KI-gestützte Extraktion von implizitem Wissen

tl;dr

• Organisationen verlieren kritisches implizites Wissen durch Renteneintritte, Fluktuation und Fachkräftemangel
• Vieles Wissen ist nie dokumentiert — es existiert nur in den Köpfen erfahrener Mitarbeitender
• Ein KI-gestütztes Interviewsystem kann systematisch implizites Wissen identifizieren, strukturieren und transformieren
• Ziel: Verborgenes Erfahrungswissen in zugängliche, wiederverwendbare organisatorische Wissensassets verwandeln
• Ansatz kombiniert LLMs, Sprachtranskription, Wissensgraphen und Human-in-the-Loop-Validierung

Kurzbeschreibung

Das Projekt adressiert ein wachsendes Risiko: Organisationen verlieren massiv kritisches Wissen durch demografischen Wandel, Pensionierungswellen, Mitarbeiterfluktuation und Fachkräftemangel. Die Lösung ist ein KI-gestütztes Interviewsystem, das implizites Wissen systematisch erfasst, strukturiert und in organisatorische Wissensassets transformiert — von SOPs über Wissensgraphen bis hin zu KI-Assistenten.

Ausgangspunkt / Problemstellung

Der demografische Wandel und Fachkräftemangel führen zu einem massiven Verlust von organisationalem Wissen.

Viele Organisationen verlieren Wissen nicht, weil Dokumente fehlen. Sie verlieren Wissen, weil Erfahrung, Kontext, Entscheidungslogik, Workarounds, Risiken und praktische Expertise nie externalisiert wurden.

Mitarbeitende tun sich oft schwer, ihr eigenes Wissen zu strukturieren oder zu externalisieren. Sie wissen vielleicht, was zu tun ist, aber nicht, wie sie es strukturiert, wiederverwendbar und übertragbar erklären können.

Das betrifft insbesondere:

• Langzeitmitarbeitende
• Domain-Expert:innen
• Prozessverantwortliche
• Operative Spezialist:innen
• Mitarbeitende kurz vor dem Ruhestand
• Schlüsselpersonen in informellen Wissensnetzwerken

Idee

Die zentrale Idee ist die Nutzung KI-gestützter Interviewsysteme zur systematischen Unterstützung der Wissensextraktion.

Das System könnte:

• adaptive Fragen stellen
• implizites Wissen identifizieren
• fehlenden Kontext erkennen
• Expertisebereiche clustern
• Entscheidungslogik extrahieren
• wiederkehrende Prozesse dokumentieren
• Risiken, Ausnahmen und Abhängigkeiten kartieren
• strukturierte Wissensartefakte generieren
• über Zeit ein organisatorisches Gedächtnis aufbauen

Welche Hypothese steckt dahinter?

Die Kernhypothese: Implizites Wissen kann durch adaptive, KI-geführte Dialoge systematisch externalisiert werden — auch wenn die wissende Person selbst nicht in der Lage ist, dieses Wissen unstrukturiert zu artikulieren. Der KI-gestützte Frageprozess kompensiert die fehlende Metakognition zur eigenen Wissensstruktur.

Warum das relevant ist

Dieses Konzept adressiert mehrere große organisatorische Herausforderungen gleichzeitig:

• demografischer Wandel
• Fachkräftemangel
• Wissensverlust
• Enterprise Knowledge Management
• Künstliche Intelligenz
• Onboarding-Effizienz
• Prozessoptimierung
• organisationale Resilienz

Das Ziel ist nicht einfach, Informationen zu speichern. Das Ziel ist, verborgenes Erfahrungswissen in zugängliche, wiederverwendbare und sich kontinuierlich weiterentwickelnde organisatorische Erinnerung zu verwandeln.

