Implizites Wissen – auch „Tacit Knowledge“ genannt – umfasst Erfahrungen, Intuition und Entscheidungslogiken, die selten aufgeschrieben werden. Genau das macht es so wertvoll und gleichzeitig so schwer greifbar. Es zeigt sich meist erst dann, wenn eine erfahrene Person eine Entscheidung trifft, die auf den ersten Blick nicht aus den vorhandenen Dokumenten ableitbar wäre.
Warum implizites Wissen für KI entscheidend ist
KI-Systeme können nur mit dem arbeiten, was explizit vorliegt. Bleibt Erfahrungswissen unausgesprochen, liefert die KI unzuverlässige Ergebnisse oder „halluziniert“ – mit entsprechendem Vertrauensverlust im Team. Ein Chatbot etwa, der Kundenanfragen beantworten soll, aber keinen Zugriff auf die ungeschriebenen Sonderregeln erfahrener Vertriebsmitarbeitender hat, wird in genau den Situationen falsch liegen, die am meisten Erfahrung erfordern.
Das Problem verschärft sich mit der Komplexität der Aufgabe: Bei einfachen, klar dokumentierten Prozessen ist der Anteil impliziten Wissens gering. Bei komplexen, stark erfahrungsgetriebenen Tätigkeiten – etwa in der individuellen Kundenberatung, in der Qualitätssicherung oder im technischen Support – macht implizites Wissen oft den entscheidenden Unterschied zwischen einer brauchbaren und einer unbrauchbaren KI-Antwort aus.
Bewährte Methoden zur Erfassung
- Strukturierte Experteninterviews: gezielte Fragetechniken zur Aufdeckung von Entscheidungslogiken – oft mit konkreten Fallbeispielen aus der Praxis der befragten Person, statt abstrakter Beschreibungen.
- Prozess-Shadowing: Beobachtung erfahrener Mitarbeitender im Arbeitsalltag, um Abweichungen zwischen dokumentiertem und tatsächlich gelebtem Prozess sichtbar zu machen.
- Wissenslandkarten: visuelle Übersicht, wer welches Wissen besitzt – als Grundlage, um gezielt zu priorisieren, wo die größten Risiken und Lücken liegen.
- Retrospektiven nach Projekten: systematisches Festhalten von Lessons Learned, statt Erfahrungswissen nach Projektabschluss ungenutzt verstreichen zu lassen.
- Critical-Incident-Technik: gezielte Nachbesprechung besonders schwieriger oder ungewöhnlicher Fälle, weil genau dort implizites Erfahrungswissen am deutlichsten zutage tritt.
Keine dieser Methoden funktioniert isoliert am besten – in der Praxis liefert eine Kombination aus zwei bis drei Methoden die verlässlichsten Ergebnisse, angepasst an die jeweilige Rolle und den Wissenstyp.
Vom Interview zur Wissensarchitektur
Erfasstes Wissen muss anschließend strukturiert und in eine zugängliche Architektur überführt werden – sonst landet es erneut in einer neuen Form von Silo. Genau hier setzt unsere Wissensarchitektur-Beratung an.
Der Übergang vom Rohmaterial – Interviewprotokollen, Beobachtungsnotizen, Fallbeispielen – zu einer nutzbaren Wissensarchitektur ist der Schritt, an dem viele Erfassungsinitiativen scheitern. Ohne klare Kategorisierung, Verlinkung und Kontext bleibt gesammeltes Wissen eine unübersichtliche Sammlung einzelner Dokumente. Eine durchdachte Wissensarchitektur ordnet diese Inhalte hingegen so, dass sowohl Menschen als auch KI-Systeme gezielt auf genau die Information zugreifen können, die im jeweiligen Moment relevant ist.
Typische Stolpersteine bei der Erfassung
Ein häufiger Fehler ist, die Erfassung als einmaliges Projekt statt als kontinuierlichen Prozess zu behandeln. Erfahrungswissen entsteht laufend neu – jede gelöste Ausnahme, jeder ungewöhnliche Kundenfall erweitert den Wissensschatz eines Unternehmens. Ein zweiter häufiger Stolperstein ist mangelnde Priorisierung: Statt zuerst das Wissen mit dem höchsten Risiko zu erfassen (etwa von Mitarbeitenden kurz vor dem Ruhestand oder in Schlüsselpositionen ohne Vertretung), wird oft dort begonnen, wo es am einfachsten erscheint – mit entsprechend geringerem Nutzen.
Sprechen Sie mit uns über Ihre Ausgangslage.