Knowledge Lab: Wie Wissen für Menschen und Agenten nutzbar wird

Wissen ist in vielen Organisationen vorhanden. Es liegt in Notizen, Dateien, Gesprächen, Wikis und den Köpfen einzelner Menschen. Für Menschen ist das schon schwer genug zu überblicken. Für KI-Agenten wird es zur entscheidenden Arbeitsgrundlage. Je besser der passende Kontext zugänglich ist, desto sinnvoller können sie Aufgaben übernehmen.

Im Social Impact Camp starten wir deshalb ein vierwöchiges Knowledge Lab. Ein kleines Sub-Team untersucht, wie Projekt- und Organisationswissen so strukturiert werden kann, dass Menschen und Agenten damit arbeiten können. Diese Serie begleitet den Sprint. Sie führt vom ersten Arbeitsmodell über praktische Versuche bis zu den Entscheidungen, die daraus entstehen.

Das Wichtigste in Kürze

• Das Knowledge Lab ist ein vierwöchiger Deep Dive. Ein kleines Sub-Team arbeitet an praktischen Beispielen aus dem Social Impact Camp.
• Wir beginnen pragmatisch. Markdown-basierte Wissenssammlungen, Skills und Retrieval sind erste Bausteine. Die passende Zielarchitektur entsteht erst aus den Versuchen.
• Die zentrale Frage lautet. Wie wird Wissen auffindbar, pflegbar und im richtigen Moment für Menschen und Agenten verfügbar?
• Das Ergebnis ist offen. Denkbar sind ein wiederverwendbares Framework, ein Skillset oder eine dokumentierte Arbeitsweise für agentisches Arbeiten.
• Diese Serie berichtet auch über Grenzen. Was sich nicht skalieren lässt, unklar bleibt oder im Versuch scheitert, gehört zur Werkstatt dazu.

Warum Wissensmanagement zum Kern von Agentenarbeit wird

Ein KI-Agent arbeitet nicht mit dem gesamten Wissen einer Organisation. Er erhält einen Auftrag und einen Ausschnitt des Kontexts, der für diese Aufgabe relevant ist. Fehlt dieser Ausschnitt, muss der Agent raten, nachfragen oder mit einer unvollständigen Grundlage arbeiten.

Das Problem beginnt oft schon vor dem eigentlichen Einsatz von KI. Eine Organisation weiß vieles, aber sie weiß nicht immer, wo dieses Wissen liegt, welche Fassung gilt oder wer eine Entscheidung getroffen hat. Was für Menschen durch Erfahrung und Rückfragen noch auffindbar ist, lässt sich für einen Agenten schwer zuverlässig erschließen.

Eine strukturierte Wissenssammlung kann hier einen ersten Schritt bilden. Sie macht Annahmen, Entscheidungen und Abläufe auffindbar. Sie kann ergänzt, geprüft und für neue Aufgaben wiederverwendet werden. Der Agent bekommt damit keine magische Gesamtkenntnis. Er erhält eine bessere Arbeitsgrundlage.

Mit welchem Modell wir starten

Wir starten bewusst mit einfachen Mitteln. Markdown-Dateien sind leicht zu lesen, zu bearbeiten und zu versionieren. Sie eignen sich deshalb, um erste Wissenssammlungen aufzubauen und an echten Aufgaben zu prüfen.

Dazu kommen Skills. Ein Skill bündelt wiederverwendbare Anweisungen für einen Ablauf. Er beschreibt den benötigten Kontext, die Arbeitsschritte und die Prüfpunkte. Diese Vorgaben müssen dadurch nicht bei jeder Aufgabe neu formuliert werden.

Für größere Wissensbestände stellt sich anschließend die Frage, wie ein Agent den passenden Ausschnitt findet. Retrieval bezeichnet dabei den Vorgang, relevante Informationen aus einer Sammlung abzurufen und als Kontext für eine Aufgabe bereitzustellen. Knowledge Graphs können Beziehungen zwischen Personen, Themen, Entscheidungen und Dokumenten ausdrücken. Beide Ansätze sind mögliche Bausteine, die wir untersuchen wollen. Noch steht nicht fest, welche Kombination für unseren Zweck sinnvoll ist.

Wie viel Arbeitswissen schon vor dem Start im Workspace liegt

Bevor der erste Sprint-Tag beginnt, lohnt ein Blick auf das, was in der Redaktionsarbeit des Blogs bereits entstanden ist. Artikel-Entwürfe, Faktenchecks, Bildpläne und Statusnotizen enthalten bereits Kontext: Welche Fragen beschäftigen uns, welche Entscheidungen sind getroffen, welche Belege tragen eine Aussage und was muss noch geklärt werden.

