von Martin Luckmann
Wissensmanagement galt lange als HR-Pflichtübung, die in Ablageordnern versandete. Mit KI, konsequenter Kuratierung und der Einbettung in die Unternehmensstrategie wird daraus etwas Neues: eine Knowledge-Driven AI Strategy, gezogen vom Bedarf und geschoben von der Vorausschau.
Bisher war Wissensmanagement von der Einsicht einiger – meist bei HR – geprägt, dass doch das Wissen derer, die die Firma verlassen, unbedingt gesichert werden sollte. Die Ansicht der anderen bestand vor allem in Fragen: Wer kümmert sich darum? Was genau soll denn gesichert werden? Und wo? Und was kostet das? Vor dem KI-Schub endeten die Initiativen meist mit Ablageordnern und ein paar Confluence-Einträgen für Frequently Asked Questions. Und schon der Versuch, mithilfe eines Glossars die wichtigsten Fachbegriffe zu erklären, kam schnell zum Erliegen.
Die Energie für Pflege und Weiterentwicklung stand meist in keinem Verhältnis zum Nutzen. Allerdings gab es Ausnahmen. So wurden etwa in vielen Call Centers den oft wechselnden Agentinnen und Agenten umfassende Fragenbeantwortungsinstrumente auf dem Bildschirm angeboten, um eine möglichst hohe Ersterledigungsquote zu erzielen. Also dort, wo dringender Bedarf war und die Zeit für das Suchen und Befragen von Experten einfach fehlte, entstanden wichtige Wissensbörsen.
Diese Erfahrung möchte ich hier aufgreifen, das Wissensmanagement wachküssen und auch für andere Bereiche einsatzfähig machen. Denn es kommen zwei Dinge zusammen: Einerseits steigt angesichts zunehmender Komplexität der Bedarf an gezieltem Wissen, andererseits fehlen immer öfter erfahrene und kompetente Experten. Oder die Dokumentation ist unzureichend oder viel zu umfangreich. Oder der ausgebildete Nachwuchs fehlt. Oder Technik oder Verfahren sind sehr individuell und über Jahrzehnte gewachsen. Oder die Schulungen sind ausgefallen oder liegen viel zu lange zurück. Oder sogar alles zusammen.
Deswegen nutzen wir für den Wissensgenerierungsprozess die Künstliche Intelligenz, bauen darin eine Qualitätssicherung – Kuratierung – ein und betten das Ganze ein in den Strategieprozess der Firma – gezogen vom Bedarfssog und geschoben vom Antizipationsdruck.
Warum das alte Modell scheitern musste
Das Grundproblem der alten Initiativen war nicht mangelnder guter Wille. Es war ein Denkfehler über den Wert von Wissen. Man behandelte Wissen zu oft wie ein Denkmal, das mit großer Energie aufgestellt und dann gehütet wird: einmal dokumentiert, einmal abgelegt, Haken dran. Doch Wissen, das niemand abruft, hat keinen realisierten Wert – so wie eine selbstgenutzte Wohnung erst dann einen Marktwert bekommt, wenn jemand ein Angebot macht. Deshalb vereinsamen die Ablageordner. Nicht weil das Wissen darin schlecht war, sondern weil zwischen dem Anlegen des Bestands und einem echten Bedarf keine Verbindung bestand.
Die Call Center haben, ohne es so zu nennen, genau diese Verbindung hergestellt. Dort diente das Wissen dem Bedarf: Es musste gebrauchsfertig und im richtigen Augenblick bei der Person sein, die es brauchte – am Bildschirm, im Kundengespräch, unter Zeitdruck. Der Wert war unmittelbar sichtbar, weil er sich in der Ersterledigungsquote niederschlug. Das ist die Lektion, die ich verallgemeinern möchte: Wissensmanagement wird erst dann wertvoll, wenn es vom tatsächlichen Bedarf her gedacht wird, nicht vom Bewahren her.
Die KI in drei Rollen
Der KI-Schub verändert die Rechnung grundlegend, weil er den teuersten Teil des alten Modells – das mühsame Heben und Aufbereiten von Wissen – dramatisch verbilligt. Wir setzen die KI dabei in drei aufeinanderfolgenden Rollen ein.
