Warum Daten allein für Agentic AI nicht ausreichen
Diese unsichtbare Hürde aus existierenden Informationen, die nur begrenzt miteinander verknüpft sind, kann durch modernes Wissensmanagement überwunden werden. Die Rede ist von Produktdokumentationen, Serviceberichten, ERP-Daten, Ticketsystemen, Prozessbeschreibungen oder Compliance-Vorgaben, die in einem System zentralisiert sind und in Relation zueinander stehen. Ein Wissensmodell verknüpft diese Informationen, erfasst Beziehungen, Abhängigkeiten sowie geltende Regeln zwischen Produkten, Komponenten, Anlagen und Prozessenund bildet die Bedeutung unternehmensspezifischer Fachbegriffe ab. Dies bildet für KI-Systeme den benötigten klaren Kontext.
Ein einfaches Beispiel verdeutlicht den Unterschied:
Reine Daten beschreiben:
- Pumpe PX-200 von Serie 13-007
- Wartungsintervall 12 Monate
- Einsatz in Anlage A
- Zulassung nach Norm 4711
- Die Pumpe PX-200 ist Bestandteil der Produktfamilie “Hydraulikpumpen 13-007".
- Sie wird in Anlage A und Anlage C standardmäßig eingesetzt.
- Für bestimmte Kunden gelten abweichende Wartungszyklen.
- Die Norm 4711 ist Voraussetzung für den Betrieb in bestimmten Märkten.
- Ein Austausch beeinflusst weitere Komponenten des Systems.
Entsprechendes Wissen befähigt zum Handeln:
Während Daten nur einzelne Fakten beschreiben, bildet ein Wissensmodell die Beziehungen, Abhängigkeiten und geltenden Regeln ab.
“KI-Agenten scheitern selten an fehlenden Daten. Sie scheitern an fehlendem Kontext.”
Erst dadurch kann ein KI-Agent die Bedeutung sowie den Zusammenhang verstehen und entsprechend qualitative Antworten liefern. Interne Produktbezeichnungen, spezielle Prozesse, regulatorische Vorgaben oder gewachsene Organisationsstrukturen werden in so einem Wissensmodell explizit beschrieben, damit ein KI-Agent sie nutzen kann, der Realität von Unternehmen entspricht sowie Compliance-Anforderungen genügt.
Knowledge Blueprints: Der schnellere Weg zum eigenen Wissensmodell
Der klassische Weg zu einem skalierbaren und leistungsfähigen Wissensmodell besteht im Aufbau eines Knowledge Graphen. Dabei werden Entitäten, Beziehungen, Regeln und Zusammenhänge modelliert. Automatische Validierungsmechanismen unterstützen später die Qualität und Konsistenz des modellierten Wissensmodells.
Allerdings ist dieser Aufbau häufig zeitaufwendig, ressourcenintensiv und erfordert sowohl technisches als auch fachliches Expertenwissen. Besonders für kleine und mittelständische Unternehmen entsteht hier ein Dilemma: Sie würden gerne Agentic AI einsetzen, verfügen aber oft nicht über die Ressourcen, ein solches Wissensmodell vollständig von Grund auf zu entwickeln.
Genau an dieser Stelle setzen Knowledge Blueprints von Empolis an. Das sind vorkonfigurierte, maschinenlesbare Knowledge Graphen, die bereits validiertes branchen- und unternehmensspezifisches Wissen enthalten und den Aufbau eines eignen Knowledge Graphen erheblich beschleunigen können. Man kann sie sich als Blaupause für ein Wissensmodell vorstellen, welche die Struktur liefert, mit der dieses Netzwerk schneller aufgebaut werden kann.
Knowledge Blueprints von Empolis definieren bereits:
- Relevante Entitäten
- Typische Beziehungen und Fehlerbilder
- Fachliche Regeln und Prozessen
- Domänenspezifische Zusammenhänge
- Fachbegriffe
- Validierungsmechanismen
- Erweiterungspunkte für individuelles Unternehmenswissen
Unternehmen müssen somit nicht bei Null beginnen und können auf bewährte Modelle aufsetzen und diese um ihre eigenen Prozesse, Fachtermini, Produkte und Anforderungen viel leichter und schneller ergänzen.
Mehrwert durch die Kombination von Branchenwissen mit Unternehmenswissen
Der eigentliche Mehrwert von Knowledge Blueprints entsteht durch die Verbindung zweier Ebenen. Einerseits durch das Domänen- und Branchenwissen jeder Branche (mit Fachbegriffen, Produktlinien oder Normen. Andererseits das unternehmensspezifische Wissen mit eigenen Produkten, Portfolios, Serviceabläufen, Arbeitsabläufen und individuellen Anforderungen.
Aus der Kombination von beiden Perspektiven entsteht kein generisches Modell, sondern eine individuelle Wissensbasis, die auf den tatsächlichen Unternehmenskontext zugeschnitten ist.
Dadurch versteht der KI-Agent wie das jeweilige Unternehmen arbeitet und hat eine wesentlich höhere Antwortqualität als generische Bots.
Use Cases in der Industrie So profitieren Agentic-AI-Anwendungen davon
Viele Service-Mitarbeitende verbringen heute mehr Zeit mit der Suche nach Informationen als mit der eigentlichen Problemlösung.ieren dennoch von einer deutlich schnelleren Informationsbereitstellung.
Mehrwert eines Wissensmodells
Der Nutzen eines strukturierten Wissensmodells endet nicht bei Agentic AI und ist auch nicht allein auf diesen Zweck ausgerichtet. Es schafft eine langfristig nutzbare Wissensbasis, indem es Informationen aus unterschiedlichen Quellen strukturiert, miteinander verknüpft und in ihrem fachlichen Kontext zugänglich macht.
Damit bildet es eine wichtige Grundlage für ein effektives Wissensmanagement, das dem gesamten Unternehmen langfristige Vorteile bietet:
- Digitalisiertes Wissen bleibt trotz Fachkräftemangel oder Fluktuation erhalten.
- Onboarding-Prozesse werden durch situative Informationsbereitstellung beschleunigt.
- Wissenssilos werden massiv reduziert, sodass auch Informationen zentral und leicht auffindbar sind.
- Fachwissen kann in unterschiedlichen Kontexten mehrfach genutzt werden, etwa als Self-Service für Kunden und Partner, Entstörungshilfen in der Produktion, Produktverbesserung durch Feedback.
Der Vorteil von Knowledge Graphen ist zusätzlich, dass sie flexibel auf veränderte Prozesse oder Produkte angepasst werden können. Damit lassen sie sich – genau wie die Unternehmen – kontinuierlich weiterentwickeln. Durch Konfiguration lassen sich Produkte ergänzen, Prozesse aktualisieren, Beziehungen zwischen Objekten neu definieren.
