Methoden - Community of KI

Gute Methoden entstehen oft am Reißbrett. Und sie werden wertvoll, wenn sie ausprobiert und eingesetzt werden. Hier eröffnen wir unser Kapitel „Methoden“ und beschreiben, wie wir sie entwickelt und eingesetzt haben, welche Überlegungen dahinterstanden und was wir daraus gelernt haben.

So entsteht ein wachsender Werkzeugkasten, kein fertiges Handbuch. Wir teilen unsere Erfahrungen und freuen uns über Feedback.

METHODENKATALOG der Community of Ki

Die Wissenslandkarte 🗺️

Erfahrungswissen sichtbar machen – ein Praxisbeispiel aus einem grossen Versicherungskonzern

von Martin Luckmann, 05.08.2026

In vielen grossen IT-Organisationen steckt das entscheidende Wissen nicht in Dokumenten, sondern in den Köpfen einzelner, oft langjähriger Mitarbeitender. Verlassen diese Personen das Unternehmen oder wechseln die Aufgabe, geht dieses Erfahrungswissen häufig unwiederbringlich verloren. Die Methode „Wissenslandkarte“ macht dieses Wissen sichtbar, mess- und vergleichbar – und schafft damit eine Grundlage für fundierte Entscheidungen.

Im Folgenden beschreiben wir Vorgehen und Ergebnisse der Methode anhand eines realen Projekts. Aus Vertraulichkeitsgründen sind Unternehmen, Abteilung und alle internen System- und Rollenbezeichnungen anonymisiert bzw. neutralisiert; die fachliche Struktur – eine typische, gewachsene Konzern-IT-Landschaft mit Vertrags-, Schaden-, Partner- und Berichtssystemen – entspricht dem realen Projekt.

Ausgangslage und Ziel

Der betrachtete IT-Bereich eines grossen Versicherungskonzerns betreute rund 24 Systeme – von Kernanwendungen für Vertrags- und Schadenbearbeitung über zentrale Partner- und Stammdatenbanken bis zu Berichts- und Analyseplattformen. Für viele dieser Systeme lag das operative und fachliche Wissen bei einzelnen, langjährigen Mitarbeitenden – ein klassisches Risiko in gewachsenen IT-Landschaften.

Ziel des Projekts war der Aufbau eines Wissensmanagements, das

einen guten Überblick über die Systeme und einen guten Einblick in die mit ihnen verbundenen Aufgaben verschafft,
eine Grundlage für die gemeinsame Weiterentwicklung in intern und extern gemischten Teams schafft,
eine Grundlage für Entscheidungen bei einer Neuorganisation von Aufgaben schafft,
das Risiko eines Wissensverlusts bei Personalfluktuation minimiert.

Das Vorgehen in vier Schritten

Die Wissenslandkarte entsteht in einem vierstufigen Prozess aus Vorbereitung, moderiertem Online-Workshop, Auswertung und interaktivem Mapping:

Vorbereitung: Die Aufgaben je System werden in einer Tabelle vorstrukturiert erfasst.
Online-Workshop: Die Teilnehmenden sammeln und beschreiben ihre Aufgaben eigenständig.
Auswertung: Die Teilnehmenden spezifizieren die Aufgaben gemeinsam mit den Beratern und ordnen sie den Analyse-Kategorien zu.
Interaktives Mapping: Die Berater werten die Daten aus, erstellen die Wissens-Landkarte, die Teilnehmenden geben Feedback, diskutieren die Ergebnisse und entscheiden Massnahmen.

Die Analyse-Logik: 4 Quadranten und 8 Cluster

Kern der Methode sind zwei komplementäre Ordnungsraster, mit denen sich jede erhobene Aufgabe einordnen lässt.

Die 4 Quadranten positionieren jede Aufgabe entlang zweier Achsen: einfach bis komplex sowie regelmässig/oft bis einmalig/selten. Mit steigender Komplexität steigen die Skillanforderungen und die Aufgabe wird strategischer; mit steigender Frequenz steigt der Entwicklungsaufwand, sinkt aber durch Routine die Anstrengung. Fünf „Basis-Aufgaben“ dienen dabei als Orientierung bei der Positionierung: Erhebung/Recherche, Analyse, Steuerung, Zulieferung sowie Monitoring/Reporting.

