Wenn das Wiki mitdenkt

von Anne Springwald

Dokumentationsplattformen entwickeln sich zunehmend zu aktiven Wissenssystemen für denn IT-Betrieb. KI-Funktionen helfen dabei, Meetings zusammenzufassen, Informationen schnellerr auffindbar zu machen und verstreutes Wissen aus Wikis, Chats oder Ticketsystemen zusammenzuführen. Anhand von Notion, Confluence und Google Workspace zeigt sich jedoch auch, dass solche Systeme nur so zuverlässig arbeiten wie die zugrundeliegende Dokumentation.

Nach einem Projektmeeting ist eine Entscheidung zwar dokumentiert, doch der dazugehörige Kontext liegt oft verstreut vor. Das Protokoll befindet sich in der Dokumentenablage, offene Punkte stehen im Ticketsystem, ergänzende Hinweise finden sich im Chat und die technische Beschreibung liegt im Wiki. Wer später den aktuellen Stand nachvollziehen will, muss diese Informationen zunächst zusammenführen. Genau hier setzt künstliche Intelligenz in Dokumentationsplattformen an. KI kann Zusammenhänge sichtbar machen, die Teams bislang manuell rekonstruieren mussten. Ob das zuverlässig funktioniert, hängt allerdings davon ab, wie sauber Inhalte, Quellen und Berechtigungen gepflegt sind.

Sackgasse Keyword-Suchee

Früher dienten Dokumentationsplattformen vor allem als passive Ablage. Klassische Volltextsuchen wie Elasticsearch oder Solr scheiterten häufig an sprachlichen Varianten und unterschiedlichen Fachbegriffen: Ein Junior-Entwickler sucht nach "Token-Gültigkeit", findet aber das entscheidende Dokument nicht, weil der Architekt dort konsequent den Begriff "Access Token Lifetime" verwendet hat.

Moderne Systeme lösen dieses Problem mithilfe von Vektor-Embeddings. Dabei indizieren sie Texte nicht nur nach Buchstabenfolgen, sondern nach ihrer inhaltlichen Bedeutung. Die KI erkennt, dass "Gültigkeitsdauer" und "TTL" (Time to Live) im Kontext von Netzprotokollen eng miteinander verwandt sind. So entsteht eine Wissensbasis, die verstreute Fragmente aus E-Mails, Codekommentaren und Wiki-Seiten zu einem aktuellen Arbeitsstand zusammenführen kann.

So arbeitet RAG in der Praxis

Damit eine Plattform verlässliche Antworten liefern kann, kommt häufig Retrieval-Augmented Generation (RAG) zum Einsatz. Large Language Models (LLMs) formulieren ihre Antworten dabei auf Basis interner Quellen, die passend zur Anfrage aus Dokumenten, Wikis oder Ticketsystemen abgerufen werden. Die Qualität der Antwort hängt deshalb nicht nur vom Modell ab, sondern vor allem davon, welche Informationen es erhält und wie diese aufbereitet sind.

Der erste Schritt ist die Aufbereitung der Inhalte. Dokumente sollten nicht beliebig in gleich große Textstücke zerlegt werden, nur weil ein System mit festen Zeichen- oder Wortgrenzen arbeitet. Ein technisches Handbuch, eine API-Beschreibung oder ein Runbook verliert schnell seinen Zusammenhang, wenn Tabellen, Codeblöcke oder Entscheidungsabschnitte auseinandergerissen werden. Sinnvoller ist ein strukturbewusstes Chunking: Zusammengehörige Abschnitte bleiben erhalten, Metadaten wie Autor, Aktualität, Status oder Deprecated-Hinweise werden mitgeführt und können später in die Bewertung einfließen.

Im zweiten Schritt entscheidet die Suche, welche Quellen überhaupt relevant sind. Eine rein semantische Vektorsuche reicht dafür nicht immer aus. Sie erkennt zwar inhaltliche Zusammenhänge, kann bei exakten Fachbegriffen, Produktnamen oder Fehlermeldungen aber ungenau werden. Eine Meldung wie 0x8004210B muss nicht sinngemäß verstanden, sondern exakt gefunden werden. Deshalb kombinieren viele RAG-Ansätze semantische Suche mit klassischer Keyword-Suche, etwa auf Basis von BM25. Frameworks wie LangChain oder LlamaIndex unterstützen solche hybriden Verfahren, indem sie verschiedene Retriever, Vektordatenbanken und Ranking-Schritte miteinander kombinieren. Dadurch steigt die Chance, sowohl inhaltlich ähnliche als auch exakt passende Quellen zu finden.

