Wissensmanagement mit NotebookLM und ähnlichen Tools

Lernziele

• Sie können das Prinzip von Retrieval-Augmented Generation (RAG) in eigenen Worten erklären und den Unterschied zur allgemeinen KI-Antwort auf Basis von Trainingsdaten beschreiben.
• Sie richten eine NotebookLM-Wissensbasis mit eigenen Dokumenten ein, stellen zehn Testfragen und bewerten die Antwortqualität strukturiert.
• Sie kennen die Datenschutz-Klassifizierung der vier relevanten Wissensmanagement-Tools (NotebookLM / SharePoint Copilot / Azure OpenAI / lokal) und können für einen gegebenen Anwendungsfall das datenschutzrechtlich geeignete Tool auswählen.
• Sie kennen die Funktionen Audio Overview und Studienführer in NotebookLM und können deren Einsatzszenarien beschreiben.
• Sie entwickeln ein Projekt-Wissensbasis-Konzept für ein reales Projekt und planen den Lifecycle von Projektstart bis Abschluss.

Worum geht es?

Das kollektive Wissen einer Organisation ist eines ihrer wertvollsten Vermögenswerte — und gleichzeitig eines der am schlechtesten zugänglichen. Projekterfahrungen liegen in Laufwerken, die niemand kennt. Expertenwissen ist in den Köpfen von Mitarbeitenden, die das Unternehmen verlassen. Onboarding-Materialien veralten unbemerkt. Und wenn jemand eine Frage hat, die schon hundert Mal beantwortet wurde, stellt er sie erneut — weil die alte Antwort nicht auffindbar ist.

Wissensmanagement-Tools auf Basis von RAG (Retrieval-Augmented Generation) adressieren genau dieses Problem. Statt allgemeines KI-Wissen aus dem Training zu nutzen, werden eigene Dokumente als Wissensquelle eingespielt — und das Modell antwortet ausschließlich auf Basis dieser Dokumente. Das Ergebnis ist eine KI, die Ihr spezifisches Organisationswissen kennt und natürlichsprachlich abfragbar macht.

In dieser Unterrichtseinheit lernen Sie NotebookLM als einfachste, sofort nutzbare RAG-Lösung kennen, verstehen die Datenschutz-Klassifizierung verfügbarer Tools und entwickeln das Konzept einer eigenen Projektwissensbasis.

Lerntext

RAG intuitiv erklärt: Von Ihren Dokumenten zur Wissensabfrage

Retrieval-Augmented Generation — RAG — ist ein technisches Konzept, das sich intuitiv erklären lässt: Stellen Sie sich vor, ein Sprachmodell ist ein extrem gut ausgebildeter Assistent, der alles liest, was Sie ihm geben — und dann auf Basis genau dieser Dokumente Ihre Fragen beantwortet, ohne auf anderes Wissen zurückzugreifen.

Der klassische Weg eines Sprachmodells: Es antwortet auf Basis seines Trainings — also auf Basis aller Texte, die es je gelesen hat. Das ist wertvoll für allgemeines Wissen, aber unbrauchbar für organisationsspezifische Fragen: „Was haben wir in Projekt X entschieden?” — das weiß das allgemeine Modell nicht.

RAG ergänzt diesen Prozess: Zuerst wird die Frage des Nutzers verwendet, um aus einer Dokumentenbasis (Ihre Projektdateien, Protokolle, Berichte) die relevantesten Passagen zu finden. Diese Passagen werden zusammen mit der Frage in das Sprachmodell gegeben. Das Modell antwortet auf Basis genau dieser Passagen — nicht auf Basis allgemeinen Trainingswissens.

Das Ergebnis: eine KI, die Ihren spezifischen Kontext kennt, zuverlässigere Antworten auf kontextspezifische Fragen liefert und transparent macht, aus welchen Dokumenten sie schöpft.

Merksatz

RAG verwandelt Ihre Dokumentensammlung in eine natürlichsprachlich abfragbare Wissensbasis. Statt Dokumente zu durchsuchen, stellen Sie eine Frage — und erhalten eine synthetisierte Antwort mit Quellenangaben aus Ihren eigenen Unterlagen.

NotebookLM: Der einfachste Einstieg in dokumentenbasierte KI

NotebookLM (notebooklm.google.com, kostenlos von Google) ist der einfachste verfügbare Einstieg in RAG-Wissensmanagement — ohne technische Infrastruktur, ohne Installation, im Browser nutzbar.

Unterstützte Dokumenttypen: Google Docs, PDFs, TXT-Dateien, Audio-Dateien, URLs (Webseiten), YouTube-Videos. Eine Wissensbasis kann bis zu fünfzig Quellen enthalten, jede bis zu 500.000 Wörter.

