Vom Dokument zum verwendbaren Projektwissen

Ablage speichert Dateien. Verwendbares Projektwissen bewahrt Bedeutung, Beziehungen, Gültigkeit und Entscheidungen.

Ein voller Ordner sieht nach Wissen aus. Tatsächlich enthält er zunächst nur Dateien: PDFs, Präsentationen, Tabellen, Chatprotokolle, Bilder und Transkripte. Erst wenn Menschen und Systeme erkennen können, warum ein Inhalt existiert, woher er stammt, worauf er sich bezieht und welche Entscheidung daraus hervorging, wird aus Ablage ein Wissensraum.

Diese Unterscheidung ist für KI-Anwendungen zentral. Eine Volltextsuche findet Wörter. Eine semantische Suche findet inhaltlich ähnliche Passagen. Beide Verfahren können trotzdem eine veraltete, nicht freigegebene oder aus dem Zusammenhang gerissene Aussage liefern. Auffindbarkeit ist daher nur eine Eigenschaft. Verwendbarkeit entsteht erst durch Struktur, Herkunft, Gültigkeit, Berechtigung und überprüfbare Beziehungen.

Vier Zustände derselben Information

Eine Information durchläuft mindestens vier fachlich verschiedene Zustände:

1 · Rohmaterial: Audio, Transkript, E-Mail, Scan, Tabellenexport oder Gesprächsnotiz. Es enthält Signale, aber häufig Wiederholungen, Erkennungsfehler und ungeklärte Sprecherbezüge.

2 · Dokument: Das Material besitzt einen stabilen Titel, ein Format, eine Quelle und einen Zeitpunkt. Es ist speicherbar, aber noch nicht automatisch entscheidungsrelevant.

3 · Kontext: Ausgewählte Ausschnitte werden für eine konkrete Aufgabe bereitgestellt. Auswahl und Zuschnitt verändern, was sichtbar wird.

4 · Projektwissen: Aussagen sind mit Herkunft, Beziehungen, Status, Gültigkeit und verantwortlicher Rolle verbunden. Entscheidungen und offene Fragen bleiben unterscheidbar.

Viele KI-Projekte springen direkt vom ersten oder zweiten Zustand zum dritten: Dateien werden hochgeladen, segmentiert und indiziert. Damit fehlt die fachliche Transformation. Ein Sprachmodell kann dann sehr überzeugend eine Passage zusammenfassen, ohne zu wissen, dass sie nur eine verworfene Idee, eine unbestätigte Aussage oder eine abgelöste Version beschreibt.

Extraktion ist nicht Verständnis

Der erste Verarbeitungsschritt macht Inhalte technisch zugänglich. Bei digitalen PDFs kann Text extrahiert werden; bei Scans ist optische Zeichenerkennung nötig. Tabellen, Spalten, Fußnoten, Überschriften und Lesereihenfolgen müssen erhalten oder rekonstruiert werden. Ein plausibler Textstrom beweist nicht, dass die Dokumentstruktur korrekt erfasst wurde.

Qualität beginnt deshalb mit prüfbaren Extraktionsmerkmalen: Seitenbezug, erkannter Dokumenttyp, Sprache, OCR-Konfidenz, Tabellenanzahl und Warnungen für unlesbare Bereiche. Bei kritischen Quellen sollte der extrahierte Text auf die visuelle Originalseite zurückverweisen. So lässt sich ein Fehler von der späteren Antwort bis zum Scan zurückverfolgen.

Ein nützlicher Grundsatz lautet: Das Original bleibt unverändert, die Extraktion wird versioniert und jede weitere Ableitung erhält eine eigene Kennung. Eine korrigierte OCR-Fassung überschreibt nicht stillschweigend die vorherige. Sie verweist auf Quelle, Verarbeitungsprozess und Zeitpunkt.

