«We know more than we can tell.» — V4 (Reifer Milos, sauberer Schnitt)

🧭 Draft V4 — Milos' eigene LinkedIn-Fassung übernommen (19.06.). Tonlage „Reifer Milos", sauberer Schnitt (Theorie ↔ Praxis). Offen: finaler Titel (Varianten im Chat), Schlussfrage aktuell entfernt, harte Zahlen vor Publikation prüfen.

«We know more than we can tell.»

Warum die meisten Enterprise-AI-Initiativen eine Schicht zu hoch ansetzen

Michael Polanyi formulierte diesen Satz 1966. Er ist die Grundlage seines Konzepts vom impliziten Wissen: die Erfahrungen, Urteile und Fähigkeiten, die unser Handeln definieren, sich aber nie ganz in Worte, Regeln oder Formeln fassen lassen. Sechzig Jahre später beschreibt dieser eine Satz für mich die am stärksten unterschätzte Schwäche aktueller Enterprise AI-Initiativen.

Laut McKinsey setzen rund 88 Prozent der Unternehmen KI ein, aber nur etwa 6 Prozent erzielen daraus echten Wertbeitrag... think about that. Auch Deloitte berichtet, dass eine grosse Mehrheit der Führungskräfte ihre KI-Initiativen hinter den Erwartungen zurückbleiben sieht. Das ist kein Problem, das von allein vorbeigeht... wir müssen nur etwas Geduld haben. Well... nein, mir scheint dies ein Muster zu sein. Und es ist, anders als oft vermutet, definitiv keine Frage des LLMs.

Wir optimieren das Modell – und übersehen das Fundament

Wenn wir mal ehrlich sind.... Woran arbeiten wir gerade alle? An der Verarbeitungsebene: RAGs, Fine-Tunings, der nächste MCP-Server, der nächste agentische POC, die Harness etc. Wir verbessern, wie eine KI mit Kontext umgeht – und die Fortschritte dort sind ja auch sehr real. Nur… das eigentliche Problem liegt etwas tiefer vergraben. Eine ganze Schicht tiefer.

Was meine ich damit? Nun, in den meisten Unternehmen ist die Wissensbasis fragmentiert. Wir haben das alle schon mal gehört: Garbage In, Garbage Out. Sprich… ein grosser Teil des Organisationswissens ist gar nicht dokumentiert, ein grosser Rest oft veraltet, unzuverlässig oder mehrfach dupliziert. Auf genau diesem Boden bauen wir unsere modernen KI-Agenten – und wundern uns dann über mittelmässige Resultate.

Der Engpass ist also definitiv nicht das Modell, sondern das Substrat darunter. In unserem Marketing Technology & Automation Team nennen wir dieses fehlende Substrat den «Business Brain». By the way... kein Begriff den wir erfunden haben.

Vom Prompt zum Kontext

Ein kurzer Blick darauf, wie sich das Feld gerade selbst neu sortiert… «Prompt Engineering» reichte, solange wir kurze, abgeschlossene Dialoge mit einer KI führten. Es bricht in dem Moment, in dem Agenten über längere Zeit (teilweise Stunden) eigenständig arbeiten sollen. Anthropic hat dafür 2025 den Begriff Context Engineering geprägt: die Verschiebung von einzelnen Instruktionen hin zur Gestaltung des gesamten Informationszustands, in welchem dann ein System operiert. Harrison Chase, der CEO von LangChain, bringt es auf den Punkt – im Grunde sei heute alles Context Engineering.

Der Analyst Nate B. Jones trennt das, was wir lange pauschal «Prompting» nannten, in mehrere eigenständige Disziplinen: «Der beste Prompt der Welt kann eine KI nicht dafür entschädigen, dass sie nicht weiss, woran du gearbeitet hast, was du bereits versucht hast, was deine Constraints sind – oder was ihr letzten Dienstag im Meeting entschieden habt.»

Genau dieses Nicht-Wissen ist das fundamentale Problem. Kontext ist der neue Code – und gehört entsprechend ernst behandelt.

