Zwei Entwicklungen, die zusammenkommen · 2026
57 %der deutschen Unternehmen ab 20 Beschäftigten nutzen KI. Gleichzeitig sehen sich 90 % noch am Anfang.Bitkom, September 2026 · 603 Unternehmen
13,3 Mio.heutige Erwerbspersonen überschreiten bis 2040 das gesetzliche Rentenalter – 30 % aller Erwerbspersonen von 2025. Damit steigt für Unternehmen das Risiko, kritisches Erfahrungswissen zu verlieren.Destatis, Juni 2026
Drei Wissensarten, drei Aufgaben
Was das Modell weiß – und was Sie bereitstellen müssen
Wenn von „Daten für KI“ die Rede ist, werden oft drei verschiedene Aufgaben vermischt. Für jede braucht es einen anderen Umgang.
Vom Modell gelernt
Weltwissen
Statistische Muster aus Trainingsdaten: Sprache, Fachbegriffe und allgemeine Zusammenhänge – ohne Garantie auf Vollständigkeit, Aktualität oder Richtigkeit.
Ihre Aufgabe: Modell und Vertragsrahmen prüfen; bei eigenem Nachtraining zusätzlich Herkunft und Nutzungsrechte der Daten klären.
Zur Aufgabe zugeladen
Unternehmenswissen
Der gültige Vertrag, der Kundenstatus, die aktuelle Richtlinie. Liegt in Ihren Systemen.
Ihre Aufgabe: Suche, Semantik, Berechtigungen, Aktualität.
Von Menschen kuratiert
Erfahrungswissen
Warum Lieferant X doppelt geprüft wird. Wann eine Ausnahme gilt. Liegt in Köpfen und Entscheidungen.
Ihre Aufgabe: auswählen, erfassen und prüfen – und dort als Regel oder Playbook festhalten, wo Standardisierung sinnvoll ist.
Ein „Enterprise Brain“ ist deshalb weder ein eigenes Foundation Model noch eine große Dokumentenablage. Der entscheidende Baustein ist kuratiertes Unternehmenswissen: Unterschiedliche Quellen werden so verbunden und ausgewählt, dass für eine Aufgabe die gültige Information, mit passender Berechtigung, Quelle und Stand bereitsteht. Dafür braucht es nicht nur Technik, sondern auch fachliche Auswahl, Pflege und Verantwortung.
Warum das die Qualität Ihrer Agenten bestimmt
Die Modelle werden weiter besser. Damit verschiebt sich der entscheidende Qualitätsunterschied auf das, was darunterliegt: Welche Quellen kennt der Agent? Welche davon ist verbindlich? Wie aktuell sind die Inhalte, und wer darf sie sehen? Ein entscheidender Hebel ist deshalb das gepflegte und geprüfte Wissen, mit dem der Agent in Ihrem Unternehmen arbeitet.
Vier Ebenen mit klarer Verantwortung
Das Modell ist gemietet. Das Gehirn nicht.
Extern gehaltenes Unternehmenswissen reduziert Lock-in. Zum einfachen Schalter wird ein Modellwechsel dadurch nicht.
Kontextschichten für Agenten sind inzwischen ein eigenes Produktfeld. Microsoft bündelt dafür Work IQ, Fabric IQ und Foundry IQ; Snowflake verfolgt einen ähnlichen Ansatz. Das bestätigt die Richtung, nimmt Unternehmen aber die eigentliche Aufgabe nicht ab: festzulegen, welche Information für welchen Zweck verbindlich ist.
Wir ordnen Unternehmenskontext in vier Ebenen. Das ist unser Arbeitsmodell aus der Projektpraxis, keine Norm. Entscheidend ist nicht die Zahl der Ebenen, sondern dass jede einen klaren Inhalt, einen Verantwortlichen, einen Lebenszyklus und einen Gültigkeitsbereich hat. Sonst entstehen vier neue Silos.
Basismodell · extern oder selbst betrieben
Das Weltwissen des Modells
Das Modell bildet statistische Muster aus seinen Trainingsdaten ab. Es ist breit, sprachlich stark, aber weder vollständig noch automatisch aktuell oder richtig. Es kann allgemeines Branchenwissen liefern. Ihre aktuell gültigen internen Verträge kennt es jedoch nicht verlässlich, solange Sie die relevanten Inhalte nicht bereitstellen. Liegt Ihr Unternehmenswissen außerhalb des Modells, wird ein späterer Anbieterwechsel beherrschbarer – Prompts, Tools, Sicherheit, Kosten und Antwortqualität müssen trotzdem neu validiert werden.