Diese Sammlung ist eine erste Wissensquelle für das Knowledge Lab. Wir wollen sie so ordnen, dass ein Agent nicht erst unsere Ordnerlogik erraten muss, sondern für eine konkrete Aufgabe den passenden Kontext findet und verwenden kann.

Zusammengerechnet liegen damit rund 63.000 Wörter Arbeitswissen vor. Verteilt auf vier Ordner mit eigener Namenslogik heißt das: 36 Prozent Artikel-Entwürfe, 17 Prozent Fakten-Dateien, 31 Prozent Bildpläne und 16 Prozent Status-Übersicht. Gezählt wird einfach, angenommen ist wc -w über alle Markdown-Dateien je Ordner, Stand 25.08.2026, Frontmatter eingeschlossen.

Keine dieser Zahlen beschreibt fehlendes Wissen. Sie beschreiben eine Sammlung, die für einen Menschen mit Ordnerkenntnis nutzbar ist und für einen Agenten ohne diese Kenntnis genauso unübersichtlich bleibt wie ein fremdes Aktenarchiv. An dieser Ausgangslage setzt das Knowledge Lab an. Nicht das Fehlen von Wissen ist das Problem, sondern seine fehlende Erschließung.

Vier Wochen mit praktischen Arbeitsbeispielen

Das Knowledge Lab soll kein Architekturpapier über Wissensmanagement werden. Wir wollen an Beispielen prüfen, was im Alltag trägt.

Der Sprint beginnt mit einer überschaubaren Sammlung. Wir prüfen, welche Informationen ein konkretes Projekt braucht und wie wir sie beschreiben. Danach schauen wir, ob ein Mensch die relevante Stelle findet, ob sich derselbe Kontext einem Agenten übergeben lässt und woran wir eine belastbare Antwort erkennen.

Aus diesen Fragen entstehen kleine Versuche. Wir können eine Dokumentstruktur verändern, einen Skill ergänzen, einen Retrieval-Ansatz testen oder Beziehungen zwischen Wissenseinträgen sichtbar machen. Jeder Versuch sollte eine Entscheidung ermöglichen. Wir verfolgen ihn weiter, vereinfachen ihn oder verwerfen ihn.

Das kleine Sub-Team ist dabei kein abgeschlossener Kreis. Die Arbeitsweise, Zwischenstände und offenen Fragen sollen so dokumentiert werden, dass andere Menschen aus dem Camp anschließen können. Wissen über Wissensmanagement entsteht schließlich durch eine gemeinsam gepflegte Praxis. Eine einzelne Ablage reicht dafür nicht aus.

Was diese Serie dokumentiert

Die folgenden Beiträge begleiten den Sprint in vier Perspektiven.

1. Ausgangslage und Arbeitsmodell. Welche Probleme wollen wir lösen, und welche Begriffe brauchen wir für die gemeinsame Arbeit?
2. Erste Wissenssammlung. Wie strukturieren wir greifbare Projektinformationen, ohne daraus sofort ein überladenes System zu machen?
3. Skills und Retrieval. Welche Aufgaben lassen sich wiederverwenden, und wie findet ein Agent die passende Grundlage?
4. Rückblick und nächste Version. Was hat funktioniert, wo lagen die Grenzen, und welches Ergebnis lässt sich anderen Teams zur Verfügung stellen?

Der Plan ist bewusst vorläufig. Ein Sprint darf seine Richtung ändern, wenn ein Versuch eine bessere Frage hervorbringt. Am Ende kann ein großes Framework stehen. Ebenso kann ein kleiner, gut dokumentierter Skill den größeren Nutzen haben, wenn er im Alltag gepflegt wird.

Häufige Fragen

Weiterführend

Mit Agenten arbeiten

Mit KI-Agenten arbeiten: der Einstieg vor den drei Handgriffen

Was ein KI-Agent ist, was du ihm übergibst und was bei dir bleibt — die Landkarte, bevor du Aufgaben zuschneidest, Aufträge schreibst oder Ergebnisse prüfst.

Mit Agenten arbeiten

Aufgaben für KI-Agenten zuschneiden: drei Schnitte, die den Auftrag klären

Ein KI-Agent scheitert selten am Prompt, sondern am Zuschnitt der Aufgabe. Drei Schnitte, die aus einem unscharfen Auftrag ein prüfbares Ergebnis machen.

Interesse am Knowledge Lab?

Das Knowledge Lab ist als kleiner Deep Dive im Social Impact Camp geplant. Wenn du Wissen für Agenten strukturieren, Skills ausprobieren oder die Arbeitsweise kritisch mitprüfen möchtest, melde dich über das Camp an. Der nächste Schritt führt in gemeinsames Arbeiten an einem konkreten Beispiel.