Eine Perspektive von „ SightCall “ dazu, warum KI in Unternehmen über das bloße Abrufen von Daten hinausgehen und aus der Arbeit lernen muss.
Ich habe kürzlich gelesen, die Argumentation von Metrigy gelesen, , dass die Datenarchitektur darüber entscheidet, ob KI in Unternehmen erfolgreich sein wird. Dem Kernpunkt kann man kaum widersprechen: Sind Daten fragmentiert, schlecht verwaltet oder schwer zugänglich, kann selbst die beste KI nicht zuverlässig den benötigten Kontext erfassen.
Das Ergebnis sind widersprüchliche Antworten, unzuverlässige RAG- und KI-Projekte, die nur schwer über das Demo-Stadium hinauskommen.
Metrigy argumentiert, dass die Stiftung die richtigen Daten in der richtigen Form und zum richtigen Zeitpunkt an das Modell weiterleitet. Dem stimme ich zu. Aber ich glaube, dass damit nur ein Teil des Problems gelöst wird.
Da KI mittlerweile über die Beantwortung von Fragen zu Dokumenten hinausgeht und Menschen dabei unterstützt, echte operative Probleme zu lösen, reicht der Zugriff auf Informationen nicht mehr aus. KI muss auch verstehen, welche Erkenntnisse das Unternehmen aus seiner Arbeit gewonnen hat: Was ist passiert, was war erfolgreich, wo lässt sich das anwenden und warum sollte man darauf vertrauen?
Die Herausforderung beschränkt sich nicht mehr nur auf die Datenarchitektur.
Es handelt sich auch um „Wissensarchitektur“.
Das Problem mit „sauberen Daten“ ist, dass die tatsächliche Arbeit chaotisch ist
Im Kundenservice und im Außendienst findet ein Teil des wertvollsten Wissens eines Unternehmens niemals Eingang in Handbücher, FAQs oder Wissensdatenbanken. Es entsteht, während die Mitarbeiter ihre Arbeit verrichten.
Es ist der Techniker, der feststellt, dass die Fehlerbehebungsanleitung bei einer bestimmten Geräteversion nicht funktioniert. Es ist der Support-Experte, der weiß, wie man zwischen zwei Problemen unterscheidet, die in einem Ticket identisch erscheinen. Es ist der Installateur, der nach Dutzenden von Installationen gelernt hat, dass eine kleine Anpassung ein immer wieder auftretendes Problem verhindert.
Dieses Wissen basiert auf Erfahrung und dem realen Kontext. Es ist wertvoll, doch seine Erfassung stellt eine ganz eigene Herausforderung dar.
Echte Interaktionen sind chaotisch.
Eine Fernunterstützung per Video kann Small Talk, lange Pausen, falsche Annahmen, gescheiterte Versuche und irrelevante Beobachtungen beinhalten. Doch hinter dieser Interaktion verbirgt sich möglicherweise eine Lösung, die einem anderen Techniker Stunden an Arbeit ersparen könnte, wenn das Problem erneut auftritt.
Deshalb glaube ich nicht, dass die Lösung einfach darin besteht, all diese Informationen zu bereinigen, bevor die KI sie nutzen kann. Wenn man Menschen dazu auffordert, jede Interaktion zu überprüfen, überflüssige Informationen zu entfernen und zu entscheiden, was es wert ist, beibehalten zu werden, entsteht ein ganz neuer Engpass.
Auf Unternehmensebene funktioniert dieser Ansatz nicht.
Die bessere Frage lautet: Wie kann KI aus diesen chaotischen Interaktionen der realen Welt lernen, ohne alles darin als Wissen zu betrachten?
Umfassend erfassen.
Intelligent kuratieren.
Ich halte es für sinnvoller, Beweise und Wissen voneinander zu trennen.
Behalten Sie die ursprüngliche Service-Interaktion als maßgebliche Informationsquelle bei, einschließlich der Angaben dazu, wer sie erstellt hat, wann sie stattgefunden hat und wer darauf zugreifen kann. Nutzen Sie dann KI, um diese Informationen in verwertbares Wissen umzuwandeln.