Die 8 Cluster ergeben sich aus einer Textanalyse aller Aufgabenbeschreibungen und fassen wiederkehrende Aufgabenarten zusammen: Ticket- und Incidentbearbeitung, Testvorbereitung und -durchführung, Analyse/Konzeption/Anforderungsmanagement, Planung und Organisation, Entwicklung/Jobs/Pflege, Dokumentation, Support für Fachbereiche und andere Systeme sowie Kommunikation mit Fach- und anderen Bereich

Von der Datentabelle zum System-Dashboard

Alle Aufgaben je System werden in einer zentralen Tabelle zusammengeführt: Aufgabenanzahl, benötigte Personentage (PT) je Quartal sowie die Verteilung auf Quadranten und Cluster. Diese Tabelle ist die Datenbasis für sämtliche weiteren Auswertungen.

Für jedes System entsteht daraus ein System-Dashboard: eine Kurzübersicht mit Personenzahl, Personentagen pro Jahr, Aufgabenzahl sowie der Verteilung von Aufgaben, Personentagen und einem Last-Kompetenz-Faktor auf die 4 Quadranten und 8 Cluster.

Praxisbeispiel: Die Wissenslandkarte eines Anspruchstellersystems

Wie die Methode in der Praxis wirkt, zeigt sich am Beispiel eines der 24 Systeme: einem Anspruchssteller- bzw. Schadensystem, das Rollen und Ansprüche rund um Verträge verwaltet – etwa von Begünstigten, Gläubigern, Maklern oder Rechtsvertretern – und dabei die zentrale Partnerdatenbank mit dem jeweiligen Vertrag verknüpft. Ein typisches, in gewachsenen Versicherungs-IT-Landschaften häufig anzutreffendes Kernsystem.

Vor dem Workshop wurden die Aufgaben zum System tabellarisch gesammelt und im Workshop mit den zuständigen Mitarbeitenden differenziert und detailliert: 25 Aufgaben mit insgesamt 125 Personentagen pro Jahr.

Die Platzierung der 25 Aufgaben in den 4 Quadranten – mit der Kreisgrösse als Maß für den Personentage-Aufwand – zeigte eine deutliche Konzentration im Quadranten „komplex und regelmässig“: 72 % der Personentage entfielen auf diesen Quadranten, nur 4 % auf einfache, einmalige Aufgaben.

Die Zuordnung zu den 8 Clustern offenbarte den fachlichen Schwerpunkt des Systems: Mit 32 % der Personentage lag die Hauptlast im Cluster „Support für Fachbereiche und andere Systeme“, gefolgt von „Entwicklung, Jobs, Pflege“ (23 %) und „Testvorbereitung und -durchführung“ (22 %) – ein Hinweis darauf, dass dieses System stark als Dienstleister für andere Bereiche und Systeme fungiert.

Zusätzlich wurden die eingesetzten Tools, benötigten Skills und verantwortlichen Rollen den 8 Clustern zugeordnet – von Standard-Office-Werkzeugen über Ticket- und Entwicklungswerkzeuge bis zu system-spezifischen Skills. So wurde sichtbar, welche Rolle in welchem Cluster wie viel Verantwortung trägt: Die Rolle „Application Developer“ vereinte 74 der 125 Personentage auf sich, „Requirements Engineer“ 36, „Technical Lead“ und „Requirements Lead“ deutlich weniger.

Ein besonderer Auswertungsschritt identifizierte die „Erfahrungsträger“ des Systems: Mitarbeitende mit langjähriger Erfahrung sowohl in den fachlichen Anforderungen als auch in der technischen Umsetzung, meist in der Rolle Requirements Lead oder Requirements Engineer, häufig zuvor in einer ähnlichen, mittlerweile nicht mehr existierenden Koordinationsrolle. Die Wissenslandkarte macht sichtbar, wie wenige Personen dieses Wissen tragen – und wo im Fall ihres Ausscheidens eine kritische Lücke entstünde.