Warum RAG allein nicht reicht

Kurz zu RAG, weil es oft als die Lösung verkauft wird. Vereinfacht gesagt sucht RAG zu einer Frage die ähnlichsten Textstellen aus z.B. Dokumenten und legt sie dem Modell vor. Das hilft – aber es ist Ähnlichkeit, nicht Verständnis. Das System erkennt, welche Stellen ähnlich klingen, nicht aber, wie sie inhaltlich zusammenhängen – oder ob sie die eigentliche Frage überhaupt beantworten.

Und genau das ist der Punkt: RAG ist eine Such-Methode, keine Wissens-Strategie. Es kann nur abrufen, was schon sauber dokumentiert ist – und scheitert dort, wo die Antwort erst aus dem Zusammenspiel mehrerer Quellen entsteht. Auch grössere Kontextfenster ändern daran nichts. Mehr Modelle, mehr Tokens, mehr Schnittstellen… nichts davon hilft, wenn das Fundament darunter lückenhaft ist.

Die eigentliche Wand: implizites Wissen

Hier treffen sich Polanyi und der Alltag von heute. Das Wissen, das wir am dringendsten in unsere Systeme bekommen müssten, ist genau das, das sich am schlechtesten in Worte fassen lässt. Um nochmals Nate B. Jones zu zitieren: Gerade die erfahrensten, am stärksten ausgelasteten Leute tragen am meisten davon in sich – sie wenden es ständig an, ohne es je aufzuschreiben, und sind sich dessen selbst kaum bewusst.

Und er nennt eine Zahl, die mir bleibt: Nur rund ein Fünftel des relevanten Wissens über ein Produkt oder einen Markt steckt in sauberen Daten. Der grosse Rest lebt verstreut – «in Chat-Threads, in Meeting-Transkripten, die niemand liest, oder in den Köpfen sehr erfahrener Leute, die im schlimmsten Fall überlegen, das Unternehmen zu verlassen.» Solange diese eine Person bleibt, ist das Ganze ein theoretisches Problem. Geht sie, wird es ein sehr reales Problem.

Neu ist der Gedanke nicht. Schon in den Neunzigern zeigten Nonaka und Takeuchi mit ihrem SECI-Modell, dass Wissen in einer Organisation auf vier Arten lebt: zwei davon stecken in Dokumenten, zwei entstehen nur zwischen Menschen – und genau die liessen sich technisch lange nicht greifen.

Ein Strategie-Pitchdeck hält nur einen Bruchteil der Überlegungen fest, die hinter einer Entscheidung stehen. Meeting-Notizen oder CRM-Einträge erklären nur einen Teil dessen, was den Status eines Kunden-Accounts wirklich ausmacht. Und Formeln wie «professionell, doch nahbar» sind am Ende einfach nur leere Hüllen, in denen das eigentliche Wissen schon verloren gegangen ist. Das ist kein Dokumentations-Versagen – es ist ein strukturelles Problem. Heute gibt es erstmals einen Weg, auch diesen menschlichen Teil systematisch einzufangen. Vorausgesetzt, man baut die Architektur bewusst dafür. Konkret heisst das:

Was ein Business Brain ausmacht

Wie sieht so ein Business Brain konkret aus? Vergessen wir das Bild vom „noch einem Wissensspeicher". Es ist kein zweites Confluence Wiki, sondern eine eigene Schicht direkt unter den Agents – die Quelle, aus der wir und unsere Agenten das "Wissen" ziehen. Drei Prinzipien machen den Unterschied. Sie hängen alle an einer Idee... Wissen versioniert behandeln, so wie wir dies mit Code und Software auch tun. Denn ein versioniertes Fundament bringt genau die drei Dinge mit, auf die es ankommt:

Nachvollziehbarkeit – jede Aussage weiss, woher sie kommt. Herkunft, Datum, Verlässlichkeit gehören an jede Information; sonst vermischen sich Vermutung und Fakt, und ein Agent argumentiert glänzend, aber falsch. Genau dafür ist ein versioniertes Format gemacht: Zu jeder Aussage laufen Quelle und Stand mit, und die Historie hält lückenlos fest, wer wann was geändert hat. Aus „die KI hat das gesagt" wird „das stammt von hier, mit diesem Stand". Praktisch heisst das: nichts ohne Quelle und Datum ablegen. Lieber „unbestätigt, Stand März" als eine glatte Behauptung, der man nicht ansieht, woher sie stammt.

