Firmen-Wiki mit KI selbst pflegen: So bleibt dein Wissen aktuell

Ein Firmen-Wiki mit KI zu pflegen ist 2026 keine Zukunftsmusik mehr, sondern eine realistische Option für jedes KMU, das sein internes Wissen nicht dauerhaft in vergessenen Notion-Seiten oder halbfertigen Confluence-Spaces verrotten lassen will. Wenn du schon einmal in einem Wiki nach einer Anleitung gesucht hast, die auf dem Stand von 2023 war, kennst du das Problem. KI kann genau diese Lücke schließen: Sie liest mit, schlägt Updates vor und markiert veraltete Inhalte. Du behältst die Kontrolle, die Maschine übernimmt die Fleißarbeit.

Das Wichtigste in Kürze

• Ein gepflegtes Firmen-Wiki spart pro Mitarbeiter mehrere Stunden Suchzeit im Monat.
• KI kann veraltete Seiten flaggen, neue Inhalte aus Slack oder E-Mails extrahieren und Glossare aktuell halten.
• Tools wie Notion AI, Outline mit n8n-Anbindung oder NotebookLM decken unterschiedliche Budgets ab.
• DSGVO-konform bleibt das Ganze nur, wenn Zugriffsrechte respektiert werden und sensible Daten auf EU-Servern liegen.
• Der größte Hebel liegt nicht in der Automatisierung neuer Inhalte, sondern im systematischen Entrümpeln alter.
• Einstieg ist ab etwa 20 EUR pro Nutzer und Monat möglich, eigene Lösungen sogar darunter.

Warum Firmen-Wikis scheitern und wo KI ansetzt

Das klassische Problem jedes Unternehmens-Wikis ist nicht die Software. Es ist die Pflege. Jemand legt eine Seite an, beschreibt einen Prozess, dann verändert sich etwas, aber niemand aktualisiert den Eintrag. Nach 18 Monaten traut kein Mitarbeiter mehr der Information im Wiki und fragt lieber den Kollegen im Nachbarbüro. Damit verliert das Wiki seinen Wert als zentrale Wissensquelle.

Hier setzt KI an. Moderne Sprachmodelle können große Mengen Text lesen und auf Widersprüche prüfen. Wenn im Wiki steht "Unsere Versandadresse in Bayreuth ist Waldsteinring 6" und in einer aktuellen E-Mail auftaucht "Bitte beachten Sie unsere neue Adresse ab 01.06.", kann die KI diesen Widerspruch erkennen und einen Update-Vorschlag vorbereiten. Sie schreibt die Seite nicht eigenmächtig um. Sie legt dir den Vorschlag auf den Tisch und du bestätigst per Klick.

Der zweite Hebel sind Glossare und FAQ-Seiten. Beide altern besonders schnell, weil neue Abkürzungen, Produkte und Prozesse auftauchen. KI kann aus Support-Tickets, Slack-Kanälen und Meeting-Transkripten automatisch neue Begriffe extrahieren und dir als Entwurf für einen Eintrag anbieten.

Architektur: So funktioniert ein KI-gestütztes Wiki

Die technische Grundstruktur ist überschaubar. Du brauchst drei Komponenten:

1. Das Wiki selbst. Notion, Confluence, Outline oder eine eigene Instanz. Wichtig ist, dass es eine API hat, über die du Seiten lesen und schreiben kannst.
2. Einen Sprachmodell-Zugang. Claude oder GPT-4o über die API, optional auch lokal über Ollama, wenn Datenschutz höchste Priorität hat.
3. Einen Workflow-Layer. Das kann n8n sein, Make.com oder ein schlichtes Python-Skript, das per Cron läuft.

Der typische Ablauf: Einmal pro Woche läuft ein Skript durch alle Wiki-Seiten, prüft sie gegen definierte Kriterien (Alter, Konsistenz, fehlende Verlinkung) und schreibt Vorschläge in eine Review-Liste. Dort prüfst du oder dein Team, was übernommen wird.

