# singh-kdlc-knowledge-development-life-cycle-2026-06-28

## Veille

Dritter Teil von Ashish Singhs Reihe «New Engineering Disciplines for the AI Era», gewidmet dem **KDLC — Knowledge Development Life Cycle**: einem **8-stufigen** Lebenszyklus, der Unternehmenswissen in ein **konstruiertes Gut** verwandelt, gleichrangig mit Code oder Daten. These: KI-Initiativen scheitern nicht an der Wahl des richtigen LLM oder an einem eingesetzten RAG-System, sondern weil sie **die zugrunde liegende Struktur des Wissens nicht adressieren** — „KI ist nur so wirksam wie das Wissen, das sie entdecken, verstehen, abrufen und dem sie vertrauen kann". Der KDLC verkettet Discovery → Extraction → Structuring → Knowledge Graph → Embedding → Index Optimization → Retrieval Evaluation → Refresh. Er stellt dem **traditionellen RAG** (isolierte Dokumente, Schlüsselwörter) das **Enterprise Knowledge Fabric** (Knowledge Graphs + Semantic Search + Vector DB + Hybrid Search) gegenüber, bei dem Agenten „Beziehungen, Kontext und geschäftliche Bedeutung" verstehen. Kernsatz: „Modelle liefern Reasoning. Memory liefert Kontinuität. Wissen liefert Verständnis." Drei Beispiele (Finanzen/Compliance, Softwareentwicklung, Gesundheitswesen) veranschaulichen die Wirkung.

## Titre Article

New Engineering Disciplines for the AI Era Part 3: KDLC — Knowledge Development Life Cycle

## Date

2026-06-28

## URL

https://www.linkedin.com/pulse/new-engineering-disciplines-ai-era-part-3-kdlc-knowledge-ashish-singh-3sjxc/

## Keywords

KDLC, Knowledge Development Life Cycle, Wissenslebenszyklus, Enterprise Knowledge Fabric, knowledge engineering, Wissensingenieurwesen, RAG, Retrieval-Augmented Generation, knowledge graph, knowledge graph, semantic search, semantische Suche, vector database, Vektordatenbank, Hybridsuche, Embedding, Indexoptimierung, Retrieval-Bewertung, Wissensauffrischung, agentische KI, KI-Agenten, konstruiertes Gut, Unternehmensdaten, Wissens-Governance

## Authors

Ashish Singh

## Ton

Profil: ein Fach-/Führungsartikel auf LinkedIn (dritter Teil einer nummerierten Reihe, «New Engineering Disciplines for the AI Era»), Perspektive eines Architekten/Beraters in der dritten Person, ein analytisches und präskriptives Register mit dem Anspruch, ein Referenzrahmen zu sein. Zielgruppe: Data-/KI-Führungskräfte, Enterprise-Architekten, Plattform-Entscheider, die mit dem wiederkehrenden Scheitern von KI-Projekten konfrontiert sind. Der Ton ist der einer **neu eingesetzten Disziplin**: Er beschreibt kein Werkzeug, sondern erhebt „Wissensingenieurwesen" in den Rang einer vollwertigen Ingenieursdisziplin, durch ausdrückliche Analogie zum SDLC und zum Daten-Lebenszyklus. Die Rhetorik verfährt durch **Umkehrung der Diagnose** (das Problem ist nicht das Modell, sondern das Wissen) und anschließende **Strukturierung in einen nummerierten Zyklus** (8 Stufen), ein klassisches LinkedIn-Rahmenwerk-Mittel — jede Stufe wird benannt, definiert, geordnet, was den Eindruck methodischer Vollständigkeit erzeugt. Einprägsame, triadische Formulierungen („discover, understand, retrieve, and trust"; „Modelle liefern Reasoning. Memory liefert Kontinuität. Wissen liefert Verständnis.") tragen die Autorität mehr als Zahlen — der Artikel ist **konzeptionell, nicht quantifiziert**, ohne Benchmark oder zitierte Studie. Der Gegensatz zwischen „naivem" RAG und dem Enterprise Knowledge Fabric dient als argumentativer Angelpunkt: RAG ist das vereinfachende Gegenbild, das die Disziplin überwindet. Die branchenspezifische Verankerung (Finanzen, Engineering, Gesundheitswesen) ist im Register eher illustrativ als demonstrativ.

