KI trifft im Enterprise Content Management zuerst auf Formate, Berechtigungen, Metadaten und Auditierbarkeit. Dort entscheidet sich, ob Chatbot, Enterprise Search, RAG oder eigene KI-Agenten produktiv werden. Die allgemeinen Gründe, an denen KI-Projekte scheitern, gelten hier ebenso.
Viele ECM-, DMS- und Archivlandschaften sind über Jahre gewachsen. Für die klassische Suche hat das gereicht. Beim Retrieval für KI zeigen sich Lücken, die vorher niemandem aufgefallen sind.
Fünf Prüfpunkte tauchen in fast jedem Vorhaben auf:
- Formate. Gescannte Altbestände ohne Textebene, Container wie ZIP und Mailketten mit Anhängen muss die KI erst lesbar bekommen, sonst fehlt ein Teil des Bestands in jeder Antwort.
- Berechtigungen. Der Agent darf für einen Nutzer nur finden, was dieser auch selbst öffnen dürfte. Mehr dazu im Beitrag über Berechtigungen in KI-Projekten.
- Kontext. Metadaten und Aktenbezug müssen für ein belastbares Retrieval reichen.
- Nachvollziehbarkeit. Später muss erkennbar sein, welche Quelle zu welcher Antwort geführt hat.
- Architektur. Schnittstellen und Integration müssen den Zugriff aus KI-Werkzeugen tragen.
Die eigentliche Architekturfrage lautet damit, ob die bestehende Content-Basis die KI-Nutzung sicher und revisionsfähig trägt. Für jede aktuelle DMS-Planung heißt das, KI von Beginn an mitzudenken.
Die Modernisierung der Dokumentenbasis übernimmt dabei kein KI-Anbieter, so wenig wie Tesla die Waldwege ausbaut, auf denen sein Autopilot fahren soll. Diese Arbeit bleibt im Unternehmen.