- Typischer Fehler
- Das Weltwissen wird für Firmenwissen gehalten. Fragt man nach der eigenen Reisekostenrichtlinie, antwortet das Modell mit einer plausiblen Durchschnittsrichtlinie.
- Prüffrage
- Können wir Modell A gegen Modell B testen, ohne Wissensbasis und Berechtigungslogik neu aufzubauen?
Ebene 1 · Corporate Brain
Das gemeinsame Gedächtnis des Unternehmens
Stammdaten, Kunden, Verträge, Richtlinien, Organigramm. Vor allem aber die Bedeutung dazwischen: Was heißt „Kunde“ im CRM, und was in der Buchhaltung? Welches System ist führend? Wer darf was sehen?
- Mechanismus
- Identitäts- und Rechtesysteme, gepflegte Stammdaten, Richtlinien mit Versionsstand und gemeinsame Definitionen für zentrale Begriffe. Eine KI-Suche über Dokumente – häufig RAG genannt – macht Inhalte auffindbar. Sie legt aber nicht fest, welche Quelle bei einem Widerspruch gilt.
- Ein Beispiel aus der Praxis
- Ein Vertriebsagent soll alle Kunden mit aktivem Wartungsvertrag und offenem Servicefall finden. Das CRM kennt den Kunden, das ERP den Vertragsstatus und das Service-System den Fall – jeweils unter einer anderen ID. Das Corporate Brain beschreibt, welche IDs zusammengehören, welches System für welchen Status führend ist und wer die Daten sehen darf. Erst dadurch entsteht eine belastbare Antwort.
- Typischer Fehler
- Alle Dokumente durchsuchbar machen und hoffen. Dann findet der Agent den Vertragsentwurf von 2021 statt der gültigen Fassung. Oder der Werkstudent sieht über den Chatbot die Gehaltsbänder.
- Prüffrage
- Wenn CRM, ERP und Richtlinie unterschiedliche Antworten liefern: Wissen wir für welche Frage welches System das letzte Wort hat?
Ebene 2 · Abteilungs-Brain
Das Fachwissen hinter den Prozessen
Fachsprache, Ausnahmen, Eskalationswege und die Art, wie Dinge tatsächlich erledigt werden. Im Vertrieb sind das die Regeln für Sonderkonditionen, in der Buchhaltung die Sonderfälle beim Monatsabschluss, im Einkauf die Lieferanten, bei denen man zweimal nachfragt.
- Mechanismus
- Fachliche Begriffsmodelle, freigegebene Prozessregeln, Playbooks für Ausnahmen. Alles innerhalb des Vokabulars aus dem Corporate Brain.
- Der demografische Druck
- Bis 2040 überschreiten 13,3 Mio. heutige Erwerbspersonen das gesetzliche Rentenalter. Verloren geht dabei nicht in erster Linie Dokumentenwissen, sondern Kontext: warum Regeln existieren, welche Ausnahmen gelten und wem in Grenzfällen zu vertrauen ist. Dokumente einzusammeln löst das nicht. Sinnvoll ist, gezielt die Entscheidungen und Ausnahmen zu sichern, bei denen der Weggang einer Person den Betrieb gefährden würde, und sie in prüfbare Regeln zu überführen.
- Die Organisation dahinter
- Dieses Wissen wird nicht von selbst explizit, auch nicht durch eine neue Plattform. Fachbereiche brauchen dafür Zeit, einen klaren Auftrag und eine Person, die für die Aktualität verantwortlich ist. Ohne diesen Betriebsprozess veraltet jedes Brain.
- Typischer Fehler
- Jede Abteilung baut ihren eigenen Bot. Fünf Bots geben fünf Antworten auf die Frage, was ein aktiver Kunde ist, und niemand merkt es, bis ein Kunde es merkt.
- Prüffrage
- Welche Entscheidungen in unserer Abteilung hängen heute an einer einzigen Person?
Ebene 3 · Produkt- oder Projekt-Brain
Das Gedächtnis eines Produkts oder Projekts
Anforderungen, verworfene Alternativen, Entscheidungen, Vorfälle und Feedback. Vor allem das Warum, das in keinem Ticket steht. Das Brain verbindet Informationen über Abteilungsgrenzen hinweg – für ein Produkt über seinen Lebenszyklus oder für ein Projekt von der Entscheidung bis zur Übergabe.
