Der Context Graph: Warum das Speichern von Ergebnissen nicht reicht - und wie ein Company Brain die Begründung hinter jeder Entscheidung erfasst

11. Juli 202633 Min. Lesezeit

Mitgründer bei Superkind

Ein vernetztes Geflecht von Entscheidungsknoten als Sinnbild für einen Company Context Graph

Fragen Sie Ihr ERP, wofür ein Produkt letztes Quartal verkauft wurde, und es antwortet sofort. Fragen Sie es, warum der Vertrieb diesem Kunden zusätzliche 4 Prozent Nachlass gab, und es hat nichts. Die Zahl ist da. Die Begründung ist weg - sie lebte in einem Slack-Thread, einem Flurgespräch und im Kopf eines Mitarbeiters, der im März gegangen ist.

Unternehmenssoftware ist in dreissig Jahren sehr gut darin geworden, Ergebnisse zu erfassen: den finalen Preis, den genehmigten Rabatt, das eskalierte Ticket, den versendeten Auftrag. Beim Erfassen der Begründung dahinter ist sie miserabel. Diese Begründung ist der wertvollste Rohstoff, den Ihr Unternehmen jeden Tag produziert, und kaum etwas davon wird festgehalten. Foundation Capital nennt die fehlende Schicht einen Context Graph und argumentiert, sie sei die nächste Billionen-Kategorie in der Unternehmenssoftware¹.

Dieser Leitfaden ist für die Betriebsleiterin, den CTO oder die Geschäftsführerin, die miterlebt hat, wie ein Experte in Rente ging und zwanzig Jahre Urteilsvermögen mitnahm - oder wie ein KI-Pilot stecken blieb, weil der Agent die Regeln kannte, aber nicht die Ausnahmen. Kein Hype. Hier steht, was ein Context Graph ist, warum Ihre heutigen Systeme nie einen bauen werden und wie ein Company Brain die Begründung dahinter erfasst, wie Ihr Unternehmen wirklich entscheidet - damit sie Fluktuation überdauert, statt zur Tür hinauszugehen.

Kurzfassung

Systeme speichern Ergebnisse, nicht Begründungen - Ihr ERP und CRM wissen, was passiert ist, nie warum die Entscheidung fiel.

Die Begründung lebt ausserhalb Ihrer Systeme - in Slack, E-Mail, Nebengesprächen und Köpfen, wo nichts sie indexiert und sie mit den Menschen verschwindet.

Ein Context Graph ist das institutionelle Gedächtnis dafür, wie Ihr Unternehmen entscheidet - eine lebendige, abfragbare Aufzeichnung von Entscheidungen und ihrer Begründung, nicht wie das Prozessdokument es vorsieht.

Er ist kein Wiki, kein Knowledge Graph und kein einfaches RAG - er wird von der täglichen Arbeit gespeist, erfasst Ausnahmen und Genehmigungen und bleibt aktuell, statt zu veralten.

Ein Company Brain baut und pflegt ihn - durch Beobachtung echter Arbeit und Feedback - und KI-Mitarbeiter handeln dann darauf über E-Mail, Teams, SharePoint, CRM und ERP.

Die Ergebnis-Falle: Ihre Systeme erfassen das Was, nie das Warum

Jedes System, das Sie betreiben, ist ein System zur Erfassung von Ergebnissen. Es hält den Zustand des Unternehmens fest, nachdem eine Entscheidung gefallen ist, und das gut. Was es nie erfasst, ist die Entscheidung selbst - das Abwägen der Optionen, die gerechtfertigte Ausnahme, der Präzedenzfall, der den Fall bestimmte. Diese Begründung wird als Abfall behandelt, nicht als Daten.

Das ERP erfasst die Transaktion - es speichert, dass Bestellung 4471 zu 84.000 Euro genehmigt wurde. Es speichert nicht, warum der Einkäufer den teureren Lieferanten wählte: eine Qualitätshistorie und eine Liefergarantie, die nur der Einkäufer kannte.
Das CRM erfasst den Abschluss - es zeigt den Deal mit 12 Prozent Rabatt. Es zeigt nicht, dass der Rabatt ein strategischer Verlustführer war, um einen Wettbewerber vor einer grösseren Verlängerung zu verdrängen - eine Logik, die einzig im Kopf des Vertrieblers lebte.
Das Ticketsystem erfasst die Lösung - es markiert den Fall als geschlossen. Es hält nicht den undokumentierten Workaround fest, den der erfahrene Agent nutzte und den der nächste Agent neu entdecken muss.
Die Buchhaltung erfasst die Buchung - sie zeigt die auf eine Kostenstelle kontierte Rechnung. Sie zeigt nicht die Ermessensentscheidung, zu welchem Projekt die mehrdeutige Position gehörte.
Das MES erfasst die Parameteränderung - es protokolliert, dass der Einrichter die Temperatur anpasste. Es protokolliert nicht, warum, oder welche Materialcharge die Änderung nötig machte.

Wie Foundation Capital in seiner These formuliert, ist das Problem strukturell, keine Frage der Disziplin: Unternehmenssoftware ist sehr gut darin, Ergebnisse zu erfassen, aber nicht die Begründung dahinter, weil diese Begründung nie überhaupt als Daten behandelt wurde¹.

Die zentrale Unterscheidung

Ein System of Record speichert Objekte und Ergebnisse: den Auftrag, den Preis, das Ticket, die Buchung. Ein Context Graph speichert die Begründung, die Eingaben mit Ergebnissen verbindet: die Ausnahme, die Genehmigung, den Präzedenzfall, das Warum. Die letzte Generation von Unternehmenssoftware wurde zu Billionen-Plattformen, indem sie zu Systemen der Erfassung wurde. Die nächste Generation wird zu Systemen der Erfassung von Entscheidungen¹.

