--- title: "Wie machen wir internes Firmenwissen über Teams durchsuchbar?" description: "Wir machen Ihr verteiltes Firmenwissen in Teams durchsuchbar — KI-Antworten mit zitierten Originalquellen, in Ihrem eigenen Azure-Tenant." canonical: "https://demo22.berndt.to/de/use-cases/interne-wissenssuche-mit-ki/" lang: de schema_type: Article --- # Wie machen wir internes Firmenwissen über Teams durchsuchbar? Wir machen Ihr verteiltes Firmenwissen in Teams durchsuchbar — KI-Antworten mit zitierten Originalquellen, in Ihrem eigenen Azure-Tenant. ## Das Wichtigste in Kürze - **Was:** Eine KI-Suche über Ihr Firmenwissen als Teams-Bot — Antworten mit zitierten Originalquellen, aufgebaut als RAG in Ihrem eigenen Azure-Tenant. - **Für wen:** Mittelständler mit Microsoft 365, deren Wissen verstreut in SharePoint, Wiki, Netzlaufwerken und Postfächern liegt. - **Dauer:** Ca. 10 Wochen von der Sichtung bis zum breiten Rollout, inklusive 3–4 Wochen Testphase. - **Ergebnis:** Mitarbeitende finden Antworten in Teams statt in WhatsApp-Gruppen; SharePoint-Berechtigungen bleiben respektiert. Passt, wenn: - Fachfragen landen in WhatsApp-Gruppen, weil die offizielle Doku unauffindbar ist. - Sie arbeiten bereits in Microsoft 365 und wollen, dass Ihre Daten im eigenen Tenant bleiben. - Wissen einzelner Kolleg:innen soll die Firma nicht mit ihnen verlassen. Bei Ihnen sind die Antworten irgendwo da — in SharePoint, in alten Mails, im Wiki, in der Mappe von der Kollegin, die in zwei Wochen Urlaub hat. Aber gefragt wird trotzdem in WhatsApp, weil das schneller geht. Diese Seite beschreibt, wie aus Ihrem verteilten Firmenwissen eine durchsuchbare Antwort-Quelle in Teams wird — mit zitierten Originalquellen, nicht mit einer halluzinierenden Black Box. ## Kennen Sie diese Situation? - Mitarbeitende fragen Fachfragen in WhatsApp-Gruppen, weil sie wissen, dass dort jemand schnell antwortet — und nicht, weil die offizielle Doku schlecht ist, sondern weil sie unauffindbar ist. - Das Onboarding neuer Kolleg:innen besteht zu großen Teilen aus „Frag mal Frank" — und Frank wiederholt zum siebten Mal dieselbe Erklärung, weil sie nirgendwo zentral abrufbar steht. - Es gibt ein Wiki, ein SharePoint, einen Netzlaufwerk-Ordner, eine Confluence-Instanz, die jemand mal eingerichtet hat, und in jedem davon liegen Bruchstücke der Wahrheit — manche aktuell, manche von 2019. - Wenn jemand fragt „Wie war nochmal die Vorgehensweise bei Reklamationen über 5.000 Euro?", googelt zuerst jemand intern (vergeblich), dann wird telefoniert, und am Ende landet die Antwort vielleicht in einer Mail, die niemand wiederfindet. - Die Vertriebsleitung will einen Chatbot, der „endlich mal Antworten gibt". Die IT-Leitung will keinen weiteren Datenfriedhof. Die Geschäftsführung will, dass das Wissen die Firma nicht verlässt, wenn Mitarbeitende gehen. ## Warum jetzt — und nicht später - **Wissen verlässt das Haus.** Ältere Kolleg:innen gehen in Ruhestand, junge wechseln den Arbeitgeber im Schnitt alle 3–5 Jahre. Was nicht zentral abgelegt und auffindbar ist, ist beim Ausscheiden weg. - **KI-Tools sind im Mittelstand angekommen — meistens unkontrolliert.** Mitarbeitende kopieren längst Firmen-Dokumente in private ChatGPT-Konten, weil sie schnell Antworten brauchen. Eine geordnete interne Lösung ist die Antwort auf eine Realität, die schon passiert. - **Microsoft 365 bringt die Bausteine bereits mit.