- Mechanismus
- Entscheidungsprotokolle, versionierte Dokumentation je Release oder Meilenstein, Schnittstellenbeschreibungen sowie Betriebs-, Vorfalls- und Übergabedaten.
- Woran man es merkt
- Ein Coding-Agent, der die Architekturentscheidung von 2023 nicht kennt, schlägt die damals verworfene Lösung mit guten Argumenten erneut vor. Ein Vertriebsagent verspricht ein Feature, das vor zwei Releases gestrichen wurde. Beides kann wie ein Modellfehler aussehen, entsteht aber häufig durch fehlenden oder veralteten Produktkontext.
- Typischer Fehler
- Entscheidungen leben in Meetings und Chats und verschwinden mit dem Projektteam.
- Prüffrage
- Kann eine neue Person oder ein Agent nachvollziehen, warum das Produkt oder Projekt heute so aufgesetzt ist?
Ebene 4 · Session-Brain
Der Arbeitskontext eines einzelnen Agenten
Die geladenen Dokumente, der Gesprächsverlauf, Notizen und Zwischenstände einer Aufgabe. Nutzer, Tools und Agent erzeugen hier gemeinsam einen Arbeitskontext. Weil darin auch ungeprüfte, vom Agenten erzeugte Inhalte entstehen können, verwildert diese Ebene am schnellsten.
- Mechanismus
- Kontextfenster, Arbeitsnotizen, gezieltes Nachladen über Tools. Kurzlebig per Voreinstellung.
- Was bekannt ist
- Größere Kontextfenster allein garantieren keine zuverlässigen Antworten. Chroma, Anbieter einer Vektordatenbank, hat im Juli 2025 insgesamt 18 damals aktuelle Modelle getestet: Mit wachsender Eingabelänge sinkt die Zuverlässigkeit deutlich, auch bei einfachen Aufgaben („Context Rot“). Anthropic empfiehlt, Kontext als endliche Ressource zu behandeln und gezielt nachzuladen, statt vorab alles hineinzukippen. Beides sind Anbieterperspektiven, die in dieselbe Richtung zeigen.
- Das neue Risiko
- Was ein Agent sich merkt, lässt sich manipulieren. Die OWASP Top 10 für agentische Anwendungen (Dezember 2025) führen „Memory & Context Poisoning“ als eigenes Risiko (ASI06). Eine eingeschleuste Falschinformation wirkt dann noch lange nach der eigentlichen Sitzung.
- Die Regel
- Session-Wissen verfällt standardmäßig. Was von hier in eine höhere Ebene wandert, wird vorher von deren Verantwortlichem geprüft.
- Prüffrage
- Was passiert mit dem, was ein Agent in einer Sitzung lernt, und wer entscheidet darüber?
Wer schreibt, wer liest, wer löscht und was gilt?
Die vier Ebenen tragen nur, wenn für jede klar ist, woher die verbindliche Information kommt, wer sie freigibt, wie lange sie gilt und wer sie wieder entfernt. Unser Vorschlag als Ausgangspunkt, die Pflegezyklen legt jedes Unternehmen selbst fest:
Basismodell
- Verbindliche Quelle
- Keine · das Modell ist keine autoritative Unternehmensquelle
- Verfasst und freigegeben von
- Anbieter für Modellbetrieb · Unternehmen für Auswahl, Einsatz und Kontrolle
- Zugriff
- Autorisierte Anwendungen und Nutzer
- Gültigkeit
- Modell- und versionsabhängig; Aktualität und Richtigkeit nicht garantiert
- Löschung und Archivierung
- Anbieter kann Versionen ändern oder abkündigen
- Vorrang
- Nie autoritativ für Unternehmensfakten
Corporate Brain
- Verbindliche Quelle
- Je Datenobjekt benanntes führendes System; für Regeln das freigegebene Richtlinienregister
- Verfasst und freigegeben von
- Data- oder Policy-Owner je Quelle · erforderlichenfalls Legal oder Compliance
- Zugriff
- Menschen und Agenten, nach Rechten der anfragenden Person
- Gültigkeit
- Für Fall, Zeitraum, Gesellschaft und Rolle freigegeben; technische Bereitstellung mit definiertem Aktualisierungsziel
- Löschung und Archivierung
- Verantwortliche je Quelle, nach Aufbewahrungsregeln
- Vorrang
- 1 · Recht, Richtlinien, Berechtigungen und zentrale Definitionen
