Wenn Unternehmenswissen antwortet: Was die neue AWS-KI-Wissensbasis für KMU ändert

Viele Unternehmen haben mehr Wissen, als sie nutzen können. Angebote, interne Anleitungen, Produktdaten, Preislogiken, Meetingnotizen, Supportfälle, Vertragsmuster und Prozessdokumente liegen irgendwo zwischen SharePoint, Google Drive, OneDrive, Website, E-Mail-Anhängen und lokalen Ordnern. KI verspricht, dieses Wissen endlich zugänglich zu machen. In der Praxis scheitert genau daran aber oft der erste ernsthafte Automatisierungsschritt: Die KI findet zwar etwas, aber nicht verlässlich genug, nicht mit den richtigen Berechtigungen und nicht mit klaren Quellen.

Genau deshalb ist die neue Amazon Bedrock Managed Knowledge Base für österreichische KMU interessant. AWS hat den Dienst am 17. Juni 2026 allgemein verfügbar gemacht. Der Anlass ist technisch, die Konsequenz ist organisatorisch: Wer KI-Agenten, interne Assistenten oder automatisierte Kundenantworten einsetzen will, braucht nicht nur ein gutes Modell. Er braucht eine gepflegte, prüfbare Wissensbasis.

Was AWS am 17. Juni 2026 vorgestellt hat

AWS beschreibt Amazon Bedrock Managed Knowledge Base als vollständig verwalteten Dienst für Retrieval-Augmented Generation, kurz RAG. Das bedeutet: Eine KI-Anwendung beantwortet Fragen nicht nur aus ihrem Modellwissen, sondern sucht zuerst in freigegebenen Unternehmensquellen, holt relevante Passagen und erzeugt daraus eine Antwort mit Kontext.

Neu ist nicht die Idee von RAG. Neu ist, dass AWS mehrere Bausteine stärker als verwaltete Infrastruktur anbietet: Datenaufnahme, Speicher, Embeddings, Retrieval, Ranking und Modellwahl sollen weniger Eigenbau erfordern. Zum Start nennt AWS sechs native Datenquellen: Amazon S3, SharePoint, Confluence, Google Drive, OneDrive und Web Crawler. Dazu kommen automatische Synchronisierung, verwalteter Vektorspeicher, Hybrid Search, Dokumentenranking und ein Agentic Retriever für mehrstufige Fragen.

Für europäische Projekte ist ebenfalls relevant: AWS nennt unter anderem die Regionen Frankfurt, Dublin und London als verfügbare Standorte. Das ersetzt keine Datenschutzprüfung, macht aber die Architekturfrage konkreter als bei vielen reinen US-Demo-Tools.

Warum eine Wissensbasis mehr ist als ein Dokumentenordner

Viele KI-Projekte starten mit einem Chatbot: Man lädt ein paar PDFs hoch, stellt Fragen und freut sich über schnelle Antworten. Das ist als Demo nützlich, aber als Unternehmensprozess zu dünn. Ein echter Wissensassistent muss wissen, welche Quelle aktuell ist, welche Version gilt, wer was sehen darf und wann eine Antwort unsicher ist.

Eine verwaltete Wissensbasis verschiebt den Schwerpunkt. Die Frage lautet nicht mehr nur: „Welches Modell nehmen wir?“ Sondern: „Welche Informationen dürfen in welchen Situationen verwendet werden?“ Das ist der Punkt, an dem Künstliche Intelligenz als Unternehmensleistung praktisch wird. Ostheimer kann hier nicht nur Prompts schreiben, sondern gemeinsam mit einem KMU klären, welche Datenquellen geeignet sind, welche Prozesse zuerst automatisiert werden sollten und wie Ergebnisse geprüft werden.

Das ist bewusst nüchterner als der Hype um autonome Agenten. Eine KI, die in falschen Dokumenten sucht, wird nicht dadurch besser, dass sie agentischer arbeitet. Sie wird schneller falsch.

Warum das für österreichische KMU relevant ist

Österreichische KMU haben oft keine riesigen Datenteams, aber sehr viel informelles Betriebswissen. Der Vertriebsmitarbeiter kennt die Sonderfälle. Die Geschäftsführung weiß, welche Angebote nie rabattiert werden. Das Office-Team kennt die Ausnahmen bei Lieferzeiten. Die Technikerin weiß, welches alte Produkt noch Ersatzteile bekommt. Dieses Wissen ist wertvoll, aber selten sauber maschinenlesbar.

