Wissen dokumentieren und nutzbar machen: Wie KI die Wissenssicherung in Organisationen verändert

Jede Organisation hat zwei Wissensbestände.

Einen sichtbaren und einen unsichtbaren.

Der sichtbare Bestand füllt Ordner, Wikis, Prozesshandbücher. Er ist durchsuchbar, auditierbar, vorzeigbar. Der unsichtbare Bestand existiert in den Köpfen von Menschen, die seit Jahren oder Jahrzehnten dort arbeiten. Er umfasst Dinge wie: warum man Kunde X immer zuerst anrufen sollte, bevor man das Angebot schickt. Welche Maschine nach dem Wochenende eine halbe Stunde Vorlaufzeit braucht. Warum die offizielle Eskalationsregel bei Projekt-Typ Y in der Praxis nie funktioniert und was stattdessen hilft. Konservative Schätzungen beziffern diesen unsichtbaren Bestand auf 70 Prozent des gesamten erfolgskritischen Organisationswissens. Telekom und Platform3L sprechen sogar von bis zu 90 Prozent. Dieses implizite Wissen ist nicht dokumentiert, nicht durchsuchbar und an einzelne Köpfe gebunden. Wenn diese Köpfe das Unternehmen verlassen, geht das Wissen mit.

Dieser Artikel zeigt, warum klassische Dokumentationsansätze an diesem Problem scheitern, was die Kognitionswissenschaft über bessere Wege der Wissenserfassung sagt, und wie KI-gestützte Systeme wie Siara KI von eEight den gesamten Prozess vom Erfassen über das Analysieren bis zum Nutzbarmachen von Wissen verändern.

Warum klassische Wissensdokumentation das Wichtigste nicht erfasst

Beginnen wir mit einer Beobachtung, die fast jede Organisation teilt: Es wird enorm viel dokumentiert, und trotzdem fehlt das Entscheidende, wenn es darauf ankommt. Eine Kollegin geht in den Ruhestand, und plötzlich weiß niemand mehr, wie ein kritischer Prozess tatsächlich funktioniert. Ein neuer Mitarbeiter liest sich durch hundert Seiten Prozessbeschreibung und ist danach weniger orientiert als vorher, weil die Beschreibung mit der Realität nur noch lose verwandt ist.

Das liegt an einem Kategorienfehler, den Organisationen seit Jahrzehnten machen. Sie dokumentieren das Explizite und hoffen, dass das Implizite schon irgendwie mitkommen wird. Meistens ist dem aber nicht der Fall.

Prozessdokumentation beschreibt den offiziellen Ablauf: Was soll passieren, in welcher Reihenfolge, mit welchen Verantwortlichkeiten. Das ist unverzichtbar für Compliance, für Audits, für die Orientierung neuer Kolleg:innen. Regulatorische Rahmenwerke wie DORA im Finanzsektor, GxP in der Pharmabranche oder MaRisk im Bankwesen fordern es.

Wissensdatenbanken wie Confluence, SharePoint oder interne Wikis sammeln Fakten, Anleitungen und Definitionen. Für explizites Wissen funktioniert das gut.

Aber das Wissen, das Organisationen wirklich verwundbar macht, wenn es verschwindet, ist weder ein Prozessschritt noch ein Wiki-Eintrag. Es sind die Einschätzungen, Heuristiken und Kontextentscheidungen, die Experten über Jahre aufgebaut haben. Die erfahrene Kreditprüferin, die bei bestimmten Anträgen ein ungutes Gefühl bekommt, ohne es auf eine einzelne Kennzahl zurückführen zu können. Der Produktionsleiter, der am Geräusch einer Anlage hört, ob sie korrekt kalibriert ist. Die Projektleiterin, die weiß, dass man bei einem bestimmten internen Stakeholder immer zwei Wochen Puffer einplanen muss, obwohl das in keinem Projektplan steht.

Dieses implizite Wissen hat drei Eigenschaften, die es für klassische Wissensdokumentation ungreifbar machen: Es ist kontextgebunden, es ist dem Wissensträger selbst oft nicht vollständig bewusst, und es widersteht der Verschriftlichung.

Implizites Wissen erfassen: Warum Gespräche funktionieren, wo Texte scheitern

Die meisten Wissensmanagement-Ansätze setzen voraus, dass Expertinnen ihr Erfahrungswissen eigenständig aufschreiben. Das tun sie nicht. Die übliche Erklärung lautet: keine Zeit, keine Lust, keine Kultur der Wissensweitergabe. Alles nicht falsch. Aber es gibt einen tieferen Grund, der in der Kognitionswissenschaft gut belegt ist.

