Ein berechenbarer Wissensgraph für Ihr Unternehmen

ODER: Warum Metapad weder Notion, Airtable noch Miro ist

Sie sind eine Führungskraft, haben von Metapad gehört, klicken sich zur Startseite durch – und die Frage, die Ihnen nicht aus dem Kopf geht, lautet: Was genau ist das eigentlich?

Es sieht ein bisschen wie ein Wiki aus, aber die Diagramme sind interaktiv. Es sieht ein bisschen wie eine Datenbank aus, aber die Schemata antworten Ihnen in einfachem Deutsch. Es sieht ein bisschen wie Miro aus, aber die Kästchen lassen sich abfragen und nicht nur hin und her ziehen. Keine der Kategorien, die Sie bereits kennen, passt so recht.

Das liegt nicht daran, dass die Erklärung mangelhaft ist. Es liegt daran, dass Metapad zu einer Kategorie gehört, die die meisten Menschen noch nicht kennen.

Was Metapad aufbaut, ist ein computergestützter Wissensgraph – eine vernetzte, lebendige und sich weiterentwickelnde Karte Ihres Unternehmens, die Sie so befragen können, wie Sie einen erfahrenen Kollegen befragen würden, der sich dort wirklich auskennt.

Der Wandel, der eintritt, wenn Menschen Metapad zum ersten Mal begegnen, liegt nicht in den Diagrammen, der Datenbank oder der Dokumentation. Er besteht darin, dass sie ein Gespräch mit ihrem Unternehmen führen können – und dieses Gespräch ist kein Chatbot, der auf der Grundlage eines Ordners mit Dokumenten improvisiert. Jeder Austausch basiert auf einem strukturierten Graphen, der mit dem Gespräch selbst wächst. Sie fragen, der Graph antwortet auf der Grundlage dessen, was er weiß. Sie korrigieren ihn, der Graph aktualisiert sich. Sie erkunden einen neuen Blickwinkel, und schon tauchen neue Knoten und Verbindungen auf. Am Ende einer Stunde verfügen Sie über ein funktionsfähiges Modell eines Teils Ihres Unternehmens, das zu Beginn noch nicht existierte – und das Gespräch, durch das es entstanden ist, ist Teil des Artefakts.

Das ist es, was einen computergestützten Wissensgraphen von jedem anderen Artefakt unterscheidet, das Sie vielleicht bisher genutzt haben, um Ihr Unternehmen zu verstehen. Er ist vernetzt – jede Entität hat ihren Platz in einem Graphen, durch den Sie navigieren können. Er ist lebendig – der Graph entwickelt sich durch die Nutzung weiter, anstatt nach seiner Bereitstellung statisch zu bleiben. Er ist abfragbar – stellen Sie ihm Fragen und erhalten Sie Antworten, die sich auf die Struktur zurückverfolgen lassen. Er ist kommunikativ – der darauf basierende KI-Assistent ist kein generischer Chatbot; er weiß, wie Ihr Unternehmen aussieht, weil die Struktur es ihm mitteilt.

Die Struktur enthält auch die Beschreibung: Jeder Knoten ist mit einer Erzählung verknüpft – wozu er dient, warum er so gestaltet ist, wie er ist, und was stattdessen in Betracht gezogen wurde. Das Warum geht Hand in Hand mit dem Was. Und derselbe Graph dient auch der Berechnung: Abfragen, KI-Gespräche und Simulationen werden alle direkt darauf ausgeführt. Ändern Sie einen Knoten, und die Beschreibung, die Abfragen, die Gespräche und die Simulationen bleiben synchron, da sie Projektionen derselben Quelle sind.

Dafür ist Metapad da. Alles andere ergibt sich daraus.

Was Metapad nicht ist

Die meisten Interessenten ordnen Metapad gedanklich einem Tool zu, das sie bereits nutzen. Der schnellste Weg, einen rechnergestützten Wissensgraphen zu definieren, besteht manchmal darin, zu sagen, was er nicht ist.

Kein Wiki

Notion, Confluence und die Wiki-Familie sind „prose-first“. Die Seite ist die Einheit. Die Struktur existiert implizit durch Hyperlinks, Tags und – im Fall von Notion – Datenbanken in Form von Tabellen. Mit genügend Disziplin kann man in einem Wiki einen Wissensgraphen vortäuschen, aber die Struktur ist nur eine Verzierung des Textes, nicht das tragende Element.

