##  Pfadnavigation

1. [ Startseite ](/)
2. [ AI FIRST Podcast ](/podcast/ai-first-podcast)
3. KI in Unternehmen: Wie Sie Halluzinationen bei Wissensfragen vermeiden

# KI in Unternehmen: Wie Sie Halluzinationen bei Wissensfragen vermeiden

            **Podcast:**

   [AI FIRST Podcast](/podcast/ai-first-podcast)

              **Erscheinungsdatum:**

   15. Mai 2026

            **Länge:**

   00:43:16

    [         Link zur Episode (extern)   ](https://podcasters.spotify.com/pod/show/felix-schlenther/episodes/Wie-KI-in-Enterprise-Umgebungen-komplexe-Wissensfragen-beantwortet-ohne-zu-halluzinieren-e3j6t0l)

 ![Wie KI in Enterprise-Umgebungen komplexe Wissensfragen beantwortet (ohne zu halluzinieren)](https://www.botcaster.de/sites/default/files/styles/podcast_n_episode_metadata_image_1x/public/2026-08/41650605-1778499868301-1d20e22ce8192.jpg.webp?itok=MzvVRcbI)

###   Wie KI in Enterprise-Umgebungen komplexe Wissensfragen beantwortet (ohne zu halluzinieren)

   15. Mai 2026 · [AI FIRST Podcast](/podcast/ai-first-podcast)

Stell dir vor, du führst einen vielversprechenden KI-Piloten in deinem Unternehmen ein. In der Testumgebung mit einer Handvoll Dokumente funktioniert alles brillant. Doch kaum wird das System mit dem realen Datenchaos aus hunderttausenden Dokumenten konfrontiert, bricht es zusammen und produziert unsinnige Antworten, sogenannte Halluzinationen. Dieses Szenario ist für viele Unternehmen die ernüchternde Realität. Im AI FIRST Podcast spricht Host Felix Schlenther mit Sushil Bihgannath, Gründer und CEO von OKTONOMY, über genau diese Herausforderung. Gemeinsam ergründen sie, was nötig ist, um KI-Systeme zu bauen, die nicht nur in Demos glänzen, sondern auch in der rauen Unternehmenswirklichkeit zuverlässig und wertschöpfend agieren.

## Das Wichtigste auf einen Blick

- **Halluzinationen sind die größte Hürde:** Einfache KI-Systeme, wie klassische RAG-Chatbots, scheitern oft, wenn sie von wenigen Testdokumenten auf riesige, komplexe Wissensdatenbanken skaliert werden. Die Antwortqualität sinkt drastisch und macht eine Automatisierung unmöglich.
- **Der Schlüssel liegt vor und nach dem LLM:** Sushil erklärt, dass die eigentliche Intelligenz nicht im Sprachmodell (LLM) selbst liegt, sondern in der proprietären Technologie, die die Daten aufbereitet. OKTONOMY hat einen Ansatz entwickelt, der das menschliche Gehirn nachahmt, um ein fotografisches Gedächtnis aus unstrukturierten Daten zu erstellen.
- **Minimaler Kontext für maximale Präzision:** Anstatt das LLM mit hunderten Seiten an Informationen zu überfordern, filtert OKTONOMYs System präzise die wenigen, wirklich relevanten Informationsschnipsel heraus. Dieser minimalistische Kontext reduziert das Risiko von Halluzinationen erheblich und macht das LLM austauschbar - eine Ware (Commodity).
- **KI-Transformation ist ein Marathon, kein Sprint:** Erfolgreiche Unternehmen setzen auf dedizierte Teams, eine enge Zusammenarbeit zwischen Fachbereich und IT und eine Kultur der kontinuierlichen Verbesserung. Der Go-Live eines KI-Agenten ist erst der Startpunkt für datengetriebenes Training und Optimierung.
- **Die USA sind nicht weiter, nur erfahrener im Scheitern:** Laut Sushil ist der US-Markt dem deutschen nicht technologisch voraus. Viele amerikanische Unternehmen haben jedoch bereits die schmerzhafte Erfahrung gemacht, dass einfache KI-Lösungen nicht funktionieren. Das macht sie empfänglicher für robuste, durchdachte Systeme, die das Halluzinationsproblem wirklich lösen.