Geschäftsereignis	Was Ihr System erfasst	Die Begründung, die verloren geht
Lieferant gewählt	Bestellung zu festem Wert genehmigt	Warum dieser Lieferant statt eines günstigeren
Rabatt gewährt	Deal mit 12% Nachlass gewonnen	Der strategische Grund für das Zugeständnis
Ticket gelöst	Fall als geschlossen markiert	Der Workaround, der ihn wirklich löste
Ausnahme genehmigt	Status auf genehmigt gesetzt	Wer entschied und auf welchen Präzedenzfall
Rechnung kontiert	Position auf Kostenstelle gebucht	Das Ermessen hinter dem mehrdeutigen Fall

Das ist die Ergebnis-Falle. Sie haben eine perfekte Aufzeichnung dessen, was Ihr Unternehmen tat, und kaum eine Aufzeichnung, wie es sich dazu entschied. Und das Wie ist genau das, was eine neue Kraft braucht, was ein Prüfer verlangt und was ein KI-Agent haben muss, um mit echter Arbeit betraut zu werden.

Was ein Context Graph wirklich ist

Ein Context Graph ist das institutionelle Gedächtnis dafür, wie eine Organisation Entscheidungen trifft: nicht wie das Prozessdokument es vorsieht, sondern wie es in der Praxis tatsächlich läuft¹. Der Baustein ist der Decision Trace - eine Aufzeichnung, die nicht nur die getroffene Entscheidung erfasst, sondern den Kontext, die Begründung, die Ausnahmen und die Genehmigungen, die zu ihr führten⁶.

Einzelne Decision Traces summieren sich zu einem Graphen: einer lebendigen, abfragbaren Karte davon, wie das Unternehmen entscheidet, über Systeme und über die Zeit hinweg verbunden, sodass Präzedenzfälle durchsuchbar werden¹. Wo ein Data Warehouse beantwortet „was ist wahr“, beantwortet ein Context Graph „wie handhaben wir das hier, und wie haben wir es bisher gehandhabt“.

Die Anatomie eines Decision Trace

Der Auslöser - was eine Entscheidung anstiess: ein Auftrag traf ein, eine Schwelle wurde überschritten, ein Kunde beschwerte sich.
Der Kontext - der Zustand der Welt in diesem Moment: die Kundenhistorie, der aktuelle Bestand, die relevante Richtlinie, die konkurrierenden Zwänge.
Die Begründung - das Abwägen der Optionen und die Rechtfertigung der Wahl, einschliesslich dessen, was verworfen wurde und warum.
Die Ausnahme - wo die Standardregel nicht galt, und die Begründung für die Abweichung.
Die Genehmigung - wer abzeichnete, auf welcher Kompetenzstufe und gegen welchen Präzedenzfall.
Das Ergebnis - die resultierende Handlung, zurückverknüpft mit dem System of Record, das sie speicherte.

Erfassen Sie diese sechs Elemente, während die Arbeit geschieht, und verbinden Sie sie über die Zeit, erhalten Sie etwas, das Unternehmen selten haben: eine strukturierte, abspielbare Historie davon, wie Kontext zu Handlung wird⁶. Decision Traces liefern durchsuchbare Aufzeichnungen darüber, wie Situationen bisher gehandhabt wurden, sodass Menschen - und Agenten - ihre Schlussfolgerung in der institutionellen Realität verankern können, statt zu raten⁵.

Warum das jetzt zählt

Gartner prognostiziert, dass bis 2028 Context-Engineering-Funktionen in 80 Prozent der Software-Werkzeuge zum Bau von KI-Anwendungen eingebaut sein werden und dass Context Engineering die Genauigkeit agentischer KI bis 2028 um mindestens 30 Prozent verbessert⁵. Gartner rahmt Kontext zudem als die neue kritische Infrastruktur für KI - Agenten können nicht zuverlässig arbeiten, ohne den Geschäftskontext jenseits roher Daten zu verstehen¹⁹.

„Die Begründung, die Daten mit Handlung verbindet, wurde nie überhaupt als Daten behandelt.“

- Jaya Gupta, Partnerin bei Foundation Capital¹

Dieser eine Satz erklärt, warum das wertvollste Wissen in Ihrem Unternehmen zugleich das am wenigsten erfasste ist. Es war nie jemandes Aufgabe, es aufzuschreiben, und kein System wurde gebaut, um es zu halten.

Wo die Begründung wirklich lebt

Wenn Ihre Systeme of Record die Begründung nicht halten, muss sie irgendwo leben. Sie lebt im unzuverlässigsten Speichermedium, das Ihr Unternehmen besitzt: unindexierten Gesprächen und dem Gedächtnis Einzelner. Jeder dieser Orte ist ein Ort, aus dem Ihr Context Graph erfassen sollte - und heute nichts erfasst.

Slack- und Teams-Threads - „kurze Frage, können wir für diesen Account eine Ausnahme machen?“ gefolgt von einem Ja und einem Grund. Die Entscheidung fällt, der Thread scrollt weg, und die Begründung ist binnen einer Woche verschwunden.
E-Mail-Ketten - das Hin und Her, in dem eine Vertragsklausel verhandelt und ein Zugeständnis gerechtfertigt wurde. Vergraben in einem Postfach, das kein Nachfolger durchsuchen kann.
Flur- und Telefongespräche - das mündliche „mach das für diesen Kunden einfach so, das ist ein Sonderfall“, das nie eine Tastatur berührt.
Köpfe der Menschen - der erfahrene Mitarbeiter, der schlicht weiss, welchem Lieferanten zu trauen ist, welchen Kunden man nie sperren darf und welche Maschine eine sanftere Hand braucht. Studien zeigen, dass 42 Prozent des institutionellen Wissens einzig bei der Person liegen, die es hält¹².
Meeting-Entscheidungen, die nie protokolliert werden - die Entscheidung fällt, alle nicken, und kein Artefakt hält fest, warum.
Tabellen mit Stammes-Logik - das Preismodell, dessen Anpassungsfaktoren nur eine Person erklären kann.

