Schluss mit endlosem Suchen: Wie KI das Unternehmenswissen zugänglich macht

Intro

In dieser Folge spricht Felix Schlenther mit Jan Marquart, Gründer und CEO von Zive, über KI-gestütztes Wissensmanagement in Unternehmen. Zive automatisiert das Erfassen, Verwalten und Abrufen von Unternehmenswissen — von der intelligenten Verknüpfung unstrukturierter Daten über einen Knowledge Graph bis hin zu KI-Agenten, die veraltete Informationen identifizieren. Jan erklärt, warum 80 Prozent des Unternehmenswissens unstrukturiert vorliegt, warum Retrieval Augmented Generation technisch weit komplexer ist als gedacht und weshalb er für 2025 eine Desillusionierungsphase bei autonomen KI-Agenten erwartet.

Inhaltsübersicht

Mitarbeitende verbringen laut einer McKinsey-Studie fast zwei Stunden täglich mit der Suche und Zusammenstellung von Informationen — ein enormes Effizienzpotenzial.
80 Prozent des Unternehmenswissens existiert in unstrukturierten Formaten wie E-Mails, Präsentationen, Chats und PowerPoints.
Zive verbindet über 100 Integrationen mit gängigen IT-Systemen und baut daraus einen Knowledge Graph, der alle Inhalte automatisch vernetzt und organisiert.
Die Vision geht über reines Abrufen hinaus: KI soll Wissen automatisch erfassen — etwa durch KI-geführte Interviews mit ausscheidenden Mitarbeitenden.
Autonome KI-Agenten überwachen kontinuierlich die Wissensbasis und identifizieren veraltete, doppelte oder widersprüchliche Inhalte.
Die technische Komplexität von Retrieval Augmented Generation wird massiv unterschätzt — von der kontextbezogenen Auswahl relevanter Inhalte bis zur personenbezogenen Interpretation von Fragen.
Zive beginnt mit dem Finetuning industrie-spezifischer LLMs für proprietäre Terminologien und Fachwissen.
Erfolgreiche Adoption erfordert intuitive Interfaces, Integration in bestehende Arbeitsumgebungen wie MS Teams und Slack sowie Management-Support.
Jan prognostiziert eine Desillusionierungsphase für autonome KI-Agenten in Unternehmen, bevor eine realistische Adaption in der Breite stattfindet.
Die meisten mittelständischen Unternehmen haben noch keine umfassende KI-Lösung implementiert — viele haben Microsoft Copilot pilotiert und sind unzufrieden.

Über den Gast

Jan Marquart ist Gründer und CEO von Zive, einem Hamburger Startup für KI-gestütztes Wissensmanagement. Als Tech-Unternehmer mit über 20 Jahren Erfahrung gründete er vor 15 Jahren ein erfolgreiches Intranet-Startup namens Halo. Nach seinem operativen Ausstieg gründete er Anfang 2023 zunächst das Venture Studio German AI, bevor er Mitte 2023 mit Zive die Vision umsetzte, Mitarbeitenden den Zugang zu Firmenwissen durch KI radikal zu vereinfachen. Seine Produktphilosophie: Software muss so einfach sein, dass niemand eine Dokumentation braucht.

Detaillierte Zusammenfassung

Das Problem: Zwei Stunden täglich für die Informationssuche

Das Kernproblem, das Zive löst, ist so alltäglich wie teuer: Wissensarbeiter verbringen laut einer McKinsey-Studie fast zwei Stunden pro Tag mit dem Suchen und Zusammenstellen von Informationen. Sie navigieren durch vier, fünf verschiedene Systeme, fragen Kollegen — wobei beide Seiten Zeit verlieren — und erstellen Dinge doppelt, weil sie nicht wissen, dass etwas bereits existiert.

Jan Marquart kennt dieses Problem aus erster Hand. In seiner Zeit als Intranet-Unternehmer erlebte er, wie Unternehmen immer wieder versuchten, ein internes Google aufzubauen — und scheiterten. „Ich hatte eigentlich immer schon diese Idee, wie geil wäre das eigentlich, wenn man im Intranet einfach nur eine Frage stellt und die relevante Information bekommt." Mit dem Aufkommen von GenAI war die technologische Grundlage endlich vorhanden.

80 Prozent des Unternehmenswissens liegt in unstrukturierten Formaten vor: E-Mails, Slack-Nachrichten, PowerPoint-Präsentationen, PDFs. Klassische Enterprise-Search-Systeme scheiterten an zwei Hürden — dem technischen Zugriff auf die Daten über oft mangelhafte APIs und der Unfähigkeit, unstrukturierte Informationen sinnvoll zu interpretieren. Beides hat sich durch moderne REST-APIs und GenAI fundamental verändert.

Zives Dreiklang: Erfassen, Verwalten, Zugreifen

Zives Vision geht über eine intelligente Suche hinaus. Das Unternehmen will das gesamte Wissensmanagement automatisieren — in drei Stufen.

