Ausgangslage: Das verteilte Wissen als operative Last
Mittelständische Beratungsunternehmen leben von ihrem Wissen - Projekterfahrungen, Branchenexpertise, Methoden, Toolkits, Templates. Genau dieses Wissen ist gleichzeitig die schwierigste Anlage-Klasse: schwer messbar, schwer skalierbar, häufig an einzelne Personen gebunden. Bei unserem Kunden, einer mittelständischen Unternehmensberatung mit 180 Consultants, hatte diese strukturelle Schwäche operative Konsequenzen.
Die Symptome waren konkret: Neue Projekte begannen regelmäßig bei null, obwohl Vergleichbares im Haus schon einmal gelöst worden war. Berater suchten Stunden in alten SharePoint-Ordnern, in E-Mail-Threads, in Köpfen von Kollegen - die nicht selten gerade beim Kunden in Frankfurt unterwegs waren. Mit steigender Fluktuation im Beratungsmarkt verschärfte sich die Lage: kritisches Expertenwissen verließ das Haus mit jedem Wechsel.
Vorgehen: Vom impliziten Wissen zur expliziten Plattform
Wir haben das Projekt nicht als Software-Rollout, sondern als Wissens-Transformations-Projekt aufgesetzt. In den ersten zwei Wochen haben wir mit der Knowledge-Management-Leitung und einem Sample von zwölf Beratern aus drei Praxisbereichen die typischen Sucharten erfasst: Was sucht ein Junior bei einem neuen Projekt? Welche Templates wiederholen sich? Wo liegt das implizite Wissen, das nie in Dokumenten landet?
Aus diesem Wissens-Mapping ist ein Pilot mit zwei Praxisbereichen entstanden. Nach acht Wochen liefen die ersten Such-Anfragen, nach zwölf Wochen war der semantische Korpus auf den gesamten Wissensbestand der Pilot-Bereiche erweitert. Erst nach drei Monaten Produktiv-Betrieb haben wir den Roll-out auf das gesamte Haus skaliert - mit messbarem Nutzungs-Verhalten als Bestätigung.
Lösungsdetails: Drei Schichten zwischen Frage und Antwort
Technisch besteht die Plattform aus drei Schichten. Die unterste Schicht ist eine Indexierungs-Pipeline auf Basis von Azure Cognitive Search, die SharePoint-Inhalte, Microsoft-365-Dokumente, Angebote, Deliverables und CRM-Notizen täglich neu ingestiert. Dokumente werden in Embedding-Vektoren überführt - die semantische Ähnlichkeit zwischen Inhalten lässt sich damit unabhängig von gleichlautenden Begriffen erfassen.
Die zweite Schicht ist die Retrieval-Augmented-Generation-Engine, die auf Azure OpenAI aufbaut. Eine Frage in natürlicher Sprache wird in eine Vektor-Repräsentation überführt, die relevantesten Dokumente aus dem Korpus werden abgerufen und als Kontext an das Sprachmodell gegeben. Das Modell synthetisiert die Antwort mit expliziten Quellen-Verweisen - jede Aussage ist auf das Original-Dokument rückverfolgbar.
Die dritte Schicht ist die Berater-Oberfläche als React-Web-App, integriert in Microsoft 365. Berater stellen Fragen in natürlicher Sprache, bekommen Antworten mit Quellenverweisen, finden über die Recommendations-Logik verwandte Vorprojekte und passende Experten im Haus. Ein eingebauter Feedback-Loop markiert nützliche Antworten und schärft das Modell.
Ergebnisse-Vertiefung: Was die KPIs nicht zeigen
Die Headline-Kennzahlen - 45 Prozent kürzere Projektanlaufzeit, dreifache Wiederverwendung bestehender Lösungen, 40 Prozent schnelleres Onboarding - sind robust, aber sie zeigen nicht den strategischen Effekt. Zwei Sekundärwirkungen sind erst nach zwei Quartalen sichtbar geworden.
Erstens: Die Senior-Berater verlieren weniger Zeit mit Wiederholungs-Anfragen. Die typische Frage „Wie haben wir das damals bei Kunde X gelöst?" beantwortet heute das System - der Senior wird nur noch konsultiert, wenn es um die Nuance jenseits der dokumentierten Lösung geht. Zweitens: Die Fluktuations-Resilienz steigt. Wenn ein Berater geht, geht weniger mit. Was vorher Köpfe-Risiko war, wird zur Plattform-Lage.
Lessons Learned: Was wir beim nächsten Mal anders machen würden
Drei Erkenntnisse haben wir mitgenommen. Erstens: Datenschutz und Mandantengeheimnis sind eine Architektur-Entscheidung, kein Add-on. Mandanten-vertrauliche Informationen dürfen nicht über Mandats-Grenzen hinweg geteilt werden. Wir haben das Berechtigungs-Modell aus den bestehenden Microsoft-365-Permissions abgeleitet und auf Embedding-Ebene durchgesetzt - eine fehlerhafte Trennung wäre kommerziell wie regulatorisch ein Desaster.
Zweitens: Die Berater brauchen sichtbare Quellen. Eine synthetische Antwort ohne Quellenverweis wird in der Beratung nicht akzeptiert - wer einem Mandanten etwas verspricht, will wissen, woher die Aussage stammt. Wir haben die Quellen-Anzeige bewusst prominent gestaltet.
Drittens: Wissen muss gepflegt werden, sonst verfällt es. Wir haben Roles für „Knowledge Owner" pro Praxisbereich eingeführt - Personen, die regelmäßig veraltete Inhalte markieren und neue strukturieren. Ohne diese organisatorische Hülle verkommt jede Plattform binnen 18 Monaten zur Dokumenten-Müllhalde.
Übertragbarkeit: Von der Suche zur Wissens-Plattform
Was als Such-Hebel begann, hat sich zur Wissens-Plattform für die gesamte Wertschöpfung entwickelt. Die gleichen Bausteine - Vektor-Index, RAG-Engine, Quellen-Verweise - sind heute auch für die Angebots-Erstellung, Vertragsmuster-Auswahl und Recruiting-Briefings im Einsatz.
Für mittelständische Beratungs- und Dienstleistungs-Unternehmen eröffnet das eine neue Wettbewerbsdimension: Wer einmal in eine eigene Wissens-Plattform investiert, kann mit der Tiefe einer Großberatung antreten - bei gleichzeitig persönlicher Kundenbetreuung und ohne die Skalen-Nachteile, die mittelständische Häuser bisher von komplexen Mandaten abgehalten haben.