Wissen & LernenKnowledge & Learning

Zusammenfassung

Ein System, das nicht lernt, stagniert. In menschlichen Unternehmen ist Wissen oft implizit. In der KI-nativen Organisation muss es explizit gemacht werden. Diese Dimension definiert die G-Memory Architecture (episodisches, semantisches und prozedurales Gedächtnis), GraphRAG-Hybrid-Retrieval, die Knowledge-Gardener-Agentenrolle, Vergessens-Policies sowie das Logbook als umfassendes Governance-Gedächtnis.

Das Gehirn der KI-nativen Organisation ist nicht ein einzelnes LLM, sondern ein geteiltes Gedächtnissystem, das allen Agenten zugänglich ist. Einfache Vektordatenbanken reichen nicht aus, weil sie komplexe Beziehungen nicht abbilden können. Knowledge Graphs und GraphRAG sind überlegen.

Kontext im VCOM-Framework

Wissen & Lernen ist das organisationale Gehirn. Prozesse (Dim 05) generieren Wissen; diese Dimension erfasst und macht es wiederverwendbar. Performance-Messung (Dim 10) generiert evaluatives Wissen, das hierher zurückfließt. Agenten-Lebenszyklus-Management (Dim 11) hängt von Wissenstransfer bei Onboarding und Versionsübergängen ab. Technologie (Dim 03) liefert die Infrastruktur (Graph-Datenbanken, RAG-Pipelines). Governance (Dim 02) produziert Entscheidungswissen, das im Logbook gespeichert wird.

Summary

A system that does not learn stagnates. In traditional enterprises, knowledge is often implicit. In an AI-native organization, it must be made explicit. This dimension defines the G-Memory Architecture (episodic, semantic, and procedural memory), GraphRAG hybrid retrieval, the Knowledge Gardener agent role, forgetting policies, and the Logbook as comprehensive governance memory.

The brain of an AI-native organization is not a single LLM, but a shared memory system accessible to all agents. Simple vector databases are insufficient because they cannot represent complex relationships. Knowledge graphs and GraphRAG are superior.

Context within the VCOM Framework

Knowledge & Learning is the organizational brain. Processes (Dim 05) generate knowledge; this dimension captures and makes it reusable. Performance Measurement (Dim 10) generates evaluative knowledge that flows back here. Agent Lifecycle Management (Dim 11) depends on knowledge transfer during onboarding and version transitions. Technology (Dim 03) provides the infrastructure (graph databases, RAG pipelines). Governance (Dim 02) produces decision knowledge stored in the Logbook.

Die G-Memory Architecture

Organisationales Gedächtnis ist in drei Schichten strukturiert, die auf menschlicher kognitiver Architektur basieren (Nonaka, 1995; Alavi & Leidner, 2001). Jede Schicht erfüllt eine eigene Funktion:

• Episodisches Gedächtnis (Interaction Graph): Speichert detaillierte Trajektorien vergangener Interaktionen — Inputs, Outputs und den Reasoning-Pfad dazwischen. Einträge tragen ein outcome_quality-Tag und einen relevance_decay-Timestamp.
• Semantisches Gedächtnis (Insight Graph): Speichert abstrahiertes Faktenwissen als Knowledge Graph — Entitäten als Knoten, Beziehungen als typisierte gerichtete Kanten. Jeder Knoten und jede Kante trägt einen confidence-Score (0.0–1.0), einen last_verified-Timestamp und eine source_agent-Referenz.
• Prozedurales Gedächtnis (Skill/Tool Store): Speichert bewährte Workflows, Skills und Tool-Nutzungsmuster. Einträge werden nach Effektivität gerankt; jeder Eintrag verlinkt zurück auf die ursprünglichen episodischen Datensätze für Provenienz.

The G-Memory Architecture

Organizational memory is structured in three layers based on human cognitive architecture (Nonaka, 1995; Alavi & Leidner, 2001). Each layer serves a distinct function:

• Episodic Memory (Interaction Graph): Stores detailed trajectories of past interactions — inputs, outputs, and the reasoning path between them. Entries carry an outcome_quality tag and a relevance_decay timestamp.
• Semantic Memory (Insight Graph): Stores abstracted factual knowledge as a knowledge graph — entities as nodes, relationships as typed directed edges. Every node and edge carries a confidence score (0.0–1.0), a last_verified timestamp, and a source_agent reference.
• Procedural Memory (Skill/Tool Store): Stores proven workflows, skills, and tool-use patterns. Entries are ranked by effectiveness; each entry links back to originating episodic records for provenance.