Kernfunktionen: - Natürlichsprachliche Abfrage: Stellen Sie Fragen in normaler Sprache — NotebookLM antwortet auf Basis Ihrer Dokumente und gibt an, aus welchen Abschnitten die Antwort stammt. - Zusammenfassung: Lassen Sie einzelne Dokumente oder die gesamte Wissensbasis zusammenfassen. - Audio Overview: NotebookLM generiert einen podcast-ähnlichen Audio-Dialog, in dem zwei KI-Stimmen das Wissen Ihrer Dokumente diskutieren. Nützlich für das „Hören” komplexer Inhalte auf dem Weg zur Arbeit oder beim Sport. - Studienführer: Automatisch generierter Studienführer mit Schlüsselbegriffen, Fragen-Antwort-Paaren und einer thematischen Gliederung — nützlich für schnelles Einarbeiten in neue Dokumentensammlungen.

10-Testfragen-Ansatz: Für die strukturierte Bewertung einer Wissensbasis empfiehlt sich den 10-Testfragen-Ansatz: Formulieren Sie zehn Fragen unterschiedlicher Schwierigkeit und Spezifizität, stellen Sie alle zehn und bewerten Sie jede Antwort nach: Korrekt / Teilweise korrekt / Falsch / Keine Antwort möglich. Eine Wissensbasis, die bei neun von zehn Fragen korrekte Antworten liefert, ist qualitätssichert eingerichtet.

Merksatz

Der 10-Testfragen-Ansatz ist Ihr Qualitätscheck für jede neue Wissensbasis. Investieren Sie zehn Minuten in diese Prüfung — sie zeigt sofort, ob die eingespeisten Dokumente ausreichend und korrekt sind, oder ob Sie die Dokumentenbasis ergänzen müssen.

Datenschutz-Klassifizierung der Wissensmanagement-Tools

Datenschutz ist bei RAG-Tools die kritischste Entscheidungsdimension. Sie geben Ihre Dokumente in ein externes System — und müssen verstehen, wie diese Dokumente verarbeitet und gespeichert werden.

NotebookLM (Google): Dokumente werden auf Google-Servern verarbeitet. Google kommuniziert, dass die Inhalte nicht für das Training allgemeiner Modelle verwendet werden. Für interne Dokumente ohne besondere Schutzwürdigkeit (nicht personenbezogene Daten, keine Geschäftsgeheimnisse) in vielen Kontexten vertretbar. Empfehlung: Datenschutzbeauftragten konsultieren.

SharePoint Copilot (Microsoft): Dokumente verbleiben im eigenen M365-Tenant. Daten werden nicht für Microsoft-Training verwendet. Für die meisten Unternehmensumgebungen mit M365-Lizenz die datenschutzrechtlich sicherste sofort verfügbare Option. Erfordert Copilot-Lizenz.

Azure OpenAI Service: Eigene Instanz des OpenAI-Modells auf Azure-Infrastruktur. Daten verlassen die eigene Azure-Umgebung nicht. Höchstes Datenschutzniveau. Erfordert technische Einrichtung und entsprechende Ressourcen.

Lokale RAG-Lösung (z.B. Ollama + LlamaIndex): Vollständig lokal, keine externen Server. Höchste Datenschutzsicherheit, volle Kontrolle. Erfordert erhebliche technische Infrastruktur und Expertise. Für normale Endnutzer nicht geeignet, für datenschutzkritische IT-Infrastrukturen eine Option.

Wissensmanagement-Lifecycle für Projekte

Eine Projektwissensbasis ist besonders wertvoll, wenn sie von Projektbeginn bis -abschluss konsequent gepflegt wird.

Projektstart: Alle verfügbaren Eingangsdokumente einspeisen: Kundenbrief, Angebotsunterlagen, relevante Vorgängerprojekte, Normen und Standards, technische Spezifikationen. Erste Testfragen stellen: „Was sind die wichtigsten Anforderungen des Kunden?” „Welche Risiken wurden im Angebot identifiziert?”

Laufendes Projekt: Protokolle aller Meetings, Statusberichte, Entscheidungs-Logs und Änderungsanforderungen kontinuierlich hinzufügen. Nutzung: „Was wurde in der letzten Lenkungsausschuss-Sitzung zu Thema X entschieden?” „Welche offenen Risiken wurden im letzten Monat identifiziert?”

Projektabschluss: Lessons-Learned-Dokument, Abschlussbericht und Kundenfeedback einspeisen. Wissensbasis als Referenz für zukünftige Projekte archivieren. Nutzung: „Was sind die wichtigsten Lessons Learned aus diesem Projekt für ähnliche Folgeprojekte?”

Vertiefung — Alternativen und strategische Bedeutung von Wissensmanagement

Praxis-Vertiefung: Enterprise-Wissensmanagement und RAG-Architektur

Für größere Organisationen reicht NotebookLM nicht mehr aus — sie brauchen skalierbare, datenschutzkonforme und rollenbasierte Wissensmanagement-Architekturen.

Von NotebookLM zu Enterprise-RAG:

Die Skalierungsdimensionen von NotebookLM zu Enterprise-Lösungen:

Entscheidungshilfe für die richtige Architektur:

• Einzelperson / kleines Team, nicht-vertrauliche Inhalte: NotebookLM — sofort nutzbar, kostenlos
• Team / Abteilung, M365-Umgebung, mittelvertrauliche Inhalte: SharePoint Copilot — nahtlose Integration, höchstes Datenschutzniveau für M365-Organisationen
• Organisation, datenschutzkritische Inhalte, individuelle Anforderungen: Azure OpenAI Service — maximale Kontrolle, aber erheblicher IT-Aufwand

Wissensmanagement-Kultur als Voraussetzung:

Technologie ist nur die eine Seite. Die andere Seite ist Kultur: Wer trägt Inhalte in die Wissensbasis ein? Wer hält sie aktuell? Wer darf sie abfragen?