KI kann das Problem und die Lösung identifizieren, Vorgehensweisen ableiten, diese mit den richtigen Produkten, Teilen und Symptomen verknüpfen, doppelte oder widersprüchliche Informationen kennzeichnen und die Zuverlässigkeit bewerten, bevor etwas zu vertrauenswürdigem, wiederverwendbarem Wissen wird.
Die KI übernimmt die erste Sortier- und Analysephase. Menschen sollten nicht jede Interaktion überprüfen und bereinigen müssen, bevor das System daraus lernen kann.
Aber Automatisierung bedeutet nicht automatisch „vertrauenswürdig“.
Ja, KI kann Wissen in enormem Umfang extrahieren und strukturieren, aber sie kann auch Gespräche falsch interpretieren, den Kontext übersehen oder falsche Schlussfolgerungen ziehen. Alles, was aus unverarbeiteten Interaktionen extrahiert wird, muss überprüft, bis zur Quelle zurückverfolgt und bei geringer Zuverlässigkeit zur Überprüfung durch einen Menschen weitergeleitet werden.
Man sollte nicht jede Interaktion automatisch in Wissen umwandeln. Das Ziel besteht darin, die Arbeit zu automatisieren, die erforderlich ist, um zu erkennen, was vertrauenswürdig ist und wiederverwendet werden kann.
Fragmentierung ist nicht nur ein Speicherproblem
Wenn man alle Servicedaten an einem Ort zusammenführt oder sie über dasselbe System durchsuchbar macht, löst das zwar das Problem des Zugriffs. Das Problem des Verständnisses wird dadurch jedoch nicht gelöst.
Stellen Sie sich 500 Serviceanfragen vor, in denen jeweils dieselbe Störung auf unterschiedliche Weise beschrieben wird. Kunden verwenden unterschiedliche Formulierungen. Die Symptome variieren. Die Produktversionen ändern sich.
Ein Suchsystem kann zwar das Auffinden aller 500 Interaktionen erleichtern, versteht aber möglicherweise nicht, in welchem Zusammenhang sie zueinander stehen.
Möglicherweise wird dabei nicht berücksichtigt, dass jede Meldung denselben Fehler beschreibt, dass eine bestimmte Abhilfemaßnahme nur für Version 3.2 gilt, dass eine andere inzwischen widerlegt wurde oder dass mehrere Experten unabhängig voneinander zu einer besseren Lösung gelangt sind.
Das ist semantische Fragmentierung. Die Informationen sind zwar zugänglich, aber die Beziehungen und Bedeutungen innerhalb dieser Informationen sind nach wie vor voneinander getrennt.
Genau hier können Ansätze wie Wissensgraphen helfen. Anstatt jede Interaktion als isolierte Information zu betrachten, machen sie die Zusammenhänge zwischen Problemen, Produkten, Symptomen, Versionen und Lösungen deutlich.
Es gibtgibt Hinweise darauf, dass dies zu besseren Ergebnissen führen kann. Eine Studie von LinkedIn aus dem Jahr 2024 ergab, dass die Ergänzung des herkömmlichen RAG um einen Wissensgraphen die Qualität der Suchergebnisse verbesserte und die mittlere Zeit bis zur Problemlösung nach der Einführung um 28,6 % reduzierte.
Die Arbeit von Microsoft an GraphRAG folgt demselben Grundprinzip: Unternehmensdaten werden für die KI erst dann wirklich nutzbar, wenn sie die Beziehungen innerhalb dieser Daten verstehen kann und nicht nur darin sucht.
Vom Data Lake zur Kompetenzebene
Das ist der Ansatz, den wir mit XK, der Expertise-Ebene v SightCall, verfolgen . Das Ziel besteht nicht darin, das LLM, das RAG-System, den Chatbot oder den KI-Agenten eines Unternehmens zu ersetzen. Vielmehr geht es darum, diesen Systemen etwas zu geben, was ihnen oft fehlt: ein wiederverwendbares Verständnis dafür, wie das Unternehmen Probleme tatsächlich löst.
Der Ablauf ist einfach. Ein allgemeines LLM bringt umfassendes Wissen und Denkvermögen mit. RAG ergänzt dies um das, was die Organisation dokumentiert hat. XK ergänzt dies um das, was die Mitarbeiter durch ihre Arbeit gelernt haben.
