In einer zunehmend digitalisierten Welt stehen Firmen heute oftmals vor dem Problem von regelrechten Datenfluten, die ab einem gewissen Volumen negativ auf die Qualität von Entscheidungen auswirken. Die Erdölindustrie sieht sich zudem mit dem Problem einer kurz alternden Belegschaft konfrontiert, von der mehr Experten aus der Arbeitswelt ausscheiden als nachbesetzt werden können. Kurzum, in den nächsten Jahren müssen immer weniger erfahrene Ingenieure ein Mehr an Daten und Information bewältigen, und das bei zunehmend komplexeren Aufgabestellungen der Erdölgewinnung und einem dauerhaften Verlust von angesammelten Wissen zusammen mit den pensionierten Mitarbeitern. Diese Arbeit schlägt als Ausweg aus dieser Situation vor, die Bemühungen des Wissensmanagements auf der Ebene der Informationstechnologie zu forcieren. Daten, Information und Wissen bilden eine Hierarchie, bei der die Menge an Zeichen nach oben hin ab und die Strukturen zunehmen. Heutige IT Systeme bleiben auf der Informationsebene stehen. Eine Vielzahl an Daten und Informationen kann zu allgemein einsetzbarem Wissen subsummiert, als solches gespeichert und für neue Situationen angewendet werden. Der Schritt von IT hin zu einer Wissenstechnologie (Knowledge Technology – KT) mit anpassungsfähigen und selbstlernenden Netzwerkstrukturen würde eine lange ausständige Software Innovation mit sich bringen. Die Arbeit macht deutlich, wie Firmen durch intelligente Systeme schneller lernen können und sich damit einen nachhaltigen Wettbewerbsvorteil sichern können. Das Adaptive Advisory System, als praktische Umsetzung von KT, ist im weiteren Sinne ein System zur Entscheidungsunterstützung für Öl- und Gas Operationen, das mit Hilfe von künstlicher Intelligenz fähig ist, eigenständig zu lernen, sich stetig neuen Herausforde-rungen anzupassen und damit mit zunehmendem Einsatz immer bessere Resultate liefert. Es ist für die primär für die Anwendung des Well-Production-Monitorings ausgelegt, ist aber grundsätzlich sehr breit einsetzbar. Das System besteht aus neben einer Benutzer-schnittstelle aus einer Daten-, Informations- und Wissensebene, wobei die Wissensebene (Knowledge Layer) die Herzstück des Advisors darstellt. Der Knowlede Layer ist wiederum in 3 Abschnitte unterteilt: der Event Detector stellt Abweichungen in den Echtzeit-Signal (Events) fest und alarmiert den Benutzer. Der Problem Classifier analysiert die Events und kann diese bestimmten Problemen zuordnen. Der Decision Supporter berechnet den Nutzen für verschiedene Handlungen und schlägt die bestmögliche Problemlösung vor. Eine abschließende Evaluierung der Entscheidung als Vergleich mit realen Ergebnissen sorgt für eine zusätzliche Verbesserung der Resultate. Event Detector, Problem Classifier und Decision Supporter basieren auf Bayes’schen Net-zen (BN), einem Instrument der künstlichen Intelligenz, denen der Satz von Bayes zugrunde liegt. Ein Bayes'sches Netz ist ein Graph bestehend aus Knoten (Zufallsvariablen) und Kanten (bedingten Wahrscheinlichkeiten); es vermag Wissen aus Daten zu extrahieren, zu speichern und anzuwenden, Rückschlusse unter Unsicherheiten zu ziehen und zu lernen. Die Arbeit beschreibt die sowohl Prinzipen, Strukturen und Operationsmodi des Adaptive Advisory Systems, demonstriert die Prinzipien anhand eines Beispiels aus dem Well-Production-Monitoring und bringt Vorschläge für eine Benutzeroberfläche. Abschließend werden die Implikationen einer resultierenden erhöhten Transparenz auf eine Organisation diskutiert.