Implizites Wissen: eine Herausforderung für KI im Unternehmen

In Unternehmen steckt relevantes Erfahrungswissen oft nicht vollständig in Datenbanken oder Dokumenten. Mitarbeitende wenden es in konkreten Situationen an, etwa wenn sie Ausnahmen erkennen oder mehrere Hinweise zusammenführen. Ein KI-System kann solche Informationen nicht einfach voraussetzen. Es kann jedoch mit verfügbaren Daten und Dokumenten arbeiten und Fachwissen über Beispiele, Interviews oder Prozessbeobachtungen in die Entwicklung einbeziehen.

Für Unternehmen stellt sich deshalb die Frage, welche Teile dieses Wissens für einen Anwendungsfall relevant und für ein System zugänglich sind. Dafür ist nicht immer eine vollständige, strukturierte Dokumentation nötig. Doch fehlender Kontext, nicht erfasste Ausnahmen und unklare Entscheidungsregeln können die Qualität und Prüfbarkeit der Ergebnisse begrenzen.

Was implizites Wissen für Unternehmen bedeutet

Implizites Wissen beschreibt alles, was Mitarbeiter wissen und anwenden, ohne es bewusst zu formulieren. Der erfahrene Produktionsleiter, der am Klang einer Maschine hört, dass eine Wartung fällig wird. Die Kundenbetreuerin, die bei bestimmten Anfragen sofort den richtigen Eskalationspfad wählt. Der Einkäufer, der weiß, bei welchen Lieferanten Verhandlungsspielraum existiert und bei welchen nicht.

Dieses Wissen kann für betriebliche Abläufe wichtig sein. Es kann schwer weiterzugeben sein und bei einem Weggang verloren gehen, wenn es nicht geteilt oder anderweitig festgehalten wurde. Für Automatisierung ist es nicht grundsätzlich unzugänglich: Je nach Aufgabe lässt es sich teilweise durch Beispiele, Messwerte, Gespräche oder Prozessdaten erfassen. Manche Einschätzungen bleiben jedoch an Situation und Erfahrung gebunden.

Explizites Wissen liegt beispielsweise in Prozessbeschreibungen, Handbüchern, Datenbanken oder Entscheidungsregeln vor. KI-Anwendungen können auch mit unstrukturierten Dokumenten arbeiten, sofern diese technisch erschlossen werden. Die Dokumentation erleichtert Prüfung und Wiederverwendung; sie garantiert für sich genommen noch keine passende oder vollständige Wissensbasis.

Warum KI ohne Fachkontext generisch bleibt

Ein mögliches Ergebnis eines KI-Piloten: Die Ausgabe wirkt sprachlich plausibel, berücksichtigt aber wichtige fachliche Besonderheiten nicht. Empfehlungen können Ausnahmen übersehen oder Analysen Zusammenhänge auslassen, die Fachleute im jeweiligen Kontext erkennen.

Eine mögliche Ursache ist fehlender oder unzureichend eingebundener Fachkontext. Ein allgemein trainiertes Modell kennt nicht automatisch interne Abläufe, Vereinbarungen oder die Bedeutung bestimmter Messwerte in Ihrem Betrieb. Zusätzliche Quellen, Beispiele und Anbindungen können diesen Kontext teilweise bereitstellen; ob das für den Zweck ausreicht, muss im konkreten Einsatz geprüft werden.

Wenn der benötigte Kontext fehlt, können Ergebnisse generisch oder fachlich unpassend ausfallen. Wie schwer das wiegt, hängt vom Anwendungsfall ab: Bei einer unverbindlichen Ideensammlung gelten andere Anforderungen als bei Empfehlungen, die Entscheidungen oder Arbeitsabläufe beeinflussen. Definieren Sie daher Qualitätsmaßstäbe und menschliche Prüfung passend zum Risiko.

Häufige Fehleinschätzungen zur Wissensbasis

Unsere Daten reichen als Grundlage

Daten und Wissen sind nicht identisch, können sich aber ergänzen. Bestellungen, Messwerte und Transaktionen können Muster oder Hinweise enthalten. Begründungen und Randbedingungen sind darin möglicherweise nicht festgehalten. Moderne KI-Anwendungen können auch unstrukturierte Dokumente erschließen; das allein stellt jedoch nicht sicher, dass Quellen vollständig, aktuell und für den konkreten Zweck geeignet sind. Google Cloud beschreibt beispielsweise Verfahren, unstrukturierte Dokumente zu verarbeiten und daraus Informationen zu extrahieren.

KI wird das Wissen selbst lernen

KI-Systeme können Muster aus Daten und dokumentierten Beispielen ableiten. Sie können aber nicht verlässlich die Gründe einer Entscheidung rekonstruieren, wenn weder diese Gründe noch aussagekräftige Spuren davon vorliegen. Arbeitsproben und Gespräche mit Fachleuten können zusätzliche Hinweise liefern; auch dann müssen Annahmen und Ausnahmen fachlich geprüft werden.