Die Nachteile werden in dem Moment deutlich, in dem man einen KI-Assistenten darauf ansetzt. Eine auf Notion oder Confluence basierende KI führt eine „retrieval-augmented generation“ (abrufgestützte Generierung) an Dokumenten durch. Sie extrahiert Textpassagen und fügt daraus Antworten zusammen. Sie weiß nicht, dass „Compliance“ auf Seite A dieselbe Entität ist wie „Compliance-Abteilung“ auf Seite B – das Wiki modelliert dies nicht; es wird erwartet, dass der menschliche Leser die Beziehung erkennt.

In einem computergestützten Wissensgraphen hat „Compliance“ eine Identität. Zwei Erwähnungen davon sind konstruktionsbedingt derselbe Knoten. Die KI muss die Beziehung nicht erkennen – der Graph kodiert sie bereits.

Keine Tabellenkalkulation und kein Airtable

Airtable, Excel und die Familie der strukturierten Tabellen sind datenorientiert. Zeilen und Spalten bilden die Einheit. Man kann damit wirklich beeindruckende Dinge erstellen – relationale Daten, Formeln, Ansichten –, doch die Bedeutung der Daten liegt in den Spaltennamen und im kollektiven Wissen Ihres Teams darüber, was die einzelnen Tabellen darstellen.

Eine strukturierte Datenbank sagt Ihnen, was wahr ist, aber nur sehr wenig darüber, warum sie so aufgebaut ist, wie sie ist. Öffnen Sie die Airtable-Datenbank eines ehemaligen Mitarbeiters, nachdem dieser das Unternehmen verlassen hat, und Sie werden eine Woche damit verbringen, die zugrunde liegenden Annahmen zu rekonstruieren. Die Struktur ist vorhanden; die Begründung fehlt.

Ein computergestützter Wissensgraph trägt die Erzählung neben der Struktur. Das „Warum“ geht mit dem „Was“ einher.

Kein Whiteboard

Miro, Mural und die Familie der visuellen Kollaborationswerkzeuge sind raumorientiert. Position, Farbe und Verbindungslinien sind die Bedeutungseinheiten. Sie sind außerordentlich nützlich für Workshops – und als langlebige Artefakte nahezu nutzlos, da die Bedeutung in der visuellen Gestalt liegt und es nichts Strukturiertes gibt, das eine Maschine berechnen könnte.

Zeigen Sie einem KI-Assistenten ein Miro-Board und fragen Sie, welche Initiative von welcher abhängt. Der Assistent betrachtet das Board genauso wie Sie und ich: als Bild. Die Abhängigkeiten sind zwar vorhanden, aber nicht adressierbar.

Ein computergestützter Wissensgraph ist über eine API adressierbar und mittels KI abfragbar, die auf der Struktur basiert. Die Abhängigkeiten sind nicht nur gezeichnet – sie sind kodiert.

Nicht Lucidchart, Drawio oder irgendein anderes statisches Diagrammtool

Die Familie der Diagrammtools steht eine Stufe über Whiteboards: übersichtlichere Darstellung, mehr Struktur, exportierbare Formate. Doch die Struktur existiert nur, um das Diagramm darzustellen. Die Formen haben kein Verhalten, die Verbindungslinien keine Semantik, und nichts wird berechnet.

Das verrät es: Versuchen Sie einmal, bei einem Lucidchart-Diagramm zu fragen: „Was ändert sich, wenn ich dieses Feld lösche?“ Sie erhalten keine Antwort. Das Diagramm weiß nicht, was es darstellt – es zeichnet es lediglich.

Ein rechnergestützter Wissensgraph weiß, was er darstellt, da das Diagramm eine Ansicht der zugrunde liegenden Struktur ist. Löschen Sie einen Knoten, und die abhängigen Kanten verschwinden mit ihm; der auf dem Graphen basierende KI-Assistent kann Ihnen genau sagen, was nun nicht mehr verbunden ist.

