Menschliches vs. LLM- vs. Agentisches Wissen

Ihr Senior-Experte, ChatGPT und ein KI-Agent gehen in ein Meeting. Jeder ist brilliant — und jeder ist blind für das, was die anderen wissen.

Das Drei-Wissens-Problem

Wenn Organisationen über „KI und Wissen” nachdenken, stellen sie sich meist einen einfachen Transfer vor: Nimm, was Menschen wissen, gib es der KI, fertig.

Das verkennt grundlegend sowohl menschliches Wissen als auch die tatsächliche Funktionsweise von KI-Systemen.

Es gibt drei verschiedene Wissenstypen im Spiel — jeder mit anderen Eigenschaften, anderen Stärken und anderen Fehlermodi. Knowledge Engineering richtig zu machen bedeutet, alle drei zu verstehen.

Menschliches Wissen: Tief, Kontextbezogen, Fragil

Menschliche Experten tragen Wissen, das Jahrzehnte brauchte, um sich anzusammeln. Es ist in Erfahrung eingebettet, durch Kontext geformt und oft unmöglich vollständig zu artikulieren.

Was menschliches Wissen gut kann:

• Bewältigt wirklich neuartige Situationen
• Integriert emotionale und soziale Intelligenz
• Passt sich sofort an wechselnden Kontext an
• Weiß, wenn etwas sich „falsch anfühlt”

Wo menschliches Wissen scheitert:

• Kann nicht kopiert oder skaliert werden
• Geht zur Tür hinaus, wenn Menschen gehen
• Inkonsistent unter Druck oder bei Ermüdung
• Schwer zu auditieren oder zu erklären

Das wertvollste menschliche Wissen ist oft implizit — Maria weiß nicht nur was zu tun ist, sie weiß, was zu tun ist in dieser spezifischen Situation mit diesem spezifischen Kunden angesichts dessen, was letztes Quartal passiert ist. Bitten Sie sie, es aufzuschreiben, und Sie bekommen einen Bruchteil dessen, was sie tatsächlich weiß.

graph TB
TITLE["MENSCHLICHES WISSEN"]

TITLE --> EXPLICIT["<b>EXPLIZIT ~15%</b><br/>Dokumentiert"]
TITLE --> TACIT["<b>IMPLIZIT ~85%</b><br/>Undokumentiert"]

EXPLICIT --> E1["Verfahren"]
EXPLICIT --> E2["Richtlinien"]
EXPLICIT --> E3["Schulungsmaterialien"]
EXPLICIT --> E4["Prozessdokumente"]

TACIT --> T1["Intuition"]
TACIT --> T2["Urteilsentscheidungen"]
TACIT --> T3["Ausnahmebehandlung"]
TACIT --> T4["Beziehungswissen"]
TACIT --> T5["Gespür für Situationen"]

style TITLE fill:#fef2f2,stroke:#dc2626,stroke-width:4px,color:#991b1b,font-size:18px
style EXPLICIT fill:#fff7ed,stroke:#f97316,stroke-width:3px,color:#c2410c,min-width:150px
style TACIT fill:#fef2f2,stroke:#dc2626,stroke-width:4px,color:#991b1b,min-width:250px
style E1 fill:#fff7ed,stroke:#f97316
style E2 fill:#fff7ed,stroke:#f97316
style E3 fill:#fff7ed,stroke:#f97316
style E4 fill:#fff7ed,stroke:#f97316
style T1 fill:#fef2f2,stroke:#dc2626
style T2 fill:#fef2f2,stroke:#dc2626
style T3 fill:#fef2f2,stroke:#dc2626
style T4 fill:#fef2f2,stroke:#dc2626
style T5 fill:#fef2f2,stroke:#dc2626

Das unbequeme Verhältnis: Die meisten Wissensmanagement-Initiativen erfassen vielleicht 15% dessen, was Experten tatsächlich wissen — den expliziten, dokumentierbaren Teil. Die 85%, die echte Leistung antreiben, bleiben in ihren Köpfen verschlossen.

LLM-Wissen: Breit, Probabilistisch, Zustandslos

Large Language Models wie GPT-4 oder Claude haben riesige Mengen menschlichen Wissens aufgenommen — im Wesentlichen den dokumentierten Output der Zivilisation. Sie können mit bemerkenswerter Flüssigkeit denken, synthetisieren und generieren.

Was LLM-Wissen gut kann:

• Breites Allgemeinwissen über Domänen hinweg
• Mustererkennung im großen Maßstab
• Sprachverständnis und -erzeugung
• 24/7 verfügbar, unendlich skalierbar

Wo LLM-Wissen scheitert:

• Kein Wissen über Ihren spezifischen Kontext
• Kann nicht aus Ihren proprietären Daten lernen (ohne Fine-Tuning)
• Selbstbewusst falsch, wenn Wissen fehlt
• Kein Gedächtnis zwischen Gesprächen (zustandslos)

Ein LLM weiß, wie „guter Kundenservice” im Allgemeinen aussieht. Es weiß nicht, dass Ihr Top-Kunde, Acme AG, eine stehende Vereinbarung hat, alle Bestellungen zu beschleunigen, dass ihr CFO es hasst, „Robert” genannt zu werden, oder dass der Abrechnungsfehler letzten Monat bedeutet, dass Sie jetzt besonders entgegenkommend sein sollten.

Die Kontext-Lücke: LLMs haben Weltwissen, aber nicht Ihr Wissen. Jede Organisation hat proprietären Kontext, der formt, wie allgemeines Wissen angewendet werden sollte. Ohne diesen Kontext geben LLMs Ihnen generische — oft falsche — Antworten.

