Vier bis fünf Millionen Token klingen nach Wissen. Sind sie aber nicht. Generative KI kann heute in Sekunden Gesetze, regulatorische Dokumente, Marktdaten, Studien und interne Unterlagen durchsuchen und überzeugend zusammenfassen. Damit verschiebt sich der Engpass: Nicht mehr der Zugang zu Information entscheidet über Qualität, sondern die Fähigkeit, aus dieser Informationsfülle belastbares, nachvollziehbares und entscheidungsfähiges Wissen zu machen.

Kernaussage: „Information wird zunehmend zur Commodity. Belastbares Wissen nicht.“

Der Praxisfall

Der Praxisbericht zeigt an einem realen Transformationsmandat im französischen Energiemarkt, wie diese Herausforderung praktisch gelöst wurde. Im Mittelpunkt steht das CEE-System – Certificats d’Économies d’Énergie. Es verbindet regulatorische Vorgaben, standardisierte Energieeffizienzmaßnahmen, Nachweispflichten, Kontrollen, Fristen, Marktmechanismen, Rollen, Dokumentationsanforderungen, Fraud-Risiken und zahlreiche Sonderkonstellationen.

Nach der operativen Stabilisierung in einer Taskforce stellte sich für das zukünftige Operating Model eine zentrale Frage: Worauf sollen digitale Prozesse, Automatisierung und KI-Agenten eigentlich arbeiten? Denn eine widersprüchliche, veraltete oder nicht nachvollziehbare Wissensbasis wird durch KI nicht besser. Sie wird nur schneller skaliert.

Auf einen Blick

• rund 15,26 Millionen Zeichen beziehungsweise vier bis fünf Millionen LLM-Tokens
• 15.007 validierte Wissensobjekte
• 9.515 atomisierte regulatorische Anforderungen
• 214 CEE-Fiches und 346 kanonische Quellen
• 2.025 Exception-, Conflict- und Gate-Einträge

Aus dem fragmentierten Informationsraum entstand keine bloße Dokumentensammlung, sondern eine kontrollierte, maschinenlesbare Wissensbasis. Aussagen wurden atomisiert, Quellen zugeordnet, Gültigkeitsbereiche geklärt, Konflikte sichtbar gehalten und Evidenzstatus dokumentiert. Genau dadurch wird aus Information ein belastbares Arbeitsmittel für Menschen und KI.

Drei Erkenntnisse aus dem Case

1. Wissensarchitektur schlägt Informationsmenge. Ein großes Kontextfenster ersetzt keine Struktur. Entscheidend ist, welches Wissen für eine konkrete Fragestellung relevant, belastbar und ausreichend vollständig ist.
2. Context Engineering wird zur Kernfähigkeit. Die Aufgabe besteht nicht darin, die ganze Bibliothek in den Prompt zu kippen. Für jede Aufgabe muss der richtige Kontext konstruiert werden – inklusive Quellen, Relationen, Definitionen, Gültigkeitsbereichen, Evidenzstatus, Konflikten und bekannten Grenzen.
3. Agentische KI braucht Gegenprüfung und menschliche Verantwortung. Qualität entsteht nicht durch einen einzelnen Faktencheck am Ende. Im Praxisfall wurden Research, Claim- und Requirement-Extraktion, Source Validation, Reconciliation, Independent Red Team, Quality Gates und Human Review bewusst als getrennte Rollen und Kontrollschritte aufgebaut. KI kontrolliert KI – aber der Mensch kontrolliert das System.

Warum das über CEE hinaus relevant ist

Der Case steht exemplarisch für eine breitere Herausforderung der digitalen Transformation. Je leistungsfähiger KI-Systeme werden, desto wichtiger werden Wissensarchitektur, Nachvollziehbarkeit, Rollenklärung und Human Gates. Der Wettbewerbsvorteil entsteht nicht allein durch größere Modelle, mehr Tools oder längere Kontextfenster. Er entsteht dort, wo Organisationen Wissen so strukturieren, dass Menschen und Maschinen gemeinsam verlässlich damit arbeiten können.

Was Leser aus dem Beitrag mitnehmen

Der Artikel verbindet vier Perspektiven, die in KI-Diskussionen häufig getrennt behandelt werden: Wissensarchitektur, Evidenz- und Qualitätsmanagement, agentische Arbeitsmodelle sowie menschliche Entscheidungsverantwortung. Er zeigt keine theoretische Zielarchitektur, sondern eine konkrete Praxislogik – vom unstrukturierten Informationsraum über systematische Validierung und Context Engineering bis zu einer kontrollierten Wissensbasis.

Für Führungskräfte, Transformationsverantwortliche und Interim Manager ist die Konsequenz klar: Wer KI in geschäftskritische Prozesse bringt, muss nicht nur Modelle auswählen. Er muss auch den Wissensraum und die Kontrollarchitektur gestalten, auf denen diese Modelle arbeiten. Besonders in regulierten Umfeldern gehören dazu klare Gültigkeitsbereiche, nachvollziehbare Quellen, dokumentierte Unsicherheit und bewusste Human Gates für Entscheidungen, die fachliche, juristische oder unternehmensspezifische Bewertung verlangen.

Der Praxisbericht stammt aus einem realen Kundenprojekt. Marc Kresin veröffentlicht ihn aus seiner Rolle als Leiter der DDIM.fachgruppe // Digitale Transformation & KI.