Internes Wiki in einen KI-Assistenten verwandeln: Notion, Confluence & Co.

Ihr Notion- oder Confluence-Wiki wächst jeden Monat, aber die interne Suche liefert trotzdem zehn halb passende Treffer statt einer Antwort. Mit einer KI-Wissensdatenbank stellen Mitarbeitende ihre Frage in einem Satz und bekommen eine Antwort mit Quellenangabe aus den richtigen Seiten. Dieser Leitfaden zeigt Schritt für Schritt, wie Sie Ihr Wiki exportieren, strukturieren, aktuell halten, mit den richtigen Berechtigungen versehen und die Nutzung messen.

Warum die Wiki-Suche an ihre Grenzen stößt

Die Suchfunktion von Confluence oder Notion arbeitet in erster Linie mit Schlüsselwörtern. Wer nach Urlaubsantrag sucht, findet die Seite Abwesenheitsregelung nur, wenn das genaue Wort vorkommt. Hinzu kommt, dass Wikis mit der Zeit Dubletten ansammeln: drei Versionen der Onboarding-Checkliste, zwei widersprüchliche Reisekostenrichtlinien, eine archivierte Seite, die trotzdem noch ganz oben in den Suchergebnissen auftaucht. Das Ergebnis kennt jedes Unternehmen: Mitarbeitende fragen lieber im Team-Chat nach, statt selbst zu suchen, und dieselbe Frage wird jede Woche neu beantwortet. Wie semantische Suche dieses Problem löst, erklären wir im Detail unter Semantische Suche erklärt: Bedeutung statt Schlüsselwörter finden. Eine KI-Wissensdatenbank setzt genau hier an: Sie versteht die Bedeutung der Frage, findet die passenden Passagen und liefert eine Antwort mit Verweis auf die Originalseite.

Schritt 1: Die richtigen Inhalte exportieren

Bevor Sie etwas hochladen, müssen die Inhalte aus Ihrem Wiki-System heraus. Jedes Tool hat dafür einen eigenen Weg, und die Qualität des Exports entscheidet später über die Qualität der Antworten.

Notion exportieren

Notion erlaubt den Export ganzer Workspaces oder einzelner Seiten als Markdown mit zugehörigen Dateien, oder als PDF für einzelne Dokumente. Für größere Teams lohnt sich der Export über die Notion-API, weil sich so einzelne Datenbanken (zum Beispiel das Handbuch oder die Produktdokumentation) gezielt und wiederholbar exportieren lassen, statt jedes Mal den ganzen Workspace zu ziehen.

Confluence exportieren

In Confluence exportieren Sie einen Space meist als PDF, XML oder HTML über die Space-Einstellungen. Für Teams mit vielen Spaces ist die REST-API praktischer, weil sie den Export automatisieren und auf bestimmte Labels oder zuletzt geänderte Seiten beschränken können. Achten Sie darauf, Anhänge (Excel-Tabellen, PDFs, Diagramme) separat mitzunehmen, da sie beim reinen Seitenexport oft verloren gehen.

Google Docs, Word und andere Quellen

Google Docs lassen sich einzeln als PDF oder DOCX herunterladen, bei vielen Dokumenten lohnt sich die Google-Drive-API für einen Stapelexport. Word-Dateien, reine Textdateien und Markdown-Notizen aus anderen Tools lassen sich meist direkt verwenden. Genau diese vier Formate (PDF, Word, Text, Markdown) kann eine Wissensdatenbank bei Kopik ohne Umweg verarbeiten: Sie laden die Dateien hoch, der Dienst extrahiert den Text, teilt ihn in Abschnitte und indexiert sie für die hybride Suche.

Schritt 2: Struktur und Inhalte vor dem Upload bereinigen

Ein Export ist kein Grund, alles unbesehen hochzuladen. Je sauberer die Ausgangslage, desto besser funktioniert später das Chunking, also die Aufteilung der Dokumente in durchsuchbare Abschnitte. Mehr zu den verschiedenen Aufteilungsverfahren finden Sie unter Chunking-Strategien für RAG: Fixed-Size, Satz, Semantisch oder Struktur-bewusst?.

• Archivierte, veraltete oder als Entwurf markierte Seiten vor dem Export aussortieren
• Mehrere Versionen derselben Richtlinie (z. B. drei Urlaubsregelungen aus verschiedenen Jahren) zu einem aktuellen Dokument zusammenführen
• Sehr lange Seiten mit vielen Unterabschnitten in thematisch getrennte Dokumente aufteilen
• Tabellen als Text oder echte Tabelle exportieren, nicht als Screenshot, da Bilder nicht durchsuchbar sind
• Konsistente, aussagekräftige Titel verwenden, damit Quellenangaben in den Antworten nachvollziehbar bleiben

Diese Bereinigung dauert bei einem mittelgroßen Wiki selten länger als ein bis zwei Arbeitstage, zahlt sich aber in der Antwortqualität sofort aus. Eine KI-Wissensdatenbank kann nur so gut sein wie die Dokumente, die sie durchsucht: widersprüchliche Quellen führen zu widersprüchlichen Antworten.

Schritt 3: Aktualität sichern

Ein Wiki lebt, ein einmaliger Export nicht. Richtlinien ändern sich, Produkte werden angepasst, Ansprechpartner wechseln. Ohne einen klaren Aktualisierungsrhythmus veraltet Ihre Wissensdatenbank genauso wie das Wiki selbst, nur dass Nutzende es nicht sofort merken, weil die Antwort überzeugend klingt.