Memory-Schicht-Interaktionen im Detail

Wissensflüsse zwischen den Schichten implementieren Nonakas SECI-Modell, adaptiert für KI-Agenten:

• Episodisch → Semantisch (Abstraktion): Knowledge Gardener reviewt episodische Einträge und extrahiert Faktenwissen in den semantischen Graphen.
• Episodisch → Prozedural (Muster-Extraktion): Wiederkehrende erfolgreiche Task-Muster werden als prozedurale Einträge kodifiziert.
• Semantisch → Episodisch (Kontext-Injektion): Relevantes semantisches Wissen wird in das Context Window des Agenten bei Task-Ausführung inkludiert.
• Prozedural → Episodisch (Anwendungs-Feedback): Ergebnisse der Anwendung prozeduralen Wissens werden aufgezeichnet — schließt die Feedback-Schleife.

GraphRAG-Integration

Die hybride Retrieval-Pipeline kombiniert Graph-Traversierung mit vektorbasierter Similarity Search in sechs Stufen:

1. Query Understanding: Intent- und Entity-Extraktion aus natürlicher Sprache
2. Graph Traversal: Strukturierte Abfragen auf dem Knowledge Graph mit konfigurierbarer Hop-Tiefe
3. Vector Search: Paralleles embedding-basiertes Retrieval aus episodischer und prozeduraler Schicht
4. Result Merging: Ranking nach Relevanz — kombiniert Graph-Distanz, Vektor-Similarity, Aktualität und Konfidenz
5. Context Window Assembly: Kontextpaket innerhalb des Agent-Budgets (typisch: 40% Task, 30% Wissen, 20% History, 10% System)
6. Generation with Citations: Antworten mit expliziten Referenzen zurück auf Quellknoten für Verifizierbarkeit

Der Knowledge Gardener

Ein spezialisierter S2-Agent (System 2 im VSM, Beer 1972), der für die aktive Wartung des Wissensgraphen verantwortlich ist:

• Deduplizierung: Zusammenführen doppelter Entitäten mittels Entity-Resolution-Algorithmen
• Pruning: Entfernung veralteter oder ersetzter Informationen
• Konsistenzprüfung: Erkennung von Widersprüchen im Graphen
• Decay-Management: Reduzierung von Konfidenzwerten bei alterndem, unverifiziertem Wissen
• Ontologie-Evolution: Anpassung des Graph-Schemas bei Domänenerweiterung; neue Typen werden über Governance-Consent-Protokoll vorgeschlagen

Vergessens-Policies (Forgetting Policies)

Vergessen ist ebenso wichtig wie Lernen — unkuratierte Akkumulation verschlechtert die Retrieval-Qualität (Alavi & Leidner, 2001).

Policy	Mechanismus	Scope
Confidence Decay	Scores sinken mit konfigurierbarer Rate, es sei denn durch neue Evidenz aktualisiert	Alle Schichten
Usage-based Retention	Einträge, die 90 Tage nicht abgerufen werden, werden zur Überprüfung markiert	Prozedural
Supersession	Neue Fakten ersetzen alte mit SUPERSEDES-Beziehung; alte bleiben mit reduzierter Konfidenz	Semantisch
Episodic Compression	Detaillierte Aufzeichnungen nach 30 Tagen zusammengefasst; High-Risk-Entscheidungen vollständig erhalten	Episodisch
Hard Deletion	Nur für faktisch falsche Einträge; erfordert Knowledge-Gardener-Genehmigung mit Logbook-Dokumentation	Alle Schichten

Empirisches Lernprotokoll (7 Phasen)

Adaptiert aus der wissenschaftlichen Methode für agenten-gesteuerte Untersuchungen (Argyris, 1991):