Widersprüche werden festgehalten, nicht ignoriert. Wenn fünf Leute einen Entscheid oder einen Account/Kunden unterschiedlich einschätzen, ist genau diese Uneinigkeit die wertvolle Information – nicht irgendein Durchschnitt. Auch hier zahlt sich das versionierte Fundament aus: Konkurrierende Sichten stehen sauber nebeneinander, mit Urheber und Zeitpunkt, statt stillschweigend zu einer scheinbar einigen Wahrheit zu verschmelzen. Ein System wie Git ist genau dafür gemacht – Abweichung ist dort ein normaler Zustand, kein Fehler. Praktisch heisst das: abweichende Sichten sichtbar halten und bewusst auflösen, nicht überschreiben. KI verstärkt das Glätten übrigens von selbst... Sie sagt lieber, was gefällt, als was stimmt.

Drittens: Geglaubtes wird gegen Ergebnisse geprüft. Was wir über unser Marketing oder unsere Kunden zu wissen glauben, ist eine Quelle – aber kein Beweis. Selbstwahrnehmung und Faktenlage gehen oft weit auseinander. Ein Business Brain prüft seine Inhalte deshalb gegen tatsächliche Ergebnisse, statt sie für bare Münze zu nehmen – was die Realität bestätigt, gewinnt an Gewicht; was sie widerlegt, wird korrigiert oder als unsicher markiert. Praktisch heisst das: Jede wichtige Annahme bekommt einen Realitäts-Check, bevor ein Agent darauf aufbaut. Sonst skaliert man nur schneller den eigenen Irrtum.

Und wo fängt man an? Sicher nicht mit einem Grossprojekt. Man nimmt sich eine einzige Domäne, die schmerzt oder sich anbietet – ein Brand-Thema, einen Schlüssel-Account, ein zentrales Produkt oder Angebot – und macht dort das Unsichtbare sichtbar. Das ist mühsamer, als ein Modell an ein paar bestehende Dokumente zu hängen. Aber es ist der Unterschied zwischen einem Agenten, der nur plausibel klingt, und einem, der tatsächlich weiss, wovon er spricht → Klein anfangen – aber das Fundament von Anfang an nach diesen drei Prinzipien bauen.

Ein Beleg aus der Praxis

Wie konkret das inzwischen ist, hat sich Ende Mai am Swiss MarTech Summit in Winterthur gezeigt. Jonathan Fearns von Accenture führte vor, wie sein Team für Lavazza einen «Brand Brain» aufgebaut hat – die Marke, kodifiziert und maschinenlesbar gemacht. Entscheidend war eine Zahl, die er offenlegte: Nur rund 20 Prozent dessen, was eine Marke ausmacht, sind explizit – Brand Kits, Design-Systeme, Briefings, Guidelines. Die übrigen 80 Prozent sind implizit. Jahrzehnte an Entscheidungen von Creative Directors, Agentur-Calls, freigegebene und verworfene Assets. Jenes «So machen wir das», das nie in einer Guideline stand.

Die «neue KI-Ontologie einer Marke»: nur rund 20 % sind explizit (Brand Kits, Design-Systeme, Briefings), rund 80 % bleiben implizit. Jonathan Fearns, Accenture – Swiss MarTech Summit 2026, Winterthur. (Quelle: Accenture · Foto: eigene Aufnahme)

Es ist genau die Aufteilung, um die es hier in meinen Ausführungen geht – und sie kommt von aussen. Fearns brachte es auf einen Satz, der von Polanyi stammen könnte: Brand Guidelines seien nur ein winziger Bruchteil dessen, was eine Marke wirklich ausmacht. Bezeichnend ist auch, wo Accenture diesen Brand Brain verortet: in ihrem «Digital Core», der Schicht, auf der alles andere aufsetzt. Substrat, nicht Feature. Brand ist dabei nur eine Domäne; für Strategie, Sales, Service und Product gilt dieselbe Logik.

Wie wir es angehen

Genau daran arbeiten wir in unserem Team seit geraumer Zeit. Und um ehrlich zu sein: Wir haben das nicht von Anfang an durchschaut. Wir lernen mit jedem Schritt dazu. Festgelegt haben wir uns trotzdem bewusst, weil wir überzeugt sind, dass die Antwort im Fundament liegt und nicht im nächsten Modell – auch wenn das heisst, immer wieder Tempo gegen Tragfähigkeit abzuwägen.