** Wenn Sie ohnehin in Microsoft 365 arbeiten, ist die technische Distanz zu einem Teams-Bot mit Suche über Ihr SharePoint nicht riesig — aber sie ist auch nicht null. Spätestens beim Lizenz-Renewal oder bei der Frage „Brauchen wir Copilot?" wird die Diskussion ohnehin geführt. Dann besser einmal sauber. ## So sähe das bei Ihnen aus ### Schritt 1 — Wissens-Bestand sichten und sortieren (Woche 1–2) Bevor wir irgendetwas indexieren, klären wir gemeinsam: Wo liegt was, was ist offiziell, was ist veraltet, was darf jede:r sehen und was nicht. Das ist die unbequeme Phase — sie ist aber auch die wichtigste. Eine KI-Suche über eine schlecht sortierte Datenbasis liefert schlechte Antworten, egal wie gut das Modell ist. Stack: SharePoint Admin Center, Microsoft Graph, Berechtigungs-Audit. Ergebnis: eine Liste von Quellen, die in die Suche aufgenommen werden, plus eine Liste von Quellen, die vorher aufgeräumt werden müssen. ### Schritt 2 — RAG-Architektur aufsetzen (Woche 3–5) Das Muster heißt Retrieval-Augmented Generation: Bei jeder Frage durchsucht das System Ihr Firmenwissen, holt die relevantesten Passagen, und ein Sprachmodell formuliert daraus eine Antwort — mit Verweis auf die Originalquelle, sodass die fragende Person nachlesen kann. Kein „die KI hat sich das ausgedacht", sondern „die Antwort kommt aus diesem konkreten SharePoint-Dokument, Stand der letzten Aktualisierung". Stack: Azure AI Search als Index, Microsoft Graph API als Zugriff auf SharePoint und OneDrive, Azure OpenAI Service (über Azure AI Foundry) für das Sprachmodell, alles in Ihrem eigenen Azure-Tenant — Ihre Daten verlassen nicht Ihr Microsoft-Umfeld. ### Schritt 3 — Teams-Bot als Eingang (Woche 5–6) Mitarbeitende fragen nicht in einer neuen App, die sie installieren müssen. Sie fragen, wo sie ohnehin sind — in Teams. Wir bauen einen Bot, den man wie jede andere Person ansprechen kann: „Wie war nochmal die Reklamations-Vorgehensweise über 5.000 Euro?" Antwort kommt in zwei bis fünf Sekunden, mit Link zur Originalquelle. Wenn die KI keine sichere Antwort hat, sagt sie das — statt zu raten. Stack: Microsoft Bot Framework, Teams-App-Manifest, optional Power Platform für einfache Anbindungen. ### Schritt 4 — Berechtigungen respektieren (Woche 4–6, parallel) Das ist der Punkt, an dem viele KI-Projekte scheitern: Die Suche darf nur Antworten geben aus Dokumenten, die die fragende Person tatsächlich sehen darf. Wer keinen Zugriff auf den Geschäftsführungs-Ordner hat, soll auch keine Antworten daraus bekommen — auch nicht zusammengefasst. Wir setzen die Suche so auf, dass sie Ihre SharePoint-Berechtigungen ehrt, nicht umgeht. Stack: Microsoft Graph mit Delegated Permissions, Azure AI Search mit Security Trimming. ### Schritt 5 — Erprobung, Feedback, Ausweitung (Woche 6–10) Wir starten mit einer Testgruppe von 10–20 Leuten aus zwei oder drei Abteilungen. Sie nutzen den Bot drei bis vier Wochen, geben Feedback, markieren schlechte Antworten. Daraus passen wir Quellen-Auswahl, Prompts und Antwort-Format an. Erst wenn die Antworten in 80 % der Fälle nützlich sind, rollen wir breiter aus. ## Worauf Sie achten sollten - **Wenn Ihnen jemand eine KI-Suche verkauft, ohne vorher Ihre SharePoint-Berechtigungen geprüft zu haben — Vorsicht.** Genau das ist der Fehler, der dazu führt, dass plötzlich „der Bonus der Geschäftsführung" als Suchergebnis bei jeder Person aufpoppt. Das ist kein Modell-Problem. Das ist ein Berechtigungs-Problem. - **Fragen Sie nach Zitaten in den Antworten.