Die Bibliothek von Babel, Vannevar Bushs Memex, RAG und KI-Agenten: eine kurze Geschichte über zu viel Wissen – und darüber, wo Erkenntnis wirklich entsteht.
Es beginnt nicht mit künstlicher Intelligenz.
Es beginnt mit einem Gefühl, das jeder kennt, der ein Unternehmen führt: Irgendwo liegt die Antwort bereits. In einem Ordner. In einem Postfach. In einer Excel-Tabelle, Version 7, final_final. Im Kopf einer Mitarbeiterin, die gerade im Urlaub ist.
Das Wissen ist da. Nur findet es niemand, wenn es gebraucht wird.
Dieses Gefühl ist nicht neu. Es ist vielleicht das älteste Problem des Wissens überhaupt. Und wer verstehen will, was KI-Agenten heute leisten können – und wo ihre Grenze verläuft –, sollte die Geschichte dieses Problems kennen. Sie beginnt in einer Bibliothek, die es nie gab.
1941 beschreibt der argentinische Schriftsteller Jorge Luis Borges eine Bibliothek, die aus unendlich vielen sechseckigen Galerien besteht. Sie enthält jedes Buch, das je geschrieben wurde – und jedes, das je geschrieben werden könnte. Jede Wahrheit steht dort. Jede Widerlegung ebenfalls.
Man könnte meinen: das Paradies.
Die Bewohner der Bibliothek erleben etwas anderes. Sie irren durch die Galerien, ein Leben lang, auf der Suche nach dem einen Buch, das ihr Dasein erklärt. Die meisten finden nur Rauschen.
Borges hat mit der Bibliothek von Babel etwas beschrieben, das erst Jahrzehnte später Alltag wurde: Eine Sammlung, die alles enthält, beantwortet keine einzige Frage. Vollständigkeit hilft nicht – sie ist das Problem.
Was fehlt den Suchenden in Babel? Es ist ja alles da.
Es fehlt der Zusammenhang.
Vier Jahre später, im Sommer 1945, veröffentlicht der amerikanische Ingenieur Vannevar Bush – Koordinator der US-Kriegsforschung, einer der einflussreichsten Wissenschaftsorganisatoren seiner Zeit – einen Aufsatz mit dem Titel „As We May Think".
Seine Beobachtung: Die Menschheit produziert Wissen schneller, als sie es nutzen kann. Forschungsergebnisse, die Leben retten könnten, versinken in Fachzeitschriften, die niemand mehr überblickt. Die Werkzeuge des Wissens – Bibliothekskataloge, Karteikarten, alphabetische Register – stammen aus einer Zeit, in der Wissen knapp war.
Bush formuliert es nüchtern: Unsere Methoden, Wissen wiederzufinden, sind der Aufgabe nicht mehr gewachsen.
Man lese diesen Satz noch einmal – und denke an das eigene Postfach.
Bush belässt es nicht bei der Diagnose. Er entwirft eine Maschine, die es nie zu bauen gelang und die trotzdem die Informatikgeschichte geprägt hat: den Memex.
Ein Schreibtisch mit Bildschirmen, in dem das gesamte Wissen eines Menschen gespeichert ist. Das Bemerkenswerte daran war aber gar nicht der Speicher. Es war die Art des Zugriffs: Der Memex sollte Dokumente durch Pfade verbinden – Spuren von einem Gedanken zum nächsten, so wie das menschliche Denken springt. Bush nannte das associative trails.
Sein Argument: Der Verstand arbeitet nicht alphabetisch. Er arbeitet in Assoziationen. Ein Gedanke ruft den nächsten – über Ähnlichkeit, über Erfahrung, über Bedeutung.
Damit hat Bush 1945 etwas formuliert, das bis heute der Kern jedes ernsthaften Wissensmanagements ist:
Wissen wird nicht durch Sammeln nützlich. Es wird durch Verbindungen nützlich.
Der Memex wurde nie gebaut. Aber seine Idee wanderte weiter – über Hypertext und das World Wide Web bis in die Systeme, um die es gleich geht.
Vorher allerdings passierte etwas anderes: Wir bauten die Bibliothek von Babel. Wirklich.
Das Internet hat Bushs Flut nicht gelöst, sondern vervielfacht. Suchmaschinen brachten Ordnung in die Dokumente – aber eine Suchmaschine findet Seiten, keine Antworten. Und im Inneren von Unternehmen, dort wo Verträge, Angebote, Protokolle und Erfahrungswissen liegen, findet sie gar nichts.