Genau deshalb weichen dokumentierter und tatsächlicher Prozess voneinander ab. Process Mining existiert gerade deshalb, weil die Art, wie ein Prozess definiert ist, und die Art, wie er wirklich läuft, sehr verschiedene Geschichten sind - Conformance Checking zeigt, wo Schritte übersprungen, verlängert oder in falscher Reihenfolge ausgeführt werden im Vergleich zum offiziellen Modell¹⁸. Ihr Prozessdokument beschreibt den beabsichtigten Weg. Der Context Graph sollte den echten beschreiben.

Heute: fragiler Speicher

✗ Chat-Threads - scrollen weg und werden nie wieder durchsucht
✗ Gedächtnis Einzelner - verlässt das Haus um 17 Uhr und für immer am letzten Tag
✗ E-Mail-Postfächer - privat, unindexiert, verloren beim Offboarding
✗ Mündliche Entscheidungen - gar kein Artefakt

Sollte sein: ein Context Graph

✓ Im Arbeitsfluss erfasst - festgehalten, während die Entscheidung fällt, nicht später rekonstruiert
✓ Abfragbar - Präzedenzfälle sind unternehmensweit durchsuchbar
✓ Dauerhaft - überdauert, wenn die entscheidende Person geht
✓ Verknüpft - Begründung mit dem Ergebnis im System of Record verbunden

Welche Begründung verliert Ihr Unternehmen jeden Tag?

Buchen Sie ein 30-minütiges Gespräch. Wir zeigen, wo Ihr Entscheidungswissen leckt und wie man es erfasst.

Demo buchen →

Die Kosten des Kontextverlusts

Die Begründung hinter Entscheidungen zu verlieren ist kein weiches, unmessbares Problem. Es zeigt sich als vergeudete Stunden, misslungenes Onboarding, wiederholte Fehler und, wenn Schlüsselpersonen gehen, als dauerhaftes Loch in der Arbeitsweise des Unternehmens. Die Zahlen sind gross und konsistent.

47 Millionen Dollar pro Jahr - so viel verliert ein durchschnittliches grosses US-Unternehmen an Produktivität durch ineffizientes Wissensteilen, aufgeteilt in rund 42,5 Millionen Dollar entgangene Produktivität und 4,5 Millionen Dollar ineffizientes Onboarding¹².
31,5 Milliarden Dollar pro Jahr - der Betrag, den Fortune-500-Unternehmen zusammen einbüssen, weil sie Wissen nicht teilen, laut IDC-Schätzungen¹².
5,3 Stunden pro Woche - die Zeit, die jeder Wissensarbeiter damit vergeudet, auf Informationen von Kollegen zu warten oder bereits vorhandenes Wissen neu zu erzeugen¹³.
Bis zur Hälfte des Unternehmenswissens ist nicht durchsuchbar - was Mitarbeiter zwingt, Arbeit zu duplizieren, statt auf bereits Erarbeitetem aufzubauen¹².
47 Prozent der Wissensarbeiter haben Mühe, die Informationen zu finden, die sie für ihre Arbeit brauchen¹⁶.
Zwei Drittel der IT-Verantwortlichen sorgen sich speziell um organisatorischen Wissensverlust durch Personalfluktuation¹⁷.

Die Fluktuations-Zeitbombe

Organisationen erwarten, dass rund die Hälfte ihrer Belegschaft innerhalb von fünf Jahren in Rente geht oder wechselt, doch 41 Prozent der Organisationen versuchen selten oder nie überhaupt, das Know-how ausscheidender Menschen zu sammeln¹⁵. Wenn ein Experte mit der Begründung hinter einem Jahrzehnt an Entscheidungen hinausgeht, muss eine neue Kraft praktisch bei null beginnen - genau das berichten 41 Prozent der Beschäftigten¹⁴.

Das Wissen, das Sie verlieren, sind nicht die Ergebnisse - die liegen sicher im ERP. Es ist die Begründung: das Urteilsvermögen, die Ausnahmen, der Präzedenzfall. Das ist die Schicht, die ein Context Graph bewahren soll.

Symptom des Kontextverlusts	Kosten	Quelle
Ineffizientes Wissensteilen	47 Mio. $/Jahr pro grossem Unternehmen	Panopto¹²
Wissen wird nicht geteilt	31,5 Mrd. $/Jahr über die Fortune 500	IDC via Panopto¹²
Zeitverlust pro Mitarbeiter	5,3 Stunden/Woche	Panopto¹³
Wissen nur bei Einzelnen	42% des institutionellen Wissens	Panopto¹²
Mitarbeiter finden Infos nicht	47% der Wissensarbeiter	Stravito¹⁶

Konzentrische Schichten als Sinnbild für wachsendes institutionelles Gedächtnis in einem Company Brain

Context Graph vs Wiki, Knowledge Graph und RAG

„Das haben wir schon“ ist die häufigste Reaktion, meist mit Verweis auf ein Wiki, ein Knowledge-Graph-Projekt oder einen glänzenden neuen RAG-Chatbot. Jedes erfasst etwas Echtes. Keines erfasst die Begründung hinter Entscheidungen so, wie es ein Context Graph tut. Ehrlich über den Unterschied zu sein ist der Punkt.

Gegen das statische Wiki und SharePoint

Einmal geschrieben, veraltet ab Tag eins - eine Wiki-Seite spiegelt den Moment ihrer Erstellung und wird nie aktualisiert, während sich die Arbeit ändert. Ein Context Graph wird laufend von der Arbeit selbst gespeist.
Beschreibt Absicht, nicht Realität - Dokumentation erfasst, wie ein Prozess laufen soll. Sie kann die Ausnahmen nicht erfassen, die den echten Betrieb ausmachen.
Niemand pflegt es - das klassische Wiki-Scheitern. Ein Context Graph pflegt sich selbst, indem er Entscheidungen beobachtet, statt jemanden zu bitten, ans Aufschreiben zu denken.

