Enterprise-KI geht über das Beantworten von Fragen hinaus.
Die erste Welle der generativen KI eröffnete Mitarbeitenden und der Kundschaft eine dialogorientierte Möglichkeit, Informationen zu finden. Retrieval-Augmented Generation, kurz RAG, verbesserte diese Erfahrungen: Das System rief relevante Unternehmensinhalte ab und stellte sie einem Large Language Model zur Verfügung, bevor dieses eine Antwort generierte.
Das war ein wichtiger Schritt. Doch im Kern blieb es ein reines Informationserlebnis: Jemand stellte eine Frage, das System rief Inhalte ab, und das Modell lieferte eine Antwort.
Agent-basierte KI verändert das Spielfeld grundlegend. Ein AI Agent kann ein Ziel interpretieren, ermitteln, welche Systeme oder Wissensquellen konsultiert werden müssen, zusätzlichen Kontext erfassen und Aktionen einleiten. So kann er etwa eine Support-Antwort verfassen, einen Sicherheitsfragebogen ausfüllen, einen Publishing-Workflow auslösen, ein Ersatzteil bestellen oder einen Servicetechniker einplanen.
Wenn KI nicht mehr nur erklärt, was passieren sollte, sondern aktiv dazu beiträgt, es Wirklichkeit werden zu lassen, kann Unternehmenswissen nicht länger als bloßes Hintergrundmaterial behandelt werden. Es wird zur operativen Infrastruktur.
Vom Abrufen von Antworten zur autonomen Handlungsfähigkeit.
Eine herkömmliche RAG-Implementierung beginnt mit einer Frage. Das System durchsucht eine definierte Wissensquelle, ruft relevante Passagen ab, fügt sie dem Prompt des Modells hinzu und generiert eine Antwort, die auf diesem Material basiert.
Dieser Ansatz ermöglicht es Unternehmen, private, aktuelle oder eingeschränkte Informationen zu nutzen, ohne ein universelles Modell neu trainieren zu müssen. Zudem bleiben Zugriffskontrollen erhalten, wenn der Abruf über die Anmeldedaten der Nutzenden erfolgt.
In seiner Adobe DITAWORLD 2026 Session zur Auswirkung generativer KI auf Content-Strategien erläuterte Fabrice Lacroix, Gründer und CEO von Fluid Topics, die Entwicklung von Large Language Models über RAG und Agent-basierte KI bis hin zum Model Context Protocol. Er beschrieb, wie RAG Unternehmenswissen abruft, es einem Prompt hinzufügt und mithilfe eines universellen Modells eine Antwort formuliert.
Die Herausforderung zeigt sich, wenn das benötigte Wissen auf viele Repositories verteilt ist. Lacroix beschrieb Unternehmensszenarien mit „10, 15 oder 20 Anwendungen“, die relevantes Wissen enthalten können. Das System muss diese Quellen durchsuchen, die Ergebnisse zusammenführen, prüfen, ob ausreichend Kontext gefunden wurde, und die kopierten Informationen mit den Ausgangssystemen synchron halten.
Model Context Protocol, kurz MCP, verfolgt ein anderes Muster. MCP ist ein Protokoll, das KI-Systemen die Verbindung mit externen Tools, Anwendungen und Informationsquellen ermöglicht. Anstatt ein vordefiniertes Paket abgerufener Inhalte zu erhalten, entscheidet ein Agent selbst, welche verfügbare Quelle er abfragt, was er anfordert und ob er weitere Informationen benötigt.
Wie Lacroix erklärte: „Es ist das Agent-LLM, das denkt, Schlussfolgerungen zieht und die Endpunkte aufruft, um Informationen zu sammeln und den Kontext aufzubauen." Genau das macht Agent-basierte KI grundlegend anders. Das KI-System produziert nicht nur Sprache – es ist aktiv an einem Prozess beteiligt.
Stellt euch ein Wartungsszenario vor: Eine Maschine meldet ein Hydraulikdruckproblem. Ein Agent muss möglicherweise die technische Dokumentation konsultieren, um das Problem zu diagnostizieren, die betroffene Konfiguration im Product-Lifecycle-Management-System zu identifizieren, ein Nachfolgeteil im Katalog zu finden, die Verfügbarkeit im ERP-System zu bestätigen, den Versand zu veranlassen und eine Fachkraft einzuplanen.
Lacroix nutzte dieses Beispiel, um einen Prozess zu veranschaulichen, an dem sonst zwischen zwei und 10 Personen beteiligt wären und der rund um die Uhr weltweit laufen müsste. Das Potenzial ist enorm – ebenso groß ist die Abhängigkeit von verlässlichem Wissen.