Das bedeutet, reale Kunden- und Serviceinteraktionen – einschließlich visueller Fernsupport-Sitzungen – in strukturiertes, vernetztes Wissen umzuwandeln. XK kann die Produkte, Symptome, Vorgehensweisen, Ersatzteile, Ergebnisse und Maßnahmen von Experten innerhalb dieser Interaktionen identifizieren und miteinander verknüpfen, um ein klares Bild davon zu erstellen, was passiert ist, was funktioniert hat und wo dieses Fachwissen zum Einsatz kommt.
Die ursprüngliche Interaktion bleibt der Beleg. Das daraus gewonnene Fachwissen wird zu einem organisatorischen Kapital, auf das man sich verlassen kann, das wiederverwendet und an die Systeme und Personen weitergegeben werden kann, die es benötigen.
Überprüfen Sie das Wissen und die „
“ – nicht nur die Pipeline
Eine solide KI-Governance erfordert mehr als nur das Wissen darüber, woher Informationen stammen. Wir müssen auch wissen, warum einer bestimmten Information Vertrauen geschenkt werden sollte.
Wenn die KI eine Serviceinteraktion in einen Artikel zur Fehlerbehebung, eine Anleitung oder eine Empfehlung umwandelt, sollte dieses Wissen auch dessen Entstehungsgeschichte enthalten. Welche Interaktionen liegen dem zugrunde? Für welche Produkte und Versionen gilt es? Wann wurde es erstellt? Wie sicher ist sich das System? Wurde es von einem Experten überprüft? Wurde es durch neuere Erkenntnisse bestätigt oder widerlegt? Welche Version sollten Menschen und KI heute verwenden?
Dadurch ändert sich die Frage bei der Überprüfung von „Nach welchen Informationen hat die KI gesucht?“ zu einer viel nützlicheren Frage: „Warum glauben wir, dass dies zutrifft, und wann sollte es angewendet werden?“
Untersuchungen von Microsoft deuten in diese Richtung. Im Rahmen des VeriTrail-Projekts werden Möglichkeiten untersucht, KI-generierte Behauptungen über jeden Schritt ihrer Entstehung hinweg bis zum ursprünglichen Ausgangsmaterial zurückzuverfolgen.
Das allgemeine Prinzip ist einfach: Wenn KI echte Arbeit in organisatorisches Wissen umwandeln soll, darf dabei der Bezug zu den ursprünglichen Belegen nicht verloren gehen.
Die nächste Grundlage für KI sind nicht mehr Daten, sondern ein besseres Gedächtnis.
KI im Unternehmensbereich benötigt nach wie vor eine solide Datenbasis. Sie benötigt Zugriff auf die richtigen Informationen, klare Zugriffsberechtigungen, zuverlässige Quellen und die Fähigkeit, systemübergreifend zu arbeiten.
Der Zugang zu mehr Daten ist nur ein Teil des Problems. Der nächste Schritt besteht darin, Unternehmen dabei zu unterstützen, aus den täglichen Ereignissen zu lernen.
Wenn ein Techniker ein schwieriges Problem löst, kann diese Lösung zu einer wiederverwendbaren Vorgehensweise werden. Wenn Experten wiederholt dieselbe Diagnose stellen, kann dieses Muster Teil des Wissens der Organisation werden. Wenn neue Erkenntnisse einer bestehenden Antwort widersprechen, kann dies eine Überprüfung auslösen.
Und wenn jemand eine nicht dokumentierte Umgehungslösung entdeckt, kann dieses Fachwissen festgehalten werden, anstatt nach Beendigung der Interaktion verloren zu gehen.
Das ist die Chance, die wir für XK und das übergreifende Konzept einer „Expertise-Ebene“ sehen. Es handelt sich nicht um einen weiteren Ort zur Speicherung von Informationen, sondern um ein System, das echte Arbeit in verlässliches, wiederverwendbares Wissen umwandelt.
Die KI lernt, wie das Unternehmen Probleme löst, sodass jede Lösung das Potenzial birgt, das Unternehmen für die nächste Herausforderung besser zu rüsten.