Die Landkarte über alle Systeme: Muster und Auffälligkeiten

Erst der Vergleich über alle 24 Systeme hinweg macht aus den Einzel-Landkarten eine strategische Gesamtübersicht. Im Durchschnitt aller Systeme verteilten sich die Personentage wie folgt auf die 8 Cluster: Entwicklung/Jobs/Pflege 28 %, Analyse/Konzeption/Anforderungsmanagement 19 %, Testen sowie Support für andere Bereiche je 17 %, Dokumentation und Ticket-/Incidentbearbeitung je rund 6 %, Planung/Organisation 5 % und Kommunikation 3 %.

Auch die eingesetzten Werkzeuge wurden systematisch den 8 Clustern zugeordnet: Insgesamt 17 unterschiedliche Tools kamen zum Einsatz – von Ticket- und Testwerkzeugen über Entwicklungs- und Hostwerkzeuge bis zu Analyse- und Dokumentationstools. Das schafft die Grundlage, um die Tool-Landschaft zu vereinheitlichen oder gezielt anzupassen.

Eine Textanalyse aller Aufgabenbeschreibungen ermittelte zudem 1.990 Personentage mit klarem Fachbereichsbezug. Der Anteil variierte stark zwischen den Clustern: Während im Cluster „Kommunikation mit Fach- und anderen Bereichen“ 79 % der Personentage fachbereichsbezogen waren, lag dieser Anteil bei „Planung und Organisation“ bei nahezu 0 %. Diese Verteilung hilft zu erkennen, wo eine engere Verzahnung mit den Fachbereichen bereits gelebt wird – und wo Potenzial dafür besteht.

Schliesslich zeigte ein Abweichungsvergleich zum Systemdurchschnitt, dass einzelne Systeme deutlich vom Regelfall abwichen – etwa mit einem weit überdurchschnittlichen Testaufwand oder einem aussergewöhnlich hohen Entwicklungsanteil. Solche Ausreisser sind wertvolle Hinweise für gezielte Nachfragen: Liegt hier eine Besonderheit des Systems vor, oder ein Optimierungspotenzial?

Fragestellungen, die die Landkarte beantworten kann

Die beiden Landkarten – 4 Quadranten und 8 Cluster – sind die strategische Basis, um gezielte Fragestellungen an die erhobenen Daten zu richten. Im Projekt wurden unter anderem folgende Fragen beantwortet:

Entsprechen die tatsächlich ausgeübten Aufgaben den Rollen-Skills aus dem unternehmensinternen IT-Rollenframework? Ein Abgleich zeigte teils deutliche Abweichungen zwischen dem formalen Rollenprofil und der gelebten Aufgabenrealität.
Welche Abweichungen vom Systemdurchschnitt sind signifikant – und warum?
Wie hoch ist der Anteil fachbereichsbezogener Aufgaben je Cluster, und wo liesse sich die Zusammenarbeit mit den Fachbereichen intensivieren?
Welche Testaufgaben liessen sich an eine zentrale Testeinheit abgeben, sofern dies organisatorisch gewollt ist?
Wer sind – systemübergreifend betrachtet – die Erfahrungsträger – und wo besteht dadurch ein besonderes Fluktuationsrisiko?

Wie sich das Projekt heute mit KI-Unterstützung durchführen liesse

Das hier beschriebene Projekt wurde vollständig manuell durchgeführt: moderierte Gruppen-Workshops, handische Textanalyse zur Clusterbildung, manuell gepflegte Auswertungstabellen und Dashboards. Die Methode selbst – Vorbereitung, Workshop, Auswertung, interaktives Mapping – bleibt richtig und bewährt. Mit den heutigen Möglichkeiten von KI-gestützten Dialogsystemen liesse sich jede dieser vier Phasen jedoch deutlich schneller, konsistenter und mit weniger Koordinationsaufwand umsetzen.

Vorbereitung: statt einer leeren Erhebungstabelle kann eine KI vorab aus bereits vorhandenen Unterlagen – Systemdokumentationen, Tickethistorien, bestehenden Konzepten – einen Entwurf der Aufgabentabelle je System erstellen. Die Teilnehmenden starten dann nicht bei null, sondern prüfen, ergänzen und korrigieren einen Vorschlag – das senkt die Einstiegshürde und beschleunigt die Erhebung erheblich.