Was sich ändert, wenn Ihr Wissensartefakt Berechnungen durchführt

Sobald Ihr Artefakt Struktur und Erzählung und Berechnung an einem Ort vereint, ändern sich fünf Dinge:

1. Sie können es abfragen. Nicht „den Text durchsuchen“, sondern „den Graphen befragen“. „Welche Dienste hängen von Dienst X ab?“, „Welche Entscheidungen haben wir bezüglich der Positionierung getroffen, und was wurde stattdessen in Betracht gezogen?“, „Für welche Zielgruppen gibt es keine darauf zugeschnittenen Inhalte?“ Dies sind Abfragen an einen strukturierten Graphen, keine Volltextsuchen auf Seiten.

2. Die KI stützt sich anders darauf. Ein rechnergestützter Wissensgraph ist ein grundlegend anderes Substrat als ein Ordner mit Dokumenten. Der Assistent ruft keine Textpassagen ab und fasst diese nicht zusammen – er liest die Struktur. Antworten lassen sich bis zum Graphen zurückverfolgen. Sie können fragen: „Warum hat der Assistent das gesagt?“, und die Kette nachverfolgen.

3. Sie können ihn simulieren. Wenn die Struktur dynamisches Verhalten umfasst – Abläufe, Kapazitäten, Verzögerungen –, kann derselbe Graph als Simulation ausgeführt werden. Nicht in ein separates Simulationswerkzeug exportiert, sondern direkt vor Ort ausgeführt. Die Erzählung und die Simulation sind ein und dasselbe Artefakt.

4. Erzählung und Struktur bleiben synchron, da sie aus einer Quelle stammen. Jeder andere Ansatz (Wiki + Datenbank + Diagrammtool oder noch schlimmer) erfordert, dass Sie drei Artefakte diszipliniert aufeinander abgestimmt halten. In jedem Team, das wir beobachtet haben, scheitert diese Disziplin innerhalb weniger Monate. Die Abweichung ist es, die Wissensartefakte zunichte macht. Ein computergestützter Wissensgraph beseitigt die Abweichung, indem er die Lücke schließt.

5. Der Text macht sich bezahlt. Die jedem Knoten zugeordnete Beschreibung ist keine Verzierung – sie ist die Betriebsdokumentation. Bedienungsanleitungen, Runbooks, Website-Texte, Präsentationen, PDFs: All dies sind Projektionen des Graphen und keine separat erstellten Artefakte. Die Kosten für das Verfassen des Textes machen sich um ein Vielfaches durch die Dokumentationssysteme bezahlt, die Sie nicht mehr pflegen müssen.

Wir betreiben transentis auf computergestützten Wissensgraphen

Computergestützte Wissensgraphen sind kein intellektuelles Artefakt, über das wir lediglich berichten. Sie sind die operative Grundlage, auf der unsere Praxis läuft. Hier finden Sie eine unvollständige Auflistung der Graphen, die transentis am Laufen halten – jeder einzelne davon ist ein aktiver, abfragbarer und mit KI kommunizierbarer Graph auf Metapad:

Der Marketing-Graph – derjenige, der hinter dem Blogbeitrag steht, den Sie gerade lesen. Jede von uns angebotene Dienstleistung, jede Zielgruppe, jedes Referenzprojekt, jede Kampagne, jeder Inhalt ist ein Knotenpunkt, der mit dem Warum und dem Was stattdessen in Betracht gezogen wurde beschrieben wird. Der Graph entscheidet, was geschrieben wird, an wen es sich richtet und was damit erreicht werden soll. Die Webseiten auf metapad.ai sind Projektionen davon.
Der Stammdaten-Graph – unser interner digitaler Zwilling. Personen, Projekte, Kunden, Kapazitäten, Kompetenzen, Abhängigkeiten. Er wird für Personalentscheidungen, Kapazitätsplanung, Wissenstransfer und für Fragen wie „Wer könnte diese Aufgabe übernehmen?“ genutzt, für die normalerweise eine Slack-Nachricht an drei Führungskräfte erforderlich wäre. Live, aktuell, abfragbar.
Der Graph der Lebensläufe und Projektreferenzen – das Profil jedes Beraters, jede Projektreferenz, jede Kompetenz und jedes Fachgebiet, jeweils als Knotenpunkt, verknüpft mit den Aufträgen, die diese unter Beweis stellen. Antworten auf Ausschreibungen sind Abfragen an diesen Graphen. „Haben Sie schon einmal eine Simulation eines Treueprogramms durchgeführt? Zeigen Sie mir drei Referenzen. Wer hat diese Projekte betreut? Sind diese Personen verfügbar?“ – Der Graph liefert innerhalb von Sekunden eine Antwort, untermauert durch entsprechende Erläuterungen.
Der Graph zur Systemdokumentation – die von uns verwendeten Tools, die Integrationen zwischen ihnen, die Datenflüsse. Der Graph ist sowohl die Systemkarte als auch die Dokumentation des Systems. Ändert man das eine, bleibt das andere konstruktionsbedingt auf dem neuesten Stand.
Grafen zum Betriebsmodell des Kunden – für jede Transformation, die wir gemeinsam mit einem Kunden durchführen, erstellen wir (gemeinsam mit ihm) einen expliziten Graphen seines Betriebsmodells: Fähigkeiten, Prozesse, Entscheidungsbefugnisse, KPIs, Abhängigkeiten, Partnerschnittstellen. Der Graph überdauert das Projekt und bleibt nützlich: abfragbar für Entscheidungen, über KI interpretierbar, simulierbar, wenn dynamisches Verhalten hinzugefügt wird.

