Firmenwissen durchsuchbar zu machen scheitert heute selten am fehlenden Speicherplatz, sondern daran, dass Wissen in vier Silos liegt: E-Mail-Archive, Netzlaufwerke, Wikis und erfahrene Köpfe. Die Volltextsuche in SharePoint, Windows Explorer oder Confluence findet nur exakte Begriffe. Fragt ein Mitarbeitender „Wie läuft die Reklamation bei Sonderanfertigungen?”, liefert die Suche null Treffer, obwohl im Qualitätshandbuch derselbe Prozess unter „Abweichungsmanagement” steht. Semantische Suche mit KI versteht Bedeutung statt Schlagworte, fasst Antworten zusammen und verweist auf die Quelldatei. Für den Mittelstand ist das der Unterschied zwischen „wir haben irgendwo ein Dokument” und „jeder bekommt in Sekunden eine prüfbare Antwort”. Ein Prototyp ab 4.500 Euro Festpreis zeigt, ob das für Ihre echten Fragen funktioniert.
Wo steckt Firmenwissen wirklich?
Gehen Sie einen typischen Tag in der Sachbearbeitung durch:
- E-Mail: Der Kollege hat die Antwort vor sechs Monaten in einem Thread geschrieben.
- Laufwerk:
\Abteilung\Projekte\2023\Alt\final_v3_NEU.pdfliegt ohne aussagekräftigen Namen. - Wiki: Die Seite wurde aktualisiert, aber drei verlinkte Unterseiten sind verwaist.
- Kopf: Die erfahrene Sachbearbeiterin weiß es, ist aber im Urlaub.
Kein einzelnes Suchfeld durchsucht alle vier Quellen gleichzeitig mit gleicher Qualität. Mitarbeitende fragen deshalb Kollegen statt Systeme, und Wissen skaliert nicht mit dem Team.
Warum scheitert die klassische Volltextsuche?
| Problem | Auswirkung im Alltag |
|---|---|
| Exakte Begriffe nötig | Andere Formulierung = kein Treffer |
| Duplikate und Versionen | Unklar, welche Datei aktuell gilt |
| Fehlende Metadaten | Dateiname „Dokument1.pdf” hilft niemandem |
| Berechtigungs-Chaos | Suche zeigt Ergebnisse, die geöffnet werden dürfen oder nicht |
| Keine Antwort, nur Links | Nutzer müssen selbst lesen und zusammenfassen |
SharePoint und Confluence verbessern sich, bleiben aber dokumentenzentriert, nicht fragezentriert. Der Mitarbeitende will keine Liste von zwanzig PDFs. Er will eine Antwort mit Quellenbeleg.
Wie läuft eine echte Mitarbeiter-Frage mit KI-Suche ab?
Nehmen wir an, ein neuer Mitarbeitender in der Auftragsabwicklung fragt: „Darf ich eine Teillieferung ohne schriftliche Freigabe versenden?”
Ohne KI-Suche: Er durchsucht SharePoint mit „Teillieferung”, findet drei Treffer, öffnet zwei veraltete Word-Dateien, fragt im Teams-Channel nach und wartet zwei Stunden auf Antwort.
Mit semantischer Wissensdatenbank: Er stellt dieselbe Frage im Web-Chat. Das System durchsucht indexierte Handbücher, Prozess-PDFs und Wiki-Seiten, erkennt, dass „Teillieferung” und „Teilversand” dasselbe meinen, und antwortet: „Laut Arbeitsanweisung AO-2024-07 ist eine schriftliche Kundenfreigabe erforderlich”, mit Link zur Quelldatei und Seitenzahl.
Die Antwortzeit sinkt von Stunden auf Sekunden. Entscheidend ist, dass die Quelle zitiert wird und der Mitarbeitende sie prüfen kann.
Was ändert sich technisch?
Semantische Suche wandelt Dokumente in Vektoren um, die Bedeutung abbilden. Gleichzeitig bleibt der Originaltext für Quellenangaben erhalten. Bei Nentix läuft der Index auf IONOS in Deutschland, synchronisiert mit SharePoint, Confluence oder Laufwerks-Ordnern und respektiert Berechtigungen aus den Quellsystemen.
Das ist keine Magie. Schlechte Ausgangsdaten erzeugen schlechte Antworten. Deshalb bereinigen wir Archive vor dem Indexieren, statt blind alle Ordner zu laden.
