Wissensinstrument für effektive Strategiearbeit

Für einen Betreiber kritischer Energieinfrastruktur haben wir genau diese Frage beantwortet. In einem Pilotprojekt haben wir eine Anwendung entwickelt, die eine Wissensbasis aufbaut und daraus automatisiert strategische Erkenntnisse ableitet – jede mit prüfbarer Quelle.

Pfade zu strategischer Klarheit

Bisher führten vor allem zwei Wege zu strategischen Erkenntnissen und beide sind teuer. Entweder bindet man eigene Fachleute wochenlang für Recherchen, oder man kauft teuere externe Studien ein, die oft nur fortschreiben, was die Branche ohnehin erwartet. Was dabei fehlt: eine systematische Auswertung der Pfade, die andere bereits beschritten haben.

Erfahrungswissen selbst liegt häufig unstrukturiert und fremdsprachig vor. Gefragt ist deshalb kein „Wiki“, das Dokumente ablegt, sondern eine dynamische Basis, die isolierte Fakten strukturiert, Verknüpfungen herstellt, Erkenntnisse herausarbeitet und Entscheider:innen den Options- und Handlungsraum klar aufzeigt.

Der Anstoß zum Piloten kam von uns. Wir hatten einen eigenen Ansatz entwickelt, der Wissen nicht bloß aggregiert, sondern es in Strukturen zerlegt, aus denen sich strategische Folgerungen ableiten lassen. Damit stießen wir auf starkes Interesse; die Entscheider:innen wollten vom Reagieren ins Agieren kommen. Unser Auftrag war es, zu beweisen, dass dieser Ansatz einen wertvollen Zugang zu globalem, domänenspezifischem Erfahrungswissen eröffnet.

Wie Struktur Präzision erzeugt

Die KI-Agenten in unserem Verfahren arbeiten in einem streng modularen, regelbasierten Raster – der Forschungsmatrix. Sie legt fest, wie das System auf die Welt blickt:

• Systemdimensionen bestimmen, was untersucht wird: Voraussetzungen, Ausgestaltung, Wirkungen und Rahmenbedingungen eines Systems.
• Akteursperspektiven bestimmen, aus wessen Sicht gefragt wird: von denen, die ein System gestalten, bis zu denen, die es finanzieren.
• Fragetypen bestimmen, wie gefragt wird: vom Inventar über Ursachen und Vergleiche bis zur Bewertung.

So entstehen Zellen, die die KI-Agenten systematisch und in mehreren Schritten bearbeiten. Weil jede Zelle dieselben Fragetypen durchläuft, lassen sich die Antworten über Märkte hinweg vergleichen. Die KI stellt Märkte einander gegenüber, deckt Widersprüche auf und leitet Implikationen ab. Die Besonderheit: Das System liefert Ableitungen zu Fragestellungen, die von den Nutzer:innen anfangs noch gar nicht bedacht wurden.

Die Themenwahl und die Feinjustierung der Matrix liegen in den Händen der Nutzer:innen. Fachleute beim Kunden legen vor dem ersten Rechercheschritt fest, welche Dimensionen, Perspektiven und Fragetypen gelten. Die KI überträgt diese Vorgaben in die Wissensbasis. Ist das Ergebnis in der Anwendung noch zu grob, lässt es sich gezielt nachschärfen, etwa indem einzelne Zellen vertieft oder Zeiträume eingegrenzt werden.

Keine Aussage ohne belastbare Quelle

Jede Antwort, jeder Datenpunkt und jede Ableitung verlinkt direkt auf ein Originaldokument. Ein wörtliches Zitat dient als Verifikationsanker. Quellen werden vor der Aufnahme technisch geprüft. Unbrauchbare Verweise weist das System ab und fordert die KI auf, belastbare Quellen zu suchen.

Findet das System keine Evidenz, benennt es dies. Diese Ehrlichkeit, in Kombination mit dem einfachen Klick zur Originalquelle, erzeugte bei den Domänenexpert:innen des Kunden das Vertrauen, das ein KI-System gerade in einem regulierten Unternehmen braucht.

Die Wissensbasis

In kurzer Zeit entstand eine Anwendung, die extrem schnell eine Wissensbasis aus über 4.000 quellenbelegten Einzelinformationen aufbaute. Diese verteilen sich auf vier Wissensräume und reichen von einer globalen Marktsondierung bis hin zur Einschätzung der Lage des eigenen Unternehmens. Daraus destillierte das System eigenständig rund 200 strategische Implikationen. Die Matrix-Logik legt systemische Zusammenhänge offen, nach denen man vermutlich nie gezielt gesucht hätte.

• Die Zeit, bis die Anwendung umfassendes Wissen und hunderte Implikationen eigenständig aufgebaut hat und ersten Nutzen liefert, sinkt auf wenige Stunden. (Time-to-Value)
• In der inhaltlichen Arbeit steht jede Aussage einen Klick von ihrer Quelle entfernt. Wer eine Entscheidung vorbereitet, prüft, statt zu suchen, und sieht auf einen Blick, wo die Evidenz endet. (Time-to-Evidence)
• Wirtschaftlichkeit: Die laufenden Kosten für Recherche und Modellnutzung liegen beim Aufbau einer solchen Wissensbasis im zweistelligen Eurobereich.

Großes Potenzial für die nächste Ausbaustufe der Anwendung sehen wir darin, die strategischen Implikationen gezielt aufzubereiten: Würden die vorgeschlagenen Implikationen Teil einer nachvollziehbaren Handlungsstrategie, könnten sie einen enormen Beitrag zur Qualität künftiger Entscheidungen leisten.

Die Welt von morgen bauen wir nicht mit den Werkzeugen von gestern

Wer Wissen mit KI nutzen will, muss sein Wissensmanagement modular denken. Der Output der KI ist nur so gut wie ihr Kontext. Module erlauben es, für jeden Anwendungsfall zu bestimmen, welches Wissen hineingehört und nach welchen Regeln es verarbeitet wird. Sie dürfen dabei kein bestimmtes Modell voraussetzen, sonst entsteht ein Vendor-Lock-in. Kommt die nächste Modellgeneration, wechselt man das Modell und arbeitet auf derselben Basis weiter. Dieses Pilotprojekt ist genau nach diesen Prinzipien gebaut, mit wählbaren Wissensräumen und austauschbarem Modell.

Wir danken unserem Kunden, dass er diesen Weg gemeinsam mit uns gegangen ist!