Wissen für KI-Agenten konsistent organisieren

Retrieval-Augmented Generation (RAG) hat sich in den vergangenen Jahren als Standardarchitektur etabliert, um Sprachmodelle mit Unternehmenswissen zu verbinden. Dabei indexiert das System Dokumente, ruft relevante Inhalte per semantischer Suche ab und stellt sie dem Modell als Kontext bereit. Für viele Assistenz- und Suchanwendungen ist dieser Ansatz gut geeignet.

Warum klassische RAG-Architekturen an Grenzen stoßen

Mit agentischen KI-Systemen verändern sich jedoch die Anforderungen grundlegend. Agenten beantworten nicht nur einzelne Fragen. Sie planen Abläufe, führen mehrstufige Prozesse aus, koordinieren spezialisierte Subagenten und erzeugen entlang dieser Verarbeitungskette kontinuierlich neue Informationen. Jeder Verarbeitungsschritt baut auf den Ergebnissen vorheriger Schritte auf. Zwischenergebnisse werden erneut verwendet, bewertet oder weiterentwickelt.

Damit verschiebt sich der architektonische Schwerpunkt: Nicht mehr ausschließlich die Qualität des Retrievals entscheidet über die Systemqualität, sondern auch die konsistente Verwaltung von Wissen über den gesamten Lebenszyklus einer Ausführung hinweg.

In der Praxis zeigt sich dabei häufig folgendes Bild: Die relevanten Informationen sind vorhanden und das System findet sie häufig auch korrekt. Dennoch entstehen bei identischen Ausgangsdaten unterschiedliche Ergebnisse. Zwischenergebnisse werden unterschiedlich interpretiert, Kontext geht zwischen Verarbeitungsschritten verloren und Entscheidungen lassen sich im Nachhinein nur schwer rekonstruieren.

Wissen verändert sich während der Verarbeitung

Der Grund liegt weniger in den Sprachmodellen selbst als in der Art, wie Wissen in agentischen Architekturen entsteht und genutzt wird. In klassischen RAG-Systemen gilt Wissen häufig als statischer Bestand. Dokumente werden vorbereitet, indexiert und bei Bedarf abgefragt. Für lineare Frage-Antwort-Szenarien genügt dieses Modell. Agentische Systeme arbeiten gleichzeitig mit mehreren Wissensebenen:

• strukturierten Regeln, Policies und Stammdaten
• Informationen aus Dokumenten
• aufgabenspezifischem Kontext
• Zwischenergebnissen einzelner Agenten sowie
• während der Ausführung erzeugten Ableitungen und Bewertungen

Diese Wissensarten unterscheiden sich hinsichtlich ihrer Herkunft, Stabilität und Gültigkeit und beeinflussen sich gegenseitig. Ein wesentlicher Teil des entscheidungsrelevanten Wissens existiert zu Beginn eines Prozesses noch gar nicht. Er entsteht erst während der Ausführung durch Analyse, Interpretation oder die Kombination bereits vorhandener Informationen.

Für Enterprise-Architekturen bedeutet das: Wissen ist nicht länger nur Input eines KI-Systems, sondern wird selbst zu einem dynamischen Bestandteil des laufenden Systems.

Retrieval löst nur einen Teil des Problems

Vor diesem Hintergrund wird deutlich, warum viele aktuelle Optimierungen im RAG-Umfeld zwar notwendig, allein jedoch nicht ausreichend sind. Bessere Embeddings, Hybrid Search, feinere Chunking-Strategien oder umfangreichere Metadaten erhöhen zweifellos die Qualität des Informationszugriffs. Sie lösen jedoch nicht das eigentliche Architekturproblem.

Die kritischen Inkonsistenzen entstehen häufig nicht beim Finden der Informationen, sondern an den Übergängen zwischen den einzelnen Verarbeitungsschritten. Was beim Ingest eindeutig klassifiziert wurde, kann im Retrieval bereits anders gewichtet werden. Was dort korrekt ausgewählt wurde, verliert im nächsten Agentenschritt seinen ursprünglichen Kontext. Zwischenergebnisse werden unterschiedlich interpretiert oder nicht eindeutig referenziert.

Die Brüche entstehen also an den Schnittstellen zwischen Ingest, Speicherung, Retrieval, Agenten und Orchestrierung – genau dort, wo heutige Architekturen Wissen häufig nur implizit weitergeben.