Für den Anfang reicht oft schon ein einfaches n8n-Setup. Jede Nacht läuft ein Workflow, der die zehn ältesten Seiten liest, die noch nicht als "aktuell" markiert sind, und an Claude schickt mit der Frage: "Ist hier etwas, das vermutlich veraltet ist? Gib eine Liste mit konkreten Abschnitten zurück." Die Antwort landet als Notiz an der jeweiligen Seite. Der Content-Owner sieht beim nächsten Besuch sofort, wo nachgebessert werden sollte.

Use Cases im Detail

Veraltete Seiten erkennen

Die KI bekommt die Seite plus Metadaten (Erstellungsdatum, letzter Editor, referenzierte Tools). Sie prüft, ob Tool-Namen oder Preise erwähnt werden, die nicht mehr aktuell sind. Beispiel: Steht in einer Anleitung noch "Trello Free-Plan unbegrenzte Boards", ist das seit 2023 falsch. Die KI flaggt den Abschnitt und schlägt eine Formulierung vor, die du per Klick übernimmst.

Neue Inhalte aus Kommunikation extrahieren

Wenn dein Team viel über Slack oder E-Mail kommuniziert, verschwinden dort wertvolle Informationen in Threads. Mit einer n8n-Integration kannst du wichtige Entscheidungen automatisch extrahieren lassen. Ein typischer Prompt: "Gib mir aus diesem Slack-Thread die drei wichtigsten Entscheidungen in Stichpunkten. Ignoriere Small Talk." Die Ausgabe wird als Entwurf im Wiki gespeichert, mit Link zum Original-Thread.

Glossar pflegen

Ein Glossar ist ein Dauerprojekt. Die KI kann neue Begriffe aus Support-Tickets sammeln, gegen den Bestand abgleichen und fehlende Einträge vorschlagen. Praktisch für jedes Unternehmen mit vielen Fachbegriffen oder branchenspezifischen Abkürzungen.

Onboarding-Checklisten generieren

Neue Mitarbeiter sollen in der ersten Woche einen Überblick bekommen. Statt eine statische Liste zu pflegen, kannst du die KI aus den aktuellen Wiki-Seiten eine rollen-spezifische Einarbeitungsliste generieren lassen. Marketing-Praktikant bekommt andere Seiten empfohlen als ein neuer Buchhalter.

Welche Tools funktionieren in der Praxis

Für ein Unternehmen mit 10 bis 30 Mitarbeitern in Bayern, das Wert auf Datenschutz legt, empfiehlt sich meist eine Outline-Instanz auf einem deutschen Server plus eine Claude-API-Anbindung. Die Gesamtkosten liegen bei rund 50 bis 100 EUR im Monat, inklusive aller KI-Calls.

DSGVO: Worauf du achten musst

Ein Firmen-Wiki enthält sensible Informationen. Kundendaten, interne Preise, Gehaltsbänder, Notizen aus Bewerbungsgesprächen. Wenn du diese Inhalte an eine KI weitergibst, musst du drei Dinge sicherstellen:

1. Zugriffsrechte respektieren. Die KI darf nur Inhalte lesen, die der auslösende Nutzer auch selbst sehen dürfte. Bei Notion und Confluence geht das über API-Tokens mit eingeschränkten Rechten.
2. Auftragsverarbeitungsvertrag. Mit jedem KI-Anbieter (OpenAI, Anthropic, Google) brauchst du einen AVV. Anthropic und OpenAI bieten das für Business-Accounts an.
3. Personenbezogene Daten maskieren. Wenn du Slack-Threads oder E-Mails durchsuchen lässt, solltest du Namen und E-Mail-Adressen vor der Analyse entfernen oder pseudonymisieren.

Wer ganz auf Nummer sicher gehen will, betreibt das Sprachmodell lokal. Mit einem Server mit 64 GB RAM und einer vernünftigen GPU lässt sich Llama 3.1 oder Qwen 2.5 in akzeptabler Qualität selbst hosten. Die Kosten liegen einmalig bei etwa 3.000 bis 5.000 EUR für die Hardware, laufend dann nur noch Strom und Wartung.