1. Observe: Anomalie, Chance oder Wissenslücke aus Performance-Metriken, Fehlermustern oder Feedback erkennen
2. Question: Präzise, beantwortbare Forschungsfrage mit S3-Driver-Pattern formulieren
3. Hypothesize: Mindestens zwei konkurrierende, falsifizierbare Hypothesen aufstellen
4. Design: Variablen, Kontrollen, Stichprobengröße, Budget-Cap und Rollback-Kriterien spezifizieren. Governance Gate zwischen Design und Execute.
5. Execute: Experiment mit Mess-Infrastruktur durchführen; Budget-Monitoring
6. Analyze: Vordefinierte Kriterien anwenden; Effektgrößen berechnen; Konfidenz zuweisen
7. Integrate: Hochkonfidenz-Ergebnisse aktualisieren prozedurales Gedächtnis; mittel in semantisches; widerlegt als Negativ-Ergebnisse loggen

Organisationale Lerntheorie

VCOM stützt sich auf drei komplementäre theoretische Traditionen:

• Argyris — Single-Loop & Double-Loop Learning: Single-Loop = Verhalten innerhalb bestehender Workflows anpassen. Double-Loop = die Workflow-Struktur selbst hinterfragen. G-Memory unterstützt beides.
• Bateson — Lernniveaus als Reifearchitektur: Learning 0 = fixe Antworten (Phase 1). Learning I = Fehlerkorrektur (Phase 2). Learning II = Alternativenmenge verändern (Phase 3–4). Learning III = Lernrahmen selbst reorganisieren (Phase 5, aspirational).
• Senge — Die lernende Organisation: Persönliche Meisterschaft = Agenten-Spezialisierung. Mentale Modelle = semantisches Gedächtnis. Gemeinsame Vision = Organisationsverfassung. Team-Lernen = Chapter/Guild-Strukturen. Systemdenken = Feedback-Loops.

Das Logbook (Logbuch)

Das Logbook ist das umfassende organisationale Gedächtnis für Governance-Wissen (adaptiert von S3-Transparenzprinzipien, Bockelbrink et al., 2022) — es erfasst nicht nur was passiert ist, sondern warum es passiert ist und was entschieden wurde. Alle Einträge sind append-only; Korrekturen sind neue Einträge, die auf das Original referenzieren.

• decision: Governance-Entscheidung mit vollständigem Reasoning-Trace
• policy_change: Neue Policy, Änderung oder Deaktivierung
• domain_change: Agent-Manifest-Änderungen, Domänen-Anpassungen
• strategy_update: Strategie-Revisionen mit Treiber und Ergebnis
• evaluation_result: Peer-Review-Ergebnisse, Performance-Assessments
• cycle_output: Zusammenfassung eines Governance-Review-Zyklus
• agreement_breach: Dokumentation gebrochener Vereinbarungen
• tension_resolution: Wie Governance-Spannungen gelöst wurden

Chapter & Guild Wissensstrukturen

Jedes Agent Chapter (Fachgruppe gleicher Spezialisten) pflegt einen dedizierten Subgraphen mit: Specialty Prompt Library, Calibration Test Suite, Domain Standards, Evaluation Rubric und Chapter Strategy Artifacts. Der Chapter Steward (höchster Trust Score) kuratiert diesen Subgraphen.

Agent Guilds — freiwillige, domänenübergreifende Erkundungsgruppen — erzeugen Exploration Logs, Technique Libraries und Cross-Domain Knowledge Graph Edges. Wissenspropagationspfad: S4 Insight → Guild Exploration → Exploration Log → Validierte Technik → Chapter Technique Library → S1 Operative Praxis.

The G-Memory Architecture

Organizational memory is structured in three layers based on human cognitive architecture (Nonaka, 1995; Alavi & Leidner, 2001). Each layer serves a distinct function:

• Episodic Memory (Interaction Graph): Stores detailed trajectories of past interactions — inputs, outputs, and the reasoning path between them. Entries carry an outcome_quality tag and a relevance_decay timestamp.
• Semantic Memory (Insight Graph): Stores abstracted factual knowledge as a knowledge graph — entities as nodes, relationships as typed directed edges. Every node and edge carries a confidence score (0.0–1.0), a last_verified timestamp, and a source_agent reference.
• Procedural Memory (Skill/Tool Store): Stores proven workflows, skills, and tool-use patterns. Entries are ranked by effectiveness; each links back to originating episodic records for provenance.

