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.
New Engineering Disciplines for the AI Era
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.