Workshop: An die Stelle eines terminlich aufwändigen, moderierten Gruppen-Workshops kann ein KI-gestütztes Experteninterview treten, wie es die Community of Ki bereits für die Wissenssicherung einsetzt. Jede system-verantwortliche Person führt das Interview zeitlich flexibel und in der eigenen Sprache; die KI fragt gezielt nach, bis Aufgaben, Häufigkeit, Aufwand und Komplexität ausreichend beschrieben sind – mit vergleichbarer Tiefe wie im moderierten Workshop, aber ohne den organisatorischen Aufwand, alle Beteiligten gleichzeitig an einen Tisch zu bringen.

Auswertung: Die 8 Cluster wurden ursprünglich durch eine manuelle Schlüsselwort- und Häufigkeitsanalyse der Aufgabenbeschreibungen gebildet. Eine KI kann diese Klassifikation semantisch statt rein lexikalisch vornehmen – sie erkennt sinngemäss ähnliche Aufgaben auch dann, wenn unterschiedliche Begriffe verwendet werden, und schlägt Cluster- und Quadranten-Zuordnungen inklusive Begründung vor. Die fachliche Prüfung und finale Einordnung bleibt dabei Aufgabe der Berater:innen und Teilnehmenden.

Interaktives Mapping: Statt statischer Dashboard-Folien kann die Wissenslandkarte als befragbares Modell bereitgestellt werden. Fach- und Führungskräfte stellen ihre Fragen direkt an die Landkarte – etwa „Welche Aufgaben binden im Cluster Support am meisten Personentage?“ oder „Wo hängt besonders viel Wissen an einer einzelnen Person?“ – und erhalten die Antwort samt zugrundeliegenden Daten, statt eine neue Auswertungsfolie in Auftrag geben zu müssen.

Erfahrungsträger früher erkennen: Statt die Erfahrungsträger allein aus den Workshop-Aussagen abzuleiten, kann eine KI zusätzliche, bereits vorhandene Datenspuren einbeziehen – etwa Autorenschaft von Dokumentationen, langjährige Ticket- oder Change-Historie, Häufigkeit von Rückfragen an bestimmte Personen – und so Kandidat:innen für besonders kritisches Erfahrungswissen frühzeitig vorschlagen, bevor eine Fluktuation das Wissen tatsächlich gefährdet.

Vom einmaligen Projekt zur laufenden Landkarte: Die grösste Veränderung liegt jedoch nicht in der Beschleunigung einzelner Schritte, sondern im Charakter des Vorgehens. Ohne KI war die Wissenslandkarte zwangsläufig eine Momentaufnahme – aufwändig erhoben und nach dem Projektende schnell veraltet. Mit KI-gestützten, wiederkehrenden Kurzinterviews lässt sich die Landkarte fortlaufend aktualisieren: Aufgaben, Aufwände und Erfahrungsträger werden nicht einmalig erhoben, sondern kontinuierlich nachgeführt – im Sinne des Community-of-Ki-Grundgedankens, Wissen nicht anzuhäufen, sondern fortlaufend zu verdichten.

Wichtig bleibt dabei eine Einschränkung: KI kann die Erhebung, Vorstrukturierung und Auswertung wesentlich beschleunigen und konsistenter machen – die fachliche Einordnung, die Bewertung von Auffälligkeiten und die daraus abgeleiteten organisatorischen Entscheidungen bleiben Aufgabe der Menschen, die das System und die Organisation kennen.

Nutzen und Fazit

Die Wissenslandkarte verwandelt verteiltes, oft nur mündlich existierendes Erfahrungswissen in eine strukturierte, auswertbare Datenbasis. Für die Organisation entsteht daraus ein doppelter Nutzen: Zum einen ein belastbarer Überblick über Aufgaben, Aufwände, Tools und Rollen je System – zum anderen eine gemeinsame, faktenbasierte Diskussionsgrundlage für Fachbereich und IT, etwa bei der Neuorganisation von Aufgaben, der Vereinheitlichung der Tool-Landschaft oder der gezielten Absicherung gegen Wissensverlust bei Personalwechseln.

Damit ist die Wissenslandkarte ein konkretes Beispiel dafür, wie sich implizites Erfahrungswissen strukturiert erheben, verdichten und für die ganze Organisation nutzbar machen lässt – im Kern das, was die Community of Ki unter einem lebendigen „Firmengedächtnis“ versteht.