Häufige Kulturprobleme: - Hoarding: Einzelne Experten wollen ihr Wissen nicht teilen, weil es ihre Unersetzbarkeit sichert. - Veraltung: Niemand fühlt sich für das Aktualisieren der Wissensbasis zuständig. - Qualitätsverlust: Jeder fügt Dokumente hinzu, aber niemand prüft deren Qualität.

Erfolgreiche Wissensmanagement-Kultur hat drei Merkmale: klare Verantwortung für Pflege und Qualität, Incentives für Wissensteilung (nicht nur für Wissensbesitz), und regelmäßige Review-Zyklen für die Aktualität der Inhalte.

ROI von Wissensmanagement:

Der ROI von Wissensmanagement ist schwerer zu messen als E-Mail-Triage-Zeitersparnis — aber er ist real:

• Onboarding-Zeit: Neue Mitarbeitende können auf dokumentiertes Wissen zugreifen statt auf inoffizielle Kommunikationsnetzwerke angewiesen zu sein. Typische Reduktion der Vollproduktivitäts-Zeitspanne: 20–40 Prozent.
• Entscheidungsqualität: Zugängliches historisches Wissen verhindert, dass frühere Fehler wiederholt werden. Jedes verhinderte Projekt-Fehler amortisiert die gesamte Wissensmanagement-Investition.
• Wissensretention bei Fluktuation: Wenn eine Schlüsselperson das Unternehmen verlässt, bleibt ihr dokumentiertes Wissen erhalten. Je höher die Fluktuationsrate, desto höher der ROI einer systematischen Wissensmanagement-Lösung.

Merksatz

Wissensmanagement-Technologie ohne Wissensmanagement-Kultur liefert keinen Nutzen. Die stärksten Hindernisse sind selten technischer Natur — sie sind kulturell. Wer den kulturellen Wandel vernachlässigt und nur die Technologie einführt, kauft teure Software für ein leeres Laufwerk.

Alternativen zu NotebookLM:

Microsoft Copilot Studio ermöglicht die Erstellung eigener Copilot-Instanzen mit spezifischen Dokumentensammlungen — für Teams und Organisationen, nicht nur für einzelne Nutzer. Erfordert Power Platform-Lizenz.

Confluence mit KI-Erweiterungen (Atlassian Intelligence) bringt KI-Abfragen in bestehende Confluence-Wissensdatenbanken. Für Organisationen, die Confluence bereits verwenden, der direkteste Weg zu KI-gestütztem Wissensmanagement.

Azure OpenAI + eigene Dokumente: Die flexibelste und datenschutzrechtlich robusteste Lösung — aber auch die technisch aufwendigste. Für große Organisationen mit datenschutzkritischen Anforderungen die richtige Wahl.

Strategische Bedeutung: Wissensmanagement mit RAG-Technologie ist nicht nur eine Effizienz-Maßnahme — es ist eine strategische Infrastrukturinvestition. Organisationen, die ihr institutionelles Wissen systematisch strukturieren und KI-zugänglich machen, bauen einen dauerhaften Wettbewerbsvorteil auf: schnelleres Onboarding neuer Mitarbeitender, reduzierter Wissens-Verlust durch Fluktuation, bessere Entscheidungsgrundlagen durch schnellen Zugriff auf historisches Projektwissen.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Ein mittelgroßes IT-Beratungsunternehmen hat über zehn Jahre umfangreiches Projektwissen aufgebaut — in Projektlaufwerken, die kaum jemand kennt und noch weniger durchsucht. Mit NotebookLM (zunächst als Pilot) werden die Unterlagen der fünfzehn erfolgreichsten Projekte als Wissensbasis eingespeist. Neue Consultants können nun gezielt fragen: „Was hat bei ähnlichen Projekten in der Fertigungsbranche gut funktioniert?” — und erhalten strukturierte Antworten statt mit Archiv-Suche zu beginnen. Der Onboarding-Zeitaufwand für neue Projektmitarbeitende sinkt messbar.

Industrie & Fertigung

Ein Produktionsunternehmen dokumentiert technisches Anlagen-Know-how in einem NotebookLM-Notebook: Wartungsanleitung, Fehlerprotokolle der letzten drei Jahre, Lieferanten-Korrespondenz, technische Zeichnungen (als PDF). Wenn ein Maschinenausfall auftritt, kann der Schichtleiter per natürlichsprachlicher Abfrage schnell prüfen: „Gab es in den letzten zwölf Monaten ähnliche Ausfälle dieser Anlage und wie wurden sie behoben?” Die Antwort kommt in Sekunden statt durch manuelle Suche in Protokollordnern.