Schreiben beansprucht das Arbeitsgedächtnis erheblich stärker als Sprechen. Kellogg zeigte 2007 im American Journal of Psychology, dass die reine Textproduktion kognitive Ressourcen bindet, die dann für den Abruf und die Artikulation komplexer Inhalte fehlen. Der Geschwindigkeitsunterschied ist dabei erheblich: Rund 200 Wörter pro Minute fließen beim Sprechen mühelos, während Schreiben bei etwa 40 Wörtern liegt und deutlich mehr bewusste Steuerung erfordert. Wenn jemand ohnehin Wissen externalisieren soll, das schwer greifbar ist, dann wirkt die zusätzliche kognitive Last des Schreibens wie eine Bremse genau dort, wo es auf Fluss ankommen würde.

Nonaka und Takeuchi haben in ihrem SECI-Modell, dem bis heute einflussreichsten Framework der Wissensmanagement-Forschung, Dialog als primären Mechanismus der Externalisierung identifiziert. Ihre Begründung: Im Gespräch entsteht unmittelbares Feedback, Gedanken können in Echtzeit geschärft werden, und die natürlichen Werkzeuge der Wissensexternalisierung, also Metaphern, Analogien und Beispiele, funktionieren dialogisch besser als monologisch.

Ein passende Vergleichsstudie stammt von Krosnick und Kollegen (Autodesk Research / University of Michigan, publiziert 2021 auf der ACM CHI-Konferenz). Sie wandten Think-Aloud-Protokolle auf Computerarbeit an und verglichen das Ergebnis mit herkömmlicher schriftlicher Dokumentation. Das Resultat: Designentscheidungen, Prozesserklärungen und die Gründe hinter bestimmten Vorgehensweisen wurden per Sprechprotokoll reichhaltiger erfasst, bei vergleichbarem Aufwand für die Teilnehmenden.

Genau diesen Mechanismus nutzt Siara KI für die Wissenserfassung in Organisationen. Statt Experten zu bitten, Wiki-Seiten zu pflegen, führt die KI strukturierte Interviews: Audiobasiert, in natürlicher Sprache, in 15 Minuten pro Woche. In der Konstanz liegt der Schlüssel. Die KI fragt gezielt nach, transkribiert, analysiert und verknüpft das Gesagte mit dem bestehenden Wissensbestand. Ergänzend dazu können Experten per Screen Recording zeigen, wie sie in Systemen wie SAP, CRM oder Spezialsoftware arbeiten. Diese Aufnahmen werden transkribiert, segmentiert und im Knowledge Graph indexiert, sodass sie später als Wissensquelle abrufbar sind.

Wissen dokumentieren allein reicht nicht: Es muss im Moment des Bedarfs verfügbar sein

Hier machen viele Wissensmanagement-Initiativen den entscheidenden Fehler. Sie investieren Energie in die Erfassung und behandeln die Nutzbarkeit als Nachgedanken. Das Wissen landet in einer Datenbank, in einem Transkript, in einem Video-Archiv. Und dann passiert wenig damit, weil niemand diese Archive im Moment des Bedarfs findet und durchsucht.

Die McKinsey-Zahl dazu ist mittlerweile breit zitiert: Durchschnittliche Mitarbeitende verbringen 20 Prozent ihrer Arbeitswoche mit der Suche nach internen Informationen. Das sind nicht Menschen, die kein Wissen haben. Das sind Menschen, die vorhandenes Wissen nicht finden. Der Unterschied zwischen einem Wissensarchiv und einem echten Wissenssystem liegt genau hier: Ein Archiv wartet darauf, durchsucht zu werden. Ein System bringt Wissen dorthin, wo es gebraucht wird.

KI-Assistenten machen diesen Unterschied praktisch erlebbar. Ein konkretes Szenario: Ein neuer Mitarbeiter hat eine Frage zur Konfiguration eines SAP-Moduls. Im klassischen Modell sucht er im Wiki, fragt im Teams-Chat, wartet auf Antwort oder steht ratlos vor dem System. Mit einem KI-Assistenten, der auf das relevante Organisationswissen zugreift, bekommt er eine Antwort, die drei Dinge kombiniert: einen Textabschnitt, der die offizielle Vorgehensweise beschreibt; einen Ausschnitt aus einem Expertinnen-Interview, in dem die erfahrene Kollegin erklärt, welche Einstellung in welchem Kontext besser funktioniert; und einen Link zu einem Screen Recording, in dem jemand den Prozess Schritt für Schritt am Bildschirm zeigt.

Das kann kein Wiki leisten, kein Confluence, kein generischer Chatbot. Und es ist der Punkt, an dem aus dokumentiertem Wissen tatsächlich Performance Support wird: Hilfe im Moment des Bedarfs, direkt im Arbeitsfluss, ohne dass jemand eine Datenbank öffnen und die richtigen Schlagworte kennen muss.

