Unternehmen stehen vor der Herausforderung des demografischen Wandels! Stetig steigende Mitarbeiter Fluktuation, wertvolles Know-how geht verloren, wenn Wissensträger das Team verlassen. Obwohl rund 73 \% der Mitarbeitenden den Bedarf zur Dokumentation erkennen, scheitert klassisches Wissensmanagement oft am enormen manuellen Dokumentationsaufwand. Hier bietet generative KI einen entscheidenden Ausweg, indem sie Wissen als „Nebenprodukt“ der täglichen Arbeit erfasst.

Durch automatisiertes Knowledge Mining werden unstrukturierte Daten analysiert und in eine Graphdatenbank überführt. Dieser Prozess senkt die Barrieren für die Belegschaft massiv, da Informationen nicht mehr mühsam eingepflegt werden müssen. Das Ergebnis ist eine selbstlernende Umgebung, in der Wissen kontextbezogen über ein Chatbot-Interface bereitsteht – ohne eine unverhältnismäßige Zusatzlast für den Einzelnen, für die Dokumentation, zu erzeugen.

Vom statischen Wiki zum lernenden Gedächtnis

Herkömmliche, dokumentenorientierte Systeme wie Wikis kämpfen oft mit veralteten Inhalten und geringer Akzeptanz aufgrund des hohen manuellen Pflegeaufwands. Demgegenüber ermöglichen Large Language Models (LLMs) heute signifikante Effizienzsprünge: Studien belegen eine Reduktion der Bearbeitungszeit um 40\% bei einer gleichzeitigen Qualitätssteigerung von 18\% [1] LLMs fungieren dabei als motivierende Schreibpartner, die repetitive Aufgaben übernehmen und so wertvolle Freiräume für strategische Kreativität schaffen [2, 3].

Der technologische Trend weist weg von isolierten Einzelanwendungen hin zur systemischen Integration. Durch die Kombination von LLMs mit Graphdatenbanken entstehen tiefe semantische Beziehungen, die eine präzise, kontextbezogene Empfehlung von Wissensobjekten erlauben [4, 5].In einem Agentic Recommender System (ARS) wird der alltägliche Gebrauch von Chatbots – von der Recherche bis zum E-Mail-Entwurf – automatisch als Baustein in die Wissensbasis zurückgeführt. Diese Form des „digitalen Gedächtnisses“ sorgt für eine nachhaltige Sicherung des betrieblichen Know-hows und reduziert den individuellen Dokumentationsaufwand im Arbeitsalltag auf ein Minimum.

Konzept des Agentic Recommender System (ARS)

Das hier vorgestellte ARS-Wissensmanagementkonzept erweitert klassische Retrieval-Augmented-Generation (RAG)-Ansätze, indem es nicht nur einzelne Nutzeranfragen isoliert verarbeitet, sondern den gesamten Interaktionsprozess in eine adaptive Wissensstruktur einbettet. Das Ziel dieses Ansatzes besteht in der proaktiven Unterstützung von Nutzenden zur aufwandsminimierten Beteiligung On-the-fly am Wissensmanagementprozess. Hieraus ergeben sich zwei Vorteile:

1. Durch das Vorschlagsystem verringert sich der Aufwand zur Pflege einer unternehmensweiten Wissensbasis für jedes Teammitglied und führt somit zu einer erhöhten Akzeptanz, was wiederum stärkere Nutzung und dadurch höhere Qualität des enthaltenen Wissens bedingt.
2. Durch den Einsatz eines Agentensystems kann die Knowledge-Management-Strategie eines Unternehmens zu wesentlichen Teilen durch gezieltes Prompt-Engineering implementiert werden.

Abbildung 1 illustriert das hier vorgestellte Prinzip. Im Gegensatz zu einem klassischen RAG-System, mit einer unidirektionalen Anreicherung von Daten, ermöglichen die Vorschlagsagenten eine bidirektionale Anreicherung von Daten.  Auf diese Weise entsteht ein System, das sich iterativ verbessert, indem es nicht nur bestehende Inhalte abruft, sondern auch neue Verknüpfungen zwischen Wissenseinheiten herstellt.