Segmentierung bestimmt, was auffindbar bleibt

Für semantisches Retrieval werden lange Dokumente meist in kleinere Einheiten zerlegt. Zu große Segmente enthalten viel Nebeninhalt; zu kleine Segmente verlieren Definitionen, Einschränkungen oder Begründungen. Eine universell richtige Segmentgröße gibt es nicht. Sie hängt von Dokumenttyp, Fragen, Sprache, Einbettungsmodell und verfügbarem Kontextfenster ab.

Besser als blindes Schneiden nach Zeichenzahl ist eine strukturorientierte Strategie: Überschrift, Absatz, Tabellenzeile, Entscheidung oder Sprecherwechsel bilden natürliche Grenzen. Überlappung kann Kontext erhalten, erzeugt aber Duplikate und darf nicht dazu führen, dass dieselbe Aussage mehrfach als unabhängige Evidenz erscheint.

Jedes Segment braucht eine Rückbindung an das Dokument:

chunk_id: decision-2026-014#section-03
source_id: decision-2026-014
source_version: 2.1
page_or_timecode: "04:12-05:08"
section: "Entscheidung und Begründung"
status: approved
valid_from: 2026-06-01
access_class: internal

Diese Felder sind keine Dekoration. Sie ermöglichen Filter, Zitation, Zugriffskontrolle und Fehleranalyse. Ein Textsegment ohne stabile Herkunft ist für eine belastbare Antwort nur eingeschränkt brauchbar.

Beziehungen tragen mehr als Ordnernamen

Ordner bilden gewöhnlich einen Ablageort ab. Projektwissen ist mehrdimensional. Ein Dokument kann gleichzeitig zu einem Kunden, einer Entscheidung, einem Arbeitspaket, einer Risikoannahme und einer offenen Frage gehören. Beziehungen machen sichtbar, was ein Dateipfad nicht ausdrücken kann.

Eine minimale Wissensstruktur benötigt noch keinen Wissensgraphen. Markdown-Dateien mit maschinenlesbarem Kopfbereich, stabile Kennungen, interne Links und ein gepflegter Index reichen für kleine Bestände oft aus. Wichtig ist, dass Beziehungstypen unterschieden werden: „begründet", „widerspricht", „ersetzt", „gilt für", „entstand aus" und „benötigt Freigabe" haben unterschiedliche Bedeutung.

Bei größeren Beständen können Graphstrukturen und Vektorsuche kombiniert werden. Vektoren unterstützen Ähnlichkeit, Graphbeziehungen unterstützen explizite Verknüpfungen. Keines von beiden entscheidet automatisch, ob eine Quelle gültig ist. Status und Berechtigungen müssen als verbindliche Filter vor dem Retrieval wirken, nicht erst als Hinweis im Prompt.

Vom Suchtreffer zum Evidenzpaket

Ein gutes Retrieval-System liefert nicht einfach die ähnlichsten Textstücke. Es baut ein Evidenzpaket für eine konkrete Frage. Der Prozess kann so aussehen:

1. Nutzerabsicht, Aufgabe und zulässigen Wissensraum bestimmen.

2. Zugriffsrechte und Schutzklassen vor der Suche anwenden.

3. Kandidaten lexikalisch, semantisch oder über Beziehungen finden.

4. Kandidaten nach Relevanz, Gültigkeit, Quelle und Diversität neu ordnen.

5. Widersprüche, ersetzte Versionen und fehlende Evidenz sichtbar machen.

6. Nur das kleinste hinreichende Paket an das Modell übergeben.

7. Antwort, verwendete Quellen und Retrieval-Konfiguration protokollieren.

Die ursprüngliche RAG-Arbeit verband ein generatives Modell mit einem externen, nichtparametrischen Wissensspeicher. Daraus folgt jedoch nicht, dass jede RAG-Ausgabe wahr ist. Retrieval kann irrelevante Passagen liefern; Generierung kann Evidenz falsch verbinden; eine Wissensbasis kann selbst fehlerhaft sein. Deshalb müssen Retrieval und Antwort getrennt bewertet werden.