Die technische Grundlage dafür ist RAG (Retrieval Augmented Generation) oder sogar ein Knowledge Graph, falls die Antwortqualität höchste Priorität hat. Wenn jemand eine Frage stellt, ruft das System zuerst relevante Passagen aus der organisationseigenen Wissensbasis ab und speist sie in ein Sprachmodell ein, das daraus eine fundierte, quellenbasierte Antwort generiert. Das klingt technisch, der Effekt ist aber alltagstauglich: Antworten basieren auf echtem Organisationswissen und die Quellen sind nachprüfbar. Siara KI hostet alle Daten und KI-Systeme zu 100 Prozent in Deutschland und erfüllt die Anforderungen von DSGVO und DORA.

Soll-Ist-Abgleich: Warum die Lücke zwischen Prozess und Praxis strategisch wertvoll ist

Neben Erfassung und Nutzbarkeit gibt es einen dritten Aspekt, den die meisten Ansätze zur Wissensdokumentation übersehen. Er ist vielleicht der wertvollste.

Wenn Experten in strukturierten Interviews beschreiben, wie sie tatsächlich arbeiten, entsteht ein Bild der gelebten Praxis. Gleichzeitig existiert in jeder Organisation eine dokumentierte Soll-Prozesslandschaft. Der Abgleich zwischen beiden offenbart Abweichungen. Diese Abweichungen sind aber keine Störungen. Sie sind strategisch relevante Informationen.

Ein konkretes Beispiel: Eine Bank hat einen dokumentierten Prozess für die Kreditprüfung. Zehn erfahrene Sachbearbeiter beschreiben in KI-geführten Interviews, wie sie diesen Prozess tatsächlich ausführen. Sieben von ihnen fügen einen zusätzlichen Prüfschritt ein, der im offiziellen Prozess nicht vorkommt. Drei nutzen eine abweichende Reihenfolge bei bestimmten Antragstypen. Zwei haben eigene Checklisten entwickelt, die nirgendwo dokumentiert sind.

Was bedeutet das? Es gibt zwei Möglichkeiten, und beide sind handlungsrelevant.

Möglichkeit eins: Die Abweichungen sind Verbesserungen. Die Expertinnen haben über Jahre herausgefunden, dass der offizielle Prozess Lücken hat, und diese eigenständig geschlossen. In dem Fall sollte der dokumentierte Prozess an die Praxis angepasst und die undokumentierten Best Practices allen zugänglich gemacht werden.

Möglichkeit zwei: Die Abweichungen sind Risiken. Die Praxis weicht vom Soll ab, weil Schulungen nicht gegriffen haben, weil der Prozess zu komplex ist, oder weil lokale Gewohnheiten sich eingeschliffen haben, die dem Compliance-Rahmen widersprechen. In dem Fall braucht es gezielte Nachschulung oder Prozessvereinfachung.

Ohne diesen Soll-Ist-Abgleich bleibt beides unsichtbar. Siara KI macht dies systematisch möglich, weil die KI-Analyse Muster über alle geführten Interviews hinweg erkennt: Wo beschreiben verschiedene Experten denselben Prozess unterschiedlich? Wo gibt es Widersprüche? Wo konzentriert sich kritisches Wissen bei einer einzigen Person? Das Ergebnis ist ein Wissensrisiko-Dashboard, das der Geschäftsführung auf einen Blick zeigt, wo die Organisation verwundbar ist.

Das System: Erfassen, Analysieren, Nutzbar machen

Was einzelne Werkzeuge wie ein besseres Wiki oder ein smarterer Chatbot allein nicht leisten, wird als System möglich. Unser Dreiklang verbindet drei Ebenen:

Ebene 1: Kontinuierliche Wissenserfassung. Strukturierte KI-Interviews mit Expertinnen, 15 Minuten pro Woche, ergänzt durch Screen-Recordings für Systemwissen. Der Aufwand ist bewusst so gering gehalten, dass er nicht als Zusatzbelastung wahrgenommen wird. Das ist die entscheidende Bedingung: Jedes System, das von Experten verlangt, zusätzlich zu ihrer Arbeit auch noch zu dokumentieren, wird scheitern.

Ebene 2: Automatisierte Analyse und Strukturierung. Spezialisierte KI-Agenten analysieren die gesammelten Interviews, erkennen Muster, Lücken und Widersprüche und transformieren das Ergebnis in einen Knowledge Graph: eine strukturierte Landkarte des Organisationswissens mit allen Beziehungen, Abhängigkeiten und Risikoclustern. Dieser Knowledge Graph ist das eigentliche strategische Asset, nicht der Chatbot, der darauf aufsetzt.