## Pense-betes

- **Umkehrthese**: KI-Projekte scheitern nicht an einem schlechten LLM oder einer falschen RAG-Wahl, sondern an **fehlendem strukturiertem Wissen**. „KI ist nur so wirksam wie das Wissen, das sie entdecken, verstehen, abrufen und dem sie vertrauen kann." → der Hebel liegt vor dem Modell.
- **KDLC = 8 Stufen** (der Reihenfolge nach zu merken): 1. **Knowledge Discovery** — verstreutes Wissen in Daten lokalisieren (Datenbanken, SharePoint, Wikis, CRM, ERP, technische Artefakte, Kommunikationskanäle). 2. **Knowledge Extraction** — extrahieren unter **Wahrung von Geschäftskontext, Metadaten, Beziehungen, Eigentümerschaft**. 3. **Knowledge Structuring** — standardisierte, wiederverwendbare Wissensobjekte. 4. **Knowledge Graph Creation** — Kunden ↔ Produkte ↔ Projekte ↔ Teams ↔ Regulierungen ↔ Anwendungen abbilden. 5. **Embedding** — semantische Repräsentationen (Verständnis nach Bedeutung, nicht nach Schlüsselwörtern). 6. **Index Optimization** — Vektorindizes, Metadaten, Retrieval-Pipelines. 7. **Retrieval Evaluation** — Relevanz, Präzision, Vollständigkeit, **geschäftliche Wirkung** messen. 8. **Knowledge Refresh** — kontinuierliche Aktualisierung (Richtlinien, Regulierungen, Releases).
- **RAG vs. Enterprise Knowledge Fabric**: traditionelles RAG ruft **isolierte Dokumente** per Schlüsselwort ab; das **Knowledge Fabric** kombiniert Knowledge Graphs + Semantic Search + Vector DB + Hybrid Search → Agenten verstehen **Beziehungen, Kontext und geschäftliche Bedeutung**, nicht nur Dokumente. RAG = Gegenbild, Fabric = Zielbild.
- **Gründungstrias**: „**Modelle liefern Reasoning. Memory liefert Kontinuität. Wissen liefert Verständnis.**" → Wissen ist die „Verständnis"-Schicht, getrennt von Reasoning (Modell) und Kontinuität (Memory).
- **Disziplinäre Positionierung**: Wissensingenieurwesen wird im Zeitalter agentischer KI **ebenso kritisch wie Softwareentwicklung und Data Engineering**.
- **3 Branchenbeispiele**: finanzielle Compliance (Verknüpfung von Regulierungen ↔ internen Richtlinien), Engineering-Assistent (Architektur + API-Verträge + Standards + Vorfälle vor einer Empfehlung), klinischer Assistent (Leitlinien + Protokolle + Fachliteratur + Patientenakte).
- **Grenzen**: ein **konzeptioneller, nicht quantifizierter** Artikel (keine Benchmarks, Kostenzahlen oder gemessenen Erfahrungswerte aus dem Feld); der KDLC ist ein ansprechendes Rahmenwerk, bleibt aber eine **Taxonomie von Stufen**, deren Umsetzung, Governance und Pflegeaufwand (Stufe 8, Refresh) die eigentlichen Schmerzpunkte sind und unbehandelt bleiben.
- **Verwandtes**: eine direkte Parallele zu **SDLC/ADLC** (Hingel Six-Stage, Williams ADLC, SFEIR 11 Phasen) — dieselbe „Lebenszyklus"-Bewegung, angewandt auf Wissen statt Code; **RAG im strukturellen Niedergang** (KB-Entität), den das Knowledge Fabric zu überwinden beansprucht; konvergiert mit dem Muster **Compounding Knowledge Lifecycle** und der Logik des Knowledge Graph (die ontologie-kg dieses Repositoriums ist eine konkrete Ausprägung davon).

## RésuméDe400mots

Als dritter Teil der Reihe «New Engineering Disciplines for the AI Era» etabliert dieser Artikel von Ashish Singh **KDLC — Knowledge Development Life Cycle** als eigenständige Ingenieursdisziplin. Seine These kehrt die vorherrschende Diagnose um: Wenn so viele KI-Initiativen in Unternehmen scheitern, dann nicht mangels der Wahl des richtigen Modells oder der Einführung eines RAG-Systems, sondern weil sie **die zugrunde liegende Struktur des Wissens** ignorieren. Der zentrale Satz bringt die Tragweite auf den Punkt: „KI ist nur so wirksam wie das Wissen, das sie entdecken, verstehen, abrufen und dem sie vertrauen kann." Wissen muss folglich als **konstruiertes Gut** behandelt werden, gleichrangig mit Code (SDLC) oder Daten.

