Im Marketing-Team fällt auf, dass die Anmeldungen am Dienstag um 30 Prozent eingebrochen sind. Normalerweise öffnet man jetzt das Analytics-Dashboard und prüft den Kampagnenkalender. Man fragt im Slack-Kanal nach, ob an der Website etwas verändert wurde. Die Erklärung setzt man sich in den nächsten zwanzig Minuten selbst zusammen. Mit einem Company Brain stellt man dieselbe Frage einfach im Chat. Die erste Antwort kommt innerhalb von Sekunden.
Ein Company Brain ist ein KI-Chat, der direkt mit internen Tools wie Confluence, Notion und Google Analytics verbunden ist. Man baut ihn Schritt für Schritt auf, eine Quelle nach der anderen. Der beste Einstieg ist eine einzelne, saubere und strukturierte Quelle wie Analytics, weil das Risiko hier am kleinsten ist. Wissen aus Confluence oder Notion muss man zuerst bereinigen und ordnen, bevor man es anbindet. Rund 80 Prozent dieser Projekte scheitern, weil die Dokumente veraltet oder widersprüchlich sind. Jede Quelle verbindet man dann mit einem rechtskonformen KI-Chat. Erst wenn die Antworten gut sind, kommt die nächste Quelle dazu. Verbindet man stattdessen alles gleichzeitig, weiss man bei einer falschen Antwort später nicht mehr, welche Quelle schuld war.
Wie man ein Company Brain aufbaut
1. Mit einer sauberen, strukturierten Quelle beginnen
Google Analytics eignet sich am besten für den Einstieg. Das Gleiche gilt für andere Quellen, die schon strukturiert und einheitlich formatiert sind. Hier gibt es kein Versionsproblem zu lösen. Man verbindet die Quelle und stellt eine echte Frage, zum Beispiel warum sich eine Kennzahl letzte Woche verändert hat. Dann vergleicht man die Antwort mit dem, was eine Person von Hand herausgefunden hätte.
2. Die Wissensdatenbank bereinigen, bevor sie angebunden wird
Bevor Confluence oder Notion dazukommt, muss jemand die Kampagnenprozesse, Meeting-Notizen und alten Planungsseiten durchgehen. Diese Person entscheidet, was aktuell ist, was veraltet ist und was man archivieren sollte. Alte Versionen dürfen nicht einfach neben der gültigen Version liegen bleiben. Diese Arbeit ist mühsamer und weniger spannend als der KI-Teil. Sie entscheidet aber, ob das fertige System am Ende funktioniert. Wissensdatenbanken mit dieser Bereinigung erreichen eine Genauigkeit von 85 bis 90 Prozent. Ohne Bereinigung landet man bei unter 60 Prozent, und die KI kann nicht erkennen, welche Dokumente sie eigentlich hätte ignorieren sollen. Auch die Kosten hängen davon ab: Eine KI, die breit über unorganisierte Quellen sucht, kann pro Frage rund 26-mal mehr kosten als eine KI, die auf einen sauber indexierten Datenbestand zugreift.
3. Die Quelle mit dem KI-Chat verbinden
Jetzt ist die Quelle sauber und die Wissensdatenbank bereinigt. Es fehlt nur noch der KI-Chat, der die Fragen beantwortet. Muss dieser Chat bestimmte Anforderungen erfüllen, zum Beispiel zum Speicherort der Daten, zu Zugriffsrechten oder zur Protokollierung? Das hängt von der Art der Daten und von der Branche ab. Wie man diese Entscheidung trifft und richtig umsetzt, steht in einem eigenen Beitrag: «Wie baue ich eine datenschutzkonforme KI?». Zuerst bereitet man die Daten vor. Dann entscheidet man über den KI-Chat, nicht umgekehrt.
4. Quellen einzeln hinzufügen
Sobald die erste Quelle funktioniert, liegt es nahe, gleich alles Weitere anzuschliessen: Notion, Slack, das CRM, am liebsten in derselben Woche. Dieser Versuchung sollte man widerstehen. Besser fügt man eine weitere Quelle hinzu, bereinigt sie und bindet sie an. Erst wenn sie zuverlässig gute Antworten liefert, folgt die nächste Quelle. Dieses Tempo hat einen Grund: Bei einer falschen Antwort kann man dann nachvollziehen, welche Quelle sie verursacht hat. Gehen fünf neue Quellen gleichzeitig live, wird das zu einer echten Detektivarbeit.
5. Sich eine Prüfgewohnheit für Einschätzungsfragen aneignen
Nach dem Start sind die riskantesten Antworten nicht die, die offensichtlich falsch sind. Riskant sind die selbstsicheren Antworten, die richtig klingen. Das betrifft vor allem Kausalfragen: warum sich eine Zahl verändert hat, oder warum eine Entscheidung so gefallen ist. Bei solchen Fragen liefert eine KI oft lieber eine plausible Erklärung, statt zuzugeben, dass sie es nicht genau weiss. Deshalb sollte man solche Antworten von Anfang an gegen die Quelle prüfen, bevor man sie weitergibt.
Bereinigt man die Daten und baut man den Rollout Quelle für Quelle auf, bleibt am Ende vor allem Disziplin gefragt. Man behandelt die Einschätzungen des Systems als Ausgangspunkt, nicht als fertige Antwort.
Was ein Company Brain bringt, und was es kostet
Wer die fünf Schritte befolgt, für den zahlt sich ein Company Brain schnell aus. Alltagsfragen, die früher zwanzig Minuten Abgleich zwischen mehreren Dashboards bedeuteten, sind jetzt in Sekunden beantwortet. Wissen, das früher nur im Kopf einer einzelnen Person existierte, findet man jetzt mit einer einfachen Frage.
Worüber zu wenig gesprochen wird, ist der Aufwand, das so zu halten. Die Pflege der Dokumente hört nie ganz auf. Jedes Quartal taucht zum Beispiel eine neue Version desselben Kampagnenprozesses auf. Jemand muss dann wieder entscheiden, welche Version gerade gilt. Lässt diese Pflege nach, sinkt die Genauigkeit wieder, und die Kostenersparnis durch die gute Organisation geht mit ihr verloren.
Die nächsten Schritte zum eigenen Company Brain
Ein gut gebautes Company Brain braucht mehr Abstimmung, als die meisten Teams zu Beginn erwarten. Die eigentliche Schwierigkeit liegt nicht bei der KI. Sie liegt darin, festzulegen, was die eigene Dokumentation tatsächlich aussagt. Dazu kommt die Disziplin, Quellen nacheinander anzubinden statt alle auf einmal.
Unser Team unterstützt beim Aufbau. Es hilft bei der Auswahl der richtigen Startquelle und bei der Bereinigungsarbeit, Quelle für Quelle. Es hilft auch beim Aufbau des rechtskonformen KI-Chats aus unserem Beitrag «Wie baue ich eine datenschutzkonforme KI?», damit das eigene Team das System danach selbst weiterführen kann.