Die Begriffe „Offboarding“ und „Onboarding“ nutzen wir hier im weiteren Sinn: Das Offboarding des Wissens ist der Augenblick, in dem Wissenswertes erkennbar und dokumentiert wird, das Onboarding des Wissens ist – analog – der Augenblick, in dem es benötigt wird.
In der ersten Rolle ist die KI Interviewerin. Sie führt ein adaptives Gespräch mit einer erfahrenen Fachkraft, hakt nach, löst Unklarheiten auf und hilft, Erfahrungswissen in Worte zu fassen, das dieser Person oft selbst kaum bewusst ist. Ein starrer Fragebogen konnte das nie leisten. Wichtig ist die ehrliche Grenze: Ein Teil impliziten Könnens – Intuition, Fingerspitzengefühl – lässt sich nie vollständig verbalisieren. Die KI holt so viel heraus wie möglich, aber sie vollendet die Externalisierung nicht. Das ist kein Makel, sondern ein realistischer Anspruch.
In der zweiten Rolle ist sie Moderatorin. Sie verwebt das frisch gehobene Erfahrungswissen mit dem, was bereits dokumentiert ist. Und hier sitzt der entscheidende Punkt: Wo Erfahrung und Dokumentation sich widersprechen, glättet die KI nicht. Sie legt den Widerspruch offen und legt ihn der Fachkraft zur Entscheidung vor. Denn oft ist genau dieser Widerspruch der eigentliche Erkenntnisgewinn – der erfahrene Praktiker weiß, dass die Dokumentation an dieser Stelle überholt ist. Die Fachkraft bleibt die Autorität; die KI moderiert den Abgleich und hält die Begründung fest.
In der dritten Rolle ist sie Auskunftgeberin. Sie stellt das aufbereitete Wissen den Fragenden zur Verfügung und gibt ihnen die passenden Hinweise – aber nur aus dem geprüften, kuratierten Bestand, nicht frei aus dem allgemeinen Modellwissen. Nur so bleibt die in der zweiten Rolle erarbeitete Qualität bis zur Auskunft erhalten, und nur so ist nachvollziehbar, woher eine Information stammt.
Kuratierung: der Unterschied zwischen Vorrat und Verlässlichkeit
Diese zweite Rolle ist der Grund, warum wir von Kuratierung sprechen und nicht von Sammlung. Die alten Ablageordner waren Halden: alles hinein, kaum geprüft, nichts entschieden. Kuratierung heißt, dass ein Mensch mit Fachautorität die Verantwortung dafür übernimmt, was gilt. Die KI liefert die Geschwindigkeit und die Vollständigkeit, der Mensch liefert das Urteil. Diese Arbeitsteilung ist das Herzstück – sie unterscheidet einen verlässlichen Wissensbestand von einem weiteren Datenfriedhof, der bloß schneller gewachsen ist.
Zwei Antriebe: Bedarfssog und Antizipationsdruck
Damit aus einem einmaligen Projekt ein dauerhaft laufender Prozess wird, braucht es einen Motor. Bei uns sind es zwei: Wie ein Zug mit zwei Lokomotiven wird das Wissen von hinten geschoben und von vorn gezogen. Die Antizipationslokomotive drückt, die Bedarfslokomotive zieht – beide bewegen denselben Zug in dieselbe Richtung, aber sie lesen unterschiedliche Signale.
Der Bedarfssog zieht von vorn. Menschen stellen Fragen und suchen nach Antworten. Wenn die Fragen unbeantwortet bleiben, hat der Bestand hier eine Lücke. Diese unbeantworteten Fragen sind ein gemessenes, ehrliches Signal – sie zeigen präzise, wo als Nächstes Wissen gehoben werden muss. Das ist das Pull-Prinzip: Die Nachfrage steuert den Aufbau. Es ist zuverlässig, aber immer schon reaktiv – der Bedarf ist bereits da, wenn das Signal entsteht.
Der Antizipationsdruck schiebt von hinten. Aus Strategie, geplanten Projekten, Technologietrends und absehbaren Personalabgängen lässt sich ableiten, welches Wissen künftig gebraucht wird, bevor die erste Frage danach gestellt ist. Das ist das Push-Prinzip. Es ist unsicherer, weil Antizipation irren kann – aber es ist die einzige Kraft, die die Vorlaufzeit des Wissensaufbaus überbrückt. Denn Kompetenz entsteht nicht auf Knopfdruck. Wer erst mit dem Aufbau beginnt, wenn der Bedarf akut ist, kommt oft zu spät.
