Generative KI, die Ihr Unternehmen versteht

Sehen Sie Ihr Unternehmen wie nie zuvor

Oliver Grasl
23.9.2025

GenAI kann für die Transformation von Unternehmen weitaus wertvoller gemacht werden, indem sie mit Wissensgraphen verbunden wird, die den spezifischen organisatorischen Kontext erfassen.

Wie alle anderen haben auch wir darüber nachgedacht, wie wir GenAI (generative KI) in unserer Arbeit einsetzen können.

Wir helfen unseren Kunden, die Möglichkeiten der digitalen Technologie zu nutzen, um ihre Produkte, Geschäftsmodelle und Prozesse intelligenter zu gestalten.

Dazu nutzen wir unsere bewährte Transformationsmethodik, die Unternehmen nicht nur verändert, sondern neu erfindet. Weiterhin lösen wir schwierige Probleme für Unternehmen, indem wir die kreative Kraft des Design Thinking, die Weisheit des System Thinking und die Präzision des Computational Thinking kombinieren.

Wie kann GenAI uns dabei helfen, dies noch effektiver zu tun?

Wir haben lange und intensiv darüber nachgedacht, wie wir GenAI in unsere Transformationsmethodik integrieren können:

Was wäre, wenn wir mit dem gesamten Unternehmen unserer Kunden ins Gespräch kommen könnten?
Was wäre, wenn jede Strategiesitzung mit dem perfekten Wissen darüber beginnen würde, wie alle Teile ihrer Organisation miteinander verbunden sind, miteinander konkurrieren und Wert schaffen?
Was wäre, wenn wir das einzigartige Wissen in den Köpfen unserer Kunden und unserer Berater mit der Leistungsfähigkeit von GenAI kombinieren könnten?
Was wäre, wenn wir die potenziellen Auswirkungen einer transformativen Veränderung nicht nur mit unseren Kunden, sondern auch mit GenAI diskutieren könnten?

Unser Ansatz besteht darin, die mühsame Recherche- und Analysearbeit der KI zu überlassen, damit wir uns auf das konzentrieren können, was Menschen am besten können: kreative Problemlösung, strategische Einsichten entwickeln und sinnvolle Beziehungen zu unseren Kunden aufbauen.

Bereitstellung von Kontext über Wissensgraphen

Wie die meisten Menschen nutzen wir GenAI für allgemeine Recherchen.

Was wir aber wirklich gerne tun würden, ist, intensive Gespräche über die Unternehmen zu führen, mit denen wir zusammenarbeiten, um konkrete Hebel für Leistungsverbesserungen zu identifizieren.

Damit dies funktioniert, müssen wir der GenAI die relevanten Kontextinformationen zur Verfügung stellen, da GenAI kein inhärentes, aktuelles Wissen über die inneren Abläufe eines bestimmten Unternehmens hat.

Die Transformation von Unternehmen ist ein langwieriges Unterfangen. Daher entwickeln sich die Informationen, die wir über ein Unternehmen haben, ständig weiter und ändern sich, wenn wir neue Fakten darüber sammeln.

Wie können wir GenAI in diesem Fall Kontextinformationen zur Verfügung stellen?

Grundsätzlich könnten wir den Kontext in einem Dokument hochladen, aber da sich die Kontextinformationen ständig ändern, ist die Pflege eines solchen Dokuments selbst ohne GenAI recht aufwendig.

Daher war unsere Methodik von Anfang an „modellgetrieben“ und verwendete visuelle Modelle, um Informationen über die Unternehmen unserer Kunden zu erfassen und zu visualisieren.

Ein Vorteil visueller Modelle ist, dass sie intuitive Diagramme liefern, die die Diskussion mit den Stakeholdern erleichtern.

Der entscheidende Vorteil von Modellen besteht jedoch darin, dass sie nicht nur Visualisierungen sind: Modelle haben eine Struktur und Semantik und können daher von Maschinen gelesen und bearbeitet werden. Dies ermöglicht es uns, die Informationen in Modellen auf vielfältige Weise zu analysieren, und wir können viele Fragen zu einem Unternehmen beantworten, indem wir „das Modell abfragen“.

Da diese Modelle uns und unseren Kunden einen hervorragenden Kontext für die Entscheidungsfindung bieten: Warum sollten wir sie nicht als Kontext für KI verwenden?

Damit dies funktioniert, müssen wir das Modell nicht nur für Menschen, sondern auch für KI „abfragbar“ machen, damit die KI entscheiden kann, welche Informationen aus dem Modell zur Beantwortung einer bestimmten Frage verwendet werden sollen.