Liefert die Suche mehrere Treffer, muss das System anschließend bewerten, welche Quelle am zuverlässigsten ist. Ein häufig verlinktes Handbuch aus dem Jahr 2019 kann zwar inhaltlich passend erscheinen, während die aktualisierte, aber seltener genutzte Anleitung von 2024 fachlich relevanter ist. Entsprechende Re-Ranker gewichten Treffer deshalb nach Aktualität, Quelle, Dokumentstatus und fachlicher Nähe neu. Ohne diese Priorisierung steigt das Risiko, dass die KI plausible Antworten auf Basis veralteter Informationen erzeugt. RAG bleibt damit eine Kombination aus Inhaltsaufbereitung, Suche, Bewertung und Quellenkontrolle.

Berechtigungen sauber abbilden

Eine KI-Antwort darf nur auf Informationen beruhen, die die fragende Person auch lesen darf. Damit wird die Suche unmittelbar zur Sicherheits- und Compliancefrage. Ein KI-Assistent darf keine vertraulichen Informationen aus dem Vorstandsbereich zusammenführen, wenn ein Praktikant die Anfrage stellt.

Die technische Herausforderung besteht darin, komplexe Access Control Lists (ACLs) in die Vektordatenbank zu übertragen. Eine nachträgliche Filterung der KI-Antworten ("Post-Filtering") führt häufig zu lückenhaften Ergebnissen. Deshalb setzen viele Systeme auf Pre-Filtering. Dabei fließt die Benutzeridentität per OIDC oder SAML direkt in die Datenbankabfrage ein. Die KI "sieht" dadurch nur die Chunks, für die tatsächlich eine Leseberechtigung besteht.

Berechtigungen regeln allerdings nur, wer Informationen sehen darf. Für verlässliche KI-Antworten ist ebenso wichtig, welche Fassung eines Dokuments zu welchem Zeitpunkt gültig war.

Versionierungg schafft Nachvollziehbarkeit

Versionierung ist weit mehr als bloßer Änderungsschutz. Sie bildet die Grundlage für Compliance und spätere Incident-Analysen. Denn nach einem Ausfall interessiert nicht nur, was passiert ist, sondern auch, welche Dokumentation zum Zeitpunkt des Vorfalls vorlag, ob sie korrekt war und ob daraus die richtigen Maßnahmen abgeleitet wurden.

Änderungen überschreiben deshalb nicht einfach den bisherigen Stand. Die Plattform speichert frühere Fassungen, Änderungszeitpunkte, Autoren, Kommentare, Freigabestatus und idealerweise zusätzliche Metadaten wie Gültigkeit, Review-Datum oder Verknüpfungen zu Tickets.

So entsteht ein Audit-Trail, also eine nachvollziehbare Änderungshistorie. Sie zeigt, wann Inhalte angepasst wurden, wer die Änderung vorgenommen hat und welche Fassung zu einem bestimmten Zeitpunkt gültig war. Dadurch lässt sich bei Sicherheitsprüfungen oder Architektur-Reviews zurückverfolgen, welche Entscheidungsgrundlage damals galt.

Ein typisches Beispiel ist die Backup- und Disaster-Recovery-Strategie. Passt ein Team die Recovery Time Objectives an oder migriert Speicherorte aufgrund von Souveränitätsvorgaben, muss diese Historie revisionssicher dokumentiert bleiben. Versionierung macht die Entwicklung der IT-Infrastruktur nachvollziehbar und verhindert, dass Wissen verloren geht, wenn erfahrene Mitarbeiter das Team verlassen.