Anforderungen an eine konsistente Wissensarchitektur

Der zuverlässige Betrieb agentischer Systeme erfordert neue Architekturprinzipien. Drei davon sind besonders relevant.

Eine durchgängige Identität von Wissen ist die erste Voraussetzung. Informationen dürfen nicht nur als Textfragmente existieren. Sie müssen über den gesamten Verarbeitungspfad eindeutig referenzierbar bleiben. Nur wenn Agenten dieselben Wissenselemente tatsächlich als identische Objekte behandeln, lassen sich Entscheidungen reproduzieren und später nachvollziehen.

Ebenso wichtig ist, Struktur über den gesamten Lebenszyklus hinweg zu erhalten. Klassifikationen, Beziehungen und Kontextinformationen dürfen nicht ausschließlich beim Ingest entstehen, sondern müssen auch nach mehreren Verarbeitungsschritten erhalten bleiben und dürfen nicht bei jeder Agenteninteraktion neu interpretiert werden.

Schließlich braucht dynamisch erzeugtes Wissen klare Governance-Regeln. Agenten erzeugen kontinuierlich neue Informationen. Diese Zwischenergebnisse können für nachfolgende Verarbeitungsschritte hochrelevant sein. Gleichzeitig dürfen sie nicht unkontrolliert in den allgemeinen Wissensbestand übernommen werden.

Dafür braucht es klare Regeln:

• Welche Informationen dürfen persistent werden?
• Welche besitzen lediglich temporäre Gültigkeit?
• Welche Ableitungen sind reproduzierbar?
• Welche Entscheidungen müssen nachvollziehbar dokumentiert werden?

Erst diese Governance macht agentische Systeme langfristig beherrschbar.

Wissen als kontinuierlicher Prozess

Aus architektonischer Sicht führt dies zu einem grundlegenden Perspektivwechsel: Knowledge Management für agentische KI besteht nicht mehr ausschließlich aus Dokumentenspeicherung und Retrieval. Stattdessen entsteht ein kontinuierlicher Wissensprozess: Informationen werden aufgenommen, strukturiert, verwendet und erweitert, bevor sie – unter definierten Bedingungen – wieder in den Wissensbestand zurückfließen. So lässt sich der Wissensbestand kontinuierlich weiterentwickeln, ohne seine Konsistenz zu verlieren.

Der Knowledge Layer könnte dabei eine ähnliche Rolle übernehmen wie heute Datenplattformen oder Event-Architekturen: als Infrastruktur, auf deren Grundlage mehrere Agenten kontrolliert zusammenarbeiten.

Enterprise-Architekturen im Wandel

Je stärker agentische Systeme Einzug in Unternehmen halten, desto mehr rückt die Gesamtarchitektur in den Mittelpunkt. Nicht allein die Auswahl eines Foundation Models, eines Vektorspeichers oder eines Orchestrierungsframeworks bestimmt die Qualität eines Systems. Entscheidend wird zunehmend das Zusammenspiel dieser Komponenten über den gesamten Verarbeitungspfad hinweg.

Wissensarchitektur wird dadurch zu einer Querschnittsaufgabe. Sie betrifft nicht einzelne KI-Komponenten, sondern die Verbindung zwischen ihnen – vom Ingest über Retrieval und agentische Verarbeitung bis zur kontrollierten Rückführung neu entstandener Informationen. Wissensorganisation entwickelt sich so zu einer eigenständigen architektonischen Disziplin.

Fazit

Agentische KI erweitert den Fokus von der reinen Informationsbeschaffung auf die konsistente Organisation von Wissen über den gesamten Verarbeitungsprozess hinweg.

Retrieval bleibt ein unverzichtbarer Bestandteil moderner KI-Systeme, bildet jedoch nur den Einstieg. Erst wenn Wissen über Agenten, Verarbeitungsschritte und Laufzeiten hinweg konsistent verwaltet, referenziert und kontrolliert weiterentwickelt wird, entstehen reproduzierbare und governancefähige Enterprise-Systeme.

IT-Architekten sollten einen solchen Knowledge Layer daher als eigenständige Infrastrukturkomponente betrachten – nicht als bloße Ergänzung zum RAG-System, sondern als Grundlage für den zuverlässigen Betrieb agentischer KI. (ln)

Über den Autor: Dr.-Ing. Christian Gilcher ist Gründer und CEO von embraceable Technology.