Gegen den Knowledge Graph

Entitäten vs Begründung - ein Knowledge Graph bildet Dinge und ihre Beziehungen ab: Kunde zu Auftrag, Auftrag zu Produkt. Er ist stark bei Multi-Hop- und Prüffragen⁸, speichert aber den Zustand des Unternehmens, nicht wie es entscheidet.
Ein Context Graph ergänzt die Entscheidungsschicht - er erfasst, warum dieser Kunde jene Kondition erhielt, welcher Präzedenzfall galt und wer genehmigte. Beide ergänzen sich: eine reife Kontextschicht wird oft auf einem Graph-Fundament gebaut⁴.

Gegen einfaches RAG

Ähnlichkeit ist keine Schlussfolgerung - Vektorsuche findet Text, der Ihrer Anfrage ähnelt. Sie kann keine Beziehungsstruktur erfassen oder wie eine Entscheidung erreicht wurde².
Die Multi-Hop-Decke - RAG und Gedächtnis ohne Graph können abrufen und speichern, aber nicht über explizite Entscheidungsbeziehungen hinweg schlussfolgern⁷.
Die besten Architekturen kombinieren alle drei - bis 2026 ist der Konsens hybrid: Vektorsuche für Einstiegspunkte, Graph-Traversierung für verbundenen Kontext und persistentes Gedächtnis für Sitzungs- und Entscheidungshistorie⁷. Geschätzte 85 Prozent der Unternehmen wechseln zu hybridem Retrieval aus Vektor und Graph²⁰.

Fähigkeit	Statisches Wiki	Knowledge Graph	Einfaches RAG	Context Graph
Erfasst Begründung hinter Entscheidungen	Nein	Teilweise	Nein	Ja
Hält Ausnahmen und Genehmigungen fest	Selten	Nein	Nein	Ja
Bleibt automatisch aktuell	Nein	Braucht Modellierung	Nur Neu-Indexierung	Ja (von Arbeit gespeist)
Schlussfolgert über Beziehungen	Nein	Ja	Begrenzt	Ja
Überdauert Fluktuation	Wenn gepflegt	Teilweise	Teilweise	Ja
Verankert einen KI-Agenten zur Entscheidungszeit	Schwach	Teilweise	Teilweise	Ja

„Ein System of Record für Entscheidungen, nicht nur für Daten.“

- Dharmesh Shah, Mitgründer und CTO von HubSpot¹

Wie ein Company Brain den Context Graph baut und pflegt

Ein Context Graph ist nichts, was Sie vorgefüllt kaufen. Er ist das Gedächtnis Ihres Unternehmens, also kann er nur aus der Arbeit Ihres Unternehmens entstehen. Der Mechanismus, der ihn baut und pflegt, ist das, was wir Company Brain nennen: eine lebendige Gedächtnisschicht, gespeist von täglicher Arbeit und Feedback, die auf den bereits betriebenen Systemen sitzt. So füllt sie den Graphen, ohne zu einem weiteren Dokumentationsprojekt zu werden, das niemand beendet.

Entscheidungen dort beobachten, wo sie fallen - das Company Brain verbindet sich mit E-Mail, Teams, SharePoint, CRM und ERP und beobachtet den Fluss der Entscheidungen: den gewährten Rabatt, die genehmigte Ausnahme, das gelöste Ticket. Erfassung geschieht im Arbeitsfluss, nicht in einem separaten Wiki.
Die Begründung erfassen, nicht nur das Ergebnis - wenn eine Entscheidung eine angehängte Begründung hat (eine Slack-Antwort, eine E-Mail-Rechtfertigung, eine Notiz), verknüpft das Brain diese Begründung mit dem Ergebnis und speichert sie als Decision Trace.
Die unklaren Fälle mit leichter menschlicher Prüfung bestätigen - wo die Begründung unklar ist, stellt das Brain eine Ein-Zeilen-Frage: „War das ein Einzelfall oder die neue Regel für diesen Kunden?“ Ein einziger Tipp macht aus einer Vermutung dauerhaften Präzedenzfall.
Aus jeder Korrektur lernen - wenn jemand überschreibt, wie eine Entscheidung erfasst wurde, fliesst diese Korrektur zurück. Das ist die Feedback-Schleife, die den Graphen jede Woche schärfer macht, statt schaler.
Präzedenzfälle über Zeit und Systeme verknüpfen - das Brain verbindet die heutige Entscheidung mit den ähnlichen davor, sodass „wie handhaben wir das“ echte Historie liefert, nicht eine einzelne veraltete Notiz.
Unter Ihrer Kontrolle halten - der Graph ist Ihr sensibelster Wert. Er kann in Ihrer eigenen Infrastruktur oder auf EU-Boden laufen, mit Zugriffskontrollen und Audit-Logs von Tag eins.

Warum er nicht veraltet

Ein Wiki veraltet, weil seine Pflege eine separate Aufgabe ist, die mit echter Arbeit konkurriert - und echte Arbeit gewinnt immer. Ein Company Brain hat dieses Problem nicht: Pflege ist das Nebenprodukt der Arbeit. Jede in Ihren Systemen getroffene Entscheidung ist eine Einzahlung in den Graphen. Der Wert wächst gerade deshalb, weil niemand ans Füttern denken muss.

