Monat: Juli 2026

Wenn KI nicht mehr suchen muss, sondern nachschlagen kann

KI-Modelle werden von Generation zu Generation leistungsfähiger. Über die Qualität ihrer Ergebnisse entscheidet im Unternehmenseinsatz trotzdem selten das Modell allein, sondern der Kontext, den es erhält: Was bedeutet die Kennzahl „aktiver Kunde“ bei uns? Welche Tabelle ist die verbindliche Quelle? Wer ist verantwortlich, wenn ein Prozess nicht funktioniert?

Die Antworten existieren in den meisten Unternehmen – verteilt auf Wikis, Laufwerke, Datenkataloge, Ticketsysteme und die Köpfe erfahrener Kolleginnen und Kollegen. Jedes neue KI-Projekt beginnt deshalb damit, denselben Kontext erneut zusammenzusuchen und aufzubereiten. Das eigentliche Problem ist häufig nicht fehlendes Wissen, sondern fehlende Kontext-Infrastruktur.

Genau hier setzt das Open Knowledge Format (OKF) an, das Google Cloud am 12. Juni 2026 als offene, herstellerneutrale Spezifikation vorgestellt hat – aktuell in Version 0.1 und ausdrücklich als Ausgangspunkt gedacht. [1] Die Idee: Unternehmenswissen wird so beschrieben, dass es an keine Plattform, keine Datenbank und kein bestimmtes KI-Modell gebunden ist. Modelle können wechseln. Das Wissen, auf das sie zugreifen, bleibt.

Zur Einordnung: So funktioniert klassisches RAG

Wer heute einen KI-Assistenten mit eigenen Informationen versorgt, setzt meist auf Retrieval-Augmented Generation (RAG): Dokumente werden in Abschnitte zerlegt und indexiert; zu jeder Frage ermittelt das System die relevantesten Textstellen und übergibt sie dem Sprachmodell als Kontext. [3] Der große Vorteil ist der schnelle Einstieg – die Dokumente bleiben, wie sie sind. Gerade für umfangreiche, unstrukturierte Bestände ist RAG deshalb zu Recht etabliert.

Zugleich entscheidet die Qualität der Suche, was das Modell überhaupt zu sehen bekommt. Gefundene Textstellen kommen ohne Zusammenhang; bei widersprüchlichen Dokumenten bleibt offen, welche Definition verbindlich ist; und verfehlt das Retrieval die passende Quelle, entstehen sprachlich überzeugende, aber fachlich falsche Antworten. Zugespitzt: RAG findet Belege. Welche Aussage im Unternehmen gilt, entscheidet es nicht – das ist eine Frage von Governance, nicht von semantischer Ähnlichkeit.

Was das Open Knowledge Format anders macht

OKF beginnt nicht bei der Suche, sondern bei der Repräsentation des Wissens. Ein OKF-„Bundle“ ist ein Verzeichnis einfacher Markdown-Dateien. Jede Datei beschreibt genau ein Konzept – eine Tabelle, eine Kennzahl, eine Schnittstelle, einen Prozess. Am Anfang steht ein kleiner strukturierter Kopfbereich im YAML-Format, in dem nur das Feld type verpflichtend ist; darunter folgt normaler Text mit Definitionen, Schemata und Zuständigkeiten. Gewöhnliche Markdown-Links verbinden die Konzepte zu einem Wissensnetz, eine Index-Datei dient als Einstiegspunkt. [1]

Für einen KI-Agenten ähnelt das einem gut gepflegten Betriebshandbuch: Er rekonstruiert nicht bei jeder Frage neu, was ein Begriff wahrscheinlich bedeutet, sondern öffnet eine geprüfte Konzeptseite und folgt ihren Verweisen. Ganz ohne Suche kommt auch er nicht aus – aber er sucht in konsolidiertem Wissen statt in Rohdokumenten.

Drei Eigenschaften machen den Ansatz interessant: Dieselbe Datei ist für Menschen lesbar und für Agenten verarbeitbar – ohne Übersetzungsschicht. Wissen lässt sich wie Code verwalten, mit Versionierung und nachvollziehbaren Reviews statt stiller Wiki-Edits. Und OKF ist Format statt Plattform: kein Konto, kein SDK, keine Bindung an Anbieter oder Werkzeuge. [1]

RAG oder OKF? Beides.

Der Kernunterschied liegt im Ausgangsmaterial. RAG erschließt vorhandene Rohdokumente und leitet Wissen bei jeder Anfrage neu ab – mit geringem Startaufwand, aber abhängig von Dokumenten- und Suchqualität. OKF hält kuratierte Konzeptseiten bereit – konsistent und wiederverwendbar; dafür muss das Wissen einmal explizit gemacht und dauerhaft gepflegt werden, sonst wird es zum dokumentierten Irrtum. Und während RAG mit breitem Tooling etabliert ist, steht OKF als junge Spezifikation noch am Anfang.