In jedem dieser Fälle erfüllt das Artefakt gleichzeitig zwei Zwecke, und genau diese Kombination ist der springende Punkt:

Es steuert die Arbeit. Der Marketing-Graph legt Inhaltsprioritäten fest. Der Stammdaten-Graph besetzt Projekte mit Personal. Der Referenz-Graph beantwortet Ausschreibungen. Der Kunden-Graph treibt die Transformation voran.
Er dokumentiert die Arbeit. Der zu jedem Knoten gehörende Text ist die Arbeitsanweisung. Er erläutert, was der Knoten ist, wozu er dient, was vor der Wahl dieser Form berücksichtigt wurde und was bekanntermaßen noch offen ist. Und er bleibt mit der Struktur synchron, da Struktur und Text dasselbe Artefakt sind.

Dieser zweite Punkt ermöglicht es uns, zwei normalerweise getrennte Artefaktsysteme zu einem einzigen zusammenzufassen. Die meisten Organisationen unterhalten ein System (Notion + Airtable + Slack + einen Ordner mit Prozessdokumenten) und Dokumentation zu diesem System (eine veraltete Wiki-Seite, eine Präsentation, ein Organigramm, das zuletzt 2019 aktualisiert wurde). Ein computergestützter Wissensgraph verschmilzt diese beiden Elemente. Die Struktur und der Text bilden eine einzige Quelle.

Und da die Quelle strukturiert ist, sehen die Projektionen, die wir daraus generieren, wie echte Artefakte aus: Die Website, die Sie gerade lesen, wird aus dem Marketing-Graphen gerendert. Bedienungsanleitungen werden aus dem Stammdaten-Graphen gerendert. Antworten auf Ausschreibungen werden aus dem Referenz-Graphen gerendert. PDFs, Runbooks, Dashboards, Folien – generiert, nicht verfasst. Wenn sich die Quelle ändert, ändern sich die Projektionen entsprechend.

Der Text ist keine bloße Verzierung. Er erfüllt operative Aufgaben – die Dokumentationspipeline läuft von selbst, mit dem Graphen als Quelle. (Zur architektonischen Herkunft dahinter – der Parallele zu Knuths „Literate Programming“, angewendet auf der Ebene des Wissensgraphen – siehe unseren Begleitartikel Literate Graphs: Wenn sich Ihr Wissensgraph selbst dokumentiert.)

Auch die Kunden, mit denen wir zusammenarbeiten, führen ihre Transformationen letztendlich auf computergestützten Wissensgraphen durch – ausgehend von einem Graphen, den wir gemeinsam mit ihnen in einem Workshop erstellen, erweitern sie diesen durch die Transformation selbst und generieren ihre eigenen Bedienungsanleitungen aus derselben Quelle. Nicht, weil wir ihnen „Wissensgraphen“ verkauft hätten. Denn sobald sie den Unterschied erlebt haben, lautet die Frage: Warum sollten wir jemals wieder zurückgehen?