Memory Layer Interactions in Detail

Knowledge flows between layers implement Nonaka's SECI model adapted for AI agents:

• Episodic → Semantic (Abstraction): Knowledge Gardener reviews episodic entries and extracts factual knowledge to the semantic graph.
• Episodic → Procedural (Pattern Extraction): Recurring successful task patterns are codified as procedural entries.
• Semantic → Episodic (Context Injection): Relevant semantic knowledge is included in agent context windows during task execution.
• Procedural → Episodic (Application Feedback): Outcomes of applying procedural knowledge are recorded, closing the feedback loop.

GraphRAG Integration

The hybrid retrieval pipeline combines graph traversal with vector-based similarity search in six stages:

1. Query Understanding: Intent and entity extraction from natural language
2. Graph Traversal: Structured queries on the knowledge graph with configurable hop depth
3. Vector Search: Parallel embedding-based retrieval from episodic and procedural layers
4. Result Merging: Ranking by relevance — combining graph distance, vector similarity, recency, and confidence
5. Context Window Assembly: Context payload within agent budget (typical: 40% task, 30% knowledge, 20% history, 10% system)
6. Generation with Citations: Responses with explicit references back to source nodes for verifiability

The Knowledge Gardener

A specialized S2 agent (System 2 in VSM, Beer 1972) responsible for active knowledge graph maintenance:

• Deduplication: Merging duplicate entities using entity resolution algorithms
• Pruning: Removing outdated or superseded information
• Consistency Checking: Detecting contradictions in the graph
• Decay Management: Reducing confidence scores on aging, unverified knowledge
• Ontology Evolution: Adapting graph schema as the domain expands; new types proposed through governance consent protocol

Forgetting Policies

Forgetting is as important as learning — uncurated accumulation degrades retrieval quality (Alavi & Leidner, 2001).

Policy	Mechanism	Scope
Confidence Decay	Scores decrease at configurable rate unless refreshed by new evidence	All layers
Usage-based Retention	Entries not retrieved in 90 days flagged for review	Procedural
Supersession	New facts replace old with SUPERSEDES relationship; old retained at reduced confidence	Semantic
Episodic Compression	Detailed records summarized after 30 days; high-risk decisions retained in full	Episodic
Hard Deletion	Only for factually wrong entries; requires Knowledge Gardener approval with Logbook documentation	All layers

Empirical Learning Protocol (7 Phases)

Adapted from the scientific method for agent-directed inquiry (Argyris, 1991):

1. Observe: Detect anomaly, opportunity, or knowledge gap from performance metrics, error patterns, or feedback
2. Question: Formulate precise, answerable research question using S3 Driver pattern
3. Hypothesize: Formulate at least two competing, falsifiable hypotheses
4. Design: Specify variables, controls, sample size, budget cap, and rollback criteria. Governance gate between Design and Execute.
5. Execute: Run experiment with measurement infrastructure; monitor budget
6. Analyze: Apply pre-defined criteria; compute effect sizes; assign confidence level
7. Integrate: High-confidence findings update procedural memory; medium goes to semantic; disconfirmed logged as negative results

Organizational Learning Theory

VCOM draws on three complementary theoretical traditions:

• Argyris — Single-Loop & Double-Loop Learning: Single-loop = adjusting behavior within existing workflows. Double-loop = questioning the workflow structure itself. G-Memory supports both.
• Bateson — Learning Levels as Maturity Architecture: Learning 0 = fixed responses (Phase 1). Learning I = error correction (Phase 2). Learning II = modifying alternatives (Phases 3–4). Learning III = reorganizing the learning framework (Phase 5, aspirational).
• Senge — The Learning Organization: Personal mastery = agent specialization. Mental models = semantic memory. Shared vision = organizational constitution. Team learning = Chapter/Guild structures. Systems thinking = feedback loops.

The Logbook (Governance Memory)

The Logbook is the comprehensive organizational memory for governance knowledge (adapted from S3 transparency principles, Bockelbrink et al., 2022) — recording not merely what happened but why it happened and what was decided. All entries are append-only; corrections are new entries referencing the original.

• decision: Governance decision with full reasoning trace
• policy_change: New policy, modification, or deactivation
• domain_change: Agent manifest changes, domain adjustments
• strategy_update: Strategy revisions with driver and outcome
• evaluation_result: Peer review results, performance assessments
• cycle_output: Summary of a governance review cycle
• agreement_breach: Documentation of broken agreements
• tension_resolution: How governance tensions were resolved

Chapter & Guild Knowledge Structures

Each Agent Chapter (cross-team group of same-specialty agents) maintains a dedicated subgraph with: Specialty Prompt Library, Calibration Test Suite, Domain Standards, Evaluation Rubric, and Chapter Strategy Artifacts. The Chapter Steward (highest trust score) curates this subgraph.