RAG liefert Reichweite. OKF liefert Orientierung.

In der Praxis ergänzen sich beide: OKF für das Kernwissen, bei dem Konsistenz zählt – Kennzahlendefinitionen, Datenmodelle, Schnittstellen, zentrale Prozesse. RAG für die Masse an Dokumenten, die niemand kuratieren wird – Verträge, Protokolle, Berichte, E-Mails. Ein gepflegtes Bundle ist zudem selbst hervorragendes Ausgangsmaterial für ein RAG-System.

Interessant ist auch der Impuls hinter OKF: das von Andrej Karpathy beschriebene „LLM Wiki“-Muster, bei dem ein Sprachmodell eine dauerhafte, verlinkte Wissensbasis pflegt – neue Quellen einarbeitet, Querverweise ergänzt, Widersprüche sichtbar macht. [2] Agenten können so einen Großteil der Pflegearbeit übernehmen. Welche Definition gilt und welche Änderung freigegeben wird, bleibt jedoch eine Governance-Aufgabe: OKF garantiert weder die Richtigkeit einer Aussage, noch regelt es Berechtigungen oder Infrastruktur.

Worauf es beim Einstieg ankommt

Ein Format allein schafft noch keinen verlässlichen Wissensbestand. Bewährt hat sich ein pragmatischer Start: mit einem klar abgegrenzten Bereich beginnen, etwa den zwanzig wichtigsten Kennzahlen eines Fachbereichs; je Konzept klären, welche Quelle maßgeblich ist und wer fachlich verantwortet; automatisch erzeugen, wo es sinnvoll ist, und von Fachleuten prüfen lassen; Reviews von Anfang an einplanen. Vor allem aber ist die Pflege eine Daueraufgabe, kein Projekt mit Enddatum.

Wissen einmal strukturieren, überall nutzen

Die eigentliche Chance liegt nicht darin, dass KI-Modelle grundsätzlich intelligenter werden – sondern darin, dass Unternehmen ihren Kontext nicht für jede neue Anwendung erneut aufbereiten müssen. Liegen zentrale Definitionen und Zusammenhänge einmal portabel und maschinenlesbar vor, profitieren alle Anwendungen davon: der Assistent im Fachbereich, der Agent in der Datenanalyse, das nächste Automatisierungsvorhaben. Das Wissen wird vom projektspezifischen Hilfsmittel zu einem Teil der Infrastruktur.

Oder ganz kurz: RAG durchsucht die Quellen. OKF pflegt das Handbuch.

Du möchtest herausfinden, ob das Open Knowledge Format ein sinnvoller Baustein für Eure KI-Vorhaben ist – oder wie sich OKF und RAG in Eurer Umgebung kombinieren lassen? Sprich uns gerne an, Du erreichst mich unter alessandro.cibin@evaco.de. Wir unterstützen Euch bei der Einordnung, beim Aufbau eines ersten Wissens-Bundles und bei der Integration in bestehende KI-Anwendungen.

Quellen

[1] Google Cloud: „Introducing the Open Knowledge Format“, 12. Juni 2026 – https://cloud.google.com/blog/products/data-analytics/how-the-open-knowledge-format-can-improve-data-sharing · Spezifikation: https://github.com/GoogleCloudPlatform/knowledge-catalog/tree/main/okf

[2] Andrej Karpathy: „LLM Wiki“, 4. April 2026 – https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

[3] Patrick Lewis et al.: „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks“, NeurIPS 2020 – https://arxiv.org/abs/2005.11401

 

Wenn das gesprochene Wort nicht verloren gehen soll

Besprechungen gehören zum Arbeitsalltag wie E-Mails und Telefonate. In Projektrunden, Gremiensitzungen und Abstimmungsterminen fallen täglich Entscheidungen, werden Aufgaben verteilt und Erfahrungen ausgetauscht. Doch während für Dokumente und Daten längst Systeme und Prozesse existieren, bleibt das gesprochene Wort erstaunlich schlecht dokumentiert: Protokolle entstehen spät, lückenhaft oder gar nicht – geschrieben werden sie ohnehin ungern. Wer schon einmal Wochen nach einer Sitzung rekonstruieren musste, was eigentlich beschlossen wurde, kennt die Folgen.