Dann kamen die großen Sprachmodelle. Zum ersten Mal konnte eine Maschine Sprache nicht nur speichern, sondern verarbeiten: zusammenfassen, übersetzen, formulieren. Ein gewaltiger Schritt – mit einer oft übersehenen Eigenschaft: Ein Sprachmodell kennt Ihr Unternehmen nicht. Es hat Ihre Verträge nie gelesen, Ihre Kunden nie erlebt, Ihre Entscheidungen nie begleitet.
Genau hier setzt eine Technik an, die heute unter dem Kürzel RAG läuft – Retrieval-Augmented Generation. Hinter dem sperrigen Namen steckt eine alte Bekannte: Bushs Assoziationsspur, technisch umgesetzt.
So funktioniert es, ohne Fachchinesisch:
Die Frage „Wo steht das nochmal?" bekommt damit zum ersten Mal seit Borges eine technische Antwort. Die Bibliothek antwortet.
Aber ist eine Antwort schon Erkenntnis?
Die nächste Stufe ist gerade dabei, den Arbeitsalltag zu verändern. Ein KI-Agent – im Englischen spricht man von Agentic AI – beantwortet keine Einzelfragen mehr. Er verfolgt Aufgaben.
Ein Agent kann Quellen verbinden, die im Unternehmen getrennt liegen: Dokumente und Dateien, CRM und Kundendaten, E-Mails und Kalender, Excel-Auswertungen, Prozesshandbücher, Maschinendaten, das Archiv abgeschlossener Projekte. Er kann daraus Berichte schreiben, Anfragen vorsortieren, Wiedervorlagen anstoßen, Muster melden, die sonst niemand bemerkt hätte.
Wer das zum ersten Mal im eigenen Betrieb erlebt, beschreibt es oft gleich: Es fühlt sich an, als hätte das Unternehmen ein Gedächtnis bekommen.
Und trotzdem bleibt eine Beobachtung, die man ernst nehmen sollte, gerade wenn man von den Möglichkeiten begeistert ist:
Der Agent erkennt Muster. Er versteht keine Welt.
Er weiß, dass zwei Dokumente zusammengehören. Er weiß nicht, was davon auf dem Spiel steht. Er sieht die Zahlen des Quartals. Er spürt nicht, was sie für die Menschen bedeuten, deren Namen in der Lohnliste stehen.
Das ist kein Mangel, den die nächste Modellgeneration behebt. Es ist eine Grenzlinie – und wer sie kennt, kann auf beiden Seiten das Richtige tun.
Es lohnt sich, drei Begriffe auseinanderzuhalten, die im KI-Zeitalter ständig verwechselt werden:
Information ist, was in den Systemen liegt. Sie lässt sich speichern, durchsuchen, verschieben.
Wissen entsteht, wenn Informationen in Beziehung treten – zueinander, zu einem Kontext, zu einer Frage. Das ist die Ebene, auf der RAG und KI-Agenten heute Erstaunliches leisten.
Erkenntnis aber ist mehr. Erkenntnis entsteht, wenn ein Mensch das Erkannte auf sich selbst und seine Situation bezieht – und daraus eine Entscheidung wird, die er verantworten kann.
Die ersten beiden Ebenen lassen sich delegieren. Die dritte nicht.
Denn der Mensch kann etwas, das kein System kann, unabhängig davon, wie groß die Modelle noch werden: Er beobachtet nicht nur die Welt. Er beobachtet sich selbst beim Beobachten. Er kann sich fragen: Warum sehe ich das so? Was übersehe ich, weil ich es so sehen will? Wer bin ich, der diese Entscheidung trifft?
Eine Maschine verarbeitet Zeichen. Ein Mensch macht Erfahrungen. Von außen sieht das manchmal ähnlich aus. Es ist etwas völlig anderes.
Wie kommt ein Mensch – oder ein Unternehmen – von der Beobachtung zur Erkenntnis? Nicht auf einer Linie, sondern in einer Bewegung, die sich wiederholt und dabei steigt:
Phänomen → Beobachtung → Beziehung → Erkenntnis → Handlung → Reflexion → Bewusstwerdung – und von dort beginnt die Runde neu, eine Ebene höher.