Was ein gesunder Context Graph erfasst

Die Begründung hinter Preis- und Rabattentscheidungen, mit jedem Deal verknüpft
Gewährte Ausnahmen und den Präzedenzfall, der sie rechtfertigte
Wer was auf welcher Kompetenzstufe genehmigt hat
Die undokumentierten Workarounds, die wiederkehrende Probleme wirklich lösen
Lieferanten- und Kundenurteile, die heute nur in einem Kopf leben
Die Logik hinter Kontierungs-, Klassifizierungs- und Weiterleitungsentscheidungen
Wie ähnliche Fälle bei den letzten fünf Malen gehandhabt wurden
Korrekturen und Präferenzen, erfasst während Menschen die Aufzeichnung verfeinern

Wie KI-Mitarbeiter auf dem Context Graph handeln

Ein Context Graph ist kein Selbstzweck. Sein Wert liegt darin, dass er Menschen und KI-Mitarbeitern erlaubt, mit dem Urteilsvermögen Ihrer besten Leute zu handeln. Ohne ihn verhält sich ein KI-Agent wie ein äusserst fähiger Praktikant am ersten Tag - er kann die geschriebenen Regeln befolgen, wird aber von jeder ungeschriebenen Ausnahme aus dem Tritt gebracht¹. Mit ihm verankert der Agent seine Schlussfolgerung darin, wie Ihr Unternehmen tatsächlich entscheidet.

Im Kundenservice - ein KI-Mitarbeiter, der eine Erstattungsanfrage löst, fragt den Graphen ab, wie ähnliche Randfälle gehandhabt wurden, wendet dieselbe Begründung an und leitet den wirklich neuartigen Fall an einen Menschen weiter - statt eine Richtlinie zu erfinden.
In den Finanzen - ein KI-Mitarbeiter, der eine mehrdeutige Rechnung kontiert, prüft den Präzedenzfall für diesen Lieferanten und diese Kostenstelle, wendet das etablierte Urteil an und markiert nur den wirklich neuen Fall.
In den Sales Operations - ein KI-Mitarbeiter, der ein Angebot vorbereitet, sieht die Begründung hinter vergangenen Rabatten für diese Kundenstufe und bleibt innerhalb der echten, durch Präzedenz gedeckten Leitplanken.
Im Einkauf - ein KI-Mitarbeiter, der eine Beschaffungsempfehlung entwirft, wägt dieselbe Lieferanten-Qualitätshistorie ab wie ein erfahrener Einkäufer, weil diese Historie nun im Graphen liegt statt im Gedächtnis des Einkäufers.
Über den ganzen Stack - derselbe KI-Mitarbeiter erledigt die letzte Meile in den echten Systemen: Er schreibt ins CRM zurück, bucht im ERP, aktualisiert den SharePoint-Datensatz und antwortet in E-Mail oder Teams.

Das ist der Unterschied zwischen einer beeindruckenden Demo und einem KI-Mitarbeiter, dem Sie in Produktion vertrauen können. Decision Traces lassen Agenten ihre Schlussfolgerung in der institutionellen Realität verankern statt allein in statistischer Ableitung⁵, und dieselbe Instrumentierung, die diese Traces aufzeichnet, treibt auch die Feedback-Schleife, die sie weiter verbessert.

Der kumulierende Vorteil

Zwei Wettbewerber kaufen dasselbe KI-Werkzeug von der Stange. Der eine verbindet es mit einem Context Graph, der aus Jahren eigener Entscheidungen gebaut wurde; der andere betreibt es auf generischen Regeln. Binnen Monaten bearbeiten die Agenten des ersten Unternehmens Ausnahmen korrekt, während die des zweiten weiter eskalieren. Der Graph ist der Burggraben - er ist aus Ihrer Arbeit gebaut und kann von niemandem kopiert, heruntergeladen oder gekauft werden.

Mit Context Graph

✓ Bearbeitet Ausnahmen - verankert in echtem Präzedenzfall
✓ Konsistent mit Ihrem Urteil - entscheidet, wie es Ihre besten Leute tun
✓ Verbessert sich wöchentlich - jede Korrektur schärft den Graphen
✓ Prüfbar - jede Handlung verknüpft mit ihrer Begründung

Ohne ihn

✗ Scheitert an Randfällen - rät aus statistischen Mustern
✗ Inkonsistent - erfindet Richtlinien, die das Unternehmen nie vereinbart hat
✗ Statisch - macht jedes Mal denselben Fehler
✗ Undurchsichtig - kann nicht erklären, warum es handelte

Einen Context Graph in 90 Tagen aufbauen

Sie bauen keinen unternehmensweiten Context Graph auf einmal, und Sie sollten es nicht versuchen. Wählen Sie eine Funktion, in der verlorene Begründung am meisten schmerzt, erfassen Sie sie gut und lassen Sie den Graphen seinen Wert beweisen, bevor Sie expandieren. Hier ist ein fokussierter 90-Tage-Weg.

Phase 1: Die blutende Funktion wählen (Wochen 1-3)

Woche 1: Finden, wo Begründung leckt - identifizieren Sie die Funktion, in der Entscheidungen das meiste Urteilsvermögen und das grösste Fluktuationsrisiko tragen: oft Support, Preisgestaltung oder Finanz-Operations.
Woche 2: Die Entscheidungstypen kartieren - listen Sie die wiederkehrenden Entscheidungen dieser Funktion auf und für jede, welche Begründung Ihren Systemen heute verborgen bleibt.
Woche 3: Die Quellen verbinden - koppeln Sie das Company Brain an die Systeme, in denen diese Entscheidungen fallen und ihre Begründung lebt: CRM, ERP, Ticketing, E-Mail, Teams.