Finanzdienstleistung & Versicherung

Eine mittelgroße Vermögensverwaltung nutzt SharePoint Copilot (aus Datenschutzgründen keine externen Lösungen) für ihre Investment-Research-Datenbank: aktuelle Research-Berichte, Unternehmensanalysen, Makro-Kommentare. Portfolio-Manager können per Abfrage schnell den aktuellen Analysestand zu einem Unternehmen abrufen, ohne mehrere Reports durchsuchen zu müssen. Die Datenschutzklassifizierung ist klar: alle Daten verbleiben im M365-Tenant. Regulatorische Anforderungen der BaFin sind damit erfüllt.

Öffentliche Verwaltung

Ein Bundesministerium erprobt NotebookLM für interne Verwendung — mit ausdrücklicher Einschränkung auf nicht-sensible, nicht-personenbezogene Dokumente. Für die Beantwortung parlamentarischer Anfragen werden relevante Berichte und Dokumente in eine temporäre Wissensbasis eingespeist. Die KI-Abfrage ermöglicht eine schnelle Orientierung im Dokumentenbestand — bevor die inhaltlich verantwortlichen Fachreferate die finale Antwort prüfen und freigeben.

Abb. 44.1 — NotebookLM RAG-Workflow: von eigenen Dokumenten zur natürlichsprachlichen Wissensabfrage

Übung 1

Erste Wissensbasis einrichten und testen

Schritt 1: Öffnen Sie notebooklm.google.com. Legen Sie ein neues Notebook an. Geben Sie dem Notebook einen sprechenden Namen (z.B. „Onboarding-Dokumente”, „Projekt X Wissensbasis”).

Schritt 2: Laden Sie zwei bis fünf eigene Dokumente hoch (oder nutzen Sie die vom Trainer bereitgestellten Beispieldokumente): z.B. ein Meeting-Protokoll, ein Report, eine Angebots-Vorlage, Technische Dokumentation.

Schritt 3: Formulieren Sie zehn Testfragen — von einfach (direkt im Dokument beantwortbar) bis komplex (Synthese aus mehreren Dokumenten nötig). Stellen Sie alle zehn Fragen und bewerten Sie jede Antwort: Korrekt / Teilweise / Falsch / Keine Antwort möglich.

Schritt 4: Optionales Extra — testen Sie den Audio Overview. Was fällt Ihnen an Format und Qualität auf?

Musterlösung:

Eine gut eingerichtete Wissensbasis mit qualitativ guten Dokumenten liefert bei einfachen Fragen nahezu immer korrekte Antworten (8–10/10). Bei Synthese-Fragen über mehrere Dokumente ist die Qualität variabler — 6–8/10 ist ein realistischer Erwartungswert. Falls die Qualität unter 6/10 liegt, liegt es meist an unvollständigen oder qualitativ schlechten Eingabedokumenten.

Übung 2

Projektwissensbasis für ein reales Projekt

Wählen Sie ein laufendes oder kürzlich abgeschlossenes Projekt aus Ihrer eigenen Praxis.

Aufgabe: 1. Welche Dokumente würden Sie in eine Projektwissensbasis einspeisen? Erstellen Sie eine Liste aller relevanten Dokumententypen (ohne die Dokumente selbst einzugeben, falls datenschutzrechtliche Bedenken bestehen). 2. Formulieren Sie zehn Fragen, die Sie an diese Wissensbasis stellen würden — von Einstiegsfragen bis zu komplexen Synthese-Fragen. 3. Welche Datenschutz-Kategorie hat dieses Projekt? NotebookLM, SharePoint Copilot, oder lokale Lösung? 4. Skizzieren Sie den Lifecycle-Plan: Was wird wann eingespeist? Wie wird die Wissensbasis am Ende des Projekts archiviert?

Präsentation: Stellen Sie Ihr Konzept in zwei Minuten vor (in Gruppen-Settings) oder dokumentieren Sie es für sich.

Musterlösung:

Ein vollständiges Projektwissensbasis-Konzept enthält: (1) Dokumententypen-Liste (8–15 Typen, von Angebot bis Lessons Learned), (2) 10 Testfragen mit unterschiedlicher Komplexität, (3) begründete Tool-Auswahl auf Basis der Datenschutz-Klassifizierung, (4) Lifecycle-Plan mit konkreten Trigger-Punkten (Projektstart / Meilenstein-Reviews / Abschluss).

Prompt-Vorlagen

NotebookLM — Wissensabfrage-Starter-Prompts: „Fasse alle Dokumente in dieser Wissensbasis in einer übersichtlichen Zusammenfassung zusammen: Welche Themen werden abgedeckt? Was sind die wichtigsten Erkenntnisse?”

„Welche Entscheidungen wurden in den enthaltenen Dokumenten zu [Thema] getroffen?”

„Gibt es widersprüchliche Informationen zwischen den Dokumenten? Wenn ja, zu welchen Themen?”

„Erstelle einen Glossar aller wichtigen Fachbegriffe aus diesen Dokumenten mit einer kurzen Definition.”

Studienführer-Anforderung in NotebookLM: „Erstelle einen Studienführer für diese Dokumentensammlung. Enthalte: (1) Die fünf wichtigsten Themen, (2) zehn zentrale Fragen mit Antworten, (3) eine Glossarliste der wichtigsten Fachbegriffe.”