In der Praxis bewährt sich ein einfacher Rhythmus: Die wichtigsten Spaces (HR, IT, Produkt) werden monatlich neu exportiert und die betroffenen Dateien in der Wissensdatenbank ersetzt. Bei Kopik bedeutet das konkret, die aktualisierte Datei in der bestehenden Basis hochzuladen, sie wird neu indexiert, ohne dass Sie die Basis oder deren API-Schlüssel neu einrichten müssen. Für Abteilungen mit häufigen Änderungen (zum Beispiel Compliance oder Produktfreigaben) lohnt sich ein kürzerer Zyklus, etwa alle zwei Wochen.

Schritt 4: Berechtigungen und Vertraulichkeit klären

Confluence und Notion kennen granulare Rechte: Manche Spaces sind nur für HR sichtbar, andere nur für die Geschäftsführung. Wenn Sie beim Export alles in eine einzige Wissensdatenbank packen, gehen diese Grenzen verloren, und plötzlich kann jede Person mit Zugriff Gehaltsbänder oder vertrauliche Vertragsentwürfe abfragen.

Die praktikable Lösung ist, mehrere private Basen nach Vertraulichkeitsstufe zu trennen, statt eine einzige große Basis zu bauen: eine allgemeine Basis für Richtlinien, die alle Mitarbeitenden betreffen, eine separate Basis für HR-interne Dokumente, eine weitere für technische Dokumentation. Private Basen bei Kopik sind ausschließlich für den Eigentümer und dessen API-Schlüssel abrufbar, es gibt also keine versehentliche öffentliche Sichtbarkeit. Für HR-spezifische Anwendungsfälle wie Mitarbeiterhandbuch und Tarifverträge finden Sie weitere Hinweise unter KI-Assistent für HR-Richtlinien: Mitarbeiterhandbuch und Tarifverträge durchsuchbar machen. Welche rechtlichen Punkte Sie dabei prüfen sollten, insbesondere bei personenbezogenen Daten, fassen wir unter DSGVO und RAG: Was Sie bei KI-Wissensdatenbanken prüfen müssen zusammen.

Schritt 5: Erfolg messen statt zu hoffen

Ein Wiki-Assistent, den niemand nutzt, bringt nichts. Legen Sie von Anfang an fest, woran Sie Erfolg erkennen, und prüfen Sie das regelmäßig, statt sich auf gefühlte Zufriedenheit zu verlassen.

Besonders wertvoll ist die zweite Zeile: Fragen, auf die der Assistent keine gute Antwort findet, zeigen Ihnen exakt, welche Inhalte im Wiki fehlen oder unklar formuliert sind. Diese Lücken schließen Sie, indem Sie die betroffene Wiki-Seite ergänzen und neu exportieren, statt die Frage nur im Chat zu beantworten. Eine ausführlichere Methodik zur laufenden Qualitätsmessung finden Sie unter RAG-System evaluieren: Metriken, Testsets und Monitoring.

Wie Mitarbeitende und Tools auf die Wissensdatenbank zugreifen

Eine Wissensdatenbank nützt nur, wenn sie dort auftaucht, wo Mitarbeitende ohnehin arbeiten. Drei Zugriffswege decken die meisten Fälle ab: die Weboberfläche für den direkten Chat, eine REST-API für die Integration in ein internes Tool oder Intranet, und ein MCP-Server, über den Tools wie Claude, Cursor oder ChatGPT direkt auf die Basis zugreifen können. Wie Sie diese Verbindung einrichten, zeigen wir Schritt für Schritt unter Claude, Cursor oder ChatGPT mit einer Wissensdatenbank verbinden: Schritt für Schritt. Technische Details zu beiden Schnittstellen finden Entwickler:innen in der Dokumentation. Für die Treffergenauigkeit lohnt sich außerdem ein Blick auf die Kombination aus Stichwort- und Bedeutungssuche, erklärt unter Hybrid Search: Warum BM25 und Vektorsuche gemeinsam RAG-Abrufe gewinnen, denn gerade bei internen Fachbegriffen und Produktnamen schlägt reine semantische Suche oft fehl.

Häufige Fehler beim Umstieg vom Wiki zum KI-Assistenten

Drei Fehler tauchen in der Praxis besonders oft auf. Erstens: das gesamte Wiki ungeprüft in eine einzige Basis kippen, inklusive aller Dubletten und Archivseiten, wodurch die Antwortqualität leidet. Zweitens: die Wissensdatenbank einmalig aufbauen und dann nie wieder aktualisieren, wodurch sie nach wenigen Monaten veraltete Informationen liefert. Drittens: keine Verbindung zu den Werkzeugen herstellen, die Mitarbeitende tatsächlich nutzen, sodass der Assistent zwar existiert, aber niemand ihn findet. Wer diese drei Punkte von Anfang an mitdenkt, spart sich einen zweiten Anlauf.

Fazit

Ein Wiki in einen KI-Assistenten zu verwandeln ist kein einmaliges IT-Projekt, sondern ein wiederkehrender Prozess aus Export, Bereinigung, Aktualisierung und Messung. Wer klein anfängt, etwa mit einer einzigen Abteilung oder einem gut gepflegten Space, und dabei von Anfang an auf saubere Struktur, klare Berechtigungen und messbare Nutzung achtet, baut sich ein Werkzeug, das tatsächlich genutzt wird, statt nach drei Monaten wieder zu verstauben.