Die Expertise kartieren.
Dann erfassen, was sie weiß.
Peer-validiertes Kompetenznetzwerk + KI-gestützte Expertenbefragungen + dreistufige Extraktions-Pipeline + semantischer Vergleich über Experten hinweg. Knowledge Mapping ist die institutionelle Gedächtnisebene: Sie erfasst, wer was weiß und wie es tatsächlich umgesetzt wird, und gleicht das organisationsweit ab, wobei jede Entscheidung reversibel bleibt.
Wie behandeln wir Eskalationen von Enterprise-Kunden, wenn der diensthabende Engineer nicht erreichbar ist?
AI
Aus dem dokumentierten Runbook, gemerged aus den Expertenbefragungen von Marco K. und Sofia L. (Ähnlichkeit 0,97, manager-freigegeben am 2025-02-18): Den Secondary On-Call über PagerDuty paging; falls innerhalb von 5 Minuten kein Ack erfolgt, eskalieren an den EM über #incident-eng. Für Kunden im Enterprise-Tier öffnet Sofias Ergänzung einen dedizierten #cust-XYZ-incident-Channel für die Kommunikation.
Wer kennt diese Prozedur sonst noch, wenn Marco und Sofia beide nicht verfügbar sind?
AI
Aus dem Kompetenzgraphen: 3 weitere validierte Experten für “incident response · enterprise”: Luca R. (bestätigt durch 4 Peers, Anche-Io-Pfad), Anna P. (durch das Management nominiert, Experteninterview terminiert), Federico C. (bestätigt, noch kein dokumentierter Prozess). Empfehlung: zuerst Luca hinzuziehen; er verfügt über denselben dokumentierten runbook wie Marco.
Wer was weiß, validiert, bevor die Dokumentation beginnt.
Das System beginnt mit der Kompetenzkarte, nicht mit dem Dokument. Selbst-Nominierungen und Manager-Nominierungen durchlaufen ein Peer-Validierungsnetzwerk mit vier Verdikten. Nur validierte Kompetenzen lösen eine Expertenbefragung aus.
- Validierung mit fünf Verdikten: Bestätigt · Widerspruch · Nicht vertraut · “Anche Io” (habe ich auch) · “Shared Others” (eine Kollegin oder einen Kollegen nominieren). Die Struktur des Netzwerks bildet geteilte Expertise ab, ganz ohne Befragung.
- Schwellenwertbasierte Promotion: Kandidat → validierte Erfahrung erst nach konfigurierbarer Anzahl an Bestätigungen. Keine Expertenbefragung wird verschwendet für eine Behauptung, die Peers ablehnen.
- Cross-Pollination über „Anche Io“: Wenn ein Peer signalisiert, die Kompetenz ebenfalls zu besitzen, stößt das System parallel eine Expertenbefragung an und erfasst so Varianten desselben Prozesses aus mehreren Quellen.
- Scope-bewusste Verteilung: Validierungsanfragen werden nach Organisationseinheit, Projekt oder global geroutet. Peers werden nach fachlicher Nähe gewählt, nicht nach Nähe im Organigramm.
Validation Session · KMC-0042
MK
Marco K. · Engineering · APAC
Selbst-Nominierung: Incident-Response-Runbook für Enterprise-Kunden
Ihr Verdikt
Anche Io = Sie verfügen ebenfalls über diese Kompetenz. Bei dieser Auswahl wird parallel eine Expertenbefragung für Sie ausgelöst, und das System vergleicht Ihren Prozess mit dem von Marco, sobald beide dokumentiert sind.
Implizites Wissen, von einer dialogorientierten KI extrahiert, ohne Formular zum Ausfüllen.
Sobald eine Kompetenz validiert ist, lädt das System den Experten zu einem adaptiven Chat ein. Der Interview-Agent entscheidet, was vertieft wird und wann der Prozess mit allen kritischen Details erfasst ist, ohne feste Länge und ohne festes Skript.
- Adaptive Fragestellung: Der Agent liest jede Antwort und wählt die nächste Frage. Er vertieft Spezifika (Namen, Kanäle, Timing) dort, wo die Antwort vage bleibt.