** Eine seriöse interne KI-Suche zeigt immer, aus welcher Quelle eine Antwort stammt. Eine Lösung, die nur Text ausspuckt ohne Verweis, ist nicht überprüfbar — und damit nicht vertrauenswürdig. - **Klären Sie, wo die Daten landen.** Ein „On-Prem-LLM" klingt sicher, ist aber im Mittelstand selten realistisch zu betreiben. Azure OpenAI in Ihrem eigenen Azure-Tenant in einer EU-Region ist meist der pragmatische Kompromiss: Ihre Daten bleiben in Ihrem Microsoft-Umfeld, das Modell ist nicht zum Trainieren von Drittanbieter-Modellen freigegeben. - **Prüfen Sie, ob es wirklich ein eigener Bot sein muss — oder ob Copilot reicht.** Microsoft 365 Copilot kann viel von dem, was hier beschrieben ist, bereits out-of-the-box. Wenn Ihr Wissens-Bestand sauber in SharePoint liegt und Ihre Berechtigungen stimmen, ist Copilot oft die ehrlichere Antwort als ein Eigenbau. Wenn Sie aber spezifische Quellen außerhalb von M365 einbinden müssen (Ticketsysteme, ERP, Branchen-Wikis), wird ein eigener Bot interessant. ## Was sich danach realistisch ändert - Mitarbeitende finden Antworten auf wiederkehrende Fachfragen in Teams, statt in WhatsApp-Gruppen oder bei Kolleg:innen, die ohnehin schon im Stress sind. - Onboarding wird leichter: Neue können nachfragen, ohne sich „dumm" zu fühlen, und bekommen Antworten mit Verweis auf die Originalquelle — die sie dann selbst weiterlesen können. - Wissen, das vorher nur im Kopf einzelner Personen lag, wird zunehmend dokumentiert, weil sichtbar wird, wo die KI keine Antwort findet — und genau da entsteht der Anreiz, etwas niederzuschreiben. - Die unkontrollierte Nutzung von privaten ChatGPT-Accounts mit Firmen-Daten wird weniger, weil es eine bequemere und legitime Alternative gibt. - Die Geschäftsführung bekommt eine ehrliche Sicht darauf, welche Themen am häufigsten gefragt werden — und damit einen Indikator, wo Prozess- oder Dokumentations-Lücken liegen. ## Was Sie beisteuern - **Zugriff:** Ein:e Admin in Ihrem Azure- und Microsoft-365-Tenant, der/die uns gezielt Berechtigungen einräumt. Wir arbeiten mit Service-Prinzipalen, nicht mit dauerhaften persönlichen Admin-Konten. - **Stakeholder-Zeit:** Eine fachlich erfahrene Person pro relevante Abteilung, die einschätzen kann, welche Quellen autoritativ sind und welche veraltet — typischerweise 2–3 Stunden pro Abteilung in der Sichtungsphase, danach punktuell beim Test-Feedback. - **Datenschutz-Beauftragte:r und Betriebsrat:** Eine KI-Lösung, die Mitarbeitenden-Fragen analysieren kann, braucht eine saubere Vereinbarung. Wir liefern die technische Beschreibung, Sie bringen das in Ihre Mitbestimmungs- und Datenschutz-Prozesse ein. - **Testgruppe:** 10–20 Personen, die bereit sind, drei bis vier Wochen ehrlich Feedback zu geben — und nicht nur „funktioniert" oder „funktioniert nicht" zu melden. ## Risiken & wann es NICHT passt - **Wenn Ihr SharePoint ein Wildwuchs ist** und Berechtigungen unklar, dann ist das hier der falsche Erstschritt. Erst aufräumen, dann durchsuchbar machen. Sonst bauen Sie eine schnelle Suche über chaotische Daten — und das Chaos wird schneller findbar, nicht kleiner. - **Wenn die Erwartung ist, dass eine KI Prozess-Wissen ersetzt, das nirgends niedergeschrieben ist.