Grundprinzipien des Systems

Die Grundlage bildet eine Kombination aus Knowledge Mining [6, 7],semantischen Beziehungen und einem Vorschlagsmechanismus, der darauf ausgelegt ist, den Nutzenden relevante Informationen kontextabhängig bereitzustellen. Ausgehend von der Interaktion zwischen Mensch und System, in der Nutzende etwa Texte generieren, Suchanfragen stellen oder Dokumente bearbeiten. Basierend auf diesen Eingaben analysiert das System die enthaltenen Informationen, extrahiert semantisch relevante Inhalte und prüft deren Bezug zu bereits vorhandenem Wissen. Dabei kommt eine Entscheidungsfunktion D auf Grundlage eines Knowledge Graphs zum Einsatz, die bestimmt, ob neue Informationen für eine Speicherung oder zur Generierung von Vorschlägen geeignet sind. Falls eine hohe semantische Übereinstimmung mit bestehenden Wissenseinträgen vorliegt oder neue relevante Zusammenhänge erkannt werden, generiert das System einen Vorschlag für die Erweiterung der Wissensbasis. Die Entscheidung darüber, ob eine Information tatsächlich übernommen wird, verbleibt jedoch beim Menschen: Human-in-the-Loop.

Agentic Workflow

Wie in Abbildung 2 gezeigt, erfolgt der avisierte Agentic Workflow nach Abschluss der Inhaltserstellung (Text, Programmcode, etc.). Hier wird in einem Entscheidungsknoten D geprüft, ob die jeweiligen Inhalte für eine Wissensspeicherung oder weitere Empfehlungen infrage kommen. Dieser Ansatz basiert auf vergangenen Interaktionen, bzw. gewählten Aktionen, der Nutzer. Dazu werden Ähnlichkeitsmaße und Wahrscheinlichkeiten berechnet. Teilweise kommen auch zufallsbasierte Verfahren zum Einsatz, um das Modell zu diversifizieren und einseitige Lerneffekte zu vermeiden. Dieser Kompromiss wird, in der wissenschaftlichen Literatur, oft diskutiert als Trade-off between Exploration und Exploitation, also dem Spannungsfeldzwischen Erkundung und Nutzung [8].

Durch die Implementierung entsprechender Metriken können potenzielle Kandidaten für Vorschlagsagenten identifiziert werden, die anschließend konkrete Vorschläge generieren. In dieser Generierungsphase werden relevante Informationen, einschließlich der berechneten Wahrscheinlichkeiten, als Prompt in das Modell eingespeist (Grounding), um ein fundiertes Ergebnis bereitzustellen. Die vom Nutzer gewählte Aktion wird wiederum in den KG zurückgeführt und optimiert kontextbasiert zukünftige Vorschläge. Das vorgestellte System bildet einen iterativen Wissensverarbeitungszyklus ab und orientiert sich dabei am CODE- Prinzip [9]: Capture, Organize, Distill, Express.

Implementierung

Die Umsetzung des beschriebenen Systems lässt sich in die folgenden Schritte unterteilen:

1. Bestimmung der semantischen Ähnlichkeit zu vorherigen Kontexten (z.B. Chatverläufe, Dokumente) und Extraktion relevanter Textkandidaten.
2. Identifikation geeigneter Vorschlagsagenten und zugehöriger Aktionen.
3. Erzeugung von Vorschlägen durch spezifisch angepasste Vorschlagsagenten.
4. Überprüfung durch den Nutzer mit der Möglichkeit zur Annahme oder Ablehnung der Vorschläge.
5. Aktualisierung des KGs zur kontinuierlichen Optimierung zukünftiger Vorschläge.

Hierbei sei anzumerken, dass sowohl die Vorschlagsagenten als auch die zugehörigen Aktionen auf die spezifischen Nutzendenprozesse abgestimmt sind. Aktionen werden außerdem vorbestimmt, um die Schritte bei der Datenverarbeitung durch das ARS zu lenken.

Das hier beschriebene Konzept lässt sich also als Klassifizierungsproblem ableiten und ist in der Literatur als Link-Prediction-Task, also Kanten-Vorhersage-Aufgabe, bekannt.

Embeddings

Für die Implementierung der Entscheidungsfunktion werden zwei Arten von Embeddings (siehe Abbildung 3) also eine semantisch-vektorielle Abbildung von Daten, genutzt:

1. Text-Embeddings: Semantische Beziehungen werden aus dem reinen Text-Kontext, z.B. durch Transformer-Modelle [10], extrahiert.
2. Graph-Embeddings: Beziehungen werden aus der Topologie des KGs extrahiert. Die Erzeugung dieser Embeddings erfolgt oftmals induktiv, z.B. durch sogenannte Random-Walk-Algorithmen [11] oder aber Random Projection-Techniken [12].