Agent Guilds — voluntary, cross-domain exploration groups — produce Exploration Logs, Technique Libraries, and Cross-Domain Knowledge Graph Edges. Knowledge propagation pathway: S4 Insight → Guild Exploration → Exploration Log → Validated Technique → Chapter Technique Library → S1 Operational Practice.

G-Memory Schema

Die drei Gedächtnisschichten bilden die Kernarchitektur:

G-Memory Schema

The three memory layers form the core architecture:

Knowledge-Graph-Struktur

Der Knowledge Graph ist das Rückgrat des semantischen Gedächtnisses:

Knowledge Graph Structure

The knowledge graph is the backbone of semantic memory:

knowledge_graph:
  entities:
    types:
      - customer
      - product
      - agent
      - concept
      - decision
      - problem
      - solution
    properties:
      - confidence: [0.0, 1.0]
      - last_verified: timestamp
      - source_agent: agent_id

  relationships:
    types:
      - caused_by
      - solved_by
      - depends_on
      - supersedes
    properties:
      - timestamp
      - confidence
      - source_agent

  retrieval:
    primary: "GraphRAG (6-stage hybrid pipeline)"
    secondary: "Vector similarity search"
    query_interface: "Natural language -> Cypher"
    context_budget:
      task_instructions: "40%"
      retrieved_knowledge: "30%"
      conversation_history: "20%"
      system_prompt: "10%"

  implementation:
    database: "Neo4j"
    integration: "GraphRAG pipeline"
    maintenance: "Knowledge Gardener (S2)"

Logbook-Eintragsformat

Logbook Entry Format

logbook_entry:
  id: "LOG-2026-00847"
  timestamp: "2026-01-28T14:30:00Z"
  type: decision  # | policy_change | domain_change
                  # | strategy_update | evaluation_result
                  # | cycle_output | agreement_breach
                  # | tension_resolution

  agent_identity: "governance-facilitator-01"

  driver:
    situation: "3 enterprise deals lost due to 20% discount cap"
    impact: "Estimated $150K revenue loss"
    need: "Adjust discount authority for enterprise tier"

  decision: "Increase L3 agent discount authority to 25%"

  rationale: "Analysis showed 25% would have secured 2 of 3.
              Margin impact acceptable at enterprise deal sizes."

  outcome:
    status: pending_evaluation
    review_date: "2026-04-28"

  immutability: "append-only; corrections are new entries
                 referencing this entry's ID"

External Input Framework

Fünf Kategorien externer Wissenserfassung mit risikoproportionaler Governance:

External Input Framework

Five categories of external knowledge acquisition with risk-proportionate governance:

Wissenslebenszyklus

Jede Phase hat einen verantwortlichen Agenten oder Mechanismus:

• Discovery: Jeder operative Agent, der neue Information findet
• Capture: Strukturierte Extraktion in Graph-Format
• Validation: Gegenprüfung mit bestehendem Wissen; Multi-Source Cross-Referencing
• Confidence Scoring: 0.0–1.0 aus Quellenverlässlichkeit + Validierungsstärke + Konsistenz
• Storage: Einfügung in die passende Memory-Schicht mit voller Provenienz
• Retrieval: GraphRAG 6-Stufen-Pipeline, Vektor-Suche oder Cypher
• Application: Agent nutzt Wissen für seine Aufgabe
• Evaluation: War das Wissen nützlich? Feedback aktualisiert Relevanz
• Update/Prune: Knowledge-Gardener-Wartungszyklus

Knowledge Lifecycle

Each phase has a responsible agent or mechanism:

• Discovery: Any operational agent that finds new information
• Capture: Structured extraction into graph format
• Validation: Cross-checking against existing knowledge; multi-source cross-referencing
• Confidence Scoring: 0.0–1.0 from source reliability + validation strength + consistency
• Storage: Insertion into the appropriate memory layer with full provenance
• Retrieval: GraphRAG 6-stage pipeline, vector search, or Cypher
• Application: Agent uses knowledge for its task
• Evaluation: Was the knowledge useful? Feedback updates relevance
• Update/Prune: Knowledge Gardener maintenance cycle