- Vollständigkeitserkennung: Der Agent entscheidet, wann der Prozess die Schritte, Stakeholder, Tools und das Timing enthält, die für die nachgelagerte Extraktion nötig sind, und nicht früher.
- Echtzeit-Streaming: SSE-basierte Session, vollständige Konversationshistorie persistiert, sitzungsübergreifend wiederherstellbar.
- Kontextsensitiv: Der Agent erhält die Rolle des Experten, Organisation, Projekt und den Kompetenzkontext, nicht ein leeres Blatt.
- Mehrsprachige Erfassung: Expertenbefragungen in der bevorzugten Sprache des Beitragenden; nachgelagertes Retrieval funktioniert sprachübergreifend.
Drei Phasen. Konversation rein, strukturiertes Wissen raus.
Jede abgeschlossene Befragung durchläuft sequenziell drei spezialisierte LLM-Agenten, als Celery-Tasks orchestriert, damit die UI nie blockiert. Output ist ein strukturierter Prozess mit Schritten, Stakeholdern, Tools, Timing und einem Completeness Score.
- Phase 1 · Neuordnung: Der Reordering Agent schreibt den Chat in ein chronologisches Narrativ um und entfernt Smalltalk und Meta-Talk. Output: ein sauberer linearer Text, den die nächste Phase deterministisch parsen kann.
- Phase 2 · Extraktion: Der Extraction Agent emittiert strukturierte Daten: Prozessname, Beschreibung, geordnete Schritte, Stakeholder (Name, Rolle, Kommunikationskanal, Timing), Tools, Gesamtzeitachse.
- Phase 3 · Validierung: Der Validation Agent berechnet einen Completeness Score zwischen 0 und 1 und markiert nur kritische Lücken (externe Stakeholder, kritische Tools, Timing für High-Impact-Schritte). Unterhalb von 0,75 wird die Befragung zum Follow-up markiert.
- Intelligente Noise-Filterung: Tools wie “discuss” oder “review” werden nicht markiert. Interne team-Kontakte werden nicht markiert. Nur wesentliche Lücken treten zutage.
- Audit Trail: Jeder LLM-Aufruf wird protokolliert (Modell, Prompt, Response, Tokens) für die Compliance-Prüfung.
Wenn zwei Experten denselben Prozess dokumentieren, gleicht das System sie ab.
Sobald zwei oder mehr Experten Prozesse im selben Kontext dokumentiert haben, läuft automatisch ein semantischer Vergleichsagent. Er identifiziert geteilte Schritte, einzigartige Beiträge und Konflikte und routet das Ergebnis dann durch eine dreistufige Entscheidungslogik.
- Ähnlichkeit > 0,95: Erzeugt einen Manager-Approval-Request. Ein Merge erfolgt nie automatisch; der Vergleich geht an den Campaign Creator mit geteilten/einzigartigen Schritten und der Begründung des Agenten. Der Manager genehmigt einen Shared Process oder belässt sie getrennt.
- Ähnlichkeit 0,4–0,95: Als Partial Match markiert. Beide Prozesse koexistieren; der Kontext wird für ein inkrementelles Review getaggt.
- Ähnlichkeit < 0,4: Für Human Review markiert. Die beiden Experten beschreiben wahrscheinlich verschiedene Prozesse, die zufällig dasselbe Kompetenz-Label teilen.
- Reasoning mit realen Namen: Der Vergleichsbericht verwendet die tatsächlichen Expertennamen (“Marcos Eskalationsschritt” statt “Expert 1”) und macht Entscheidungen über die gesamte Führungslinie hinweg nachvollziehbar.
- Konflikte sichtbar machen: Wo sich Schritte widersprechen (Marco sagt “via Slack eskalieren”, Sofia sagt “per E-Mail”), markiert der Agent den Konflikt, statt stillschweigend eine Variante auszuwählen.
Prozessvergleich · CTX-074
Freigabe ausstehend
Ähnlichkeit
0.97
MKMarco K.
vs
SLSofia L.