Eine gut aufgebaute KI-Wissensbasis kann hier drei Dinge leisten.

Erstens macht sie Wissen auffindbar. Mitarbeitende können nach internen Abläufen, Produktdetails oder Projektunterlagen fragen, ohne zehn Ordner zu durchsuchen.

Zweitens macht sie Antworten nachvollziehbarer. Wenn eine KI die zugrunde liegenden Quellen nennt oder zumindest aus klar abgegrenzten Dokumenten arbeitet, lässt sich besser prüfen, ob die Antwort tragfähig ist.

Drittens schafft sie eine Grundlage für weitere Automatisierung. Ein Agent, der Kundenanfragen vorsortiert, Angebote vorbereitet oder interne Tickets ergänzt, braucht belastbaren Kontext. Sonst wird aus Automatisierung nur eine hübsch formulierte Vermutung.

Das passt auch zu den jüngsten Entwicklungen bei Unternehmensagenten. Microsoft hat am 16. Juni 2026 Copilot Cowork allgemein verfügbar gemacht und spricht dort ausdrücklich von langfristigen, mehrstufigen Aufgaben mit Zugriff auf Unternehmenskontext. Der Trend ist klar: KI wird vom Einzelprompt zum Arbeitsfluss. Der Engpass wandert zum Wissen, zu Berechtigungen und zur Qualitätssicherung.

Chancen: Support, Vertrieb, Onboarding und interne Suche

Der erste sinnvolle Einsatz ist selten der vollständig autonome Agent. Praktischer ist ein begrenzter Wissensassistent mit klarer Aufgabe.

Im Kundenservice kann eine Wissensbasis Antworten aus Produktunterlagen, Preislisten, Lieferbedingungen und häufigen Supportfällen vorbereiten. Die finale Antwort bleibt bei einem Menschen, aber die Recherchezeit sinkt.

Im Vertrieb kann KI Angebotsbausteine, Referenzen, technische Voraussetzungen und Einwandbehandlungen aus internen Quellen vorschlagen. Das ist besonders wertvoll, wenn mehrere Personen Angebote schreiben und der Stil oder die fachliche Tiefe schwankt.

Beim Onboarding kann ein Assistent neue Mitarbeitende durch Abläufe, Tools, Zuständigkeiten und interne Regeln führen. Das ersetzt keine Einarbeitung, reduziert aber die immer gleichen Rückfragen.

Im Content-Marketing kann eine Wissensbasis helfen, Fachwissen aus Projekten, Produktdaten und häufigen Kundenfragen systematisch in Themenpläne, FAQ-Bereiche oder Blogbriefings zu übersetzen. Hier ist die Verbindung zu Content-Marketing wichtig: KI liefert nur dann brauchbaren Content, wenn die Quellen fachlich sauber und redaktionell freigegeben sind.

Ein verwandter Ostheimer-Beitrag hat bereits gezeigt, warum PDFs nicht mehr nur verschickt werden sollten. Die neue AWS-Ankündigung geht einen Schritt weiter: Es geht nicht nur um einzelne interaktive Dokumente, sondern um eine strukturierte Wissensschicht für mehrere Anwendungen.

Grenzen: Schlechte Quellen werden nicht automatisch gut

Die wichtigste Grenze bleibt banal und unbequem: Eine Wissensbasis ist nur so gut wie ihre Inhalte. Veraltete Preislisten, widersprüchliche Leistungsbeschreibungen, doppelte Dokumente und unklare Zuständigkeiten führen zu schlechten Antworten. Smart Parsing und Agentic Retrieval können Struktur erkennen und komplexe Suchwege planen, aber sie entscheiden nicht, welche interne Policy fachlich richtig ist.

Auch Berechtigungen sind kein Detail. Wenn ein KI-Assistent auf SharePoint, Google Drive oder OneDrive zugreift, müssen Rollen und Ordnerrechte stimmen. Sonst wird eine KI zur Suchmaschine für Informationen, die intern nie so breit sichtbar sein sollten.

Dazu kommt die Kostenfrage. AWS nennt ein nutzungsbasiertes Modell nach indexierten Daten und Retrievals. Für KMU klingt das zunächst angenehm, weil keine großen Vorabkosten nötig sind. Trotzdem braucht es Limits, Monitoring und eine klare Entscheidung, welche Quellen wirklich indexiert werden. Eine ungepflegte Datenhalde wird auch in der Cloud nicht automatisch günstig.