Wann reicht die alte Suche noch?
Bleiben Sie bei Volltextsuche, wenn:
- Ihr Wiki unter hundert Seiten hat und aktiv gepflegt wird.
- Alle relevanten Dokumente einheitliche Dateinamen und Tags tragen.
- Es keinen Zeitdruck gibt, weil das Team klein und stabil ist.
Sobald mehr als eine Abteilung sucht oder Fachkräftemangel spürbar wird, reicht das nicht mehr.
Wie starten Sie ohne Big-Bang?
- Sammeln Sie 20 echte Fragen aus E-Mail und Teams der letzten vier Wochen.
- Testen Sie, ob die aktuelle Suche mindestens die Hälfte davon beantwortet.
- Wählen Sie einen Wissensbereich (z. B. nur Qualitätshandbuch oder nur Vertriebs-FAQ).
- Lassen Sie einen Prototyp mit echten Dokumenten bauen.
Der Artikel RAG im Mittelstand: 6 Einsatzfälle zeigt, welche Bereiche zuerst lohnen. Für den Vergleich der technischen Wege: Eigenes ChatGPT fürs Unternehmen.
SharePoint und Confluence gezielt anbinden
Viele Unternehmen haben bereits Wikis, nutzen sie aber als Ablage. Die Anbindung per Konnektor indexiert nur freigegebene Inhalte und spiegelt Berechtigungen. Details: SharePoint- und Confluence-Wissen per KI durchsuchbar machen.
Was kostet Untätigkeit?
Rechnen Sie konservativ: Zehn Mitarbeitende verlieren je 30 Minuten pro Woche mit Suche. Bei 50 Euro internem Stundensatz sind das 1.300 Euro pro Monat, 15.600 Euro pro Jahr reine Suchzeit. Dazu kommen Fehler aus veralteten Dokumenten und Wartezeiten auf Kollegen.
Eine KI-Wissensdatenbank amortisiert sich oft innerhalb des ersten Jahres, wenn der Use Case stimmt. Sie ersetzt keine Wiki-Pflege, reduziert aber die Hürde, vorhandenes Wissen abzurufen.
Wer im Unternehmen sollte den Piloten steuern?
Erfolgreiche Einführungen haben einen Fach-Owner (nicht nur IT):
- IT-Leiter: Hosting, SSO, Berechtigungen, AVV
- Fachabteilung: Testfragen, inhaltliche Bewertung der Antworten
- Datenschutz: Freigabe vor produktivem Rollout
Ohne Fach-Owner testen Entwickler mit Dummy-Fragen, die im Alltag niemand stellt.
Nächster Schritt
Wenn Ihre Mitarbeitenden „wir finden unsere eigenen Sachen nicht” sagen, ist das ein klares Signal. Starten Sie den Potenzial-Check oder lesen Sie zur Umsetzung die interne KI-Wissensdatenbank. Persönlich klären unter Direkt mit uns sprechen.
Häufige Fragen
Warum finden Mitarbeitende internes Wissen nicht?
Weil Wissen in E-Mail, Laufwerken, Wikis und Köpfen verteilt ist und Volltextsuche nur exakte Begriffe trifft. Wer anders formuliert als im Dokument, erhält null Treffer, obwohl die Antwort existiert.
Reicht SharePoint-Suche nicht aus?
SharePoint findet Dateinamen und Schlagworte gut, versteht aber selten die Bedeutung einer Frage. Verwaiste Seiten, veraltete Versionen und fehlende Berechtigungs-Pflege verschlechtern die Trefferquote zusätzlich.
Was ändert semantische Suche konkret?
Sie indexiert Inhalte nach Bedeutung, nicht nur nach Zeichenfolgen. Die Frage nach Vertragsbeendigung findet auch Passagen mit Kündigungsfrist oder Sonderkündigung. Antworten können zusammengefasst und mit Quellenbeleg geliefert werden.
Was kostet der Einstieg?
Ein Mini-Prototyp mit einer Datenquelle startet bei Nentix ab 4.500 Euro Festpreis. Die Vollversion KnowBase mit mehreren Quellen kostet 11.500 Euro. So testen Sie, ob Ihre konkreten Alltagsfragen besser beantwortet werden als mit der bisherigen Suche.