- GETEILT Secondary On-Call über PagerDuty pagen, wenn Primary nicht innerhalb von 5 Min. ack-t
- MARCO Über #incident-eng in Slack direkt an den EM eskalieren, nicht per E-Mail
- GETEILT In StatusPage innerhalb von 10 Min. nach Erkennung acknowledgen
- SOFIA Channel #cust-XYZ-incident für Kunden im Enterprise-Tier eröffnen
Empfehlung: In den gemeinsamen Prozess mergen: Sofias Schritt zur Kundenkommunikation erweitert das Runbook für Kunden im Enterprise-Tier, ohne Konflikt mit Marcos Eskalationspfad.
Eine durchsuchbare Knowledge Base, mit einem Undo-Button bei jeder Entscheidung.
Der Output ist eine Knowledge Base dokumentierter Prozesse: durchsuchbar, filterbar, mit Drill-Down auf chronologisches Narrativ + Stakeholder + Tools + Timing. Jede Operation ist Soft Delete: Der Audit Trail überlebt jeden Merge, jedes Undo, jeden Refresh.
- Serverseitige DataTables: Schnelle Suche und Filterung auch bei Tausenden dokumentierter Prozesse. Drill von der Zeile zur vollständigen Prozessansicht.
- Completeness Score pro Prozess sichtbar: Score zwischen 0 und 1 aus der Phase-3-Validierung, mit der Liste fehlender Informationen. Wissenslücken sind explizit, nicht versteckt.
- Reversible Merges: Ein manager-freigegebener Merge lässt sich per Klick rückgängig machen. Originalprozesse werden wiederhergestellt, der Shared Process archiviert, der Audit Trail auf beiden Seiten erhalten.
- Soft Delete auf allem: Archivierte Daten bleiben für Audits abfragbar (DSGVO Artikel 30, ISO-27001-Evidenz). Restore ist ein Statuswechsel, kein Backup-Recovery.
- Dreistufiges Zugriffsmodell: Owner / App Manager / Campaign Creator sehen die vollständige Pipeline; reguläre Benutzer sehen nur ihren Overview-Bereich und ihre offenen Aufgaben (Validierungen, Expertenbefragungen, Freigaben).
Das erfasste Wissen speist jeden Agenten auf der Plattform.
Knowledge Mapping ist die Quelle, nicht das Ziel. Die validierte, dokumentierte, deduplizierte Wissensbasis wird zur Abrufgrundlage für den Rest der Plattform: Chatbots, Onboarding-Agenten, strategische Analysten.
- Chatbot Assistants verweisen zurück auf die ursprüngliche Expertenbefragung, in der die Antwort erfasst wurde.
- Onboarding-Agenten beantworten Fragen von Neueinsteigern aus validierten Prozessen statt aus generischen FAQs.
- Interne Übergaben übergeben dem neuen Owner ein strukturiertes Briefing, nicht einen Loom-Link.
- Need-to-know-Geltungsbereich für jedes Asset. Jedes erfasste Asset trägt einen Vertraulichkeitsbereich (Organisationseinheit, Projekt oder privat für den Autor), sodass der Abruf auf die dazu berechtigten Personen beschränkt werden kann.
- Right-to-Delete auf Expertenebene umgesetzt: Ein Löschantrag führt zu einem Soft Delete der Beiträge; der gemergte Prozess bleibt bestehen, wobei die identifizierbaren Beiträge des Experten aus dem Trail entfernt werden, und das Löschereignis wird protokolliert.
Wo sich Knowledge Mapping auszahlt.
Vier operative Kontexte, in denen die Kosten nicht erfassten strukturierten Wissens messbar sind und sich das System im selben Zyklus amortisiert.
- Erhalt kritischen Wissens
- Ruhestands- und Nachfolgerisiko
- Erfassung des Gründer-Wissens
- Audit von Single Points of Failure
- Operative Resilienz
- Prozessstandardisierung (Multi-Site)
- Identifikation von Best Practices
- Abgleich von Varianten teamübergreifend
- M&A-Wissensintegration
- Customer-Escalation-Playbook
- Knowledge Base für das Onboarding neuer Mitarbeiter
- Incident-Response-Runbook
- Strukturierte Mentoring-Programme
- Lessons aus gescheiterten Projekten
- Vierteljährlicher Refresh-Zyklus
Jetzt starten
Für Anfragen, bitte kontaktieren Sie uns
Knowledge Mapping FAQ
Was HR Ops, Knowledge Manager und Heads of Operations zuerst fragen.