Durch die Kombination beider Ansätze können so neue, bisher nicht zugeordnete Daten klassifiziert werden.

Vorschlagsgenerierung

Wie in Abbildung 3 veranschaulicht, ermöglicht die Kombination von Text- und Graph-Embeddings eine Ähnlichkeitsanalyse sowohl auf rein textbasierter als auch auf relevanzbasierter Ebene. Letztere nutzt die Topologie des KG sowie vergangene Interaktionen, um kontextbezogene Aktionskandidaten und geeignete Vorschlagsagenten zu identifizieren. Dennoch spielen Text-Embeddings eine zentrale Rolle, da neue Konversationen – abgesehen von der Nutzendenzuordnung – zunächst keine bestehenden Beziehungen im KG aufweisen und daher semantisch zugeordnet werden müssen.

Die Erzeugung konkreter Vorschläge nach CODE [9] und deren Interaktion durch den Nutzenden führen zunehmend zur Optimierung des KG und somit zur Entscheidungsfunktion.

Aktualisierung des Knowledge-Graphs

Bei der Aktualisierung des KG, spielt die zeitliche Abfolge der Nutzerinteraktionen eine entscheidende Rolle. Es wird davon ausgegangen, dass ältere Interaktionen eine abnehmende Bedeutung im Vorschlagssystem haben, während neuere Interaktionen höher gewichtet werden.

Um diese Dynamik abzubilden, können bestehende Verbindungen im KG mit einer gewichteten Abklingrate versehen werden. Die Relevanz einer Verbindung link zum Zeitpunkt t kann durch die folgende Exponentialfunktion beschrieben werden:

wobei

Relevance(link, 0) den Ausgangswert der Relevanz unmittelbar nach der Erstellung der Verbindung bezeichnet,

t die vergangene Zeit seit der Erstellung (z.B. in Tagen) repräsentiert und λ eine Konstante ist, die den Abfall der Relevanz pro Zeiteinheit steuert.

Durch diese Gewichtung wird sichergestellt, dass aktuelle Nutzerinteraktionen einen stärkeren Einfluss auf zukünftige Vorschläge haben, während ältere Interaktionen allmählich an Bedeutung verlieren. Für bestehende Verbindungen werden zusätzlich Time-to-Live-Mechanismen eingeführt, um veraltete Vorgänge zu entfernen.

Entscheidungsfunktion

Durch fortlaufende Aktualisierungen des KGs sowie den Einsatz von Embeddings wird das System kontinuierlich erweitert. Jeder Interaktionspunkt

wobei

u_t einen Benutzer zum Zeitpunkt $t$ beschreibt,
c_t einen Inhalt repräsentiert und
a_t eine gewählte Aktion angibt.

geht in die Entscheidungsfunktion ein und wird wie folgt zusammengefasst:

Für den nachfolgenden Schritt (u_T+1, c_T+1) bestimmt das System potentielle Kandidaten, für die Aktionen a_T+1 mit assoziierten Wahrscheinlichkeiten zur Auslösung der Aktion. Hierbei werden sowohl Text-Embeddings E_c(c) als auch Graph-Embeddings E_g(n) (wobei n beliebige Knoten im KG beschreibt) genutzt, die zum Beispiel durch FastRP erzeugt werden können [12].

Bestimmung geeigneter Aktionskandidaten

Um für einen neuen Inhalt (u_T+1, c_T+1) passende Aktionen zu ermitteln, wird ein zweistufiger Prozess durchlaufen:

1. Semantische Kandidatenauswahl: Zunächst wird anhand der cosine Ähnlichkeit zwischen E_c(c_T+1) und E_c(c_i) für bereits vorhandene Inhalte c_i eine Rangliste gebildet. Anschließend werden die K Inhalte
   ausgewählt, die dem neuen Inhalt $c_{T+1}$ semantisch am ähnlichsten sind.
2. Erzeugung eines Graph-Embedding-Prototyps: Für jedes der K Inhalte c_i ist im KG ein zugehöriger Knoten n_i hinterlegt, dessen Embedding E_g(n_i) bekannt ist. Um den Kontext dieser K Inhalte im Graphen zu repräsentieren, wird ein Durchschnittsvektor im Graph-Embedding-Raum gebildet:
   
   Dieser fiktive Knoten} n _￣c spiegelt die kombinierte graphbasierte Repräsentation der am besten passenden Inhalte wider.