Natürlich wollen wir nicht auf die Vorteile unseres derzeitigen Ansatzes verzichten: Gespräche mit Stakeholdern, Sammeln relevanter Informationen, Erstellen von Modellen und Weitergeben von Informationen und Erkenntnissen an alle Stakeholder, um ein gemeinsames Verständnis aufzubauen. Dies ist nicht nur wichtig, weil es unseren Kunden hilft, in komplexen Situationen bessere Entscheidungen zu treffen, sondern auch, weil es Veränderungen erleichtert.

Daher müssen wir einen Weg finden, das Gelernte zu erfassen und diese Informationen an die Stakeholder (um ein gemeinsames Verständnis zu schaffen) und an Gen AI (als Kontext für aussagekräftige Analysen) zurückzugeben.

Glücklicherweise gibt es eine ganze Reihe von Datenbanken, die visuellen Modellierungsplattformen ähneln, aber auch Abfragesprachen und APIs bieten: Graph-Datenbanken.

Hier ist also unser Ansatz:

Zunächst erfassen wir die Informationen, die wir über ein Unternehmen haben, in einem visuellen Modell (daran ändert sich nichts).
Wir synchronisieren die Informationen aus unserem Modell mit einer Graph-Datenbank und erstellen so einen Wissensgraphen des Unternehmens – dies ist einfach zu bewerkstelligen, da es automatisiert werden kann.
Ein Vorteil einer Graph-Datenbank besteht darin, dass man sie über eine API verfügbar machen und abfragen kann.
Ein weiterer Vorteil ist, dass wir die Daten in der Graph-Datenbank mit „Live“-Daten aus dem Unternehmen erweitern können – das ist überzeugend und mit Modellen allein nicht so einfach möglich.
Nachdem wir die Informationen nun in einem Wissensgraphen haben, können wir sie GenAI zur Verfügung stellen und so Retrieval-Augmented Generation (RAG) implementieren.
Das bedeutet im Grunde, dass wir GenAI jetzt nutzen können, um interaktiv über ein Unternehmen zu argumentieren, ähnlich wie wir es mit anderen Menschen tun würden.

Ich weiß, dass das alles ziemlich abstrakt klingt. Deshalb haben wir einen kleinen Show Case erstellt, um diesen Ansatz zu veranschaulichen – Sie können es sich jetzt auf transentis.ai ansehen:

Das Beispiel basiert auf einem Modell eines fiktiven Carsharing-Unternehmens.
Das Modell erfasst die Ziele, Dienstleistungen, Prozesse, Organisationsstruktur und IT-Landschaft des Unternehmens.
Das Modell wird automatisch in eine Graph-Datenbank repliziert, die mit einem KI-Chat-Agenten für die Retrieval-Augmented Generation verbunden ist.

Auf der Website können Sie das Unternehmen durchsuchen, um sich seine Struktur, Prozesse und IT-Landschaft genauer anzusehen.

Die Website bietet auch einen KI-Chat-Assistenten, mit dem Sie mit GenAI über das Unternehmen chatten und einfache Fragen stellen können, wie „Welche Systeme unterstützen den Autovermietungsprozess?“ oder „Welche Prozesse sind betroffen, wenn das Flottenmanagementsystem ausfällt?“ (wobei der KI-Assistent effektiv als erweiterte Suchmaschine genutzt wird), aber auch komplexere Fragen wie „Wir möchten unsere IT-Landschaft konsolidieren – können Sie bitte die Liste der IT-Systeme überprüfen und einen Vorschlag unterbreiten?“

Probieren Sie den Show Case jetzt aus, um ihn in Aktion zu sehen, und kommen Sie dann hierher zurück, um zu lesen, wie sie funktioniert.

So funktioniert es

Schauen wir uns einmal genauer an, wie der KI-Assistent funktioniert und wie er auf den Wissensgraphen zum Carsharing zugreift.

Der Dienst transentis.ai besteht aus vier Komponenten, die miteinander interagieren:

Die Website selbst, auf der Sie das Carsharing-Modell durchsuchen können, bietet einen KI-Chat-Assistenten und visualisiert die aus dem Wissensgraphen abgerufenen Daten. Wir verwenden Nextra.js, um die Website zu erstellen.
Der Wissensgraph, der Informationen über die Bausteine des Carsharing-Unternehmens und deren Beziehungen untereinander erfasst. Wir verwenden die Neo4j-Aura-Graph-Datenbank, um den Wissensgraph zu hosten.
Der Carsharing-KI-Agent, der die Chat-Anfragen bearbeitet und zur Verarbeitung an OpenAI weiterleitet und bei Bedarf auch Daten aus dem Wissensgraph abruft. Dabei handelt es sich um einen benutzerdefinierten Webdienst, der mit Python erstellt wurde. Wir nutzen typst für die Generierung der Reports.
Das LLM (Large-Language-Model), bereitgestellt von OpenAI (wir verwenden GPT-5).