Von workOS zu PersonalOS – dasselbe Muster auf individueller Ebene

Das workOS-Muster – der rechnergestützte Wissensgraph als operatives Fundament, aus dem Projektionen abgeleitet werden – lässt sich auf individueller Ebene ebenso nahtlos skalieren wie auf großer Ebene. Die individuelle Version wird manchmal als zweites Gehirn bezeichnet: Tagebucheinträge, Notizen, Aufgaben, Kontakte, Projekte und die Beziehungen zwischen ihnen – alles als ein einziger Graph statt eines Notion-Vaults, einer Things-App, eines Apple-Notizen-Ordners und einer Kontaktdatenbank, die nicht mehr miteinander kommunizieren.

Die Regeln sind dieselben. Struktur, Erzählung, Berechnung – alles aus einer Quelle. Dasselbe Metapad. Derselbe KI-Assistent. Nur ein anderer Anwendungsbereich. Falls Sie sich angesichts des workOS-Ansatzes gefragt haben, ob dasselbe Muster auch auf persönlicher Ebene funktioniert: Ja, und wir haben darüber separat berichtet – Ein zweites Gehirn auf Metapad: ein Zettelkasten-Metamodell, das Sie forken können.

Und wenn Sie sich eine der von uns erwähnten Projektionen genauer ansehen möchten – die Website metapad.ai selbst, die aus einem Graphen gerendert und nicht als statische Seiten erstellt wurde –, finden Sie in Vom Modell zur Website: Wie Metapad Knowledge metapad.ai betreibt einen ausführlichen Einblick.

Was ist Metapad also?

Die kürzeste Antwort, die nicht irreführt: Metapad ist die Plattform zum Erstellen computergestützter Wissensgraphen – solcher, die Ihr Unternehmen nicht nur beschreiben, sondern auch steuern.

Es ist ein Wiki und eine Datenbank und ein Whiteboard und ein Simulator und ein Dokumentationsgenerator – doch diese Kategorien gehen am Wesentlichen vorbei. Das Wesentliche ist das Artefakt: ein computergestützter Wissensgraph, der Struktur, Narrativ und Berechnung in einer einzigen Quelle vereint und die Ausgabedateien (Webseiten, Handbücher, Runbooks, PDFs, Dashboards) generiert, für deren Pflege früher separate Systeme erforderlich waren.

Wenn sich Ihr Unternehmen heute über einen Confluence-Bereich, eine Airtable-Datenbank, einen Ordner mit Miro-Boards und drei nur noch halb aktuelle interne Handbücher erstreckt – und Sie mehr Energie darauf verwenden, diese vier aufeinander abzustimmen, als mit ihnen zu arbeiten –, dann ist das genau das Problem, für dessen Lösung computergestützte Wissensgraphen geschaffen wurden.

Willkommen in einer Kategorie, die bisher noch keinen Namen hatte.

TL;DR – Was jedes Tool ist

Tool-Familie	Bedeutungseinheit	Was für einen computergestützten Wissensgraphen fehlt
Wiki (Notion, Confluence)	Seite (textorientiert)	Keine strukturierten Entitäten – sie existieren nur durch Verweis, nicht durch Identität
Datenbank / Tabelle (Airtable, Excel)	Zeile (datenorientiert)	Keine zugehörige Erzählung; die Begründung liegt außerhalb des Artefakts
Whiteboard (Miro, Mural)	Räumliche Position (visuell orientiert)	Keine maschinenlesbare Struktur; die Bedeutung liegt in der Gesamtgestalt
Statische Diagrammerstellung (Lucidchart, drawio)	Diagramm (visuell orientiert, etwas mehr Struktur)	Die Struktur dient lediglich der Darstellung des Bildes und ist nicht adressierbar
Computergestützter Wissensgraph (Metapad)	Verbundene Knoten + Kanten, mit zugehöriger Erzählung und direkt darauf basierenden Berechnungen – Projektionen (Websites, Handbücher, Ausschreibungen, Dashboards), die aus derselben Quelle generiert werden	—

*Möchten Sie live miterleben, wie ein rechnergestützter Wissensgraph von Grund auf unter Einbeziehung von KI aufgebaut wird? Nehmen Sie an unserer Veranstaltung „Re-Think Your Operating Model – Live, with AI“ teil – einer einstündigen Live-Session