Unternehmenswissen für KI nutzbar machen

Zusammenfassung

KI kann Teams bei Recherche, Entwicklung und fachlichen Aufgaben unterstützen. Dafür braucht sie das Wissen des Unternehmens und klare Vorgaben: Welche Quellen gelten, welche Daten dürfen verwendet werden und wann muss ein Mensch entscheiden?

Ainomos entwickelt dafür NomOS. Mitarbeitende nutzen den Webchat. Agenten rufen über MCP Wissen ab, lesen Entscheidungen nach, reichen neue Erkenntnisse ein und lassen geplante Aktionen prüfen. Fachverantwortliche entscheiden, welche Vorschläge übernommen werden.

Geprüfte Entscheidungen bleiben mit ihren Quellen und Korrekturen verknüpft. So lässt sich bei ähnlichen Aufgaben auf frühere Arbeit zurückgreifen, soweit sie noch gilt. Ob sich dieser Ansatz lohnt, hängt auch vom Aufwand für Einführung, Prüfung und Pflege ab.

1. Die fehlende Grundlage

Ein universell einsetzbares Modell kennt Sprache und Muster, aber nicht ohne Weiteres die aktuelle interne Weisung, die Entscheidung der zuständigen Fachstelle oder den Ablauf, der in einem konkreten Fall gilt. Ein Agent kann daher technisch handlungsfähig sein und fachlich trotzdem ohne die entscheidende Grundlage arbeiten.

• Kontext fehlt: Ein Ergebnis klingt plausibel, berücksichtigt aber interne Vorgaben nicht.
• Kontext wird neu aufgebaut: Menschen suchen Quellen, prüfen Versionen und erklären die Vorgeschichte erneut.
• Kontext ist veraltet oder unvollständig: Überholte Regeln oder fehlende Entscheidungen führen zu Nacharbeit und Fehlern.

2. Was fehlender Kontext kostet

KI-Arbeit kostet Rechenleistung und menschliche Zeit: Menschen suchen Quellen, prüfen Ergebnisse und korrigieren Fehler. Bleibt das Ergebnis in einem einzelnen Chat, kann bei der nächsten vergleichbaren Aufgabe dieselbe Arbeit erneut anfallen. Welche Kosten überwiegen, hängt vom Ablauf ab.

Auch Erfahrung bleibt isoliert. Ein abgelehnter Vorschlag, eine Korrektur und die beobachtete Wirkung stehen beim nächsten Fall nicht als bewerteter Bezugspunkt bereit. Das Unternehmen bezahlt für neue Arbeit und verliert zugleich den Wert bereits geleisteter Arbeit.

3. Der Wirkungsgraph

Der Wirkungsgraph verbindet Quellen, Regeln, Entscheidungen und beobachtete Ergebnisse. Zu jedem Eintrag gehören Angaben zu Herkunft, Verantwortung, Gültigkeit und Status.

Jede kontrollierte Interaktion kann den Graphen erweitern: Welcher Kontext galt? Welchen Output erzeugte das Modell? Was entschied der verantwortliche Mensch? Welche Handlung folgte? Welche Wirkung wurde beobachtet? Auch Fehler, verworfene Ergebnisse und Korrekturen bleiben nachvollziehbar.

Eingereichte Ergebnisse bleiben bis zur Prüfung Vorschläge. Erst eine geregelte Bewertung und Freigabe macht aus einer Erfahrung einen wiederverwendbaren Bezugspunkt.

4. Aufgaben von Menschen und Agenten

Agenten können über MCP Wissen und Entscheidungen abrufen sowie neue Erkenntnisse, Entscheidungen und Beziehungen als Vorschläge einreichen. Verantwortliche Menschen prüfen die Vorschläge in NomOS. Ein Entwurf wird nicht automatisch zur verbindlichen Grundlage.

validate_action bewertet eine vorgelegte Aktion anhand geltender Regeln. Der Agent erhält die Beurteilung und Hinweise auf erforderliche Freigaben. Eine technische Sperre ausserhalb von NomOS braucht zusätzlich einen Ausführungsweg, der diese Entscheidung verbindlich anwendet.