KI legt den Content Debt offen, den Unternehmen bisher ignorieren konnten.
Herkömmliche Content-Bereitstellung hat viele Inhaltsprobleme verdeckt. Häufig besuchte Seiten wurden eher geprüft, korrigiert und gepflegt. Ein veraltetes Thema, das tief in einem Repository begraben lag, erhielt kaum Traffic und verursachte nur begrenzten sichtbaren Schaden. Doppelte Prozeduren konnten jahrelang nebeneinander existieren, weil Nutzende gewohnten Navigationspfaden folgten und der widersprüchlichen Version selten begegneten. Konversations- und Agent-basierte Systeme beseitigen diesen Schutz.
In seiner Eröffnungsansprache bei Adobe DITAWORLD 2026 erläuterte Vivek Kumar, Senior Director of Products bei Adobe, dass KI jedes Thema, jeden Arbeitsschritt und jedes Content-Fragment potenziell zugänglich macht. Das am seltensten aufgerufene Thema in einem Repository kann plötzlich zur Quelle einer Antwort werden. Er verdeutlichte das Risiko anhand eines KI-Assistenten, der eine Prozedur abrief, die seit vier Jahren nicht aktualisiert worden war, weil sie für die Frage der Kundschaft relevant erschien.
„KI hat dieses Dokumentationsproblem nicht geschaffen“, sagte Kumar. „KI hat es offengelegt."
Das grundlegende Problem ist kein Mangel an Inhalten. Es fehlt an verlässlichem Wissen.
Eine Anleitung ist Inhalt – genauso wie eine Produktbeschreibung, ein Fehlerbehebungsthema, eine Richtlinie oder eine Serviceanweisung. Wissen entsteht erst, wenn diese Komponenten den Kontext beinhalten, der erklärt, wofür sie gelten, wie sie zusammenhängen, welche Version verbindlich ist, wer sie freigegeben hat und wann sie nicht mehr verwendet werden sollten.
Für KI sind diese Unterschiede entscheidend. Eine technisch korrekte Anweisung kann dennoch falsch sein – für eine bestimmte Produktversion, einen Markt, eine Kundenberechtigung, eine Betriebsbedingung oder einen regulatorischen Geltungsbereich. Ein Agent braucht mehr als Text, der der Frage ähnelt. Er braucht Belege dafür, dass der ausgewählte Inhalt für die jeweilige Aktion geeignet ist.
Das Ausmaß des übergreifenden Content-Problems belegt „Component-Content-Management-Systeme: Long-Form-Content für personalisierte und konsistente Erlebnisse maximieren“, eine Forrester-Consulting-Studie von 2021, beauftragt von Adobe. Auf Basis einer Befragung von 450 Entscheidungsverantwortlichen in Unternehmen mit mindestens 500 Mitarbeitenden und einem Jahresumsatz von 500 Mio. US$ ergab der Bericht, dass 64 % die Erfüllung moderner Content-Erstellungsanforderungen als Herausforderung betrachten. Außerdem identifizierten 68 % die mangelnde Content-Wiederverwendung als Herausforderung im Content-Management, während 58 % Schwierigkeiten hatten, die Veröffentlichungs- und Aktualisierungsgeschwindigkeit aufrechtzuerhalten. Agent-basierte KI lässt diese Schwächen nicht verschwinden – sie verschafft ihnen lediglich einen schnelleren Weg in die Geschäftsprozesse.
Struktur verwandelt Inhalte in maschinennutzbares Wissen.
Genau hier gewinnen strukturierte Inhalte und ein Component-Content-Management-System, kurz CCMS, an Bedeutung.
Ein CCMS verwaltet Informationen als modulare Komponenten – nicht nur als vollständige Dokumente. Diese Komponenten können explizite Metadaten, Beziehungen, Bedingungen, Versionsverlauf, Prüfstatus und Wiederverwendungsreferenzen enthalten. Sie lassen sich zu mehreren Publikationen zusammenstellen und über Websites, Anwendungen, Wissensdatenbanken, Support-Systeme oder KI-basierte Erlebnisse bereitstellen.
Der Mehrwert für KI liegt nicht allein darin, dass XML für Maschinen leichter zu verarbeiten ist. Der eigentliche Vorteil besteht darin, dass Struktur Bedeutung und Steuerung explizit macht.