Runbooks und Betriebsstabilitätt

Nachvollziehbarkeit ist nicht nur für Audits relevant, sondern wirkt direkt in den IT-Betrieb hinein. Wenn während eines Incidents unklar ist, welche Anleitung gilt, welche Eskalationswege aktuell sind oder welche Rollback-Prozedur zuletzt freigegeben wurde, geht schnell wertvolle Zeit verloren. Moderne Collaboration-Plattformen dienen dabei zunehmend als Wissensbasis für den IT-Betrieb. Ein typisches Einsatzgebiet für Plattformteams ist die Pflege von Kubernetes-Runbooks. Diese enthalten im Idealfall nicht nur statische Dokumentation, sondern auch konkrete Betriebshinweise:

- spezifische kubectl-Abfragen zur schnellen Fehleranalysee

- Direktlinks zu relevanten Log-Streams und Monitoringdashboardss

- Eskalationsmatrizen und Rollback-Prozedurenn

Gerade während eines Incidents wird der Suchaufwand schnell zum entscheidenden Faktor für die Mean Time to Repair. Ein gut gepflegtes Wiki entlastet Teams auch unter Stress. Damit dieser Nutzen erhalten bleibt, braucht die Wissensbasis klare Zuständigkeiten, regelmäßige Reviews und einen definierten Lebenszyklus. Erst auf dieser Grundlage kann KI zuverlässig unterstützen, ohne durch veraltete Runbooks oder überholte Eskalationswege Fehlentscheidungen zu fördern. Entscheidend ist deshalb weniger, ob ein Tool KI-Funktionen bietet, sondern an welcher Stelle sie den Arbeitsalltag tatsächlich sinnvoll unterstützen.

Notion verbindet Meetingss und Projektwissen

Notion [1] kombiniert Wissensmanagement, Dokumentation und Projektplanung in einer gemeinsamen Plattform. Besonders für Teams, die Besprechungen und Projektarbeit eng verzahnen wollen, sind KI-gestützte Meetingnotizen interessant. Sie helfen dabei, Gespräche zu strukturieren, zentrale Aussagen zusammenzufassen und offene Punkte sichtbar zu machen. Dadurch endet ein Meeting nicht mehr als lose Mitschrift, sondern wird direkt Teil des Projektraums. Ein typisches Beispiel ist die Planung eines neuen Kundenportals. Im Meeting diskutiert das Team den Login-Prozess, das Rollenmodell und die API-Anbindung. Zusätzlich entstehen Fragen zur Protokollierung sicherheitsrelevanter Ereignisse. Ohne KI müsste eine Person das Protokoll nachbearbeiten und Aufgaben manuell übertragen.

Die Plattform kann Entscheidungen, Risiken und nächste Schritte aus dem Gespräch ableiten. Aus der Diskussion zur Token-Laufzeit entsteht etwa eine Aufgabe für das Security-Team. Offene Fragen zur Schnittstelle lassen sich direkt als Aufgabe an das Backendteam übergeben. Der Vorteil liegt darin, dass Besprechung und Projektdokumentation direkt miteinander verknüpft bleiben. Die Notiz bleibt nicht isoliert stehen, sondern lässt sich direkt mit Aufgaben, Datenbanken oder Statusfeldern verknüpfen.

Trotzdem bleibt eine redaktionelle Prüfung wichtig. KI erkennt Muster und Zusammenhänge, kennt aber keine internen Prioritäten oder informellen Absprachen. Teams sollten deshalb prüfen, ob Aufgaben korrekt zugeordnet wurden und ob Entscheidungen vollständig dokumentiert sind. Erst dadurch wird aus der automatischen Mitschrift eine belastbare Projektdokumentation.

Confluence fasstt Wiki-Seiten zusammen

Confluence [2] ist eine Wiki- und Dokumentationsplattform des Herstellers Atlassian und wurde im IT-Administrator 04/2025 getestet [3]. Viele IT-Abteilungen nutzen sie für Architekturentscheidungen, Betriebsdokumentation, Release-Notes und Incident-Berichte. Dadurch entstehen umfangreiche Seiten, die fachlich wertvoll, aber nicht immer schnell zu erfassen sind. Die KI-Funktion Rovo AI kann Inhalte automatisch zusammenfassen und zentrale Aussagen hervorheben. Das erleichtert den Einstieg, ohne technische Details aus dem Dokument zu entfernen.

