KMWorld Europe 2026

1. KI ist nur so gut wie das Wissen dahinter

Das war der rote Faden beider Konferenztage – von der Eröffnungskeynote bis zum Abschlusspanel.

Generative KI leidet an dem, was Ben Clinch (CDO, Ortecha) als "hallucinatory limitations" bezeichnete: Ohne gut strukturiertes, kuratiertes Wissen produziert KI selbstbewusst falsche Antworten. Neuro-Symbolic AI, Knowledge Graphs, Agentic Ontologies – all das steht und fällt mit der Qualität der Wissensschicht darunter.

Noz Urbina (Urbina Consulting) brachte es in seiner Keynote Managing meaning: designing scalable semantic systems for humans & AI auf den Punkt: Isolierte Fakten sind träge. Wissen wird erst nützlich durch Beziehungen, Kontextgraphen und semantische Schichten. Wenn die Struktur von Information der Art entspricht, wie Menschen denken und arbeiten, funktioniert alles besser – KI-Systeme liefern nachvollziehbare Antworten statt opake Outputs, Mitarbeitende finden was sie suchen, und Entscheidungen basieren auf echtem Kontext statt auf dem, was zufällig auffindbar war.

Sein Credo: Value, not volume.

Wesley Blackhurst (Knovari) ergänzte das im Vortrag Grounding AI in trustworthy knowledge foundations mit einem konkreten Operationsproblem: Wenn das wertvollste Wissen einer Organisation zu sensibel ist, um in KI-Systeme eingespeist zu werden, entsteht ein "Trust Gap" – eine KI, die nur an der Oberfläche operiert. Die Lösung liegt nicht im pauschalen Ausschluss sensibler Inhalte, sondern in deren automatisierter Behandlung: identifizieren, klassifizieren und intelligent steuern, was wann auftaucht.

Wer KI einführt, ohne vorher in Wissensstruktur, Taxomien und Governance zu investieren, skaliert das Chaos - nicht die Lösung

2. Der menschliche Faktor ist kein Soft Topic – er ist der Kern

Tag 1 war geprägt von Sessionen, die den Menschen nicht als Ergänzung zur Technologie behandelten, sondern als deren Voraussetzung.

Die Session zu Human-Centric Data (Jonathan Norman & Donnie MacNicol, Team Animation) zeigte, warum klassische Metriken versagen: Sie messen Nutzung, kaum Qualität, fast nie Wert. Was Wissensaustausch wirklich antreibt – psychologische Sicherheit, Vertrauen, Zugehörigkeitsgefühl – bleibt in den meisten Organisationen unsichtbar und damit ungesteuert.

Das Beispiel des Network for Uniformed Women Peacekeepers (Line Holmung Andersen, UN) – 1.300 Mitglieder in 60 Ländern – lieferte praktische Prinzipien für den Aufbau von Wissensgemeinschaften: Mit Zweck beginnen, nicht mit Plattform. Anonymität ermöglichen, die Hürde zum Teilen niedrig halten, und vor allem: kuratieren statt nur sammeln.

In der Session Ethics, trust, and value: navigating AI in knowledge and content stellte Adriana Whiteley (FT Strategies) eine unbequeme Frage: Was schützt man in einer Welt, in der generative KI Inhalte beliebig reproduzierbar macht – und was gibt man bewusst frei? Wissen zu commodifizieren ist eine strategische Entscheidung, keine technische. Sonia Ramdhian (CILIP) präsentierte dazu den PKSB-Rahmen, ausgerichtet an ISO 30401, als strukturierte Grundlage für verantwortungsvolle KI in Wissens-Workflows.

In einer Welt, die zunehmend auf KI setzt, ist die menschliche Komponente nicht das Hindernis, das es zu überwinden gilt - sie ist der Ausgangspunkt. Wer das ignoriert, baut auf Sand.

3. Lessons Learned und organisationales Gedächtnis – unterschätzt, aber entscheidend

Nur rund 20% des Wissens in Organisationen wird jemals formal erfasst. Der Rest geht mit den Menschen, die es tragen.