Das Setup dahinter ist im Kern erstaunlich schlicht: eine versionierte, gemeinsame Wissensbasis als Single Source of Truth, in der jede Aussage mit ihrer Herkunft lebt und laufend gegen die Realität geprüft wird. Angefangen haben wir nicht überall, sondern bei einzelnen Domänen, die zählen. Und das Wichtigste passiert nicht im Tool, sondern im Gespräch: Wir holen das implizite Wissen dort ab, wo es sitzt – bei den Menschen, in strukturierten Interviews (Transkribierungen z.B. helfen enorm), solange sie da sind. Am Ende ist das mehr Disziplin als Technologie.

Wir behaupten nicht, die fertige Lösung zu haben – wir bauen sie gerade, mit allen Umwegen, die dazugehören. Aber vielleicht ist genau das die eigentliche Einladung: Man muss nicht auf das perfekte Tool warten. Man muss nur anfangen, das eigene Wissen ernst zu nehmen.

Drei Konsequenzen

Architektonisch ist ein Business Brain eine Investition ins Fundament – eine Schicht, die unter vielen KI-Use-Cases liegt. Wer sie überspringt, optimiert weiter an Modell und Prompt, während der eigentliche Engpass eine Etage tiefer wartet. Das ist die unbequeme Wahrheit hinter den eingangs genannten 6 Prozent: nicht zu wenig Intelligenz, sondern ein fehlendes, unvollständiges Fundament.

Budgetär folgt daraus auch ein klares Risiko. Wo niemand die Verantwortung für dieses Substrat trägt, generiert jeder ausgerollte Agent aus einer schmalen, dokumentierten Teilmenge der Realität. Das doofe daran: Das Ergebnis wirkt kompetent genug. Die strukturelle Lücke bleibt verborgen und wird erst sichtbar, wenn's zu spät ist.

Kulturell kommt ein dritter Effekt dazu – und ehrlich gesagt der unangenehmste, weil er gerade überall spürbar ist. Die Tools sind plötzlich in jeder Hand. Jede und jeder will etwas bauen – einen Agenten hier, einen Assistenten dort – und glaubt, die Lösung gefunden zu haben. Foundation, Governance, Datenbasis? Kommt später, wenn überhaupt. Das erzeugt einen Hype-getriebenen Groove, der sich grossartig anfühlt – bis die Erwartung auf die Realität trifft.

Genau hier öffnet sich eine Lücke zwischen dem, was alle erwarten, und dem, was sich auf einem ungeklärten Fundament tatsächlich liefern lässt. Und die Erwartungen steigen schneller als die Reife: Accenture berichtete am Summit, dass drei von vier Nutzern nach einem Jahr KI-Erfahrung höhere Erwartungen haben als zuvor. Ein beeindruckender Prototyp ist eben schnell gebaut; ihn verlässlich, governance-konform und auf belastbaren Daten in Produktion zu bringen, ist eine ganz andere Liga. Wer diese Lücke nicht aktiv managt, riskiert, dass aus Begeisterung Ernüchterung wird – und am Ende das ganze Thema KI dafür büsst, dass das Fundament fehlte, nicht die Idee.

Quellen / weiterführend

• Michael Polanyi, The Tacit Dimension (1966)
• Nonaka & Takeuchi, The Knowledge-Creating Company (1995) — SECI-Modell
• Anthropic — Context Engineering (2025); Persistent Memory / „Dreaming"; Sycophancy
• Nate B. Jones — Disziplinen des Promptings; Tacit-Knowledge- & Organizational-Knowledge-Problem; Context Bundles
• AI Engineer (Conf-Talks) — Enterprise AI / IKEA „Knowledge Monolith" & Demand-Driven Context; The Future of RAG; Context Graphs (Neo4j); The Context Engine Gap
• Accenture / Lavazza — „Brand Brain" (20 % explizit / 80 % implizit), Swiss MarTech Summit 2026, Winterthur, 28. Mai (Keynote: Jonathan Fearns)