Die beiden sichern sich gegenseitig ab. Häufen sich Fragen zu einem Thema, das niemand vorhergesehen hat, war die Antizipation lückenhaft – und der Sog fängt es auf. Je besser umgekehrt vorhergesehen wird, desto seltener trifft eine Frage überhaupt auf eine Lücke. Ein Wissensmanagement, das nur reagiert, hinkt dem Bedarf ewig hinterher. Eines, das nur antizipiert, baut am wirklichen Bedarf vorbei. Erst beide zusammen machen den Prozess kontinuierlich und treffsicher zugleich: Die eine Kraft hält ihn in Bewegung, die andere hält ihn auf Kurs.
Von der Rentenumklammerung zur Unternehmensstrategie
Genau hier löst sich das Thema aus der HR-Ecke. Solange Wissensmanagement nur bedeutete, beim Ausscheiden einer Person noch schnell etwas zu sichern, blieb es eine Personalaufgabe am Rande. Sobald der Antizipationsdruck ins Spiel kommt, wird es zur Führungsaufgabe: Denn die Frage, welches Wissen morgen gebraucht wird, ist nichts anderes als die Frage, was wir morgen vorhaben. Wissensbedarf lässt sich nur aus der Strategie ableiten – und damit sitzt Wissensmanagement plötzlich am Tisch der Unternehmenssteuerung, nicht mehr in der Ablage.
Das ist der Kern dessen, was wir Knowledge-Driven AI Strategy nennen. Wissen wird vom verwalteten Objekt zum Treiber: Es speist die Strategie und wird zugleich von ihr gelenkt. Die KI ist der Motor, der das in einem Tempo möglich macht, das früher undenkbar war. Und die zwei Antriebe geben dem Ganzen seine Richtung. Auf eine Formel gebracht: anticipate what’s needed, deliver what’s asked – vorausdenken, was gebraucht wird; liefern, was gefragt ist.
Der Wert entsteht im Zusammenspiel
Der eigentliche Gewinn liegt nicht in einem der drei Bausteine allein, sondern in ihrer Verbindung. Die KI senkt die Kosten des Wissensaufbaus so weit, dass er sich auch außerhalb der Call-Center-Ausnahmefälle lohnt. Die Kuratierung sorgt dafür, dass das Ergebnis verlässlich ist und nicht bloß umfangreich. Und die Einbettung in die Strategie stellt sicher, dass gehoben wird, was tatsächlich Wert schafft – gezogen vom Bedarf, geschoben von der Vorausschau. So wird aus dem alten, ermüdenden Pflichtprogramm ein Prozess, der sich selbst nährt und mit jeder Runde mehr Wert schafft, als er kostet.
Das Wissensmanagement, das mit Ablageordnern eingeschlafen ist, muss nicht begraben werden. Es muss wachgeküsst werden. Die KI liefert den Kuss – aber die Richtung geben Bedarf und Strategie.
Literaturquellen (Auswahl)
Die Liste ist thematisch geordnet. Sie deckt die vier Fundamente des Ansatzes ab: die klassischen Wissensmanagement-Modelle, die Wissenstypen (implizit/explizit), die Verbindung von KI und Wissensarbeit sowie die Push-Pull- und Strategie-Perspektive. Nach jedem Eintrag steht kurz, wofür er im Artikel steht.
Klassische Modelle des Wissensmanagements
Probst, Gilbert; Raub, Steffen; Romhardt, Kai (2012): Wissen managen. Wie Unternehmen ihre wertvollste Ressource optimal nutzen. 7., überarbeitete und erweiterte Auflage. Wiesbaden: Gabler. → Das Bausteinmodell (Identifikation, Erwerb, Entwicklung, Verteilung, Nutzung, Bewahrung sowie Wissensziele und -bewertung), das den operativen Kreislauf im Artikel bildet. Im deutschsprachigen Raum das Standardwerk. (Erstveröffentlichung des Modells 1997.)
Nonaka, Ikujiro; Takeuchi, Hirotaka (1995): The Knowledge-Creating Company. How Japanese Companies Create the Dynamics of Innovation. New York: Oxford University Press. → Ursprung des SECI-Modells und der Unterscheidung von implizitem und explizitem Wissen. Grundlage für die drei KI-Rollen (Externalisierung, Kombination, Internalisierung).