Phase 2: Erfassen und bestätigen (Wochen 4-8)

Wochen 4-5: Beobachtung starten - das Brain beginnt, Decision Traces zu erfassen, während die Arbeit geschieht, mit einem leichten Bestätigungsschritt für unklare Fälle.
Wochen 6-7: Die Erfassung feinjustieren - verfeinern Sie, was als erfassenswerte Entscheidung zählt und welche Begründung wichtig ist, damit sich der Graph mit Signal füllt, nicht mit Rauschen.
Woche 8: An echten Fällen validieren - testen Sie den Graphen, indem Sie ihn fragen, wie kürzliche knifflige Fälle gehandhabt wurden, und prüfen Sie die Antworten mit den Menschen, die sie bearbeiteten.

Phase 3: Handeln und expandieren (Wochen 9-12)

Woche 9: Einen KI-Mitarbeiter daraufsetzen - lassen Sie einen Agenten den Graphen nutzen, um Routineentscheidungen zu bearbeiten und die neuartigen zu eskalieren, parallel zu Ihrem Team laufend.
Wochen 10-11: Messen - verfolgen Sie eingesparte Zeit, Konsistenz der Entscheidungen und wie viele Fälle der Graph nun ohne Menschen beantwortet.
Woche 12: Zur nächsten Funktion expandieren - tragen Sie dasselbe Muster in den angrenzenden Arbeitsablauf, unter Wiederverwendung der Konnektoren und der Feedback-Schleife.

Context-Graph-Reifecheck

Sie können eine Funktion nennen, in der Schlüsselentscheidungen auf Urteil beruhen, nicht nur auf Regeln
Sie haben den Schmerz gespürt, dass ein Experte ging und Wissen mitnahm
Ihre Begründung lebt heute in Slack, E-Mail und Köpfen, nicht in Ihren Systemen
Ihre Kernsysteme haben API-Zugang oder Konnektoren
Sie haben einen Prozessverantwortlichen, der erfasste Entscheidungen bestätigt und korrigiert
Die Führung behandelt Entscheidungswissen als bewahrenswerten Wert
Sie sind bereit, mit einer Funktion zu beginnen, nicht mit dem ganzen Unternehmen
Sie haben einen Plan, wo der Graph läuft und wer darauf zugreifen darf

Wie Superkind passt

Superkind baut massgeschneiderte KI-Mitarbeiter für KMU und Grossunternehmen, und jeder von ihnen läuft auf einem Company Brain - der lebendigen Gedächtnisschicht, die mit der Zeit zu Ihrem Context Graph wird. Der Ansatz ist prozessorientiert: Wir beginnen damit, wie Ihr Team tatsächlich entscheidet, nicht mit einem generischen Produkt, an das Sie sich anpassen müssen.

Prozessorientierte Erhebung - wir kommen in Ihr Unternehmen und sprechen mit den Menschen, die die Arbeit tun, und kartieren die echten Entscheidungen und die Begründung dahinter, bevor wir etwas bauen.
Ein Company Brain, kein statischer Index - die Gedächtnisschicht erfasst die Begründung hinter Entscheidungen, während die Arbeit geschieht, sodass sie zu einem Context Graph wird, der spiegelt, wie Ihr Unternehmen heute entscheidet.
Sitzt auf Ihrem Stack - eine Schicht über allem, was Sie bereits nutzen: E-Mail, Teams, SharePoint, CRM, ERP und eigene APIs. Kein Rip-and-Replace, nichts Neues zu lernen.
KI-Mitarbeiter, die auf dem Graphen handeln - Agenten verankern ihre Entscheidungen in Ihrem erfassten Präzedenzfall und erledigen die letzte Meile in Ihren echten Systemen, nicht in einem Chatfenster.
Eine Feedback-Schleife per Design - jede Korrektur Ihres Teams fliesst zurück, sodass das Brain und die Agenten jede Woche besser werden.
Überdauert Fluktuation - weil die Begründung erfasst wird, während Menschen arbeiten, bleibt sie im Unternehmen, wenn sie gehen, und eine neue Kraft oder ein neuer Agent kann sie ab Tag eins abfragen.
Ergebnisse, keine Lizenzen - die Preisgestaltung ist pro Anwendungsfall mit messbarem ROI, vor dem Bau definiert, nicht Nutzerlizenzen und mehrjährige Bindungen.
Souverän per Standard - Ihr Context Graph ist Ihr sensibelster Wert, also kann er auf EU-Boden unter Ihrer Kontrolle laufen, mit Verschlüsselung, Zugriffskontrollen und Audit-Trails.

Ansatz	Generisches KI-Werkzeug	Superkind Company Brain
Worauf es verankert	Dokumente und generische Regeln	Ihre erfasste Entscheidungsbegründung
Bearbeitet Ausnahmen	Rät oder eskaliert	Wendet echten Präzedenzfall an
Bleibt aktuell	Manuelle Neu-Indexierung	Von täglicher Arbeit und Feedback gespeist
Überdauert Fluktuation	Nein - Wissen geht mit	Ja - Begründung bleibt im Graphen
Wo es läuft	Anbieter-Cloud, oft in den USA	Ihre Infrastruktur oder EU-Boden
Preisgestaltung	Nutzerlizenzen	Pro Anwendungsfall, an Ergebnisse gebunden

Pro

✓ Baut einen echten Context Graph - aus Ihrer Arbeit erfasst, nicht von der Stange gekauft
✓ Kein Plattform-Lock-in - arbeitet auf Ihren bestehenden Systemen
✓ Wissen, das Fluktuation überdauert - Begründung bleibt im Unternehmen
✓ Ergebnisbasierte Preise - zahlen für Resultate, nicht für Plätze
✓ Souveräne Option - auf EU-Boden unter Ihrer Kontrolle betreibbar

Contra

✗ Kein Self-Service-Produkt - erfordert Zusammenarbeit mit unserem Team
✗ Braucht Entscheidungszugang - wir müssen sehen, wie Sie wirklich entscheiden, nicht nur Dokumente
✗ Wert wächst über die Zeit - der Graph ist in Woche eins dünn und in Monat drei reich
✗ Überzogen für rein regelbasierte Arbeit - ohne Ermessensentscheidungen brauchen Sie ihn vielleicht nicht

Entscheidungsrahmen: Brauchen Sie einen Context Graph?