Qualität wird auf mehreren Ebenen gemessen

Eine End-to-End-Bewertung allein sagt zu wenig. Die Pipeline braucht getrennte Prüfungen. Extraktionstests prüfen Lesereihenfolge, Tabellen und Zeichenfehler. Metadatentests prüfen Pflichtfelder, erlaubte Werte und Referenzen. Retrievaltests fragen, ob relevante Quellen unter den ersten Treffern erscheinen und ob gesperrte Inhalte ausgeschlossen bleiben. Antworttests prüfen Evidenztreue, Vollständigkeit, Unsicherheitsangabe und Zitationskorrektheit.

Ein gutes Testset besteht aus realen Aufgaben, schwierigen Negativfällen und bekannten Widersprüchen. Es enthält auch Fragen, die das System nicht beantworten darf. „Keine hinreichende Evidenz" ist ein korrektes Ergebnis, wenn der Wissensraum keine belastbare Grundlage bietet.

Wissen braucht einen Lebenszyklus

Projektwissen verändert sich. Entscheidungen werden revidiert, Quellen veralten, Rollen wechseln und Schutzklassen ändern sich. Deshalb braucht jede Wissensbasis den Zyklus: aufnehmen, extrahieren, klassifizieren, verbinden, prüfen, freigeben, verwenden, aktualisieren und archivieren.

KI kann Metadaten vorschlagen, Entitäten erkennen, ähnliche Inhalte gruppieren, Widersprüche markieren und Zusammenfassungen erzeugen. Diese Vorschläge dürfen nicht mit Freigabe verwechselt werden. Menschen sichern fachliche Bedeutung, Verbindlichkeit und Ausnahmen; Automatisierung macht die Erschließung skalierbar und wiederholbar.

Der entscheidende Architekturgedanke lautet: Das Ziel ist nicht die größte Sammlung und nicht die höchste Zahl an Verknüpfungen. Das Ziel ist, dass ein Mensch oder Agent für eine konkrete Aufgabe den kleinsten verlässlichen, zulässigen und nachvollziehbaren Kontext erhält.

Übungsblatt: Vom Rohmaterial zum Wissen

Wähle ein Transkript, eine Gesprächsnotiz oder ein längeres Dokument. Erstelle daraus eine kleine, prüfbare Wissenseinheit.

1. Quelle sichern. Vergib eine stabile Kennung, erfasse Ursprung, Datum, Format, Sprache und Schutzklasse. Verändere das Original nicht.

2. Extraktion prüfen. Markiere mindestens zwei Stellen, an denen Struktur, Sprecher oder Tabelleninhalt falsch erkannt werden könnten.

3. Wissenseinheiten bilden. Erzeuge eine Zusammenfassung, drei semantische Segmente und einen Entscheidungsdatensatz. Jedes Artefakt erhält einen Rückverweis.

4. Beziehungen modellieren. Verwende mindestens zwei verschiedene Beziehungstypen, etwa „begründet", „widerspricht" oder „ersetzt".

5. Retrieval testen. Formuliere fünf Fragen: drei beantwortbare, eine mehrdeutige und eine unzulässige oder unbelegte Frage. Dokumentiere Treffer, verwendete Evidenz und korrektes Abbruchverhalten.

6. Freigabe trennen. Kennzeichne, was automatisch erzeugt, menschlich geprüft und verbindlich freigegeben wurde.

Alle Materialien zum Download – die Themenübersicht und das Übungsblatt:

Einordnung: Ein Vektorindex ist weder ein Beweis für Wahrheit noch automatisch ein Records-Management-System. Die vorgeschlagene Wissensarchitektur verbindet technische Retrieval-Mechanismen mit Herkunft, Gültigkeit, Berechtigung und menschlicher Verantwortlichkeit. Konkrete Pflichten hängen vom Einsatzkontext und von der rechtlichen Einordnung ab.

Quellen und fachliche Einordnung