Metadaten können Produkt, Modell, Zielgruppe, Sprache, Region, Lebenszyklusstatus, Gültigkeitsdatum und Sicherheitsklassifizierung identifizieren. Taxonomien liefern kontrollierte Begriffe. Beziehungen verknüpfen Konzepte, Anleitungen, Warnungen, Teile und Belege. Versionen und Baselines legen genau fest, welche Inhalte für ein bestimmtes Release freigegeben wurden. Review-Workflows zeigen, dass menschliches Urteilsvermögen eingeflossen ist, bevor Inhalte verbindlich wurden.
Kumar beschrieb das Ergebnis als Weiterentwicklung: vom Content-Repository zum Wissensgraphen. „Wissen entsteht aus vernetztem Content“, sagte er. „Zusammenhänge zählen, Kontext zählt, Bedeutung zählt."
Diese Grundlage ermöglicht es KI-Systemen, kleinere und präzisere Wissenseinheiten abzurufen und dabei alle Informationen zu erhalten, die für deren Bewertung erforderlich sind. Zudem können Unternehmen so eine KI-generierte Antwort oder Aktion bis zum Ausgangsmaterial zurückverfolgen.
Die Forrester-Studie liefert quantitative Belege für diesen Ansatz. 69 % der Befragten gaben an, dass die Speicherung von Content in einem flexiblen Format wie XML die Wiederverwendung oder Syndizierung erleichtert. Außerdem ergab der Bericht, dass 80 % oder mehr der Befragten in Unternehmen, die ein CCMS nutzen, angaben, dass es dazu beigetragen hat, regulatorische, reputationsbezogene, finanzielle und personalbezogene Risiken bei der Content-Erstellung und -bereitstellung zu eliminieren.
Diese Erkenntnisse führen zum gleichen Schluss: Unternehmen können den wachsenden Bedarf von Menschen und Maschinen nicht durch immer mehr isolierte Dokumente decken. Sie brauchen Content, der einheitlich verwaltet, im Kontext verstanden und zuverlässig wiederverwendet werden kann.
Governance wird Teil der KI-Kontrolle.
Viele KI-Programme konzentrieren sich zunächst auf das Modell, das Interface oder das Agent-Framework. Das sind sichtbare Investitionen, die jedoch eine schwache Content-Governance nicht ausgleichen können.
Eine unternehmensweite Wissensgrundlage für Agent-basierte KI muss mehrere operative Fragen beantworten:
- Ist dies die aktuell validierte Version?
- Gilt sie für dieses Produkt, diese Zielgruppe, diese Region und diese Situation?
- Wurde sie von einer zuständigen Fachexpertin oder einem zuständigen Fachexperten geprüft?
- Darf diese Nutzerin bzw. dieser Nutzer oder dieser Agent darauf zugreifen?
- Welche anderen Inhalte sind davon abhängig?
- Was wurde geändert, wer hat es geändert und wann?
- Kann das System die Quelle angeben, die für die Antwort oder Aktion herangezogen wurde?
Das sind vertraute CCMS-Themen, aber Agent-basierte KI verleiht ihnen eine weitreichendere unternehmerische Bedeutung.
- Versionierung wird zur Schutzmaßnahme gegen veraltete Anweisungen.
- Metadaten werden zum Routing-Mechanismus für Agenten.
- Der Genehmigungsstatus fließt in die Vertrauensbewertung ein.
- Die Audit-Historie wird zum Nachweis für Compliance und Untersuchungen.
- Zugriffskontrollen verhindern, dass Agenten eingeschränkte Informationen preisgeben oder auf diese zugreifen.
Der Forrester-Bericht belegt: Fehlerhafte oder unklare Dokumentation birgt erhebliche Risiken für den Support-Betrieb. Mehr als die Hälfte der Befragten nannte fragmentierte Content-Strategien, Content-Silos, Review- und Kollaborationsprozesse, Personalisierung, Omni-Channel-Delivery und Content Velocity als zentrale Herausforderungen.
Das bedeutet nicht, dass ein CCMS jedes Risiko eliminiert oder KI-Aktionen automatisch vertrauenswürdig macht. Es zeigt vielmehr, dass Unternehmen die Kontrolle strukturierter Inhalte bereits mit der Minimierung risikobehafteter Bedingungen in Verbindung bringen.
Menschliche Kontrolle bleibt dabei unverzichtbar. Agent-basierte Systeme können Routineaufgaben beschleunigen, doch Unternehmen brauchen klare Grenzen dafür, welche Aktionen eine Überprüfung, Validierung oder Eskalation erfordern. Das Ziel ist nicht, Menschen aus jedem Prozess zu entfernen. Es geht vielmehr darum, menschliches Urteilsvermögen dort einzusetzen, wo es den größten Mehrwert schafft.
Adobe Experience Manager Guides als Wissensgrundlage für Unternehmen.