Abteilungs-Brain
- Verbindliche Quelle
- Freigegebene Prozessregeln und Playbooks mit benanntem fachlichem Owner
- Verfasst und freigegeben von
- Fachexpertinnen und -experten · zuständige Führung oder Prozessverantwortung
- Zugriff
- Abteilung und freigegebene Nachbarbereiche
- Gültigkeit
- Für Prozess, Zeitraum und Geltungsbereich freigegeben; Review bei Änderung und nach festem Turnus
- Löschung und Archivierung
- Fachlicher Owner
- Vorrang
- 2 · Prozessfragen, im Rahmen von Ebene 1
Produkt- oder Projekt-Brain
- Verbindliche Quelle
- Freigegebene Entscheidungsprotokolle, Release- oder Meilenstein-Dokumentation, Schemata und Betriebsdaten
- Verfasst und freigegeben von
- Produkt- oder Projektteam · benannter Product-, Service- oder Project-Owner
- Zugriff
- Team sowie berechtigte Rollen in angrenzenden Bereichen
- Gültigkeit
- Für Produkt oder Projekt, Version beziehungsweise Meilenstein und Zeitraum freigegeben
- Löschung und Archivierung
- Product-, Service- oder Project-Owner; bei Abschluss oder Ablösung archivieren
- Vorrang
- 2 · Produkt- oder Projektfakten, im Rahmen von Ebene 1
Session-Brain
- Verbindliche Quelle
- Keine · Inhalte werden aus Quellen abgeleitet oder in der Sitzung erzeugt
- Verfasst und freigegeben von
- Nutzer, Tools und Agent · keine automatische fachliche Freigabe
- Zugriff
- Nur die berechtigten Beteiligten der Aufgabe
- Gültigkeit
- Kurzlebig nach definierter Aufbewahrungsregel
- Löschung und Archivierung
- Automatisch oder auf Anforderung; sensible Sitzungen ohne dauerhafte Speicherung
- Vorrang
- 3 · nie verbindlich; Übernahme nach oben nur nach Prüfung
Wenn sich die Ebenen widersprechen
Enterprise-Wissen ist selten widerspruchsfrei. Zurück zum Eingangsfall: Richtlinie, Playbook und Buchungstool nennen drei verschiedene Beträge für die Hotelnacht. Welche Antwort gibt der Agent? Den Mehrwert liefert nicht die Ablage, sondern eine klare Vorrangregel:
- Verbindlichkeit vor Nähe. Richtlinien, Recht und Berechtigungen aus Ebene 1 gehen vor. Abteilungsregeln gelten nur innerhalb dieser Grenzen oder als dokumentierte, freigegebene Ausnahme. Im Beispiel gelten also 180 € nur, wenn die Messe-Ausnahme freigegeben ist.
- Geltung vor Aktualität. Entscheidend ist die für Fall, Zeitraum, Gesellschaft, Region und Rolle freigegebene Fassung. Das Veröffentlichungsdatum entscheidet nur, wenn der Geltungsbereich ansonsten identisch ist.
- Zuständigkeit vor Fundort. Bei Produktfakten gilt der benannte Product- oder Service-Owner, bei Prozessfragen der fachliche Prozess-Owner – unabhängig davon, wo ein Dokument abgelegt wurde.
- Gleichrangige Konflikte werden nicht geraten. Widersprechen sich zwei freigegebene Quellen mit unterschiedlicher Zuständigkeit, stellt der Agent beide mit Quelle und Stand gegenüber und eskaliert an die benannten Owner.
- Keine folgenreiche Entscheidung ohne Beleg. Bei geschäftskritischen Antworten nennt der Agent Quelle, Stand und Geltungsbereich. Kann er die Gültigkeit nicht bestimmen, trifft er keine automatische Entscheidung.
Was das kostet
Kontextschichten sind kein einmaliges Datenprojekt. Die Kosten entstehen laufend: für Kuratierung, Rechtepflege, Evaluation, Aktualisierung und die Zeit der Fachverantwortlichen. Nicht jedes Wissen ist diese Pflege wert. Unsere Faustregel: Verbindlich gepflegt wird, was ein Agent für eine konkrete, wiederkehrende Entscheidung braucht und was im Fehlerfall teuer wird. Anderes Wissen kann als klar gekennzeichnete Orientierung auffindbar bleiben; veraltete, unzulässige oder besonders geschützte Inhalte werden vollständig ausgeschlossen.