Die gute Nachricht: Kaum ein Anwendungsfall lässt sich mit heutiger KI so greifbar lösen wie dieser. Moderne Spracherkennung wandelt die Aufzeichnung einer Besprechung zuverlässig in Text um, ein Sprachmodell erstellt daraus ein strukturiertes Ergebnisprotokoll: Themen, Diskussionsstände, Beschlüsse und Aufgaben samt Verantwortlichen und Terminen – auf Wunsch im gewohnten Format des Unternehmens. Aus einer ungeliebten Aufgabe, die bislang Stunden gebunden hat, wird ein Prüf- und Freigabeschritt von wenigen Minuten. Nebenbei entsteht etwas, das auf Dauer mindestens so wertvoll ist: ein durchsuchbares Gedächtnis aller dokumentierten Besprechungen, in dem sich Beschlüsse und Absprachen jederzeit wiederfinden lassen.

Warum gerade hier lokale Verarbeitung überzeugt

Zugleich berührt kaum ein Anwendungsfall so unmittelbar die Frage, die wir an dieser Stelle bereits gestellt haben: Was geschieht eigentlich mit diesen Daten? Eine Gesprächsaufzeichnung enthält die Stimmen aller Teilnehmenden – und damit personenbezogene Daten – sowie inhaltlich oft das Vertraulichste, was ein Unternehmen besitzt: Strategiediskussionen, Zahlen, Personalthemen, Verhandlungspositionen. Cloud-Dienste für Meeting-Transkription gibt es inzwischen viele, und für allgemeine Abstimmungen können sie eine tragfähige Option sein. Spätestens bei Geschäftsführungs-, Personal- oder Gremiensitzungen stellt sich jedoch die Frage, ob Aufnahme und Transkript das Haus überhaupt verlassen sollen.

Genau hier spielt eine lokale Architektur ihre Stärken aus. Spracherkennung, Sprachmodell und Ablage laufen vollständig auf der eigenen Infrastruktur – weder die Aufnahme noch das Transkript noch das fertige Protokoll verlassen das Unternehmen. Leistungsfähige offene Modelle machen das heute realistisch. Und wie immer lohnt der Blick auf die ganze Kette: Erst wenn auch Zwischenergebnisse, Archiv und Zugriffskonzept lokal und kontrolliert betrieben werden, entsteht echte Datensouveränität. Hinzu kommt die Anpassbarkeit: Fachbegriffe und Produktnamen, eigene Protokollvorlagen, abgestufte Vertraulichkeitsstufen und auf Wunsch die Übergabe erkannter Aufgaben an bestehende Systeme lassen sich gezielt umsetzen.

Was auch Teil des Wahrheit ist

Ein realistischer Blick gehört auch zu diesem Thema. Die Qualität des Protokolls steht und fällt mit der Qualität der Aufnahme – gute Mikrofone und ein wenig Gesprächsdisziplin zahlen sich unmittelbar aus. Das Ergebnis ist ein sehr guter Entwurf, kein freigegebenes Dokument: Die fachliche Prüfung bleibt beim Menschen, und das ist auch richtig so. Vor allem aber entscheidet der organisatorische Rahmen über den Erfolg: Aufzeichnungen setzen die Information und Zustimmung der Teilnehmenden voraus, die Einführung berührt regelmäßig die Mitbestimmung, und es braucht klare Regeln, welche Besprechungen erfasst werden, wie lange Aufnahmen gespeichert bleiben und wer auf Protokolle zugreifen darf. Wer diese Fragen früh und transparent klärt – idealerweise gemeinsam mit Datenschutz und Betriebsrat –, schafft Akzeptanz statt Vorbehalte.

Der richtige Einstieg

Bewährt hat sich ein überschaubarer Start: eine Besprechungsart, ein Pilotbereich, ein klar definierter Ablauf von der Aufnahme bis zur Ablage. Auf dieser Grundlage lässt sich fundiert entscheiden, wie die Lösung ausgebaut wird – bis hin zum Baustein einer eigenen lokalen KI-Plattform, auf der weitere Anwendungsfälle aufsetzen.

Die Anforderungen dafür lassen sich am besten in gezielten Workshops herausarbeiten: Welche Besprechungen stehen im Fokus? Welche Sprachen und Formate werden benötigt? Und welche Vorgaben gelten für Datenschutz, Speicherung und die Integration in die bestehende Systemlandschaft? Das Ergebnis ist die Grundlage für eine belastbare Architektur- und Investitionsentscheidung.

Genau hier setzt EVACO an: von der strategischen Einordnung über konkrete Workshops bis zur Konzeption und Umsetzung passender KI-Lösungen. Gern beraten wir Dich unverbindlich, wie sich die Dokumentation Deiner Besprechungen sicher und wirksam automatisieren lässt. Du erreichst mich unter alessandro.cibin@evaco.de.