Ein typisches Beispiel ist ein Architektur-Review für eine neue Microservice-Landschaft. Die Confluence-Seite beschreibt Schnittstellen, Datenflüsse, Authentifizierung und Betriebsanforderungen. Nach mehreren Abstimmungsrunden kommen Kommentare, Ergänzungen und offene Punkte hinzu. Gerade für neue Projektmitglieder wird die Informationsmenge schnell unübersichtlich. Eine KI-Zusammenfassung kann zunächst die wichtigsten Entscheidungen sichtbar machen. Sie hebt beispielsweise hervor, dass das Team asynchrone Kommunikation über eine Message Queue plant oder dass Fragen zur Datenhaltung noch offen sind. Dadurch entsteht ein kompakter Überblick, bevor die Beteiligten in die technischen Details einsteigen.

Der Nutzen zeigt sich besonders in Review-Prozessen. Architektinnen und Architekten erkennen schneller, welche Bereiche fachlich geprüft werden müssen. Betriebsteams sehen frühzeitig, welche Anforderungen ihre Infrastruktur betreffen. Auch Security-Teams können gezielter prüfen, ob Authentifizierung, Rollenmodell und Protokollierung ausreichend beschrieben sind. KI-Zusammenfassungen ersetzen allerdings keine fachliche Freigabe. Sie können technische Inhalte verkürzen oder Prioritäten falsch gewichten. Gerade bei Architektur, Sicherheit und Compliance bleibt deshalb die menschliche Prüfung unverzichtbar.

KI-Unterstützung in Google Docs

Google Workspace [4] ist Googles cloudbasierte Office- und Kollaborationsplattform. In vielen Unternehmen entstehen Konzepte, Protokolle und Entscheidungsvorlagen zunächst in Google Docs. KI-Funktionen wie Gemini helfen dabei, aus Stichpunkten erste Textentwürfe zu erzeugen, bestehende Inhalte zusammenzufassen oder Formulierungen zu überarbeiten. Teams erhalten dadurch schneller eine erste Arbeitsgrundlage, die sie anschließend fachlich ergänzen und präzisieren können.

Ein typisches Beispiel ist die Einführung einer neuen IAM-Lösung. Das Projektteam sammelt zunächst Anforderungen aus IT-Betrieb, Security und Datenschutz. Die Notizen enthalten Hinweise zu Single Sign-on, Rollenmodellen, Audit-Logs und Lifecycle-Prozessen. Daraus kann Gemini einen ersten Konzeptentwurf erzeugen. Dieser ersetzt keine technische Spezifikation, hilft aber dabei, ungeordnete Stichpunkte in eine nachvollziehbare Struktur zu überführen. So entstehen erste Abschnitte zur Ausgangslage, zu Anforderungen, Risiken und möglichen Zielbildern.

Der Nutzen zeigt sich vor allem in gemischten Projektteams. Fachbereiche, IT und Management benötigen unterschiedliche Detailgrade und Perspektiven. KI-gestützte Entwürfe können technische Inhalte deshalb zunächst vereinfachen oder kompakt zusammenfassen. So lässt sich aus einem ausführlichen Konzept beispielsweise zusätzlich eine Managementzusammenfassung ableiten.

Auch hier bleibt die fachliche Prüfung entscheidend. Gerade bei Identitätsmanagement, Zugriffskonzepten und Compliance dürfen KI-Werkzeuge keine ungenauen oder missverständlichen Aussagen übernehmen. Fachverantwortliche sollten deshalb prüfen, ob Begriffe korrekt verwendet wurden und ob Risiken vollständig beschrieben sind.

Wissenssilos vermeiden

Der parallele Einsatz mehrerer Werkzeuge erhöht das Risiko, dass Informationen auseinanderlaufen. Ein Team kann Meetingnotizen in Notion pflegen, Konzepte in Google Docs entwerfen und Betriebsdokumentation in Confluence verwalten. Ohne klare Regeln entstehen dabei schnell widersprüchliche Informationsstände. Deshalb sollten Teams klar zwischen Arbeitsdokumenten und dauerhaftem Referenzwissen unterscheiden::

- Temporäres Arbeitswissen entsteht dort, wo Teams planen, diskutieren und Entwürfe erstellen, etwa in Notion oder Google Docs. Dazu gehören Meetingnotizen, offene Punkte, Statusupdates und projektbezogene Abstimmungen.

- Dauerhaftes Referenzwissen gehört dagegen in eine zentrale Wissensbasis wie Confluence oder ein Team-Wiki. Dazu zählen Runbooks, Schnittstellenbeschreibungen, Architekturentscheidungen, Sicherheitsrichtlinien und Betriebsprozesse.