Und schließlich: RAG reduziert Halluzinationen, beseitigt sie aber nicht vollständig. Antworten brauchen Quellenprüfung, Confidence-Regeln, Eskalation und in sensiblen Bereichen menschliche Freigabe. Gerade bei rechtlichen, medizinischen, finanziellen oder sicherheitsrelevanten Aussagen darf KI nur vorbereiten, nicht allein entscheiden.

Was Ostheimer praktisch daraus machen kann

Für Ostheimer ist dieser Trend kein Anlass, jedem KMU sofort AWS zu verkaufen. Der bessere Einstieg ist eine Architekturentscheidung: Welche Wissensarbeit soll zuerst verbessert werden?

In einem KI-Projekt kann Ostheimer vier Schritte übernehmen. Zuerst wird der konkrete Anwendungsfall eingegrenzt, etwa Supportantworten, Angebotsvorbereitung, interne Prozesssuche oder Content-Briefings. Danach werden die relevanten Quellen inventarisiert: Wo liegen die Dokumente, wem gehören sie, wie aktuell sind sie, welche dürfen automatisiert verarbeitet werden?

Im dritten Schritt entsteht ein kleiner, testbarer Prototyp. Das kann mit AWS Bedrock passieren, aber je nach Umgebung auch mit anderen Werkzeugen. Wichtig ist nicht der Anbietername, sondern dass Retrieval, Berechtigungen, Antwortqualität und Kosten messbar werden. Erst danach lohnt sich die Erweiterung in Richtung AI Agent Entwicklung, bei der ein Agent nicht nur Antworten gibt, sondern Aufgaben im Workflow vorbereitet oder ausführt.

Der vierte Schritt ist Betrieb: Quellenpflege, Rollenmodell, Prüfset, Monitoring, Feedbackschleifen und klare Verantwortlichkeiten. Hier entscheidet sich, ob ein KI-Assistent dauerhaft nützlich bleibt oder nach drei Wochen zur Demo-Ruine wird.

Ein sinnvoller Einstieg in 30 Tagen

Ein realistischer Start braucht keine monatelange Strategiephase. Für viele KMU reicht ein fokussierter Pilot mit einem eng begrenzten Wissensbereich.

Woche eins: Ein Anwendungsfall wird ausgewählt. Gute Kandidaten sind häufige Kundenfragen, interne Produktinformationen oder wiederkehrende Angebotslogik. Gleichzeitig werden Erfolgskriterien definiert: weniger Suchzeit, bessere Antwortqualität, schnellere Einarbeitung oder geringere Rückfragen.

Woche zwei: Die Quellen werden sortiert. Veraltetes wird markiert, doppelte Dokumente werden entfernt, sensible Inhalte werden getrennt. Dieser Schritt wirkt unspektakulär, ist aber der eigentliche Qualitätshebel.

Woche drei: Die Wissensbasis wird technisch aufgebaut und mit echten Fragen getestet. Nicht mit perfekten Demofragen, sondern mit den chaotischen Fragen aus dem Alltag.

Woche vier: Ergebnisse werden bewertet. Welche Antworten waren korrekt? Wo fehlte Kontext? Welche Quellen waren unklar? Welche Aufgaben dürfen automatisiert werden und wo bleibt eine Freigabe nötig?

Aus so einem Pilot entsteht eine belastbare Entscheidung: erweitern, eingrenzen oder stoppen. Genau das unterscheidet praktische KI-Umsetzung von Hype.

Fazit

Amazon Bedrock Managed Knowledge Base ist nicht deshalb wichtig, weil jedes österreichische KMU morgen AWS nutzen muss. Wichtig ist das Signal dahinter: Unternehmenswissen wird zur eigenen KI-Infrastruktur. Wer KI-Automatisierung ernst nimmt, muss Dokumente, Rechte, Quellen, Aktualität und Prüfprozesse genauso planen wie das Modell selbst.

Für KMU ist das eine gute Nachricht. Der Einstieg in KI muss nicht mit einem riesigen autonomen Agenten beginnen. Er kann mit einer sauberen Wissensbasis starten, die Mitarbeitende schneller macht, Antworten nachvollziehbarer macht und spätere Automatisierung vorbereitet. Weniger Magie, mehr Betrieb. Genau dort wird KI nützlich.