Adobe Experience Manager Guides bietet eine Grundlage strukturierter Inhalte, die dieses Modell unterstützen kann.
Unternehmen können modulare DITA-Inhalte, Metadaten, Versionen, Referenzen, Reviews, Übersetzungen und die Veröffentlichung in einer kontrollierten Umgebung verwalten. Anwendungsprogrammierschnittstellen (APIs) können Content Operations mit anderen Unternehmenssystemen verknüpfen, während strukturierte Ausgaben Websites, Anwendungen, Wissensdatenbanken, Chat-Erlebnisse und weitere nachgelagerte Anwendungsfälle unterstützen können.
In „The Business Value of Adobe Experience Manager Guides“, einer IDC Business Value Study vom November 2022, gesponsert von Adobe, berichtete IDC über Erkenntnisse aus eingehenden Interviews mit sechs Unternehmen, die Experience Manager Guides nutzen. IDC berechnete durchschnittliche jährliche Vorteile von 3,8 Millionen $ pro Unternehmen, einen ROI von 287 % über drei Jahre sowie eine Amortisationszeit von 13,9 Monaten für die teilnehmenden Unternehmen.
Die Studie ergab außerdem, dass Teams im technischen Redaktionswesen nach der Einführung von Experience Manager Guides 17 % effektiver arbeiteten. Sie verzeichnete einen Rückgang des duplizierungsbedingten Aufwands um 16 %, was einem durchschnittlichen jährlichen Produktivitätswert von 437.570 $ pro Unternehmen entspricht.
Diese Ergebnisse sind keine Garantie für jede Implementierung. Sie zeigen jedoch, dass die für KI-Bereitschaft erforderliche Content-Grundlage durch reduzierte Duplizierungen, effektivere Content Operations und gesteigerte Produktivität auch messbaren Mehrwert schaffen kann.
Adobe hat außerdem KI-gestützte Funktionen für den Import, die Erstellung, Bearbeitung, das Tagging und die Validierung strukturierter Inhalte vorgestellt. In seiner Adobe DITAWORLD 2026-Session zum Einsatz von KI in Experience Manager Guides – für effizienteres Arbeiten und die Content-Produktion im benötigten Umfang – zeigte Mike Buoy, Senior Solution Consultant bei Adobe, Workflows, in denen Autorinnen und Autoren vorgeschlagene Entwürfe prüften und Änderungen nachverfolgten, bevor sie diese akzeptierten. Dieser Ansatz, bei dem Menschen aktiv in den Prozess eingebunden sind, ermöglicht es der KI, die Content-Arbeit zu beschleunigen – während die Organisation die Kontrolle darüber behält, was in die vertrauenswürdige Wissensdatenbank aufgenommen wird. Großangelegte Implementierungen zeigen, warum diese Kontrolle entscheidend ist.
In seiner Adobe DITAWORLD 2026-Session beschrieb Brian Scordinsky, Client Technology Director für Global Assurance bei EY, EY Atlas als globale Wissensplattform für Assurance, die auf Enterprise-Niveau betrieben wird.
EY Atlas unterstützt mehr als eine Million Dokumente, drei Millionen gerenderte Content-Seiten, mehr als 40 Sprachen und 66 standortbasierte Kanäle. Die Plattform bedient mehr als 200.000 Nutzende und verzeichnet mehr als eine Million Zugriffe pro Monat. Die AEM Guides-Umgebung verwaltet 12,7 Millionen Metadaten und 42 Millionen Link-Referenzen.
Scordinsky beschrieb Atlas als „das Frontend einer globalen Wissenslieferkette“. Dahinter verbirgt sich ein strukturiertes Ökosystem, das Authoring, Publishing, Suche, Abonnements, Analyse, Sicherheit, Lokalisierung und zunehmend auf generativer KI basierende Agent-Erlebnisse unterstützt.
Eine verwandte Adobe DITAWORLD 2024-Session berichtete, dass EY Atlas mehr als 200.000 Nutzende bediente, darunter über 26.000 Kundinnen und Kunden, und von mehr als 600 Content-Produzierenden unterstützt wurde. In dieser Session sagte Scordinsky: „AEM übernimmt die gesamte Hauptarbeit für unsere Content Operations." Er ergänzte, dass die in AEM Guides gepflegten Metadaten die Suche antreiben und künftig auch Large Language Models sowie generative KI-Chat-Erlebnisse unterstützen sollen.
In diesem Ausmaß sind Metadaten, Versionen, Links und Veröffentlichungskontrollen keine administrativen Details – sie sind das Betriebsmodell für vertrauenswürdiges Wissen.