Beim Erfassen setzt Zive darauf, dass ein enormer Teil des Wissens bereits digital in bestehenden Systemen steckt: im CRM, in Projekt-Channels auf Teams, in E-Mail-Verläufen. Statt Mitarbeitende alles manuell dokumentieren zu lassen, gibt das System den Auftrag: Dokumentiere Projekt XY basierend auf dem, was du weißt. Noch ambitionierter ist die Vision von KI-geführten Interviews — ein KI-Bot stellt Fragen, Mitarbeitende antworten per Voice, und das System extrahiert und dokumentiert das Wissen automatisch. Besonders relevant für Exit-Interviews mit ausscheidenden Babyboomern, die 30 Jahre Firmenwissen in den Köpfen tragen.

Beim Verwalten adressiert Zive das größte Problem klassischer Wiki-Systeme: Sie veralten. Dokumentationen werden eingeführt, nach kurzer Zeit sind die Informationen nicht mehr verlässlich, und das System wird nicht mehr genutzt. Zive setzt auf ein Knowledge Lifecycle Management mit autonomen KI-Agenten, die kontinuierlich die Wissensbasis durchforsten. Sie identifizieren Dokumente, die seit zwei Jahren nicht angefasst wurden, finden dreifache Duplikate mit unterschiedlichen Bezeichnungen, erkennen widersprüchliche Informationen und melden veraltete Inhalte — etwa wenn eine Prozessänderung in Teams diskutiert wurde, aber die Confluence-Dokumentation nie nachgezogen wurde.

Beim Zugriff verbindet Zive interne Daten mit Large Language Models, damit Mitarbeitende Prompts eingeben können, die echten Arbeitsmehrwert bringen. Jans Beispiel: Eine Marketingstrategie mit Budget ist vorhanden, und die KI soll konkrete Vorschläge machen, wer aus dem Team welche Teile bis wann umsetzen kann. Dafür braucht die KI Kontext über Strategie, Budget, Teamzusammensetzung und Qualifikationen — Informationen, die ein blankes ChatGPT nicht hat.

Die unterschätzte Komplexität von RAG

Ein zentrales Thema des Gesprächs ist die technische Komplexität hinter Retrieval Augmented Generation (RAG). Jan warnt: „Im Augenschein ist es einfach, so ein RAG aufzusetzen, aber damit am Ende wirklich gute Ergebnisse dabei rauskommen, ist die Komplexität enorm."

„Im Augenschein ist es einfach, so ein RAG aufzusetzen, aber damit am Ende wirklich gute Ergebnisse dabei rauskommen, ist die Komplexität enorm."

Die Herausforderungen beginnen bei den über 100 Integrationen, die Zive from scratch entwickelt hat — jede muss Delta-Abgleiche beherrschen und Berechtigungen berücksichtigen. Dann folgt die Organisation der Daten: Zive erzeugt einen Knowledge Graph, ein riesiges Netzwerk, in dem alle Inhalte miteinander vernetzt sind. Basierend auf Metadaten wie Ersteller, Mitarbeiter, Ordnerstruktur und Download-Verhalten entstehen automatisch Cluster — Marketing, Projekte, Kunden — die Verwandtschaft und Ähnlichkeit abbilden.

Die größte Hürde liegt in der kontextbezogenen Auswahl relevanter Inhalte für das LLM-Kontextfenster. Wenn jemand fragt: „Gib mir mal eine Zusammenfassung von meinem Projekt", muss das System verstehen, welches Projekt gemeint ist. Bei „aktuelle Sales-Zahlen" muss es wissen, ob das Unternehmen quartalsweise, monatlich oder wöchentlich reportet — und wo die Zahlen liegen.

Zusätzlich beginnt Zive damit, Standard-LLMs mit industrie-spezifischem Know-how feinzutunen. General-Purpose-Modelle wie OpenAI, Mistral oder Llama sind mit dem breiten Wissen des Internets trainiert, aber proprietäres Industriewissen fehlt. Für spezialisierte Ingenieursbüros oder Branchenberater kann das den Unterschied machen.

Change Management und die Desillusionierung der Agenten

Für die Adoption im Unternehmen setzt Zive auf mehrere Hebel. Das Interface orientiert sich an bekannten Mustern: Die Suche sieht aus wie Google, der Chat wie ChatGPT. Die Plattform kommt dorthin, wo die Nutzer sind — als MS Teams-Bot, Slack-Bot, JavaScript-Widget, Desktop-App oder über REST-APIs. Jede zusätzliche Hürde — ein extra Login, ein ungewohntes Interface — senkt die Nutzungsraten erheblich.

Jan und Felix sind sich einig: Management-Support ist entscheidend. Führungskräfte müssen vorleben, dass sie die Lösung selbst nutzen — etwa im Team-Meeting per Screenshare. Der Aha-Effekt bei der ersten Nutzung sei enorm, besonders bei Mitarbeitenden, die noch keine Berührungspunkte mit GenAI hatten. Aber es braucht mindestens zehn Stunden aktive Nutzung, bis Menschen verstehen, in welchen Situationen das Tool für sie Sinn macht.