5. Souveränität und Werterhalt

Der Wirkungsgraph speichert Regeln, Entscheidungen und Korrekturen unabhängig vom verwendeten Modell. Bei einem Modellwechsel können diese Informationen weiter genutzt werden. Die neue Anbindung und die Qualität der Ergebnisse müssen erneut geprüft werden.

Ein Wechsel bleibt ein technisches und fachliches Projekt. Der Unterschied ist, dass aufgebautes Wissen, Freigaben und Entscheidungsgeschichte nicht mit dem alten Modell verschwinden. Offene Formate und Exportmöglichkeiten machen diese Portabilität überprüfbar.

6. Kontrolle und Nachweis als Architektur

Drei Bausteine übernehmen klar getrennte Aufgaben. Der Wirkungsgraph hält geltendes Wissen und seine Beziehungen. Das Gateway steuert Modell- und Tool-Zugriffe. Guardrails setzen Berechtigungen, Regeln, Freigaben und Durchsetzungsstufen technisch um.

Welche Aktionen NomOS kontrolliert, hängt von der Anbindung ab. Die Stufen Connected, Guarded und Enforced beschreiben, welche Wege geprüft werden und ob sich die Kontrolle umgehen lässt.

7. Der wirtschaftliche Wert

Im Praxistest vergleichen wir vier mögliche Nutzenbeiträge mit dem Aufwand für Einführung, Betrieb und laufende Pflege. Freigesetzte Zeit und zusätzlicher Durchsatz dürfen nicht doppelt gezählt werden.

Wiederverwendet werden Ergebnisse, nicht bereits verbrauchte Tokens. Weniger wiederholte Recherche und Modellarbeit kann Ressourcen sparen. Abruf, Prüfung und laufende Pflege verursachen weiterhin Aufwand; konkrete Einsparungen müssen gemessen werden.

• Freigesetzte Arbeitszeit durch weniger Suche, Erklärung und Korrektur.
• Zusätzlicher Durchsatz, weil Menschen und Agenten mehr Vorgänge in derselben Zeit bearbeiten.
• Vermiedene Kosten durch weniger Nacharbeit, Wiederholungsfehler und unnötige Eskalationen.
• Wert des Wirkungsgraphen, weil Kontext, Entscheidungen und KI-Ergebnisse bei Modellwechseln nutzbar bleiben.

8. Der 30-Tage-Praxistest

Der Praxistest prüft zwei reale Abläufe. Zuerst wird erfasst, welches Wissen Menschen und KI-Agenten benötigen, um richtig zu entscheiden und zu handeln. Danach werden Quellen, Regeln, Zuständigkeiten und Entscheidungen in NomOS abgebildet.

• Woche 1: Abläufe, Wissensbedarf und Ausgangswerte erfassen.
• Woche 2 und 3: Quellen, Entscheidungen, Regeln und Verantwortlichkeiten verbinden.
• Woche 4: Zeit, Qualität, Durchsatz, Wiederverwendung und Nachweisaufwand vergleichen.

9. Ausblick auf die Plattform

NomOS bildet heute den Kern mit Webchat und MCP-Anbindung. NomGate ist als lokaler Dienst für Windows und macOS geplant, der angebundene KI-Zugriffe und Agentenaktionen nach den Regeln aus NomOS kontrolliert. NomApp soll mobilen Wissenszugang, Benachrichtigungen und Freigaben ermöglichen.

Die heutigen MCP-Funktionen benötigen diese Erweiterungen nicht. Termine für NomGate und NomApp sind noch nicht angekündigt. Gemeinsames Ziel ist, geprüfte Arbeit für weitere Aufgaben nutzbar zu halten.