Was passiert, wenn Sie eine Eingabe wie „Bitte listen Sie alle Prozesse im Wissensgraphen auf“ eingeben?

Die Eingabe wird vom Chatfeld auf der Website an den Chat-Assistenten-Webdienst weitergeleitet.
Der Chat-Assistent leitet die Eingabe zusammen mit einer Beschreibung des Wissensgraphen (dem sogenannten Metamodell oder Schema des Wissensgraphen, das definiert, welche Art von Informationen sich im Wissensgraphen befindet und wie sie miteinander in Beziehung stehen, z. B. Prozesse, die Abteilungen, denen die Prozesse zugeordnet sind, die Teams, aus denen sich die Abteilungen zusammensetzen …) an GPT-5 auf OpenAI weiter.
GPT-5 analysiert die Eingabeaufforderung und versteht, dass es darum geht, Informationen aus dem Wissensgraphen abzurufen. Da es das Metamodell des Wissensgraphen kennt (dank unserer Eingabeaufforderung) und da GPT-5 Cypher (die Sprache, die zum Abfragen von Graph-Datenbanken verwendet wird) beherrscht, wandelt es die Eingabeaufforderung „Bitte liste alle Prozesse im Wissensgraphen auf“ in eine entsprechende Cypher-Abfrage um.
Die Cypher-Abfrage wird an den Carsharing-KI-Agenten zurückgegeben.
Der Carsharing-KI-Agent fragt den Wissensgraphen mit der Cypher-Abfrage ab und ruft die Daten aus der Graph-Datenbank ab.
Der Chat-Assistent gibt die Informationen an GPT-5 zurück.
GPT-5 formatiert die Daten und gibt die formatierten Daten an den Carsharing-KI-Dienst zurück.
Der Carsharing-KI-Agent leitet die Informationen zurück an die Chatbox auf der Website transentis.ai.
Die Chatbox zeigt die Informationen an und wartet auf die nächste Eingabeaufforderung.

Diese Abfolge von Schritten veranschaulicht die Retrieval-Augmented Generation (RAG) – wichtig ist dabei, dass GPT-5 und OpenAI nicht direkt auf den Wissensgraphen zugreifen können; GPT-5 formuliert lediglich die relevanten Abfragen, und der Carsharing-KI-Agent übernimmt die Datenabfrage und entscheidet, welche Daten an GPT-5 weitergeleitet werden.

GPT-5 sieht nie alle Daten auf einmal, sondern nur den Teil, der für die Beantwortung der Eingabe relevant ist.

Nächste Schritte

Nachdem wir nun über einen Wissensgraphen des Carsharing-Unternehmens verfügen, der mit der KI verbunden ist, stellt sich die interessante Frage: Wie kann GenAI uns nun dabei helfen, das Carsharing-Unternehmen zu erkunden, neu zu gestalten und zu transformieren?

Sie können dies bereits auf transentis.ai ausprobieren. Hier ist eine einfache Abfolge von Prompts, die Sie stellen könnten:

Bitte liste alle Systeme im Wissensgraphen auf.
Wir möchten unsere IT-Landschaft konsolidieren. Kannst Du mir anhand der Liste der Systeme einen Vorschlag machen, wie wir das schaffen können?

Ein weiterer interessanter Ansatz besteht darin, die Frage zu stellen, was fehlt – z. B. zeigt das Carsharing-Modell in seiner jetzigen Form nur die Kernprozesse eines Carsharing-Unternehmens; daher liefert die folgende Abfolge von Prompts interessante Ergebnisse.

Bitte liste alle Prozesse im Wissensgraphen auf.
Bitte analysiere die Liste der Prozesse und teile mir mit, welche Prozesse aus Sicht eines Carsharing-Unternehmens fehlen.

Um dies genauer zu untersuchen, erstellen wir derzeit einige Schritt-für-Schritt-Anleitungen, die wir in den nächsten Wochen zur Verfügung stellen werden.

Außerdem bieten wir am 26. November eine Online-Veranstaltung an, bei der wir anhand des Showcases diskutieren werden, wie GenAI für die Neugestaltung und Optimierung von Prozessen eingesetzt werden kann.