## Das Kernproblem: Warum einfache KI-Demos in der Realität scheitern

Jeder, der sich mit generativer KI beschäftigt, kennt die beeindruckenden Demos: Ein Chatbot beantwortet Fragen zu internen Dokumenten schnell und präzise. Doch diese Demos, so erklärt Sushil aus seiner praktischen Erfahrung in der KI-Beratung, täuschen oft über die Komplexität der Realität hinweg. Das verbreitete Verfahren der Retrieval Augmented Generation (RAG), bei dem eine KI Informationen aus einer Wissensdatenbank abruft, funktioniert gut mit einer überschaubaren Datenmenge. Sobald die KI jedoch auf zehntausende oder hunderttausende Dokumente zugreifen muss, wie es im Unternehmensalltag üblich ist, bricht die Antwortqualität oft auf nur noch 30 bis 60 Prozent ein. Sushil nennt das Beispiel des Maschinenbaus: Hier bestehen Wissensdatenbanken aus einem komplexen Mix aus Texten, Tabellen, Hydraulikplänen und technischen Zeichnungen, die sich über unzählige Seiten erstrecken und untereinander vernetzt sind. Ein einfacher RAG-Ansatz ist mit dieser Komplexität überfordert und beginnt zu halluzinieren, also überzeugend klingende, aber falsche Antworten zu erfinden.

## OKTONOMYs Ansatz: Ein fotografisches Gedächtnis für die KI

Um dieses Problem zu lösen, hat OKTONOMY einen radikal anderen Weg eingeschlagen. Anstatt sich auf die ständige Verbesserung der LLMs von OpenAI, Anthropic und Co. zu verlassen, entwickelte das Team eine eigene Technologie, die dem menschlichen Gehirn nachempfunden ist. Sushil beschreibt, dass ihr System Informationen auf verschiedenen Bedeutungsebenen verarbeitet, ähnlich wie der menschliche Kortex. Es analysiert nicht nur den reinen Text, sondern erfasst auch die Struktur, den visuellen Kontext und die Beziehungen zwischen verschiedenen Informationselementen, seien es Zeichnungen, Tabellen oder Querverweise in Dokumenten. Auf diese Weise baut die KI eine Art fotografisches Gedächtnis auf, das genau weiß, wo welche Information zu finden ist und wie sie mit anderen Datenpunkten zusammenhängt. Der entscheidende Vorteil: Wenn eine Anfrage gestellt wird, kann das System dem LLM einen extrem präzisen und minimalen Kontext liefern - vielleicht nur zwei relevante Seiten anstelle von 500. Das entlastet das LLM, verhindert Verwirrung und steigert die Antwortgenauigkeit dramatisch. Für OKTONOMY, so Sushil, ist das LLM dadurch zu einer austauschbaren Komponente geworden; die eigentliche Kerntechnologie liegt in der intelligenten Datenaufbereitung davor und danach.

## Vom Wissensextrakt zum intelligenten Agenten: Anwendungsfälle und Vision

Der primäre Anwendungsfall für OKTONOMY liegt heute im technischen Kundenservice und Support, wo Mitarbeiter schnell präzise Antworten in riesigen Wissensdatenbanken finden müssen. Ziel ist es dabei weniger, Personal abzubauen, als vielmehr, dem allgegenwärtigen Fachkräftemangel zu begegnen. Die KI-Agenten übernehmen repetitive Anfragen und geben den menschlichen Experten die Zeit, sich auf wirklich komplexe Fälle zu konzentrieren, was die Kundenzufriedenheit erhöht. Sushil räumt dabei mit einem häufigen Missverständnis auf: Das Wissen der langjährigen Experten im Unternehmen - der sprichwörtlichen Hans und Sascha - schlummert nicht nur in deren Köpfen. Es ist meist bereits dokumentiert, aber in einer für Menschen kaum zu bewältigenden Form von zehntausenden Seiten. Die KI macht dieses implizite Wissen erstmals zugänglich und nutzbar. Die Vision geht jedoch weit darüber hinaus. OKTONOMY soll das zentrale Gehirn für Unternehmenswissen werden. Durch die Anbindung an verschiedenste Systeme (bei einem Kunden waren es 15) entsteht ein ganzheitliches Bild, das Entscheidungen und Kundeninteraktionen ermöglicht, die für einen Menschen heute unmöglich wären.