Datenschutz-Einstufungs-Prompt (für Entscheidung Tool-Auswahl): „Ich möchte folgende Dokumententypen in ein RAG-Wissensmanagement-System einlesen: [Dokumentenliste]. Welche Datenschutz-Risiken könnten dabei entstehen? Auf Basis dieser Risiken: welche Tool-Kategorie (public Cloud / M365-Tenant / lokal) ist geeignet?”

10-Testfragen-Template: Einfach (direkt im Dokument): „Was ist [spezifische Definition / Angabe aus Dokument]?” Mittel (Zusammenhang): „Wie hängen [Aspekt A] und [Aspekt B] zusammen, gemäß den Dokumenten?” Komplex (Synthese): „Was empfehlen die Dokumente für die Situation, in der [komplexes Szenario]?”

Cheatsheet — Wissensmanagement mit RAG-Tools

RAG in einem Satz: Ihre Dokumente → Wissensabfrage in natürlicher Sprache → Antwort mit Quellenangaben aus Ihren eigenen Unterlagen.

NotebookLM — Funktionen: - Natürlichsprachliche Abfrage → Fragen zu Ihren Dokumenten - Audio Overview → Podcast-Zusammenfassung - Studienführer → Schnellorientierung in neuen Dokumentensammlungen

Datenschutz-Klassifizierung: - Intern, nicht sensibel → NotebookLM (Google) vertretbar - Unternehmens-M365 → SharePoint Copilot (empfohlen) - Datenschutzkritisch → Azure OpenAI oder lokal

10-Testfragen-Ansatz: Einfach / Mittel / Komplex → Qualitätssicherung jeder neuen Wissensbasis

Lifecycle-Modell: Projektstart → Laufend (Protokolle, Reports) → Abschluss (Lessons Learned) → Archivierung

Alternativen: Copilot Studio / Confluence + Atlassian Intelligence / Azure OpenAI + eigene Dokumente / lokale RAG-Lösung

Reflexionsfragen

1. Welche Wissensverluste entstehen in Ihrer Organisation durch fehlende oder schlechte Wissensmanagement-Systeme — und wie könnte eine RAG-basierte Wissensbasis diesen Verlust reduzieren?
2. Welche Dokumente in Ihrer Organisation wären besonders wertvoll als Grundlage für eine Wissensbasis — und welche datenschutzrechtlichen Hürden müssten dafür überwunden werden?
3. Wie würden Sie Führungskräfte davon überzeugen, in den Aufbau einer Projektwissensbasis zu investieren — obwohl der Nutzen erst über Monate sichtbar wird?

Vertiefungsübung — Eigene Wissensbasis aufbauen und testen

Übung 3 — NotebookLM-Wissensbasis: Einrichten, Testen, Bewerten

Aufgabe: Richten Sie eine eigene NotebookLM-Wissensbasis ein und testen Sie sie systematisch nach dem 10-Testfragen-Ansatz.

Material: Laptop; Zugang zu NotebookLM (notebooklm.google.com, kostenlos); zwei bis fünf eigene Dokumente (anonymisiert falls nötig) oder die bereitgestellten Übungsdokumente.

Schritt-für-Schritt: 1. Öffnen Sie NotebookLM und erstellen Sie eine neue Wissensbasis. Benennen Sie sie nach dem Thema. 2. Laden Sie mindestens zwei, idealerweise fünf Dokumente hoch (PDFs, Google Docs oder direkte Texte). 3. Warten Sie, bis alle Dokumente verarbeitet sind (typisch 1–3 Minuten pro Dokument). 4. Führen Sie den 10-Testfragen-Ansatz durch: Formulieren Sie zehn Fragen, die auf Basis der eingespeisten Dokumente beantwortbar sein sollten. Stellen Sie alle zehn und bewerten Sie jede: Korrekt / Teilweise korrekt / Falsch / Keine Antwort möglich. 5. Bewerten Sie das Ergebnis: Bei mehr als acht von zehn korrekten Antworten ist die Wissensbasis gut eingerichtet. Bei weniger: Welche Dokumente fehlen?

Erwartetes Ergebnis: Eine eingerichtete, getestete NotebookLM-Wissensbasis mit einem Qualitäts-Protokoll (10 Testfragen, Ergebnisse, Nachbesserungsbedarf).

Musterlösung: Häufige Befunde beim 10-Testfragen-Test: Fragen zu sehr spezifischen Zahlen (exakte Datumsangaben, Budgetzahlen) werden öfter falsch beantwortet als konzeptuelle Fragen. Lösung: Für kritische Zahlen immer Rohdaten-Dokumente einspeisen, nicht nur Zusammenfassungen. Fragen, die implizites Wissen erfordern, kann NotebookLM nicht beantworten — das ist eine Systemgrenze, keine Fehlfunktion.