Nonaka, Ikujiro; Takeuchi, Hirotaka (2019): The Wise Company. How Companies Create Continuous Innovation. New York: Oxford University Press. → Weiterentwicklung des SECI-Modells um die kontinuierliche Spirale und die praktische Weisheit (Phronesis) als Antrieb. Stützt die Idee des sich selbst nährenden, fortlaufenden Prozesses.
Wissenstypen und die Grenzen der Externalisierung
Polanyi, Michael (1966): The Tacit Dimension. London: Routledge & Kegan Paul. → Ursprung des Satzes „Wir wissen mehr, als wir zu sagen wissen“. Begründet die im Artikel betonte prinzipielle Grenze, dass sich implizites Wissen nie vollständig verbalisieren lässt.
Nonaka, Ikujiro (1994): A Dynamic Theory of Organizational Knowledge Creation. In: Organization Science, 5 (1), S. 14–37. → Der viel zitierte Grundlagenaufsatz zur Wissensschaffung; präzisiert die vier Umwandlungsmodi, auf denen die drei KI-Rollen aufsetzen.
Künstliche Intelligenz und Wissensmanagement
Böhm, Katja; Durst, Susanne (2025): Knowledge management in the age of generative artificial intelligence – from SECI to GRAI. In: VINE Journal of Information and Knowledge Management Systems (ahead-of-print). DOI: 10.1108/VJIKMS-10-2024-0357.
Analysiert, wie generative KI die Annahmen des SECI-Modells verändert, und schlägt eine überarbeitete Fassung vor. Direkte theoretische Anschlussstelle für den KI-getriebenen Ansatz.
Benbya, Hind; Strich, Franz; Tamm, Toomas (2024): Navigating Generative Artificial Intelligence Promises and Perils for Knowledge and Creative Work. In: Journal of the Association for Information Systems, 25 (1), S. 23–36.
Ordnet Chancen und Risiken generativer KI für Wissens- und kreative Arbeit ein; stützt die Position, dass KI menschliche Fähigkeiten ergänzt statt ersetzt (Kuratierung durch den Menschen).
Lan, T. K. u. a. (2025): A Systematic Review of Improving Knowledge Management with Generative AI and Large Language Models. In: Journal of Advances in Information Technology, 16 (4).
Systematischer Überblick über 58 Studien (2019–2024) zum Einsatz von generativer KI und großen Sprachmodellen im Wissensmanagement. Belegt den Forschungsstand, auf den sich der „KI-Schub“ bezieht.
Kuratierung, Verlässlichkeit und Retrieval
Lewis, Patrick u. a. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. In: Advances in Neural Information Processing Systems (NeurIPS) 33, S. 9459–9474.
Technische Grundlage dafür, dass die KI in der Auskunftsrolle nachweisbar aus einem geprüften Wissensbestand antwortet statt frei zu formulieren – das im Artikel geforderte Prinzip der Nachvollziehbarkeit.
Strategie, Push-Pull-Logik und Standardisierung
Nonaka, Ikujiro; Takeuchi, Hirotaka (2021): Humanizing Strategy. Bzw. dies. (2021): Strategy as a Way of Life. (Harvard Business School / Working-Paper-Reihe.)
Verortet Wissensschaffung als Führungs- und Strategieaufgabe statt als Verwaltungsaufgabe – die Argumentationslinie „raus aus der HR-Umklammerung“.
Chidamber, Shyam R.; Kon, Henry B. (1994): A Research Retrospective of Innovation Inception and Success: The Technology-Push Demand-Pull Question. In: International Journal of Technology Management, 9 (1), S. 94–112.
Überblick über die Push-Pull-Debatte (technology push vs. demand pull) aus der Innovationsforschung. Theoretischer Hintergrund für das Begriffspaar Antizipationsdruck (Push) und Bedarfssog (Pull).
International Organization for Standardization (2018): ISO 30401:2018 – Knowledge management systems – Requirements. Genf: ISO.
Internationale Norm für Wissensmanagementsysteme. Zeigt den Weg von einer akademischen Modelldiskussion zu einem prüfbaren, in die Unternehmenssteuerung integrierten Managementrahmen.