Organisaties hebben enorme hoeveelheden kennis die verspreid is over documenten, e-mails, wikis en de hoofden van medewerkers. AI maakt het mogelijk om die kennis te structureren en doorzoekbaar te maken. Hoe dat werkt in de praktijk, lees je hier.
Een adviesbureau van 60 medewerkers had een kennisprobleem: jarenlange expertise zat verspreid over duizenden documenten, e-mailthreads en Confluence-pagina's die niemand nog bijhield. Nieuwe medewerkers leerden al zoekend, ervaren medewerkers werden herhaaldelijk gevraagd dezelfde vragen te beantwoorden. De oplossing: een AI-gedreven kennisbank.
Kennisproblematiek in organisaties heeft meestal dezelfde oorzaken. Kennis wordt gecreëerd maar niet gestructureerd opgeslagen. Documenten verouderen zonder dat iemand dat markeert. Zoekopdrachten in interne systemen leveren te veel resultaten op van wisselende relevantie. En de meest waardevolle kennis zit niet in documenten, maar in de hoofden van ervaren medewerkers.
Het gevolg: medewerkers besteden gemiddeld anderhalf uur per dag aan het zoeken naar informatie. Ze stellen vragen aan collega's die de informatie al eerder hebben verzameld. En bij vertrek van ervaren medewerkers verdwijnt hun kennis.
Het adviesbureau koos voor een gefaseerde aanpak in drie stappen.
Fase 1: Kennisbronnen inventariseren en prioriteren Niet alle documenten zijn even waardevol. De eerste stap was een inventarisatie van alle kennisbronnen en het bepalen van prioriteit op basis van bruikbaarheid en actualiteit. Verouderde documenten werden gemarkeerd als "te archiveren". Actuele, relevante documenten werden als bronmateriaal geselecteerd.
Fase 2: Kennisbank bouwen met RAG Op basis van de geselecteerde documenten werd een Retrieval-Augmented Generation (RAG)-systeem ingericht. Dit is een architectuur waarbij een AI-model vragen beantwoordt door relevante stukken op te halen uit een documentenset en die te gebruiken als basis voor het antwoord.
Het systeem kon vragen beantwoorden als: "Wat is onze aanpak voor verandermanagementtrajecten?" of "Welke klantcases hebben we in de logistieke sector?" De antwoorden waren gebaseerd op werkelijke interne documenten, niet op generieke AI-kennis.
Fase 3: Toegang en gebruik integreren in werkprocessen Een kennisbank die niemand gebruikt is waardeloos. De derde stap was integratie in de dagelijkse werkprocessen: de kennisbank werd toegankelijk via een interne chatinterface, gekoppeld aan de bestaande communicatieomgeving (Microsoft Teams).
De kennisbank presteerde minder goed bij impliciete kennis: de ongeschreven regels, de cultuurspecifieke aanpakken en de nuances die experts in de loop der jaren hadden opgebouwd maar nooit hadden opgeschreven. Die kennis kon niet worden gedigitaliseerd zonder interviews en actieve kennisdocumentatie.
Daarnaast bleef actualiteit een uitdaging. Documenten in de kennisbank verouderden, en het systeem had geen manier om automatisch te signaleren wanneer informatie niet meer klopte. Een periodiek reviewproces was noodzakelijk.
Een kennisbank is geen eenmalig project. Na de initiële opzet is structureel onderhoud nodig: nieuwe documenten toevoegen, verouderde informatie verwijderen, feedback van gebruikers verwerken. Het bureau stelde een kennisbeheerder aan, een bestaande medewerker met een deeltijdtaak, die dit onderhoud coördineerde.
AI-gestuurde interne kennismanagement werkt goed voor het doorzoekbaar maken van bestaande documentatie en het verminderen van herhalende kennisvragen. De initiële opzet vraagt om investering in structurering en prioritering van bronmateriaal. Onderhoud is structureel nodig.
Mach8 helpt organisaties bij het inrichten van AI-kennisbanken en interne automatisering. Bekijk onze AI-agents dienst of neem contact op.
Wij helpen je van strategie naar implementatie. Plan een vrijblijvend gesprek.
Plan een gesprek