Branchen-Vignette — Forschung und Entwicklung

Eine F&E-Abteilung in einem Technologieunternehmen kämpft mit einem typischen Problem: Über Jahre angesammeltes technisches Wissen ist über hunderte von Dokumenten verteilt, und wenn eine erfahrene Ingenieurin in Elternzeit geht, ist ihr Wissen praktisch nicht abrufbar. Mit NotebookLM wird ein Pilotprojekt gestartet: Alle Projektabschlussberichte, Lessons-Learned-Dokumente und technischen Spezifikationen der letzten drei Jahre werden in eine gemeinsame Wissensbasis eingespeist. Neue Kolleginnen und Kollegen können jetzt mit natürlichsprachlichen Fragen auf dieses Wissen zugreifen: „Welche Probleme gab es bei der Implementierung von Technologie X? Was wurde dagegen unternommen?” Die Onboarding-Zeit für technisch ähnliche Projekte sinkt um 40 Prozent. Der erste Engpass: Nicht alle Projektdokumente existieren digital — eine Digitalisierungsinitiative für ältere Unterlagen wird gestartet.

Promptbaustein — Optimierte Wissensabfrage-Strategien für RAG-Systeme

Für NotebookLM und ähnliche RAG-Systeme — Fünf Abfrage-Strategien:

Strategie 1 — Faktenbasierte Suche: „Was sagen die Dokumente zu [spezifischem Thema]? Nenne alle relevanten Stellen mit Quellenangabe.”

Strategie 2 — Vergleichende Analyse: „Vergleiche, wie [Thema X] in den verschiedenen eingespielten Dokumenten behandelt wird. Gibt es Widersprüche oder Inkonsistenzen?”

Strategie 3 — Synthese und Empfehlung: „Synthesisiere alle Aussagen zu [Thema] aus den Dokumenten. Was ist die übergreifende Empfehlung oder der Konsens?”

Strategie 4 — Lücken identifizieren: „Welche wichtigen Aspekte zu [Thema] werden in den aktuellen Dokumenten nicht behandelt? Welche Informationen sollten hinzugefügt werden?”

Strategie 5 — Szenario-Check: „Angenommen, [Szenario beschreiben]. Was sagen die Dokumente dazu? Gibt es Erfahrungen aus früheren Projekten, die auf diese Situation übertragbar sind?”

1. Was wären die größten kulturellen Hindernisse für die konsequente Nutzung einer Projektwissensbasis in Ihrer Organisation — und wie würden Sie diese adressieren?
2. Wie unterscheidet sich Wissensmanagement mit KI-Tools grundlegend von traditionellen Dokumentenmanagementsystemen — und wo liegen die Grenzen beider Ansätze?
3. Stellen Sie sich vor, ein langjähriger Mitarbeiter mit großem implizitem Wissen verlässt die Organisation. Wie würden Sie KI-Tools einsetzen, um sein Wissen zu sichern?
4. Welche ethischen Fragen entstehen, wenn Mitarbeiter-Wissen in KI-Systemen gespeichert wird — und wie sollte eine Organisation damit umgehen?

Promptbaustein — Wissensdatenbank aufbauen und befragen

„Ich möchte eine strukturierte Wissensdatenbank für [Themenbereich / Projekt / Team] aufbauen. Bitte hilf mir dabei:

Schritt 1 — Wissensstruktur entwerfen: Welche Kategorien sollte eine Wissensdatenbank für [Kontext] haben? Erstelle eine Taxonomie mit 5–8 Hauptkategorien und je 3–5 Unterkategorien.

Schritt 2 — Onboarding-Dokument erstellen: Ich füge dir folgende bestehenden Dokumente als Grundlage ein: [Dokumente einfügen] Erstelle daraus ein strukturiertes Onboarding-Dokument für neue Teammitglieder (max. 2 Seiten).

Schritt 3 — FAQ-Liste generieren: Was sind die 10 häufigsten Fragen, die neue Mitarbeiter in [Kontext] haben — basierend auf den Dokumenten?

Schritt 4 — Lücken identifizieren: Welche wichtigen Informationen fehlen noch in der Wissensdatenbank für [Kontext]? Liste die Top-5-Lücken mit Begründung.”

Praxis-Kurzbeispiel: Wissenstransfer in einer Ingenieursabteilung

Eine Ingenieursabteilung eines Maschinenbauunternehmens mit 80 Mitarbeitern steht vor einer Herausforderung: In den nächsten drei Jahren gehen 12 erfahrene Ingenieure in Rente — und mit ihnen Jahrzehnte von Projekt-Know-how.

Traditioneller Ansatz: Abschlussgespräche, handschriftliche Protokolle, gelegentliche Mentoring-Phasen. Wirkungsgrad: gering.

Neuer KI-gestützter Ansatz:

Die Abteilungsleitung entwickelt ein strukturiertes Wissens-Sicherungsprogramm:

1. Interview-Phase: Jeder scheidende Ingenieur nimmt an 4 strukturierten Interviews teil (je 45 Min.), die transkribiert werden
2. NotebookLM-Aufbereitung: Die Transkripte werden in NotebookLM eingespielt. Neue Mitarbeiter können das system befragen: „Was waren die drei häufigsten Fehler bei Projekt X?”
3. Dokumenten-Review: Bestehende Projektdokumentationen werden von der KI auf Wissenslücken geprüft

Ergebnis: - Onboarding-Zeit für neue Ingenieure: von 6 auf 4 Monate reduziert - Projektfehler durch fehlendes Kontextwissen: deutlich reduziert - Mitarbeiterbindung: Erfahrene Ingenieure fühlen sich wertgeschätzt, weil ihr Wissen systematisch gesichert wird

Datenschutz-Hinweis: Alle persönlichen Meinungen und nicht projektbezogenen Äußerungen werden vor der KI-Eingabe redigiert.