Ansatz

Das System basiert auf einem mehrstufigen Prozess:

1. Erkennung — Identifikation von Wissensträger:innen und Wissensdomänen
2. Extraktion — KI-geführte adaptive Interviews mit dynamischer Fragetiefe
3. Strukturierung — Automatische Kategorisierung, Verknüpfung und Kontextanreicherung
4. Transformation — Generierung strukturierter Wissensartefakte
5. Validierung — Human-in-the-Loop-Qualitätssicherung
6. Integration — Einbettung in bestehende Wissensmanagementsysteme

Mögliche technologische Bausteine:

• Large Language Models (LLMs)
• Speech-to-Text Transkription
• Retrieval-Augmented Generation (RAG)
• Vektordatenbanken
• Wissensgraphen
• Entity Extraction
• Summarization Pipelines
• Semantisches Clustering
• Workflow Automation

Potenzielle Outputs:

• Standard Operating Procedures (SOPs)
• Onboarding-Dokumentation
• Expert:innen-Maps
• Wissensgraphen
• Prozessdokumentation
• Entscheidungsbäume
• FAQ-Sammlungen
• Semantische Suchindizes
• KI-Assistenten
• Schulungsmaterial
• Rollenspezifische Wissensbasen

Aktueller Stand

Idee / Konzept

Erkenntnisse

Die wichtigste Erkenntnis aus der Konzeptphase: Die meisten Organisationen versuchen, zu dokumentieren, was bereits explizit ist. Die eigentliche Chance liegt in der Extraktion dessen, was nie aufgeschrieben wurde. Der Positioning-Gedanke aus dem Gist fasst diesen Paradigmenwechsel präzise zusammen: „Most organizations try to document what is already explicit. The real opportunity lies in extracting what has never been written down.“

Nächste Schritte

—

Persönliche Note

Mich fasziniert an diesem Konzept, dass es eine der größten blinden Flecken im Wissensmanagement adressiert: die Annahme, dass relevantes Wissen entweder schon dokumentiert ist oder sich leicht dokumentieren lässt. Die Erfahrung zeigt das Gegenteil. Gerade in technischen und operativen Domänen sitzt das wertvollste Wissen tief in den Köpfen der Menschen, die es täglich anwenden. Ein System, das diesen Schatz heben kann, ohne die Wissensträger:innen zu überfordern — das hat echtes Transformationspotenzial.

FAQ

Was ist implizites Wissen? Implizites Wissen ist Erfahrungswissen, das nicht dokumentiert oder formalisiert ist — es existiert in den Köpfen von Mitarbeitenden und wird oft intuitiv angewendet, ohne dass die Person es strukturiert erklären kann.

Warum ist implizites Wissen wertvoll? Es enthält Entscheidungslogik, Workarounds, Risikobewertungen und Kontextwissen, das in keiner Prozessdokumentation steht — und damit oft den Unterschied zwischen theoretischem und praktischem Können ausmacht.

Wie unterscheidet sich dieser Ansatz von klassischem Wissensmanagement? Klassisches Wissensmanagement dokumentiert meist explizites Wissen. Dieser Ansatz zielt gezielt auf die Externalisierung von nie dokumentiertem, implizitem Wissen durch adaptive KI-Dialoge.

Welche Rolle spielen Large Language Models? LLMs ermöglichen adaptive Fragegenerierung, Kontextverständnis, semantische Clusterung und die Transformation von rohen Interviewdaten in strukturierte Wissensartefakte.

Wie wird die Qualität der extrahierten Informationen sichergestellt? Durch Human-in-the-Loop-Validierung: Fachexpert:innen prüfen und validieren die generierten Wissensartefakte, bevor sie in den produktiven Wissenspool übernommen werden.

Ist der Ansatz datenschutzkonform? Ja, durch lokale Verarbeitung, Pseudonymisierung und rollenbasierte Zugriffskontrollen kann die Einhaltung von DSGVO und anderen Datenschutzstandards gewährleistet werden.

Für welche Unternehmensgrößen ist das geeignet? Prinzipiell für alle Größen. Der ROI ist besonders hoch bei Organisationen mit vielen Langzeitmitarbeitenden, hoher Spezialisierung oder akuten Pensionierungswellen.

Kann das System mit nicht-deutschen Sprachen umgehen? Ja, LLMs und Speech-to-Text Systeme unterstützen mehrsprachige Verarbeitung. Interviews könnten in der Muttersprache der Wissensträger:innen geführt werden.

Wie lange dauert es, bis erste Ergebnisse sichtbar sind? Erste validierte Wissensartefakte könnten nach 2–4 Wochen Pilotphase mit einer kleinen Gruppe von Wissensträger:innen vorliegen.

Was kostet die Implementierung? Das hängt von der Tiefe der Integration ab. Ein MVP mit Fokus auf eine Abteilung oder Domäne ist mit überschaubarem Aufwand realisierbar.