Ranking und Auswahl der Aktionen

Um aus dem KG relevante Aktionen (und Vorschlagsagenten) abzuleiten, werden nun sämtliche Aktionskandidaten a_i im Graphen gesichtet. Jeder Kandidat ist einem Knoten n_ai zugeordnet, für den ein Embedding E_g(n_ai)existiert. Die Relevanz dieses Knotens im Kontext von E_g(n _￣c) wird über die cosine Ähnlichkeit bestimmt:

Basierend auf diesen Werten lassen sich die Aktionskandidaten in absteigender Reihenfolge ihrer Relevanz sortieren. Üblicherweise werden nur die K Kandidaten (z.B. K=3) als Vorschläge präsentiert. Überschreitet ein Kandidat zudem einen bestimmten Schwellenwert, kann er als besonders relevanter Vorschlag markiert werden.

Einbettung in die Entscheidungsfunktion

Da jeder Inhalt c_i genau einem Agenten zugeordnet wird, entsteht so eine Liste konkreter Handlungsempfehlungen (jeweils bestehend aus Inhalt und Aktion), aus denen der Nutzer eine Option auswählen kann. Die gewählte Aktion wird anschließend in die Wissensbasis (z.\,B.\ Wiki, CRM, etc.) übertragen und dort verknüpft, sodass sich der KG sowie die Embeddings durch diesen neuen Interaktionspunkt

kontinuierlich weiterentwickeln.

Die „Ironie der Automatisierung“

Die Implementierung eines ARS ist mehr eine kulturelle als eine technische Herausforderung. Würde die KI Wissen gänzlich autonom erfassen, stünde dies im Konflikt mit Datenschutz und Governance. Das Human-in-the-Loop-Prinzip ist daher essenziell: Der Mensch behält die finale Kontrolle. Gleichzeitig besteht die Gefahr der „Ironie der Automatisierung“ [13]: Wenn die KI zu perfekt unterstützt, könnten Mitarbeitende die Fähigkeit verlieren, komplexe Zusammenhänge selbst zu überblicken oder manuell zu dokumentieren. Das ARS darf daher nicht als Ersatz für Fachwissen verstanden werden, sondern als Werkzeug, das Freiräume für kreative und strategische Aufgaben schafft. Ein ausgewogenes Verhältnis zwischen Automatisierung und menschlicher Kontrolle ist entscheidend für die langfristige Akzeptanz und einen nachhaltigen Erfolg.

Fazit

Angesichts des Fachkräftemangels ist ein effizientes Wissensmanagement keine Option, sondern eine Notwendigkeit! Agentische Recommender-Systeme bieten die Chance, die Dokumentationshürde so weit zu senken, dass Wissensmanagement zum integralen, fast unmerklichen Teil der täglichen Arbeit wird. Wenn Nutzende einen direkten Mehrwert erleben – etwa durch automatisch generierte Textbausteine oder passgenaue Informationen im richtigen Moment – wandelt sich die Unternehmenskultur hin zu einem lebendigen, nachhaltigen Wissensaustausch. Die Zukunft liegt in der synergetischen Kollaboration von Mensch und Maschine, die Wissensverlust verhindert und Innovationen beschleunigt.

Über die Autoren:

Simon Wilbers, Dr. rer. pol. Bastian Prell und Dr. Ron van de Sand sind und waren langjährige Mitarbeiter der Forschungsgruppe iC3@smart Production unter der Leitung von Prof. Jörg Reiff-Stephan. Aus ihrer gemeinsamen  Arbeit entstand das Startup notivo.ai, eine Ausgründung der Technischen Hochschule Wildau. Notivo.ai ermöglicht KI-befähigtes Wissensmanagement für Unternehmen. Simon Wilbers widmet sich in seiner aktuellen Promotion der Identifikation von KI-Potenzialen in betrieblichen Prozessen. Dr. Bastian Prell bringt seine Expertise aus der Forschung zur Innovationsdiffusion ein, um technologische Neuerungen erfolgreich in Organisationen zu verankern. Dr. Ron van de Sand komplettiert das Team mit seinem Fachwissen zu maschinellem Lernen. Gemeinsam verfolgen sie das Ziel, das organisationale Gedächtnis durch intelligente Assistenzsysteme nachhaltig zu sichern.