Zum Ausblick auf 2025 äußert Jan eine klare These: „Bei KI-Agenten wird es ein ganz schön böses Erwachen geben." Der breite Markt sei noch nicht bereit für autonome Agenten. Selbst wenn morgen AGI existieren würde, fehlten die Schnittstellen — zu Prozessen, Systemen, Daten und Mitarbeitenden. In einzelnen vertikalen Use Cases sieht er Potenzial, aber die vollautonome KI-Steuerung ganzer Unternehmen sei noch weit entfernt.

„Bei KI-Agenten wird es ein ganz schön böses Erwachen geben. Der Markt ist noch gar nicht da."

Im Gartner Hype Cycle verortet Jan den Markt im Übergang vom Peak der überzogenen Erwartungen in die Desillusionierungsphase. Einzelne Early Adopter wie Otto mit 70 produktiven Use Cases seien bereits durch die Desillusionierung hindurch, aber die Mehrheit der mittelständischen Unternehmen habe noch keine umfassende Lösung. Viele hätten Microsoft Copilot pilotiert und seien unzufrieden.

Kernaussagen

80 Prozent unstrukturiert — „Ein ganz großer Teil des Wissens in der Firma liegt unstrukturiert vor — in Kommunikation, PowerPoint-Präsentationen, Slack-Konversationen, E-Mails. Das sind nämlich 80 Prozent." Unstrukturierte Daten, Wissensmanagement
RAG-Komplexität unterschätzt — „Im Augenschein ist es einfach, so ein Retrieval Augmented Generation aufzusetzen, aber damit am Ende wirklich gute Ergebnisse dabei rauskommen, ist die Komplexität enorm." RAG, Enterprise Search
Desillusionierung bei KI-Agenten — „Bei KI-Agenten wird es ein ganz schön böses Erwachen geben. Der Markt ist noch gar nicht da." Autonome Agenten, Gartner Hype Cycle
Zwei Stunden täglich verschwendet — „Die Mitarbeiter verbringen laut einer McKinsey-Studie fast zwei Stunden am Tag mit dem Suchen und Zusammenstellen von Informationen." Produktivität, Informationssuche

Fazit und Takeaways

Für Unternehmen mit Wissensmanagement-Herausforderungen

Unstrukturierte Daten sind der größte Hebel: 80 Prozent des Firmenwissens steckt in E-Mails, Chats und Präsentationen. Wer nur strukturierte Datenbanken durchsucht, ignoriert den Großteil des vorhandenen Wissens.
Wissensmanagement ist mehr als Suche: Der gesamte Lebenszyklus — Erfassen, Verwalten, Zugreifen — muss automatisiert werden. Ohne aktives Lifecycle Management veralten Wiki-Systeme und verlieren ihren Wert.
RAG-Eigenentwicklung ist riskant: Die Komplexität von Retrieval Augmented Generation wird massiv unterschätzt. Kontextbezogene Auswahl, Berechtigungsmanagement und personenbezogene Interpretation erfordern jahrelange Entwicklung.
Integration in bestehende Tools ist entscheidend: Jedes extra Fenster und jeder extra Login senkt die Nutzungsrate. KI-Lösungen müssen dort sein, wo Mitarbeitende bereits arbeiten — in Teams, Slack oder als Widget in bestehenden Anwendungen.

Für Führungskräfte und Change-Verantwortliche

Management muss vorleben: Wenn die Führungskraft im Meeting per Screenshare die KI-Lösung nutzt, sehen alle im Team: Das funktioniert, das können wir auch.
Zehn Stunden als Schwelle einplanen: Mitarbeitende brauchen mindestens zehn Stunden aktive Nutzung, um zu verstehen, wo KI-Tools für sie persönlich Mehrwert schaffen. Einmalige Demos reichen nicht.
Eingesparte Zeit verplanen: Wenn es keinen Plan gibt, wofür die gewonnene Zeit eingesetzt wird, fehlt das Incentive für Verhaltensänderung.

Für den strategischen Blick auf 2025

Realistische Erwartungen setzen: Der Hype um autonome Agenten wird einer Desillusionierung weichen. Unternehmen sollten sich auf konkrete, umsetzbare Use Cases konzentrieren statt auf die Vollautomatisierung zu warten.
Early Adopter beobachten: Unternehmen wie Otto zeigen, was in der Breite möglich ist — aber mit erheblichem Investment in Change, Schulung und Kulturtransformation.

Die Episode macht deutlich: KI-gestütztes Wissensmanagement ist kein Nice-to-have, sondern adressiert einen der größten versteckten Produktivitätskiller in Unternehmen. Die Technologie ist bereit, aber der Erfolg hängt weniger an den Modellen als an der Integration, der Datenqualität und der Bereitschaft, eingeübte Arbeitsweisen zu verändern.