Was passiert, wenn mehrere Personen dieselbe Kompetenz beanspruchen?
Jede Person durchläuft ihre eigene Validierung: Peers antworten für jeden Kandidaten unabhängig. Antworten Peers mit “Anche Io”, legt das System parallele Kandidaten für sie an. Nach den Experteninterviews erkennt der semantische Vergleichsagent Ähnlichkeiten und leitet das Ergebnis zur Freigabe an das Management weiter: Zusammenführung zu einem gemeinsamen Prozess, getrennte Beibehaltung als Varianten oder Kennzeichnung zur Prüfung.
Muss ein Experte Formulare ausfüllen?
Nein. Der Experte führt einen Chat mit dem KI-Interviewer. Der Agent passt die Fragen an das Gesagte an, entscheidet, wann der Prozess vollständig ist, und die dreistufige Pipeline extrahiert die strukturierten Daten anschließend. Die durchschnittliche Sitzung dauert 30–60 Minuten; Experten können pausieren und fortsetzen.
Was, wenn ein Merge falsch war?
Undo per Klick. Der Shared Process wird archiviert, die Originalprozesse wiederhergestellt, Erfahrungen werden auf die Originale rückverknüpft, und die Metadaten dokumentieren das Undo mit Timestamp und Manager-Identität. Reversibilität ist eine Systemeigenschaft, kein Opt-in-Feature.
Wer sieht was?
Dreistufiges Modell. Owner / App Manager / Campaign Creator sehen die vollständige Pipeline (Kandidaten, Sessions, Befragungen, Vergleiche, Knowledge Base). Reguläre Benutzer sehen nur ihren eigenen Overview und ihre offenen Aufgaben: die Validierungen, Expertenbefragungen und Freigaben auf ihrem Tisch.
DSGVO-Recht auf Löschung des erfassten Wissens?
Umgesetzt. Ein Soft Delete auf Expertenebene entfernt die Beiträge aus dem aktiven Retrieval; gemergte Prozesse bleiben bestehen, aber die identifizierbaren Beiträge des Experten werden aus dem Trail entfernt. Das Audit-Log behält den Löschungsvorgang für die Compliance-Prüfung, ohne den gelöschten Inhalt selbst aufzubewahren.
Wie behandelt es mehrsprachige Organisationen?
Expertenbefragungen laufen in der bevorzugten Sprache des Beitragenden; die Extraktions-Pipeline bewahrt den sprachlichen Kontext; das nachgelagerte Retrieval funktioniert sprachübergreifend. Ein Peer, der aus einer anderen Sprache validiert, sieht die Behauptung übersetzt, nicht den Rohtext.
Bleibt das Wissen aktuell?
Konfigurierbare Refresh-Kampagnen. Das System kann bestehende Kompetenzen quartalsweise erneut validieren; Re-Validierungs-Befragungen überschreiben veraltete Fakten, und der Audit Trail bewahrt den vorherigen Stand. Stale-Flagging markiert Chunks, die innerhalb des Schwellenwerts nicht referenziert oder revalidiert wurden.
Wie ist die Architektur?
Spezialisierte LLM-Agenten, orchestriert über das Agno-Framework und jeweils als Celery-Task ausgeführt: ein dialogorientierter Interview-Agent, eine dreistufige Extraktions-Pipeline (Neuordnung, Extraktion, Validierung) mit einem Loss-Audit-Durchlauf sowie ein semantischer Agent für den Prozessvergleich, ergänzt um Synthese- und Bewertungsagenten. Normalisierung, Validierung und Kontextabgleich von Kompetenzen laufen als LLM-gestützte Schritte im selben Framework. Vektorfähige Datenschicht für die künftige Integration der semantischen Suche.
Möchten Sie mit uns eine Knowledge-Mapping-Kampagne abstecken?
Vertrieb kontaktieren