Zuerst die Wissensebene aufbauen – dann die Agent-Ebene skalieren
Unternehmen müssen nicht jeden Content neu strukturieren, bevor sie eine Initiative zur Agent-basierten KI starten. Sie müssen jedoch identifizieren, welches Wissen wichtige oder risikoreiche Aktionen beeinflusst, und diesen Content zuerst zuverlässig machen.
Ein pragmatischer Ansatz beginnt mit vier Prioritäten.
1. Entscheidungen und Maßnahmen des Agenten festlegen.
Definiert den Geschäftsprozess, bevor ihr den Content auswählt. Legt fest, was der Agent empfehlen, einleiten oder abschließen darf und wo eine menschliche Validierung weiterhin obligatorisch bleibt. So wird klar, welche Wissensquellen entscheidend sind und welches Maß an Zuverlässigkeit erforderlich ist.
2. Den Content hinter diesen Maßnahmen bewerten.
Untersucht das Wissen, das der Agent verwenden wird. Achtet auf Duplikate, widersprüchliche Vorgaben, fehlende Metadaten, veraltete Versionen, unklare Zuständigkeiten, nicht zugängliche Quellen und Lücken im Genehmigungsverlauf.
Das Ziel ist keine umfassende Content-Inventur, sondern eine gezielte Risikobewertung der Informationen, die KI-gestützte Entscheidungen leiten werden.
3. Wissen mit dem höchsten Wert strukturieren und verwalten.
Teilt umfangreiche Dokumente bei Bedarf in wiederverwendbare Komponenten auf. Wendet kontrollierte Metadaten an. Stellt Verbindungen zwischen Prozessen, Produkten, Teilen, Richtlinien und unterstützenden Konzepten her.
Legt Regeln für Überprüfung, Validierung, Versionierung, Zugriff, Aufbewahrung und Lebenszyklus fest, damit Mitarbeitende und KI-Systeme aktuelles Wissen von unvollständigem, veralteten oder ungeeignetem Content unterscheiden können.
4. Content über geregelte Schnittstellen verbinden.
APIs und MCP-kompatible Dienste können Unternehmenswissen für Agenten zugänglich machen, ohne auf Berechtigungen, Quellverwaltung oder Nachvollziehbarkeit zu verzichten.
Jede Verbindung sollte ausreichend Kontext bewahren, damit der Agent verstehen kann, was der Content bedeutet, wann er anwendbar ist und ob er als vertrauenswürdig gilt.
Diese Reihenfolge ist entscheidend. Mehr Repositories für einen Agenten bedeuten nicht automatisch besseres Wissen – es verschafft dem Agenten lediglich schnelleren Zugriff auf mehr Inkonsistenzen.
Unternehmenswissen wird zur strategischen Infrastruktur.
Die strategische Rolle des CCMS verändert sich. Es bleibt eine Plattform zum Erstellen, Verwalten, Übersetzen und Veröffentlichen von Content. Zugleich wird es zur verwalteten Wissensschicht zwischen unternehmensinternem Fachwissen und KI-gesteuertem Handeln.
Kumar fasste den Wandel treffend zusammen: „Was bisher als Dokumentationsinfrastruktur galt, wird rasch zur KI-Infrastruktur."
Die nächste Phase der KI im Unternehmen wird nicht von der Organisation gewonnen, die über den meisten Content oder die meisten Agenten verfügt. Den Vorteil haben Organisationen, die Maschinen mit Wissen versorgen können, das strukturiert, aktuell, kontextuell, berechtigungsgesteuert und nachvollziehbar ist.
Solange KI nur Fragen beantwortete, führte schwacher Content zu schlechten Ergebnissen. Wenn KI selbst handeln kann, wird die Qualität des Unternehmenswissens zur zentralen Steuerungsgröße im Unternehmen.
Unternehmen, die sich auf Agent-basierte KI vorbereiten, sollten zunächst die Inhalte identifizieren, die ihren wichtigsten Entscheidungen zugrunde liegen, die Qualität von Struktur und Governance dieser Inhalte bewerten und die kritischsten Wissenslücken schließen – bevor sie skalieren. Adobe Experience Manager Guides bietet die kontrollierte Inhaltsbasis, die nötig ist, um Unternehmensinformationen in verlässliches, wiederverwendbares Wissen für KI-gestützte Erlebnisse und Workflows zu verwandeln.
Nächste Schritte
Erfahrt, wie Adobe Experience Manager Guides strukturierte Unternehmensinhalte in eine verwaltete Wissensgrundlage für KI-gestützte Erlebnisse und Agent-basierte Workflows umwandeln kann.