## Schlüsselfaktoren für eine erfolgreiche KI-Transformation

Was unterscheidet Unternehmen, die KI erfolgreich implementieren, von denen, die scheitern? Laut Sushil sind es vor allem vier Faktoren. Erstens braucht es dedizierte Ressourcen - ein Team, das die Zeit und das Mandat hat, das Thema voranzutreiben. Zweitens ist ein strukturierter Prozess entscheidend, der den Fachbereich und die IT von Anfang an eng verzahnt, da fast immer Anbindungen an bestehende IT-Systeme nötig sind. Drittens ist ein gutes Change-Management unerlässlich. Die Mitarbeiter müssen mitgenommen und ihre Ängste ernst genommen werden. Die KI sollte als unterstützendes Werkzeug positioniert werden, das Freiräume für anspruchsvollere Aufgaben schafft. Der vierte und vielleicht wichtigste Punkt ist die Denkweise nach dem Go-Live. Die Implementierung ist nicht das Ende, sondern der Anfang. Erfolgreiche Unternehmen analysieren die Leistung ihrer KI-Agenten kontinuierlich und trainieren sie datengetrieben weiter, um die Automatisierungsrate schrittweise von beispielsweise 30 auf 70 Prozent zu steigern. Dies erfordert oft eine neue Rolle im Team: den KI-Trainer.

## Praktische Schritte für die Implementierung robuster KI-Systeme

Basierend auf Sushils Erfahrungen lassen sich konkrete Handlungsempfehlungen für dein eigenes KI-Projekt ableiten:

1. **Problembewusstsein schaffen:** Akzeptiere, dass einfache Demos nicht skalieren. Das Halluzinationsrisiko in komplexen Umgebungen ist real und muss von Anfang an als zentrale Herausforderung adressiert werden.
2. **Ressourcen und Team aufbauen:** Benenne ein dediziertes Team mit klaren Verantwortlichkeiten. Sorge dafür, dass Fachbereich und IT eng zusammenarbeiten, um technische Hürden und Integrationsfragen frühzeitig zu lösen.
3. **Wissensbasis konsolidieren:** Identifiziere und sammle alle relevanten Wissensquellen. Gehe davon aus, dass das meiste Wissen bereits dokumentiert ist, auch wenn es in unstrukturierter Form in PDFs, Plänen oder alten Tickets vorliegt.
4. **Team und Kultur vorbereiten:** Kommuniziere transparent über die Ziele des KI-Einsatzes. Fokussiere dich auf die Entlastung von repetitiven Aufgaben und die Steigerung der Qualität, nicht auf den reinen Personalabbau, um die Akzeptanz zu fördern.
5. **Den Go-Live als Startpunkt sehen:** Plane den kontinuierlichen Verbesserungsprozess fest ein. Definiere, wer im Unternehmen dafür verantwortlich ist, die KI-Agenten datengetrieben zu analysieren und zu trainieren, um die Leistung schrittweise zu steigern.

---

 version="1.0" encoding="UTF-8"?
      .st0 {
        fill: #010101;
      }

      .st1 {
        fill: #b0c0b3;
      }

      .st2 {
        fill: #3b3a3b;
      }

      .st3 {
        fill: #3a3a3a;
      }

      .st4 {
        fill: #5e7185;
      }

      .st5 {
        fill: #f9eddd;
      }

      .st6 {
        fill: #000100;
      }

      .st7 {
        fill: #aebeb3;
      }

      .st8 {
        fill: #fefefe;
      }

      .st9 {
        fill: #7f93a8;
      }

      .st10 {
        fill: #f8f0df;
      }

      .st11 {
        fill: #fbf0df;
      }

      .st12 {
        fill: #afbfb2;
      }

      .st13 {
        fill: #f7eedd;
      }

      .st14 {
        fill: #fdfdfd;
      }
                                                                                   Botcaster

  **Zusammengefasst von Anja Schirwinski**

Ich beschäftige mich beruflich wie privat mit Künstlicher Intelligenz - von konkreten Tools im Arbeitsalltag bis zu den größeren Fragen, die dabei aufkommen. Viele der Themen, die in Podcasts besprochen werden, begegnen mir in Projekten immer wieder. Deshalb fasse ich hier die für mich interessantesten Podcastfolgen zusammen und ordne sie aus der Praxis ein.

[Mehr über das Projekt Botcaster](/ueber-uns)

##  Themen

 - [  KI-Agenten und Automatisierung  ](/podcasts/themen/ki-agenten-automatisierung)
- [  KI-Strategie  ](/podcasts/themen/ki-strategie)

**Hinweis:** *Diese Zusammenfassung wurde mit Hilfe von KI aus dem Transkript der Podcast-Episode generiert.*

Alle Inhalte auf Botcaster beruhen auf öffentlich zugänglichen Podcasts rund um Künstliche Intelligenz. Wir fassen die Episoden nach bestem Wissen zusammen, übernehmen jedoch keine Gewähr für Vollständigkeit, Aktualität oder Richtigkeit der Inhalte. Die Rechte an den Original-Podcasts und -Inhalten liegen ausschließlich bei den jeweiligen Urheber:innen.