Entscheidung ist mit der betroffenen Aufgabe verknüpft. Der KI-Assistent kann dann in seiner Zusammenfassung sagen: Die Aufgabe ist noch als offen geführt, laut Entscheidung vom letzten Termin aber hinfällig. 

Der Nutzen liegt nicht in einer schöner formulierten Antwort. Er liegt darin, dass der fachliche Widerspruch sichtbar wird. Eine Garantie für korrekte Antworten ist das nicht. Aber es schafft deutlich bessere Voraussetzungen für nachvollziehbare und belastbare Ergebnisse. 

Mit Agents wird die Frage noch wichtiger 

Solange ein KI-Assistent zusammenfasst oder einen Entwurf schreibt, kann der Mensch das Ergebnis prüfen. Anders wird es, wenn Agents selbst Aufgaben im Geschäftsprozess übernehmen. 

Nehmen wir an, ein Agent soll eine Projektänderung erkennen, ihre Auswirkungen bewerten und die nächsten Schritte vorbereiten. Dann muss er wissen, zu welchem Projekt die Änderung gehört, welche Vereinbarungen gelten, welche Aufgaben betroffen sind und wer entscheiden darf. Und er muss wissen, welche Entscheidungen er selbst treffen darf, wo ein Mensch eingebunden werden muss und welche Regeln und Verantwortlichkeiten dabei gelten. Denn mit zunehmender Eigenständigkeit von KI wird Governance nicht weniger wichtig, sondern mehr. 

Spätestens hier reicht es nicht mehr, einem Sprachmodell möglichst viele Dokumente zu geben. Es braucht Unternehmensdaten, fachliche Beziehungen, Prozesslogik, Berechtigungen und klare Verantwortlichkeiten – im Zusammenspiel. 

Dazu gehört auch die ehrliche Frage, was klassische Automatisierung besser und verlässlicher löst. Nicht jeder Workflow braucht einen Agenten. Manchmal ist eine saubere Regel die intelligentere Lösung. 

Die technologische Grundlage ist häufig schon da 

Die gute Nachricht: Viele Unternehmen müssen nicht bei null anfangen. Gerade im Microsoft-Umfeld sind mit Microsoft 365, SharePoint, Power Platform, Fabric und Copilot bereits zahlreiche Möglichkeiten vorhanden, Informationen, Geschäftsdaten, Prozesse und KI miteinander zu verbinden. Entscheidend ist allerdings weniger die einzelne Technologie als die Frage, wie sinnvoll diese Bausteine zusammenspielen: 

• Welche Datenquelle ist für welche Information maßgeblich? 

• Über welche Merkmale lassen sich Informationen verbinden? 

• Welche Berechtigungen gelten? 

• Wie aktuell müssen die Daten sein? 

• Wie bekommt eine KI genau den Kontext, den sie für ihre Aufgabe braucht? 

Je nach Anwendungsfall reichen saubere Metadaten und definierte Schnittstellen. Bei komplexeren Anforderungen kommen semantische Datenmodelle, Wissensgraphen oder eine andere gemeinsame fachliche Datenebene infrage. 

Die passende Lösung ergibt sich aus dem Geschäftsprozess – nicht umgekehrt. 

Geschäftskontext ist keine reine IT-Aufgabe 

Die IT kann Systeme verbinden, Datenmodelle bauen und Berechtigungen umsetzen. Sie kann aber nicht allein festlegen, was ein gültiger Projektstatus ist, welche Informationen für eine Freigabe zählen oder wann ein Vorgang fachlich abgeschlossen ist. 

Dieses Wissen liegt in den Fachbereichen. Deshalb gehören Geschäftsprozesse, Datenverantwortung und fachliche Regeln an den Anfang eines KI-Projekts. Nicht erst dann auf den Tisch, wenn ein Agent im Test Antworten liefert, die überzeugend klingen, aber so niemand freigeben würde. 

Wie Unternehmen sinnvoll anfangen können 

Dafür braucht es kein unternehmensweites Datenprogramm. Ein guter Einstieg ist ein konkreter Geschäftsprozess, bei dem Mitarbeitende regelmäßig Informationen aus verschiedenen Quellen zusammentragen. Zum Beispiel die Vorbereitung eines Projektstatus, die Bearbeitung einer Kundenanfrage oder die Prüfung einer Freigabe. 

Am Projektstatus lässt sich das in wenigen Fragen durchspielen: 

1. Welche Frage soll am Ende beantwortet werden? 

2. Welche Informationen braucht es dafür, wo liegen sie und wie hängen sie zusammen? 

3. Welche Quelle ist maßgeblich? 

4. Welche fachlichen Regeln gelten? 

5. Wer klärt Widersprüche? 

So wird aus dem allgemeinen Wunsch nach KI-Unterstützung eine konkrete Aufgabe mit benennbaren Quellen und Verantwortlichkeiten. 

Erst danach entscheidet man, welche Teile KI, ein Agent oder klassische Automatisierung übernimmt. Das Ergebnis ist dann nicht nur ein weiterer KI-Anwendungsfall, sondern eine Grundlage, die sich Schritt für Schritt auf andere Aufgaben übertragen lässt. 

Fazit: KI braucht mehr als Zugriff. Sie braucht Kontext. 

Die KI-Modelle werden rasant besser. Gleichzeitig arbeiten viele Unternehmen noch an Grundlagen, die schon vor dem KI-Boom wichtig waren: Datenqualität, Informationsmanagement, Prozessklarheit und Verantwortlichkeiten. 

Mit KI werden diese Themen nicht weniger relevant. Im Gegenteil. Je stärker KI in Geschäftsprozesse eingebunden ist und je eigenständiger Agents arbeiten, desto wichtiger wird der Kontext, in dem sie das tun. Der nächste Schritt ist deshalb nicht nur, der KI mehr Unternehmensdaten zu geben. Sondern Unternehmenswissen, Geschäftsdaten und Prozesse so zu verbinden, dass KI daraus zuverlässig nutzbare Ergebnisse erzeugen kann. 

Genau hier sehen wir bei Next Iteration die Weiterentwicklung unseres Business-Hub-Ansatzes: vom gemeinsamen Arbeits- und Informationskontext hin zu einer belastbaren Grundlage für KI-gestützte Geschäftsprozesse. 

Vielleicht ist das eine der wichtigsten Fragen vor dem nächsten KI-Projekt. Nicht nur: Was kann unsere KI? Sondern: Wie gut kennt sie eigentlich unser Geschäft? 

Wie gut sind Ihre Geschäftsprozesse und Unternehmensinformationen bereits auf den Einsatz von KI vorbereitet? Genau das lässt sich gemeinsam an einem konkreten Prozess betrachten – und daraus ableiten, wo die nächsten sinnvollen Schritte liegen. Nehmen Sie dazu direkt Kontakt zu uns auf.