Nicht jedes Unternehmen muss jetzt einen bauen. Hier ist ein klarer Rahmen, um zu entscheiden, ob erfasste Entscheidungsbegründung sich für Sie auszahlt.

Signal	Was es bedeutet	Massnahme
Schlüsselentscheidungen hängen an wenigen erfahrenen Personen	Hohes Risiko für Wissensverlust	Diese Begründung jetzt erfassen, bevor sie gehen
Ein KI-Pilot blieb stecken, weil er keine Ausnahmen konnte	Dem Agenten fehlte institutionelles Gedächtnis	Ihm einen Context Graph geben, bevor Sie es erneut versuchen
Neue Kräfte brauchen Monate bis zur echten Produktivität	Präzedenzfälle stecken in Köpfen, nicht abfragbar	Begründung erfassen, damit die Einarbeitung sinkt
Dieselben Entscheidungen werden immer wieder neu ausgefochten	Kein durchsuchbarer Präzedenzfall vorhanden	Das Entscheidungsgedächtnis für diesen Ablauf bauen
Prüfer fragen, wie eine Entscheidung zustande kam	Sie können die Begründung nicht rekonstruieren	Ein Context Graph liefert die Aufzeichnung
Ihre Arbeit ist rein regelbasiert ohne Ermessen	Wenig Begründung zu erfassen	Einfache Automatisierung reicht - den Graphen vorerst überspringen

Jetzt erfassen

✓ Kumulierender Wert - der Graph ist jedes Quartal reicher
✓ Fluktuationsversicherung - Begründung wird erfasst, solange der Experte noch da ist
✓ KI-bereit - Agenten haben ab Tag eins echten Präzedenzfall zum Verankern
✓ Prüfbereit - Entscheidungen kommen mit ihrer Begründung

Warten

✗ Begründung leckt weiter - jeder Tag an Entscheidungen bleibt unerfasst
✗ Wissen geht hinaus - jeder Abgang ist ein dauerhafter Verlust
✗ KI bleibt stecken - Agenten scheitern weiter an Ausnahmen
✗ Wettbewerber kumulieren - ein Rivale, der jetzt erfasst, zieht davon

Häufige Fragen

Ein Context Graph ist das institutionelle Gedächtnis dafür, wie Ihr Unternehmen tatsächlich Entscheidungen trifft - nicht wie es das Prozessdokument vorsieht. Wo ein ERP oder CRM das Ergebnis festhält (den finalen Preis, den genehmigten Rabatt, das eskalierte Ticket), erfasst ein Context Graph die Begründung dahinter: die gewährte Ausnahme, wer sie genehmigt hat, welcher Präzedenzfall galt und warum. Es ist eine lebendige, abfragbare Karte von Entscheidungen über Ihre Systeme und über die Zeit hinweg, sodass Präzedenzfälle durchsuchbar werden, statt in jemandes Kopf zu stecken.

Ein Knowledge Graph bildet Entitäten und ihre Beziehungen ab - Kunden, Aufträge, Produkte und wie sie zusammenhängen. Ein Context Graph ergänzt die fehlende Schicht: die Begründung, die Eingaben mit Ergebnissen verbindet. Er hält nicht nur fest, dass ein Auftrag rabattiert wurde, sondern warum der Rabatt gewährt wurde, welche Ausnahme ihn rechtfertigte und wer ihn abgezeichnet hat. Ein Knowledge Graph zeigt Ihnen den Zustand des Unternehmens. Ein Context Graph zeigt, wie das Unternehmen dorthin kam und wie es entscheidet.

Nein. Retrieval-Augmented Generation (RAG) findet Text, der einer Anfrage ähnlich sieht, und reicht ihn an ein Modell weiter. Es ruft Dokumente ab, versteht aber keine Beziehungen und erfasst nicht, wie Entscheidungen tatsächlich getroffen wurden. Ein Context Graph ist relational und entscheidungsbewusst: Er erfasst die Ausnahmen, Genehmigungen und Präzedenzfälle, die die Realität bestimmen. Die stärksten Architekturen 2026 kombinieren Vektorsuche, eine Graph-Schicht und persistentes Gedächtnis - RAG allein stößt an eine Grenze, weil es abrufen, aber nicht über explizite Entscheidungspfade hinweg schlussfolgern kann.

Sie wurden als Systeme zur Erfassung von Transaktionen entworfen, nicht von Entscheidungen. Ein ERP speichert, dass eine Bestellung zu einem bestimmten Wert genehmigt wurde; es speichert nicht, warum der Einkäufer diesen Lieferanten einem günstigeren vorzog oder welche Qualitätshistorie den Aufpreis rechtfertigte. Die Begründung, die Daten mit Handlung verbindet, wurde nie als Daten behandelt und landet daher in Slack-Threads, Flurgesprächen und E-Mail-Ketten, die kein System indexiert.

Es beobachtet die Arbeit. Während Ihr Team Tickets löst, Rechnungen freigibt, Deals bepreist und Ausnahmen in den bereits genutzten Werkzeugen bearbeitet, erfasst das Company Brain die Entscheidung und die Begründung dahinter und bestätigt unklare Fälle mit einer schnellen menschlichen Prüfung. Jede Korrektur und Präferenz fliesst zurück. Über Wochen füllt sich der Graph mit echten Präzedenzfällen, und weil er von der täglichen Arbeit gespeist wird statt von einem Dokumentationsprojekt, bleibt er aktuell und überdauert Fluktuation.