Für Ihren nächsten Use Case
Suche, Semantik oder Wissenstransfer?
Nicht jeder Use Case braucht alle vier Ebenen. Die drei Fragen zeigen, wo der primäre Engpass liegt und wo das Budget zuerst hingehört. In produktiven Anwendungen werden die Ansätze häufig kombiniert.
Möglicher Startpunkt
Dokumentensuche
- Ein Mensch liest die Antwort und prüft sie selbst.
- Wenige, aktuelle Quellen mit sauberen Rechten im Quellsystem.
- Ein Fehler ist leicht erkennbar, reversibel und verursacht wenig Schaden.
Beispiel: Freigegebene Vorlagen finden, IT-Self-Service-Anleitungen, interne Begriffssuche.
Nötig, wenn Systeme verknüpft werden
Semantische Schicht
- Ein Agent verknüpft oder rechnet über mehrere Systeme.
- Begriffe sind in den Systemen unterschiedlich definiert.
- Das Ergebnis fließt in Entscheidungen oder Kennzahlen.
Beispiel: Umsatzauswertung über CRM und ERP, installierte Basis mit Servicehistorie verknüpfen.
Nötig, wenn es nirgends steht
Strukturierter Wissenstransfer
- Das Wissen ist nicht dokumentiert.
- Es hängt an wenigen Personen.
- Es geht um Ausnahmen und Ermessen, das nicht vollständig automatisiert werden darf.
Beispiel: Sonderfreigaben im Einkauf, Nachfolge in der Arbeitsvorbereitung.
Die Reihenfolge entscheidet, ob ein Pilot auf belastbaren Voraussetzungen aufbaut. Suche erschließt vorhandene Quellen, Semantik klärt Bedeutung und Beziehungen, Wissenstransfer macht bisher implizite Entscheidungen überprüfbar.
Das Muster: Sichtbar ist der Agent. Seine Qualität entsteht darunter – aus kuratierten Quellen, klarer Verantwortung und geregeltem Zugriff. Fehlt dieses Fundament, antwortet der Agent vielleicht schneller, aber nicht verlässlicher.
Hintergrund · Modelltraining und Unternehmenswissen
Warum gute Texte wertvoll sind – und allein nicht reichen
Anfang 2024 begann Anthropic, Bücher palettenweise zu kaufen.
Unter dem Codenamen Project Panama ließ das Unternehmen gebrauchte Bücher zerlegen und digitalisieren. Der Vorgang zeigt vor allem, wie wertvoll verlässliche Texte für die Entwicklung großer Sprachmodelle geworden sind.
Juristisch wurde dabei unterschieden: Den Scan rechtmäßig gekaufter Exemplare wertete ein US-Bundesgericht im Juni 2025 als Fair Use. Für Bücher, die zuvor aus Schattenbibliotheken geladen worden waren, galt das nicht; der Vergleich dafür lag bei 1,5 Mrd. US-Dollar. Für Unternehmen folgt daraus vor allem eine Lehre: Wer externe Inhalte für Training, Fine-Tuning oder Wissenssysteme beschafft, muss Herkunft und Nutzungsrechte belegen können.
Eine Prognose von Epoch AI aus dem Jahr 2024 geht davon aus, dass der nutzbare Bestand öffentlicher, von Menschen geschriebener Texte zwischen 2026 und 2032 ausgeschöpft sein könnte. Das bedeutet nicht, dass es danach keine Texte mehr gibt. Es bedeutet: Der bisherige Weg, Modelle vor allem mit immer mehr öffentlich verfügbaren Texten zu verbessern, stößt an eine Grenze.
Daten sind nicht gleich Training
Ein Basismodell hat vor seinem Einsatz aus sehr vielen Texten gelernt. Ihre Verträge, Kundenstände und Richtlinien werden deshalb aber nicht automatisch Teil dieses Modells. Für eine konkrete Aufgabe ruft der Agent die passenden Informationen aus Ihren Systemen ab und stellt sie dem Modell als Kontext bereit. Die Quellen werden separat gepflegt; Aktualität, Zugriffsrechte und Löschung müssen technisch und organisatorisch sichergestellt werden. Die Bereitstellung als Kontext ist von einer Nutzung zum Modelltraining zu unterscheiden. Kurz: Das Modell liefert die sprachliche Fähigkeit. Ihr Unternehmen liefert die jeweils gültigen Fakten.
Quellen, kurz eingeordnet