Quellen & Weiterlesen

Hinweise für AI Champions — So vermitteln Sie das Thema

Timing: 90 Minuten — 20 Min. Input (RAG-Erklärung, NotebookLM-Funktionen, Datenschutz-Klassifizierung), 35 Min. Übung 1 (Einrichtung und Test), 25 Min. Übung 2 (Projektwissensbasis-Konzept), 10 Min. Auswertung.

Methodische Empfehlung: Beginnen Sie mit einer RAG-Metapher: „Stellen Sie sich vor, Sie hätten einen unendlich geduldigen Assistenten, der jedes Dokument in Ihrem Büro gelesen hat und jede Frage dazu sofort beantworten kann.” Dann live demonstrieren: Ein vorbereitetes NotebookLM-Notebook mit fünf Dokumenten, erste Abfrage in der Gruppe oder allein.

Stolpersteine: Die Einrichtung von NotebookLM benötigt ein Google-Konto. In Organisationen, die Google-Dienste einschränken, kann das ein Problem sein. Empfehlung: Vorab prüfen, ob Google-Accounts verfügbar sind, alternativ Trainer-Demo vorbereiten. Zweites Problem: Übung 2 (Projektwissensbasis-Konzept) kann bei Teilnehmenden ohne laufende Projekte abstrakt wirken. Empfehlung: Fallbeispiel-Projekt als Alternative anbieten.

Diskussionsfragen: „Wenn das gesamte Projektwissen Ihrer letzten fünf Jahre in einer Wissensbasis stünde, welche Frage würden Sie als erstes stellen?” Diese Frage macht den konkreten Nutzen unmittelbar spürbar.

Tafelbild: RAG-Workflow als Sequenz: Dokumente → Vektorisierung (vereinfacht) → Abfrage → Antwort + Quellenangabe. Daneben: Datenschutz-Ampel mit vier Tools.

Differenzierung: Fortgeschrittene entwickeln ein vollständiges Wissensmanagement-Konzept für ihre Organisation: Tool-Auswahl, Dokumententypen, Governance, Lifecycle. Einsteigerinnen und Einsteiger fokussieren auf die einfache NotebookLM-Einrichtung und den 10-Testfragen-Ansatz.

Materialliste: Beispieldokumente (5–8 Seiten, anonymisiert, verschiedene Typen) als Fallback für Teilnehmende ohne eigene Dokumente, Datenschutz-Klassifizierungs-Handout.

Tipp zur Branchenauswahl: Die Finanzdienstleistungs-Vignette (SharePoint Copilot, BaFin-Compliance) ist ein starkes Argument für regulierungsnahe Gruppen. Die Industrie-Vignette (Maschinen-Know-how, Fehlerprotokolle) ist plastisch und sofort nachvollziehbar.

Übergang zu UE 45: „Wir haben jetzt Wissen organisiert und abrufbar gemacht. Im nächsten Schritt kommunizieren wir dieses Wissen visuell — mit KI-gestützten Präsentations-Tools wie Gamma und M365 Copilot in PowerPoint.”

Vertiefung II — Strategische Ebene: Die Zukunft des organisationalen Wissensmanagements

Wissensmanagement im KI-Zeitalter: Paradigmenwechsel und Ausblick

KI-gestütztes Wissensmanagement verändert nicht nur die Werkzeuge — es verändert das Konzept des organisationalen Wissens selbst.

Von der Wissens-Sammlung zur Wissens-Konversation

Klassisches Wissensmanagement war Archivierung: Dokumente werden gespeichert und können durchsucht werden. RAG-basiertes Wissensmanagement transformiert dies in Wissens-Konversation: Statt zu suchen, fragt man. Statt Dokumente zu lesen, stellt man eine Frage und erhält eine synthetisierte Antwort. Diese Transformation verändert den Zugang zum Wissen fundamental — und macht Wissensmanagement für eine viel breitere Gruppe von Mitarbeitenden zugänglich.

Implizites Wissen formalisieren

Eine der schwierigsten Aufgaben im Wissensmanagement ist die Formalisierung von implizitem Wissen — dem Wissen, das in den Köpfen von Expertinnen und Experten steckt, aber nie artikuliert wurde. KI kann bei diesem Prozess helfen, indem es strukturierte Interviews führt und Wissens-Dokumente aus den Antworten generiert. Der menschliche Experte spricht — die KI strukturiert, formuliert und dokumentiert. Dieser Prozess ist nicht vollständig automatisierbar, aber KI reduziert den Aufwand erheblich.

Kontinuierliche Wissens-Aktualisierung

Statische Wissensbasen veralten. In dynamischen Branchen (Technologie, Regulierung, Märkte) veraltetes Wissen ist nicht nur nutzlos — es kann gefährlich sein. RAG-Systeme ermöglichen eine kontinuierliche Aktualisierung: Neue Dokumente werden eingespeist, veraltete werden entfernt oder archiviert. Der Schlüssel ist eine klare Governance-Struktur, die definiert, wer für die Aktualisierung welcher Wissensbereiche verantwortlich ist.