Jede echte Einsicht macht sichtbar, was vorher im Dunkeln lag: die Annahme, die niemand hinterfragt hat. Der Prozess, der „schon immer so" lief. Das Muster, das sich durch jede Kundenbeziehung zieht, ohne dass es je jemand ausgesprochen hätte.
Der Psychologe Carl Gustav Jung nannte diese Bewegung beim einzelnen Menschen Individuation: die schrittweise Integration dessen, was bisher unbewusst mitlief. Man wird dadurch nicht perfekt. Man wird ganzer.
Das Erstaunliche ist: Unternehmen kennen diese Bewegung auch. Der größte Teil dessen, was ein Unternehmen weiß, ist ihm selbst nicht bewusst – er liegt in Ordnern, Postfächern, Routinen und Köpfen. Und hier bekommt die Technik dieser Geschichte noch einmal eine überraschende Rolle:
Gut gebaute KI macht Unbewusstes sichtbar. Wer einem Agenten den eigenen Prozess erklären muss, merkt, wo er ihn selbst nicht versteht. Wer die Muster seiner zehn Jahre Projektarchiv zum ersten Mal vor sich sieht, erkennt Dinge, die immer da waren – nur nie im Licht.
Die Maschine liefert den Spiegel. Hineinschauen kann nur der Mensch.
Die Griechen hatten eine Gestalt für das, worum es auf dieser Seite die ganze Zeit ging: Hermes, den Boten der Götter. Sein Amt war die Schwelle – er trug Botschaften zwischen Welten, die einander nicht verstanden, und übersetzte, was sonst getrennt geblieben wäre.
Genau an dieser Schwelle entsteht heute der eigentliche Wert von KI im Unternehmen: zwischen Daten und Bedeutung. Zwischen dem, was ein Unternehmen gespeichert hat, und dem, was es gerade wissen muss. Zwischen Maschine und Mensch.
Deshalb trägt der Agent, den wir für kleine und mittlere Unternehmen aufsetzen, diesen Namen. Hermes verbindet die Quellen, die im Betrieb getrennt liegen, erinnert sich nach Regeln, die der Kunde bestimmt – und liefert das, was Vannevar Bush sich 1945 gewünscht hat: Zusammenhänge statt Suchergebnisse.
Was er nicht liefert, haben Sie auf dieser Seite gelesen. Die Erkenntnis, was aus den Zusammenhängen folgt – die entsteht weiterhin dort, wo sie immer entstanden ist.
Vielleicht ist das die eigentliche Aufgabe der KI-Epoche: nicht intelligentere Maschinen zu bauen, sondern Menschen den Raum zurückzugeben, in dem Erkenntnis entstehen kann.
Wie das technisch konkret aussieht, zeigen zwei weitere Artikel aus diesem Ratgeber: KI-Automatisierung & CRM-Orchestrierung und Corporate LLM: Sicherer KI-Workspace für Unternehmen.
Ein KI-Agent ist ein KI-System, das nicht nur Fragen beantwortet, sondern Aufgaben verfolgt: Es verbindet Datenquellen wie Dokumente, CRM, E-Mails und Auswertungen, führt mehrstufige Arbeitsschritte aus und meldet Ergebnisse – etwa Berichte, Wiedervorlagen oder auffällige Muster. Im Unterschied zum Chatbot arbeitet ein Agent selbstständig auf ein Ziel hin.
RAG ist eine Technik, die ein Sprachmodell mit dem eigenen Firmenwissen verbindet. Inhalte werden als Bedeutungs-Koordinaten (Embeddings) gespeichert; zu jeder Frage werden die relevanten Passagen herausgesucht (Retrieval) und das Modell antwortet auf dieser Grundlage (Generation) – mit Quelle, aus den eigenen Daten statt aus dem Internet.
Agentic AI ist der englische Oberbegriff für KI-Systeme, die eigenständig planen und handeln – also KI-Agenten. Statt auf einzelne Eingaben zu reagieren, zerlegen sie Aufgaben in Schritte, nutzen Werkzeuge wie Suche, Datenbanken oder E-Mail und arbeiten bis zum Ergebnis.
KI macht verstreutes Firmenwissen auffindbar und nutzbar: Sie durchsucht Dokumente, Mails und Systeme nach Bedeutung statt nach Stichworten, beantwortet Fragen mit Quellenangabe und hält Wissen aktuell, das sonst in Ordnern und Köpfen verschwindet. Voraussetzung sind eine saubere Anbindung der Datenquellen und klare Regeln, was die KI speichern darf.