Genau darum geht es. Wenn Wissen nur im Kopf einer Person lebt, verlässt es am letzten Tag das Haus. Ein Context Graph erfasst die Begründung hinter ihren Entscheidungen, während sie arbeiten, sodass der Präzedenzfall im Unternehmen bleibt. Eine neue Kraft - oder ein KI-Mitarbeiter - kann abfragen, wie ähnliche Fälle zuvor gelöst wurden, statt bei null anzufangen. So durchbricht ein Unternehmen die Verbindung zwischen Personalfluktuation und Wissensverlust.

Nein. Ein Context Graph liegt als Schicht auf Ihren bestehenden Systemen - E-Mail, Teams, SharePoint, CRM und ERP - über APIs und Konnektoren. Er liest die Entscheidungen, die in diesen Systemen fallen, und erfasst die Begründung dazu. Nichts wird herausgerissen, und Ihr Team lernt keine neue Plattform. Der Graph ist eine operative Gedächtnisschicht, die Ihre Systeme ergänzt, kein Ersatz für sie.

Dokumentation wird einmal geschrieben und veraltet ab dem Tag der Speicherung, weil niemand sie aktualisiert und sie die tatsächliche Arbeit nie beobachtet. Studien zeigen, dass institutionelles Wissen oft nur bei einzelnen Personen liegt und bis zur Hälfte des Unternehmenswissens praktisch nicht durchsuchbar ist. Ein Context Graph wird laufend von der Arbeit selbst gespeist und spiegelt daher, wie Entscheidungen heute getroffen werden, nicht wie jemand sie zu einem Zeitpunkt in der Vergangenheit beschrieben hat. Er ist ein lebendiges Gedächtnis, kein statisches Wiki.

Das kann er sein, wenn er richtig gebaut ist. Der Graph kann in Ihrer eigenen Infrastruktur oder auf EU-Boden laufen, mit verschlüsselten Verbindungen, rollenbasierten Zugriffen und Audit-Logs. Weil er die Begründung und Genehmigungen hinter Entscheidungen erfasst, hilft er sogar bei der Aufzeichnungspflicht nach Artikel 12 der EU-KI-Verordnung und beim Nachweis, wie automatisierte Entscheidungen zustande kamen. Wie bei jedem System mit Personenbezug fassen Sie ihn mit einer DSFA ein und wenden Datenminimierung an.

Ein fokussierter Aufbau für eine Funktion - Support, Finanzen oder Sales Operations - zeigt in der Regel innerhalb von 6 bis 8 Wochen nützliche Präzedenzfälle und messbare Ergebnisse innerhalb von 90 Tagen. Der Graph verstärkt sich selbst: Je mehr Entscheidungen er beobachtet, desto besser beantwortet er "wie handhaben wir das hier". Anders als ein Dokumentationsprojekt, das veraltet ist, bevor es fertig ist, wird ein Context Graph jede Woche wertvoller.

Sie können laufen, verhalten sich aber wie ein kluger Praktikant am ersten Tag - fähig, geschriebene Regeln zu befolgen, aber bei jeder ungeschriebenen Ausnahme aus dem Tritt gebracht. Ohne institutionelles Gedächtnis rät ein Agent bei Randfällen aus statistischen Mustern, statt seine Schlussfolgerung darin zu verankern, wie Ihr Unternehmen tatsächlich entscheidet. Ein Context Graph gibt dem Agenten durchsuchbare Präzedenzfälle im Moment der Entscheidung - der Unterschied zwischen einer beeindruckenden Demo und einem KI-Mitarbeiter, dem Sie in Produktion vertrauen können.

Ihnen. Der Graph ist das Gedächtnis Ihres Unternehmens und sollte unter Ihrer Kontrolle bleiben, idealerweise in Ihrer eigenen Infrastruktur oder einer Umgebung unter EU-Jurisdiktion. Pflege ist keine manuelle Pflichtaufgabe - sie ist das Nebenprodukt der täglichen Arbeit plus einer schlanken Feedback-Schleife, in der Menschen bestätigen oder korrigieren, wie eine Entscheidung erfasst wurde. Ein Prozessverantwortlicher überwacht typischerweise die Qualität, aber der Graph pflegt sich selbst, indem er die Arbeit beobachtet, statt ein Team zu erfordern, das ihn aktuell hält.

Ein Decision Trace ist der Baustein eines Context Graph. Es ist eine strukturierte Aufzeichnung einer einzelnen Entscheidung, die sechs Dinge erfasst: den Auslöser, den Kontext zum Zeitpunkt, die Begründung hinter der Wahl, jede Ausnahme und ihre Rechtfertigung, wer sie genehmigt hat und das resultierende Ergebnis, zurückverknüpft mit Ihrem System of Record. Einzelne Traces summieren sich über die Zeit zu einem abfragbaren Graphen, sodass die Frage, wie ein ähnlicher Fall gehandhabt wurde, echten Präzedenzfall statt einer Vermutung liefert.

Quellen

Henri Jung

Mitgründer von Superkind, wo er KMU und Grossunternehmen dabei hilft, massgeschneiderte KI-Agenten einzusetzen, die wirklich zur Arbeitsweise ihrer Teams passen. Henri ist leidenschaftlich daran interessiert, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schliessen. Er hat zu oft gesehen, wie Unternehmen jahrzehntelanges Urteilsvermögen an dem Tag verlieren, an dem ein Experte in Rente geht, und ist überzeugt, dass die Begründung hinter Entscheidungen der wertvollste Wert ist, den ein Unternehmen bewahren kann. Er ist überzeugt, dass der Mittelstand alles hat, was er braucht, um bei KI führend zu sein - er braucht nur den richtigen Ansatz.

Bereit, die Begründung zu erfassen, die Ihr Unternehmen verliert?

Buchen Sie ein 30-minütiges Gespräch mit Henri. Wir finden, wo Ihr Entscheidungswissen leckt, und skizzieren, wie ein Company Brain es erfasst - unverbindlich, kein Verkaufsgespräch.