Der KDLC gliedert diese Arbeit in **acht** aufeinanderfolgende Stufen. **Discovery** lokalisiert Wissen, das über Datenbanken, SharePoint, Wikis, CRM, ERP und technische Artefakte verstreut ist. **Extraction** extrahiert die relevanten Informationen unter Wahrung von Geschäftskontext, Metadaten, Beziehungen und Eigentümerschaft. **Structuring** wandelt Informelles in standardisierte, wiederverwendbare Wissensobjekte um. **Knowledge Graph Creation** bildet die Verknüpfungen zwischen Kunden, Produkten, Projekten, Teams, Regulierungen und Anwendungen ab. **Embedding** erzeugt semantische Repräsentationen, die ein Verständnis nach Bedeutung ermöglichen. **Index Optimization** verfeinert Vektorindizes und Retrieval-Pipelines. **Retrieval Evaluation** misst Relevanz, Präzision, Vollständigkeit und geschäftliche Wirkung. Schließlich hält **Knowledge Refresh** das Ganze angesichts neuer Richtlinien, Regulierungen und Releases auf dem aktuellen Stand.

Der argumentative Kern stellt zwei Architekturen gegenüber. **Traditionelles RAG** ruft über schlüsselwortbasierte Suchen isolierte Dokumente ab. Das **Enterprise Knowledge Fabric** — eine Kombination aus Knowledge Graphs, Semantic Search, Vektordatenbanken und Hybrid Search — zielt auf ein vernetztes Verständnis: Statt Dokumente abzurufen, erfassen KI-Agenten „Beziehungen, Kontext und geschäftliche Bedeutung". Eine zweite Trias rahmt die jeweiligen Rollen der Schichten: „Modelle liefern Reasoning. Memory liefert Kontinuität. Wissen liefert Verständnis."

Drei branchenspezifische Beispiele machen die Wirkung konkret: ein Assistent für **finanzielle Compliance**, der aktuelle Regulierungen mit internen Richtlinien verknüpft; ein Assistent für **Softwareentwicklung**, der Architektur, API-Verträge, Standards und Vorfälle konsultiert, bevor er eine Empfehlung ausspricht; ein **klinischer** Assistent, der Behandlungsleitlinien, Protokolle, Fachliteratur und Patientenakten abgleicht. Singh schließt, dass Wissensingenieurwesen im Zeitalter agentischer KI ebenso kritisch wird wie Softwareentwicklung und Data Engineering. Die Grenze des Artikels liegt in seiner **konzeptionellen, nicht quantifizierten** Natur: keine Benchmarks oder Kostenzahlen, und die eigentlichen Schmerzpunkte — Governance und laufende Pflege der Refresh-Stufe — bleiben unbehandelt.

## GrapheDeConnaissance

- Ashish Singh —a_créé→ New Engineering Disciplines for the AI Era Part 3: KDLC (DOCUMENT, 0.96)
- KDLC —s_applique_à→ connaissance d'entreprise comme actif ingénieré (CONCEPT, 0.93)
- Ashish Singh —affirme_que→ les initiatives IA échouent faute de connaissance structurée, pas faute de modèle ou de RAG (AFFIRMATION, 0.92)
- Ashish Singh —affirme_que→ « AI is only as effective as the knowledge it can discover, understand, retrieve, and trust » (CITATION, 0.94)
- KDLC —fait_partie_de→ New Engineering Disciplines for the AI Era (série) (CONCEPT, 0.9)
- Enterprise Knowledge Fabric —surpasse→ RAG (TECHNOLOGIE, 0.88)
- Enterprise Knowledge Fabric —utilise→ knowledge graph (TECHNOLOGIE, 0.9)
- Enterprise Knowledge Fabric —utilise→ recherche sémantique (TECHNOLOGIE, 0.88)
- Enterprise Knowledge Fabric —utilise→ base de données vectorielle (TECHNOLOGIE, 0.88)
- knowledge graph —permet→ compréhension des relations, du contexte et du sens métier (CONCEPT, 0.87)
- KDLC —s_applique_à→ IA agentique (TECHNOLOGIE, 0.86)
- ingénierie de la connaissance —est_instance_de→ discipline d'ingénierie critique au même titre que SDLC et data engineering (CONCEPT, 0.85)
- Ashish Singh —affirme_que→ « Models provide reasoning. Memory provides continuity. Knowledge provides understanding. » (CITATION, 0.9)
- KDLC —observé_dans→ conformité financière, ingénierie logicielle et santé (CONCEPT, 0.83)

---
Canonical: https://www.thekb.eu/de/fiches/singh-kdlc-knowledge-development-life-cycle-2026-06-28/