Wissen & Daten

Knowledge Catalog

Was kostet das ungefähr? Passt das auch für uns? Wie läuft das ab? Dein Betrieb beantwortet diese Fragen jeden Tag – nur steht keine der Antworten irgendwo, wo man sie nachschlagen könnte.

Knowledge Catalog

01Knowledge Catalog

Der Knowledge Catalog ist die geordnete Wissensgrundlage deines Unternehmens: Leistungen, Preise oder Spannen, häufige Fragen, Abläufe, Referenzen, Besonderheiten – als saubere Struktur statt verstreut über Website-Texte, PDFs und Köpfe. Einmal aufgebaut, arbeitet dieselbe Basis an mehreren Stellen: Die Website zieht ihre Inhalte daraus, Suchmaschinen und KI-Assistenten verstehen sie, ein Companion kann daraus antworten, und das Team schlägt nach statt nachzufragen. Beim Aufbau passiert nebenbei das Wertvollste: Lücken, Widersprüche und Veraltetes werden zum ersten Mal sichtbar.

Ehrlich vorweg: Das ist Struktur-Arbeit, keine Technik-Zauberei – „wir bauen einfach RAG drüber“ ist genau der Weg, den ich nicht gehe. Erst die Ordnung, dann die Werkzeuge. Und ein Katalog lebt nur, wenn jemand ihn pflegt: Verantwortliche und Aktualisierungs-Rhythmus werden im Projekt festgelegt, sonst veraltet die schönste Basis.

02Demo

simulation · fiktive werbetechnik-firma

Der Katalog der fiktiven „Lichtwerk Werbetechnik“. Stell eine Frage – und schau unter der Antwort nach, woher sie kommt: Jede stammt aus einem gepflegten Baustein, nicht aus dem Blauen.

// baustein im katalog

So sieht der Katalog von innen aus: Wissensbausteine mit klaren Feldern – und drei Ausgabekanäle, die sich aus MEHREREN Bausteinen speisen. Ändert sich ein Preis, ändert er sich überall, wo er gebraucht wird.

// die bausteine LeistungenBeschreibung · für wen · Dauer · ab-Preis FAQsFrage · Antwort · gilt für · Stand Preise & SpannenLeistung · Spanne · Bedingungen · Stand AbläufeSchritte · Dauer · Zuständigkeit // die ausgabekanäle Website Suche & KI-Systeme Team (intern)

Stell im Tab „ausprobieren“ eine Frage – der Baustein, aus dem die Antwort kam, leuchtet hier samt seinen Kanälen auf.

03Ablauf

  1. 01

    Wissen einsammeln

    Website, PDFs, Preislisten, Mail-Antworten, Kundenfragen: Was existiert wo? Auch das Wissen, das nur mündlich weitergegeben wird, kommt auf den Tisch.

  2. 02

    Struktur festlegen

    Welche Wissensarten gibt es bei euch – Leistungen, FAQs, Preise, Abläufe, Referenzen? Jede bekommt klare Felder: Aus „steht irgendwo im Text“ wird „steht in Feld X, gepflegt von Y“.

  3. 03

    Befüllen und dabei aufräumen

    Beim Einsortieren zeigt sich alles: die FAQ-Antwort, die dem Angebots-PDF widerspricht, der Preis von vorletztem Jahr, die Leistung ohne Beschreibung. Genau diese Funde machen den Katalog wertvoll.

  4. 04

    Anschließen, was daraus liest

    Website-Seiten, strukturierte Daten für Suche und KI, Companion-Wissen, interne Nachschlage-Ansicht – die Basis wird dort angezapft, wo sie Nutzen stiftet.

  5. 05

    Pflege verankern

    Wer aktualisiert was, in welchem Rhythmus, mit welchem Review-Datum? Klein und realistisch – lieber ein Bereich, der stimmt, als zehn, die veralten.

04Ausbaustufen

Der Katalog wächst bereichsweise – niemand strukturiert sein ganzes Unternehmen an einem Stück.

Stufe 1

Einstieg: ein Wissensbereich

Leistungen plus FAQ als sauberes Struktur-Dokument oder CMS-Modell – der Kern, an dem sich alles Weitere ausrichtet.

Stufe 2

Ausbau: der volle Katalog

Alle Wissensbereiche strukturiert, technisch ausgezeichnet auf der Website – eng verzahnt mit dem KI-ready-Upgrade.

Stufe 3

Vollausbau: die lebende Datenbasis

Der Katalog speist Companion, KI-Sichtbarkeit und interne Nutzung – mit Pflegeprozess und Verantwortlichkeiten.

05Technische Umsetzung

  • Der Speicher richtet sich nach euch: Markdown-Struktur, CMS Collections, Airtable/Notion oder eine Datenbank – Hauptsache, klare Content-Typen mit Feldern.
  • Typische Wissensarten: Leistungen, FAQs, Preise/Spannen, Referenzen, Zielgruppen, Abläufe, Entscheidungskriterien.
  • Die Ausgabe ist mehrfach: Website-Seiten, strukturierte Daten (Schema.org), Companion-Kontext, interne Knowledge-Datei.
  • KI hilft beim Sortieren, Lückenfinden und Formulieren – die fachliche Richtigkeit prüft ihr.
  • Vektor-Suche (RAG) kommt erst bei wirklich großem Umfang – meist reicht die saubere Struktur mit direktem Kontext.
  • Jeder Wissensbereich trägt Verantwortliche und Review-Datum – Pflege ist Teil des Modells, nicht Nachgedanke.

zur einordnung · Diese Punkte zeigen, wie so etwas typischerweise gebaut wird – nicht, wie es bei dir gebaut werden muss. Was wirklich passt, entscheidet sich im Projekt: an deinem Bestand, deinem Team und dem, was sich danach gut pflegen lässt.

06Ergänzende Bausteine

Alle Use Cases ansehen