Wissenssicherung im Unternehmen

1. Das Problem: Wissensverlust in Zahlen

Unternehmen stehen vor einer stillen Krise: Ihr wertvollstes Kapital — das Erfahrungswissen ihrer Mitarbeitenden — geht systematisch verloren. Die Zahlen sind eindeutig:

• 42 % der unternehmensspezifischen Fachkenntnisse gehen verloren, wenn erfahrene Mitarbeitende ausscheiden — Deloitte, Global Human Capital Trends Report, 2023
• Bis 2030 werden über 30 % der Baby-Boomer-Generation in Rente gehen — Eurostat, Labour Force Survey, 2024
• 70 % des Unternehmenswissens ist implizites (tacit) Wissen, das nicht in Dokumenten erfasst ist — Nonaka & Takeuchi, The Knowledge-Creating Company, Oxford University Press, 1995
• 85 % der Führungskräfte sehen Wissensverlust als signifikantes Geschäftsrisiko — APQC, Knowledge Management Priorities Survey, 2024

2. Was Wissensverlust wirklich kostet

Die Kosten des Wissensverlusts werden häufig unterschätzt, weil sie indirekt anfallen — als längere Einarbeitungszeiten, wiederholte Fehler, verlorene Kundenbeziehungen und entgangene Innovation.

3. Implizites vs. explizites Wissen

Der Schlüssel zum Verständnis des Problems liegt in der Unterscheidung zwischen zwei Wissensformen:

Implizites Wissen umfasst Erfahrung, Intuition, Kontextwissen, Beziehungsnetzwerke und jene "Tricks", die nur durch jahrelange Praxis erworben werden. Genau dieses Wissen ist durch klassische Dokumentation kaum zu erfassen — Polanyi, M., The Tacit Dimension, University of Chicago Press, 1966.

4. Methoden der Wissenssicherung

Traditionelle und moderne Ansätze im Vergleich:

5. KI-gestützte Wissenssicherung

Künstliche Intelligenz verändert die Wissenssicherung grundlegend. Drei Technologien sind dabei zentral:

5.1 Adaptive KI-Interviews

Statt starrer Fragebögen führt die KI ein dynamisches Gespräch. Basierend auf den Antworten des Experten generiert sie Follow-up-Fragen, erkennt Wissenslücken und bohrt gezielt nach — ähnlich einem erfahrenen Journalisten. Aktuelle Large Language Models (LLMs) wie Anthropic Claude ermöglichen kontextsensitive Gesprächsführung mit Branching-Logik über mehrere Sessions.

5.2 Wissenszwillinge (Knowledge Twins)

Das erfasste Expertenwissen wird als digitaler Wissenszwilling abgebildet. Mitarbeitende können diesen in natürlicher Sprache befragen und erhalten kontextuelle Antworten mit Quellenangaben aus den Original-Interviews. Die Technologie basiert auf Retrieval Augmented Generation (RAG) mit Vektor-Embeddings.

5.3 Semantische Suche

Anders als Keyword-Suche versteht semantische Suche die Bedeutung einer Anfrage. Die Suche nach "Produktionsstörung beheben" findet auch Wissensbausteine über "Maschinenausfall diagnostizieren" — weil die Bedeutung ähnlich ist, auch wenn die Worte verschieden sind. Grundlage sind Embeddings-Modelle, die Text in hochdimensionale Vektoren überführen.

6. Framework: 5 Schritte zur systematischen Wissenssicherung

7. Compliance & Datenschutz

Wissenssicherung mit KI muss rechtliche Rahmenbedingungen beachten:

• DSGVO (EU-GDPR): Einwilligung der Wissensträger vor Interview-Beginn, Löschkonzept, Audit Trail, Datenverarbeitung ausschließlich in der EU
• EU AI Act (ab August 2025): Transparenzpflichten für KI-Systeme, Dokumentation der eingesetzten Modelle, Human-in-the-Loop-Prinzip
• Betriebsrat: Frühzeitige Einbindung bei der Einführung von Wissenssicherungs-Systemen, klare Regelung zu Freiwilligkeit
• Urheberrecht: Klare Regelung, wem das erfasste Wissen gehört — Arbeitsvertrag und Betriebsvereinbarung prüfen

8. Fazit & nächste Schritte

Wissensverlust ist kein unvermeidbares Schicksal. Mit systematischer Erfassung, KI-gestützten Interviews und semantischer Suche können Unternehmen ihr kritisches Expertenwissen dauerhaft sichern und nutzbar machen.

Der Schlüssel liegt im proaktiven Handeln: Wissensrisiken identifizieren, bevor Mitarbeitende gehen — nicht erst, wenn das Wissen bereits verloren ist.