** Eine RAG-Suche kann nur finden, was existiert. Wenn Ihr relevantes Wissen nur in Köpfen lebt, ist die Erst-Aufgabe Dokumentation, nicht KI. - **Wenn der Datenschutz-Rahmen nicht geklärt werden kann.** In Branchen mit besonderen Geheimhaltungs-Anforderungen (Steuerkanzlei, Arztpraxen-Verbund, kritische Infrastruktur) ist die Frage, was eine KI in welcher Region sehen darf, nicht trivial. Das gehört vorab geklärt, nicht während der Erprobung. - **Wenn Sie ohnehin demnächst Copilot ausrollen wollen.** Dann ist die ehrliche Empfehlung manchmal: Copilot zuerst, Eigenbau erst dann, wenn Copilot nachweislich nicht reicht. Wir empfehlen Copilot nicht reflexartig, aber wir empfehlen ihn auch nicht reflexartig weg. ## So fängt das Gespräch an 30 Minuten Erstgespräch, kostenfrei, per Video oder Telefon. Was wir klären: Wo liegt Ihr Wissen heute überwiegend (SharePoint, Wiki, Tickets, Mails)? Welche Fragen werden bei Ihnen besonders oft wiederholt gestellt? Haben Sie Copilot schon getestet oder bewusst nicht? Wie ist die Datenschutz- und Mitbestimmungs-Lage bei Ihnen? Daraus ergibt sich, ob ein Eigenbau-RAG, Copilot oder eine kleinere Lösung der richtige Weg ist. Remote-Reaktion sofort zu Servicezeiten. Ein Erstgespräch ist typischerweise in 3–5 Werktagen einrichtbar; den nächsten freien Termin bestätigen wir verbindlich nach Ihrer Anfrage. [Erstgespräch buchen](/de/kontakt) ## Häufige Fragen **Halluziniert die KI dann nicht trotzdem?** Halluzinationen entstehen vor allem, wenn ein Sprachmodell „aus dem Kopf" antwortet, ohne Quelle. Im RAG-Pattern wird die Antwort aus Ihren konkreten Dokumenten heraus formuliert, mit Verweis auf die Quelle. Bei guter Umsetzung sagt die KI „Dazu finde ich nichts in Ihren Quellen", statt zu raten. Vollständig ausschließen lässt sich das nie, aber das Risiko sinkt deutlich. **Sehen Microsoft oder OpenAI dann unsere Firmendaten?** Bei Nutzung von Azure OpenAI in Ihrem eigenen Azure-Tenant gelten die Microsoft-Enterprise-Bedingungen: Ihre Daten werden nicht für das Trainieren von Modellen verwendet, sie bleiben in der gewählten Azure-Region. Das ist nicht dasselbe wie ein privates ChatGPT-Konto eines Mitarbeitenden — und genau deswegen ist die Eigenbau-Variante datenschutzrechtlich klarer aufzusetzen. **Was kostet der Betrieb laufend?** Nicht der Bot selbst ist der Kostentreiber, sondern die Modell-Aufrufe und der Suchindex in Azure. Bei einer 80-Personen-Firma mit moderater Nutzung bewegt sich der laufende Azure-Verbrauch typischerweise zwischen einigen hundert und gut tausend Euro pro Monat — stark abhängig von Modellwahl und Nutzungsintensität. Wir zeigen Ihnen vor dem Rollout, wie Sie das selbst überwachen und deckeln. **Können wir das später auf andere Quellen erweitern — Tickets, ERP, CRM?** Ja, und das ist einer der Gründe, einen Eigenbau-Ansatz statt rein Copilot zu wählen. Über Konnektoren oder eigene Adapter lassen sich auch Quellen außerhalb von SharePoint einbinden. Das ergibt aber erst Sinn, wenn der erste Bereich stabil läuft — sonst bauen Sie Komplexität auf, bevor Sie den ersten Wert sehen. ## Verwandtes - Service: [Managed Microsoft 365 — wenn Ihr Workplace endlich helfen soll](/de/leistungen/managed-m365) - Use Case: [Wie räumen wir einen historisch gewachsenen Microsoft-365-Tenant auf?](/de/use-cases/m365-tenant-aufraeumen) - Use Case: [Wie automatisieren wir die Ticket-Triage im IT-Service-Desk?](/de/use-cases/ticket-triage-automatisieren)