Hank Malik (Nuclear Waste Services / NDA) zeigte in Adding value with project lessons learned: energy fields stories anhand von Fallstudien aus der Energiebranche, wie ein strukturierter Lessons-Learned-Ansatz – vor, während und nach Projekten – nachweisbaren Mehrwert schafft. Seine Wissenstaxonomie ist dabei ein nützlicher Anker: Artifacts, Skills, Heuristics, Experience, Natural Talent. Wissen ist nicht gleich Dokument, und der grösste Teil davon sitzt in Köpfen. Es braucht bewusste Prozesse, um es zugänglich zu machen – bessere Werkzeuge allein reichen nicht.

Ron Young (Knowledge Associates) rahmte das strategisch in Integrating knowledge, innovation, & AI management systems mit dem KINAI-Framework: Wissen als Fundament, das Innovation ermöglicht, die wiederum KI-Entwicklung trägt. Ohne Wissen als organisationale Ressource kein belastbares KI-Fundament. Sein Ansatz – Assessment, Baseline, Action Plan – ist eines der wenigen Frameworks, das KM, Innovation und KI nicht als separate Agenden behandelt, sondern als Kontinuum.

KM heute und morgen: Warum jetzt der richtige Zeitpunkt ist

Knowledge Management wurde lange als nice-to-have behandelt. Das ändert sich – nicht weil die KM-Community lauter geworden ist, sondern weil KI die Abhängigkeit sichtbar macht.

Die Botschaft der Konferenz war eindeutig: KM-Jobs gehören zu den sichersten in einer KI-Welt. Wer Wissensstrukturen, Taxonomien und Communities of Practice aufbaut und pflegt, wird nicht ersetzt. Sie/Er wird zur Engstelle, die darüber entscheidet, ob KI-Investitionen Wert liefern oder still scheitern.

Gleichzeitig ist die Dringlichkeit real. Organisationen, die heute KI-Piloten starten ohne solide Wissensinfrastruktur, wundern sich morgen über enttäuschende Ergebnisse. Das Delta zwischen dem, was die Branche weiss, und dem, was in den meisten Unternehmen tatsächlich investiert wird, ist gross – und es wird zum vermeidbaren Haupthindernis für erfolgreiche KI-Adoption.

Communities of Practice sind dabei keine Nostalgie. Sie sind Infrastruktur – der primäre Kanal für tacit knowledge, echte menschliche Beziehungen und das Navigieren von Komplexität, die Technologie allein nicht replizieren kann. Denn eins ist klar - Menschen brauchen Menschen.

Was das mit Confluence und Rovo zu tun hat – und wie Swarmit helfen kann

Vieles von dem, was in London diskutiert wurde, ist bei unseren Kund:innen kein abstraktes Zukunftsproblem. Es ist heute bereits spürbar.

Confluence ist für viele Organisationen die zentrale Wissensplattform – aber oft ohne die Struktur, die es braucht, damit Wissen wirklich aktivierbar ist. Fehlende Taxonomien, unklare Ownership, gewachsene Silo-Strukturen: Das sind genau die Probleme, die auf der KMWorld Europe diskutiert wurden. Und es sind die Probleme, bei deren Lösung wir täglich arbeiten – von der Space-Struktur über Metadaten-Governance bis hin zu Templates, die Wissenserfassung zur Gewohnheit machen statt zur Zusatzaufgabe.

Atlassian Rovo bringt KI direkt in diesen Kontext. Rovo durchsucht und verbindet Wissen aus Confluence, Jira und angebundenen Drittquellen – aber seine Qualität steht und fällt mit der Qualität der Wissensbasis darunter. Ein schlecht strukturiertes Confluence liefert schlecht strukturierte Antworten. Der "Trust Gap" ist bei Rovo kein theoretisches Risiko - er ist messbar, sobald man anfängt, Rovo ernsthaft zu nutzen.

Swarmit hilft Unternehmen, genau diese Grundlage zu schaffen: KM-Strukturen aufbauen, die KI-ready sind. Confluence so aufsetzen, dass Wissen nicht nur gespeichert, sondern gefunden und genutzt wird. Rovo auf einer Basis einführen, die verlässliche, kontextreiche Antworten ermöglicht. Und Lessons Learned sowie Communities of Practice als lebendige Prozesse verankern – nicht als einmalige Projekte.

Wer heute in Wissensstruktur investiert, investiert gleichzeitig in die Qualität jeder KI-Antwort, die morgen darauf aufbaut.

KMWorld Europe 2026, 14.–15. April, America Square Conference Centre, London

‍