Ebene 3: Gesichertes Wissen 24/7 zugänglich machen. KI-Assistenten liefern multimodale Antworten mit Text, Interview-Ausschnitten und Screen Recordings. Neue Mitarbeitende haben vom ersten Tag an Zugang zu echtem Organisationswissen. Routinefragen, die sonst immer bei denselben zwei oder drei Kollegen landen, werden von der KI beantwortet und entlasten damit genau die Schlüsselpersonen, deren Zeit am wertvollsten ist.

Das Besondere an diesem System: Wenn es einmal aufgesetzt ist, läuft es weitgehend automatisiert und lernt dabei stetig weiter. Die Interviews finden wöchentlich statt, die Analyse passiert im Hintergrund, die Assistenten werden mit jedem neuen Interview besser. Der initiale Aufwand ist überschaubar: technisches Setup in etwa 1-2 Wochen, Pilotprojekt über acht Wochen mit zwei Zielgruppen. Danach entsteht ein sich selbst verstärkendes System, bei dem jede Woche mehr Wissen verfügbar wird, ohne dass jemand manuell Wiki-Seiten pflegen muss.

Warum Wissensdokumentation mit KI gerade jetzt drängt

Zwei Entwicklungen machen das Thema akut. Der demografische Wandel bedeutet, dass bis 2035 ein Drittel der Belegschaft in den Ruhestand geht. Allein diese Zahl macht Wissenssicherung zur strategischen Pflichtaufgabe. Gleichzeitig steigen regulatorische Anforderungen: DORA verlangt von Finanzinstituten dokumentiertes operatives Prozesswissen. GxP fordert von Pharmaunternehmen die Nachvollziehbarkeit kritischer Entscheidungen. MaRisk setzt Mindestanforderungen an das Risikomanagement, die ohne systematische Wissensdokumentation kaum erfüllbar sind.

Was Regulierer dabei eigentlich verlangen, ist der Nachweis, dass die Organisation versteht, warum ihre Prozesse so gestaltet sind. Das Warum hinter den SOPs. Genau das Wissen, das in keinem Handbuch steht, weil es implizit in den Köpfen der Fachexperten lebt, und das durch KI-geführte Interviews zum ersten Mal systematisch erfassbar wird.

Häufig gestellte Fragen zur Wissensdokumentation mit KI - FAQ

Was ist der Unterschied zwischen explizitem und implizitem Wissen?

Explizites Wissen lässt sich in Texten, Handbüchern oder Datenbanken festhalten, etwa Prozessbeschreibungen oder technische Anleitungen. Implizites Wissen (auch tacit knowledge) umfasst Erfahrungswissen, Heuristiken und kontextabhängige Entscheidungslogiken, die in den Köpfen von Experten existieren und sich der Verschriftlichung weitgehend entziehen. Schätzungen gehen davon aus, dass 70 bis 90 Prozent des erfolgskritischen Organisationswissens implizit ist.

Warum scheitern klassische Wissensdatenbanken bei der Erfassung von implizitem Wissen?

Wikis, Confluence und SharePoint setzen voraus, dass Expertinnen ihr Erfahrungswissen eigenständig in Textform überführen. Die Kognitionswissenschaft zeigt, dass Schreiben das Arbeitsgedächtnis stärker belastet als Sprechen (Kellogg, 2007). Implizites Wissen lässt sich im Gespräch besser externalisieren als per Text, weil die kognitive Last geringer ist und dialogische Werkzeuge wie Metaphern und Beispiele natürlicher fließen.

Wie funktioniert KI-gestützte Wissensdokumentation in der Praxis?

Plattformen wie Siara KI von eEight erfassen implizites Wissen durch strukturierte KI-Interviews: Audiobasiert, bspw. 15 Minuten pro Woche pro Experte. Die KI transkribiert, analysiert und verknüpft die Inhalte in einem Knowledge Graph. Ergänzend indexiert die Plattform Screenrecordings von Systemexpertise. KI-Assistenten machen das erfasste Wissen anschließend über multimodale Antworten (Text, Audio-Clips, Video-Referenzen) im Arbeitsfluss verfügbar.

Was bringt der Soll-Ist-Abgleich zwischen dokumentierten Prozessen und gelebter Praxis? Wenn Expertinnen beschreiben, wie sie tatsächlich arbeiten, und dieses Bild mit der dokumentierten Prozesslandschaft abgeglichen wird, werden Abweichungen sichtbar. Diese können entweder undokumentierte Best Practices sein (dann sollte der Prozess angepasst werden) oder Compliance-Risiken (dann braucht es Nachschulung). Ohne den Abgleich bleibt beides unsichtbar.

Welche regulatorischen Anforderungen adressiert KI-gestützte Wissensdokumentation?

DORA (Finanzsektor), GxP (Pharma) und MaRisk (Banken) fordern dokumentiertes Prozesswissen, einschließlich des Verständnisses, warum Prozesse so gestaltet sind. KI-gestützte Wissenserfassung macht dieses Warum auditierbar und revisionssicher.