Wissensmanagement und Organisationsgedächtnis

Organisationsgedächtnis — die kollektive Fähigkeit einer Organisation, aus vergangenen Erfahrungen zu lernen — ist in vielen Organisationen schwach entwickelt. Projekte werden abgeschlossen, Erfahrungen bleiben in Köpfen, die nächsten Projekte machen dieselben Fehler. KI-gestütztes Wissensmanagement kann das Organisationsgedächtnis systematisch stärken: Lessons Learned werden dokumentiert und sind abrufbar, erfolgreiche Muster werden identifiziert und repliziert, Fehlermuster werden erkannt und vermieden.

Die Datenbankfrage: Wissen vs. Daten

KI-Wissensmanagement ist stärker als klassisches Datenbank-Management, weil es natürlichsprachliche Abfragen ermöglicht. Aber es hat auch Grenzen: Für hochstrukturierte, exakt abzufragende Daten (z.B. Finanzdaten, Produktkataloge, CRM-Informationen) sind relationale Datenbanken oder spezialisierte Systeme weiterhin besser geeignet. Wissensmanagement mit RAG ist optimal für unstrukturiertes oder semi-strukturiertes Wissen in Textform: Berichte, Protokolle, Analysen, Expertenwissen.

UE 44-E — Erweiterte Praxis: Enterprise-Wissensmanagement und RAG-Architektur

Vertiefung II — Wissensmanagement als strategische Infrastruktur

Wissensmanagement wird in vielen Organisationen als administrative Aufgabe behandelt — als Archivierung, als Compliance-Pflicht, als IT-Projekt. Das ist ein strategischer Fehler. Organisationen, die ihr Wissen systematisch strukturieren und zugänglich machen, bauen einen dauerhaften Wettbewerbsvorteil auf: schnelleres Onboarding, weniger Wissensverlust durch Fluktuation, bessere Entscheidungen durch historisches Lernen.

Der Wissens-Lifecycle

Wissen hat einen Lifecycle. Frisches Wissen entsteht in Projekten, Meetings, Kundengesprächen und Experimenten — es ist wertvoll, aber unstrukturiert. Mit der Zeit wird es entweder formalisiert (in Dokumenten, Prozessen, Schulungen) oder verloren (wenn Personen das Unternehmen verlassen oder Projekte abgeschlossen werden). KI-gestützte Wissensmanagement-Tools beschleunigen die Formalisierung und reduzieren den Verlust.

Wissensbasis-Architektur für Organisationen

Eine skalierbare Wissensbasis-Architektur für mittlere Organisationen (50–500 Mitarbeitende) folgt einer Drei-Ebenen-Struktur: (1) Projekt-Wissensbasen (NotebookLM oder SharePoint Copilot, pro Projekt), (2) Bereichs-Wissensbasen (SharePoint Copilot, pro Abteilung), (3) Unternehmens-Wissensbasis (Azure OpenAI oder Copilot Studio, organisation-weit). Jede Ebene hat unterschiedliche Zugriffsrechte, Datenschutzanforderungen und Update-Frequenzen.

Expertenwissen-Extraktion

Eine der schwierigsten Aufgaben im Wissensmanagement ist die Extraktion von implizitem Expertenwissen — das Wissen, das in den Köpfen erfahrener Mitarbeitender steckt, aber nie dokumentiert wurde. KI kann bei diesem Prozess helfen: „Ich führe ein Interview mit einem erfahrenen Experten zu [Thema]. Erstelle eine Liste von zwanzig Fragen, die implizites Expertenwissen sichtbar machen: Entscheidungsregeln, Daumenregeln, typische Fallstricke, unausgesprochene Prinzipien.”

Onboarding-Acceleration mit Wissensbasen

Der Onboarding-Prozess für neue Mitarbeitende ist einer der größten Anwendungsfälle für organisationale Wissensbasen. Statt einen neuen Kollegen durch hunderte Dokumente zu führen, ermöglicht eine gut strukturierte Wissensbasis selbstgesteuerte Einarbeitung: Fragen stellen, Antworten erhalten, Zusammenhänge verstehen. Die durchschnittliche Zeit bis zur vollen Arbeitsfähigkeit kann durch eine gut strukturierte Wissensbasis um 30 bis 50 Prozent reduziert werden — ein erheblicher wirtschaftlicher Nutzen.

Wissensmanagement-Governance

Eine Wissensbasis ist nur so gut wie ihre Datenpflege. Ohne Governance-Regeln veralten Inhalte, werden neue Dokumente nicht eingespeist und verliert die Wissensbasis an Relevanz. Vier Governance-Regeln für nachhaltige Wissensbasen: (1) Verantwortlicher je Wissensbasis benennen, (2) Update-Turnus definieren (z.B. monatlich), (3) Qualitätskriterien für neue Dokumente festlegen, (4) Veraltete Inhalte aktiv aus der Wissensbasis entfernen oder archivieren.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.