Einstieg in der Praxis

Wenn du das Thema angehen willst, starte klein. Ein guter Einstieg ist das Flaggen veralteter Seiten. Dafür brauchst du keinen komplexen Workflow, sondern einen Cron-Job, der einmal pro Woche die zehn ältesten Seiten prüft. Die Ergebnisse landen in einer einzigen Review-Liste, die du in 15 Minuten durchgehen kannst.

Wenn das läuft, erweiterst du Schritt für Schritt. Nächste Stufe: Neue Inhalte aus Slack extrahieren. Übernächste: Automatische Glossar-Vorschläge. So wächst dein System mit deinem Vertrauen in die Qualität der KI-Vorschläge.

Für eine fundierte Einführung in solche Workflows ist der Digitalisierungsmanager-Kurs von SkillSprinters interessant. In 4 Monaten lernst du genau solche Automatisierungen mit n8n, Claude und anderen Tools umzusetzen. Mit Bildungsgutschein kostenlos. Wer vorher reinschnuppern will, findet im KI-Schnupperkurs erste konkrete Beispiele aus der Praxis.

Häufige Fragen

Kann ich mein bestehendes Confluence oder Notion weiter nutzen?

Ja. Beide Systeme haben gut dokumentierte APIs. Du musst nichts migrieren. Der KI-Layer liegt außerhalb und greift nur lesend oder schreibend auf bestehende Seiten zu. Bei Confluence heißt die Funktion Atlassian Intelligence und ist in vielen Plänen bereits enthalten. Bei Notion kannst du entweder Notion AI buchen oder selbst über die API arbeiten.

Wie viel Zeit spart das wirklich?

Erfahrungswerte aus Unternehmen mit 20 bis 50 Mitarbeitern liegen bei 2 bis 5 Stunden pro Monat und Mitarbeiter, die weniger mit Suchen verloren gehen. Für ein Team von 20 Leuten sind das 40 bis 100 Stunden im Monat. Das rechtfertigt die Investition in jedes aktuelle KI-Tool sehr schnell.

Was passiert, wenn die KI falsche Vorschläge macht?

Genau deshalb bleibt der Mensch in der Kontrolle. Die KI schreibt nichts selbst ins Wiki. Sie macht Vorschläge, die du bestätigst oder verwirfst. Falsche Vorschläge kosten dich im schlimmsten Fall zehn Sekunden zum Ablehnen. Gefährlich wird es nur, wenn du Vorschläge blind akzeptierst. Richte einen Freigabeprozess ein und halte ihn ein.

Muss ich programmieren können, um so ein System aufzubauen?

Für die einfachste Variante reicht ein Tool wie Make.com oder n8n mit grafischer Oberfläche. Du verknüpfst Bausteine per Drag and Drop und schreibst höchstens ein paar kurze Code-Snippets. Für komplexere Setups helfen die Skills, die du im Digitalisierungsmanager-Kurs bei SkillSprinters lernst.

Wie reagiere ich auf Mitarbeiter, die der KI im Wiki misstrauen?

Transparenz. Markiere jeden KI-generierten Inhalt klar als solchen. Lass den Mitarbeiter sehen, welche Quelle der Vorschlag hatte und von wem er freigegeben wurde. Viele Vorbehalte verschwinden, wenn klar wird, dass KI nur vorschlägt und nie endgültig entscheidet. Auch die Qualifizierungschancengesetz-Förderung kann helfen, das Team parallel im Thema mitzunehmen.

Was kostet der Einstieg für ein kleines Team?

Rechne mit 50 bis 150 EUR im Monat, wenn du auf fertige Tools setzt. Wenn du selbst baust, sind es rund 20 bis 50 EUR für Hosting und API-Calls plus ein bis zwei Tage Setup-Aufwand.

Fazit

Ein Firmen-Wiki mit KI zu pflegen ist keine Spielerei, sondern ein konkreter Hebel gegen verlorenes Wissen und Suchzeit. Der Trick ist, klein anzufangen und die KI nie vollständig übernehmen zu lassen. Sie ist dein Assistent, nicht dein Ersatz. Wer den Einstieg in solche KI-gestützten Workflows systematisch lernen will, findet im Digitalisierungsmanager-Kurs das passende Format. 4 Monate, komplett online, mit Bildungsgutschein kostenlos.