Agentisches Wissen: Operativ, Integriert, Evolutionär

KI-Agenten unterscheiden sich sowohl von Menschen als auch von eigenständigen LLMs. Sie operieren innerhalb von Systemen, führen Aktionen aus und behalten Zustand über Interaktionen hinweg. Ihre Wissensbedürfnisse sind grundlegend operativ.

Was agentisches Wissen erfordert:

• Verständnis Ihrer spezifischen Geschäftsregeln
• Zugriff auf Echtzeit-Daten aus Ihren Systemen
• Gedächtnis vergangener Interaktionen und Entscheidungen
• Fähigkeit zu wissen, wann zu eskalieren ist

Worin sich agentisches Wissen unterscheidet:

• Muss explizit genug sein, um kodiert zu werden
• Braucht klare Grenzen und Leitplanken
• Erfordert kontinuierliche Aktualisierung bei Kontextänderungen
• Muss mit menschlicher Aufsicht integriert werden

graph TB
TITLE["ANFORDERUNGEN AN AGENTISCHES WISSEN"]

TITLE --> WHAT["<b>WISSEN WAS</b>"]
TITLE --> WHEN["<b>WISSEN WANN</b>"]

WHAT --> W1["Geschäftsregeln"]
WHAT --> W2["Entscheidungslogik"]
WHAT --> W3["Prozessschritte"]

WHEN --> WH1["Handeln"]
WHEN --> WH2["Eskalieren"]
WHEN --> WH3["Warten"]

W1 --> HOW["<b>WISSEN WIE</b>"]
W2 --> HOW
W3 --> HOW
WH1 --> HOW
WH2 --> HOW
WH3 --> HOW

HOW --> H1["Auf Daten zugreifen"]
HOW --> H2["Tools nutzen"]
HOW --> H3["Ergebnisse verifizieren"]

style TITLE fill:#fef2f2,stroke:#dc2626,stroke-width:4px,color:#991b1b,font-size:18px
style WHAT fill:#fff7ed,stroke:#f97316,stroke-width:3px,color:#c2410c,min-width:150px
style WHEN fill:#fff7ed,stroke:#f97316,stroke-width:3px,color:#c2410c,min-width:150px
style HOW fill:#fef2f2,stroke:#dc2626,stroke-width:3px,color:#991b1b,min-width:150px
style W1 fill:#fef2f2,stroke:#dc2626
style W2 fill:#fef2f2,stroke:#dc2626
style W3 fill:#fef2f2,stroke:#dc2626
style WH1 fill:#fef2f2,stroke:#dc2626
style WH2 fill:#fef2f2,stroke:#dc2626
style WH3 fill:#fef2f2,stroke:#dc2626
style H1 fill:#fff7ed,stroke:#f97316
style H2 fill:#fff7ed,stroke:#f97316
style H3 fill:#fff7ed,stroke:#f97316

Ein Agent, der Kundenanfragen bearbeitet, muss wissen, was Ihre Richtlinien sind, wann Ausnahmen anzuwenden sind versus zu eskalieren, und wie die relevanten Daten aus Ihren Systemen zu holen sind. Das ist operatives Wissen — weniger über Verstehen und mehr über Handeln.

Die Integrations-Herausforderung

Hier wird es interessant: Effektives Knowledge Engineering erfordert, dass alle drei Typen zusammenarbeiten.

Die Knowledge-Engineering-Aufgabe ist:

1. Implizites menschliches Wissen extrahieren und explizit machen
2. LLM-Fähigkeiten mit Ihren proprietären Informationen kontextualisieren
3. Kodieren, was Agenten brauchen, um autonom zu operieren
4. Feedback-Schleifen designen, damit alle drei sich gemeinsam verbessern

Was das für Ihre Organisation bedeutet

Sie können nicht einfach „die KI auf unseren Dokumenten trainieren.” Dokumente erfassen nur den expliziten Bruchteil menschlichen Wissens. Das implizite Wissen — das Urteil, die Ausnahmen, das „Gespür” — erfordert gezielte Extraktionsmethoden.

Sie können nicht einfach „ein LLM anschließen.” Ohne Ihren Kontext gibt Ihnen ein LLM generische Antworten, die als Expertise verkleidet sind. Retrieval-Augmented Generation (RAG) hilft, aber nur wenn Sie die richtigen Wissens-Assets zum Abrufen haben.

Sie können nicht einfach „einen Agenten deployen.” Agenten ohne ordentliche Wissensfundamente sind Automatisierung von Unwissenheit. Sie werden das Falsche konsistent tun, im großen Maßstab, mit Überzeugung.

Der Weg nach vorn

Die Organisationen, die hier gewinnen, erkennen, dass Knowledge Engineering eine Disziplin ist, kein einmaliges Projekt. Sie bauen systematische Fähigkeiten auf, um:

• Implizites menschliches Wissen aufzudecken, bevor es zur Tür hinausgeht
• Dieses Wissen so zu strukturieren, dass LLMs es effektiv nutzen können
• Es zu operationalisieren, damit Agenten autonom darauf handeln können
• Es weiterzuentwickeln, wenn sich Geschäft und Kontext ändern

Es geht nicht darum, Menschen durch KI zu ersetzen. Es geht darum, eine Wissensarchitektur zu schaffen, in der Menschen, LLMs und Agenten jeweils das beitragen, was sie am besten können.

Tiefer einsteigen?

Diese drei Wissenstypen zu verstehen ist der erste Schritt. Der nächste ist, zu kartieren, welche Typen Ihre spezifischen Anwendungsfälle erfordern — und den Extraktions- und Integrationsansatz zu designen.

Genau das macht unser Use-Case-Assessment. In 10 Minuten sehen Sie, wie Ihre Situation zu diesem Framework passt.

Zum Assessment →