Wichtig ist vor allem der Übergang zwischen beiden Bereichen. Ein Fehlerbericht kann zunächst im Projektraum entstehen, sollte nach Abschluss der Analyse aber in die zentrale Dokumentation übernommen werden. Nur durch einen solchen Prozess bleibt die Datenbasis für KI-Werkzeuge konsistent und aktuell.

Onboarding und Wissenstransfer

Auch beim Onboarding neuer Mitarbeitender kann eine gut strukturierte Wissensplattform viel bewirken. Neue Teammitglieder müssen sich nicht mehr durch unsortierte Wiki-Bereiche, alte Chatverläufe und verstreute Projektdokumente arbeiten. KI kann den Einstieg unterstützen, indem sie relevante Inhalte passend zu Rolle, Aufgabe und Kontext vorschlägt.

Für Entwicklerinnen und Entwickler stehen dabei eher Deployment-Prozesse, Architekturentscheidungen und Schnittstellenbeschreibungen im Vordergrund. Mitarbeitende im Support benötigen dagegen Eskalationswege, bekannte Fehlerbilder, Runbooks und Hinweise zur Priorisierung von Tickets. Statt allen denselben Dokumentenstapel vorzulegen, kann die Plattform unterschiedliche Einstiegspfade anbieten.

Darüber hinaus lässt sich auch der Wissenstransfer aus dem Arbeitsalltag vereinfachen. Viele praktische Hinweise stehen nicht im Wiki, sondern verstecken sich in Chatnachrichten, Kommentaren oder älteren Incident-Diskussionen. KI-Werkzeuge können solche Informationen erkennen und daraus Entwürfe für Wiki-Seiten, Runbooks oder FAQs ableiten. Die fachliche Prüfung bleibt zwar beim Team, der Aufwand für die Dokumentation sinkt jedoch deutlich.

Gute Daten bleiben entscheidend

Am Ende gilt weiterhin die Grundregel "Garbage In, Garbage Out": Wer minderwertige Daten einspeist, erhält minderwertige Ergebnisse. KI kann Wissen zusammenführen, aber keine fehlende Dokumentationskultur ersetzen. Der eigentliche Mehrwert entsteht erst durch das Zusammenspiel aus sauber strukturierten Informationen und modernen Sprachmodellen.

Collaboration bedeutet dabei nicht nur, Dokumente gemeinsam zu bearbeiten. Ebenso wichtig ist es, Entscheidungen, Diskussionen und Erfahrungswissen dauerhaft nachvollziehbar zu dokumentieren. KI kann Teams unterstützen, indem sie Diskussionen zusammenfasst und relevante Informationen schneller auffindbar macht. Die Verantwortung für Inhalt und Qualität bleibt jedoch beim Menschen.

Fazit

Dokumentationsplattformen entwickeln sich zunehmend von reinen Ablageorten zu aktiven Werkzeugen für den IT-Betrieb. KI-Funktionen können Informationen schneller auffindbar machen, Meetings zusammenfassen, Entwürfe erzeugen und verstreutes Wissen strukturieren. Dadurch unterstützen sie Teams nicht nur bei der Dokumentation, sondern auch im laufenden Arbeitsalltag.

Der Nutzen hängt jedoch stark von der Qualität der zugrundeliegenden Informationen ab. Veraltete Inhalte, widersprüchliche Dokumentation oder unklare Zuständigkeiten führen auch bei KI-Systemen zu unzuverlässigen Ergebnissen. Für IT-Teams entsteht der größte Mehrwert deshalb dort, wo strukturierte Dokumentation, klare Prozesse und KI-gestützte Auswertung sinnvoll zusammenspielen.

KI in Dokumentation und Wissensmanagement

Wenn das Wiki mitdenkt

Sackgasse Keyword-Suchee

Sackgasse Keyword-Suchee

So arbeitet RAG in der Praxis

Berechtigungen sauber abbilden

Versionierungg schafft Nachvollziehbarkeit

Runbooks und Betriebsstabilitätt

Notion verbindet Meetingss und Projektwissen

Confluence fasstt Wiki-Seiten zusammen

KI-Unterstützung in Google Docs

Wissenssilos vermeiden

Onboarding und Wissenstransfer

Gute Daten bleiben entscheidend

Fazit