Wir schulen die KI auf unsere Prozesse

Ein Modelltraining oder Fine-Tuning ist nur eine von mehreren Möglichkeiten, ein System an Aufgaben anzupassen. Für Wissenszugriff können je nach Architektur auch Dokumentensuche, Regeln, Beispiele im Prompt oder Prozessintegration relevant sein. Keine dieser Methoden erzeugt automatisch fehlende Begründungen oder verlässliches Fachverständnis. Entscheidend sind passende Eingaben, Tests und die Prüfung durch zuständige Fachleute.

Die KI-Anbieter lösen das für uns

Externe Anbieter können Methoden und Technik bereitstellen, um Wissen etwa über Interviews, Beispiele oder Beobachtungen zu erfassen. Die fachliche Prüfung kann ihnen Ihr Unternehmen nicht vollständig übertragen: Mitarbeitende mit dem nötigen Kontext müssen bewerten, ob Regeln und Ausnahmen richtig wiedergegeben wurden.

Qualitätsrisiken durch unklare Wissensbasis

Wenn die Wissensbasis für eine Aufgabe unvollständig ist, können unter anderem folgende Risiken entstehen:

Unpassende Empfehlungen: Das System kann Lösungen vorschlagen, die formal plausibel, im konkreten Prozess aber ungeeignet sind. Umfang und Art der nötigen Prüfung sollten deshalb vorab festgelegt werden.

Schwankende Ergebnisse: Wenn Kontext und Qualitätsmaßstäbe fehlen, können vergleichbare Fälle unterschiedlich beantwortet werden. Mit repräsentativen Tests lässt sich prüfen, ob dies für den geplanten Einsatz relevant ist.

Zu wenig Fachbezug: Ohne unternehmensspezifische Quellen oder Beispiele kann die Ausgabe allgemeiner ausfallen als gewünscht. Ob daraus ein Nachteil entsteht, hängt von Zweck und Nutzung ab.

Übersehene Lücken: Wenn Ausgaben ungeprüft in Abläufe übernommen werden, können Fehler oder Auslassungen unbemerkt bleiben. Kontrollen sollten zum möglichen Schaden und zur Bedeutung menschlicher Entscheidungen passen.

Anforderungen als Brücke zwischen Wissen und System

Ein möglicher Weg von Erfahrungswissen zu einer geeigneten KI-Anwendung führt über konkrete Anforderungen. Sie beschreiben, welche Aufgabe ein System unterstützen soll, welches Wissen dafür benötigt wird und wie die Ergebnisse geprüft werden. Dazu können neben Dokumentation auch Beispiele, Datenquellen und menschliche Rückmeldungen gehören.

Dieser Schritt ist keine technische Aufgabe. Er erfordert die Zusammenarbeit zwischen Fachexperten und denjenigen, die verstehen, wie KI-Systeme mit Wissen umgehen. Die zentralen Fragen lauten:

• Welches Wissen ist für diesen Anwendungsfall kritisch?
• Liegt dieses Wissen dokumentiert vor?
• Wenn nein: Lässt es sich mit vertretbarem Aufwand dokumentieren?
• Wenn nein: Ist der Anwendungsfall für KI überhaupt geeignet?

Eine solche Bestandsaufnahme garantiert keinen Projekterfolg, hilft aber, Wissenslücken und notwendige Prüfungen vor einer Investitionsentscheidung sichtbar zu machen. Der NIST AI Risk Management Framework empfiehlt unter anderem, Einsatzkontext, Aufgaben, Systemgrenzen und menschliche Aufsicht zu berücksichtigen und zu dokumentieren.

Für die Formulierung konkreter Qualitätsmaßstäbe lesen Sie auch den Beitrag zu Anforderungen an die Output-Qualität von KI.

Entscheidungsgrundlage vor dem KI-Projekt

Bevor Sie in KI-Entwicklung oder Wissensmanagement-Initiativen investieren, brauchen Sie Klarheit über den Status quo. Nicht als theoretische Übung, sondern als Grundlage für realistische Entscheidungen.

Wissen inventarisieren: Identifizieren Sie die Bereiche, in denen kritisches Wissen existiert. Unterscheiden Sie zwischen dokumentiertem und implizitem Wissen. Bewerten Sie, welche Wissenslücken für geplante KI-Anwendungen relevant sind.

Aufwand realistisch einschätzen: Wissensdokumentation kostet Zeit und bindet Fachexperten. Nicht jedes implizite Wissen lässt sich mit vertretbarem Aufwand explizieren. Manchmal ist die ehrliche Antwort: Dieser Anwendungsfall ist für KI nicht geeignet.

Anwendungsfälle priorisieren: Beginnen Sie dort, wo die Wissensbasis bereits tragfähig ist oder mit überschaubarem Aufwand tragfähig gemacht werden kann. Das reduziert Risiken und schafft Erfahrungswerte für komplexere Vorhaben.

Verantwortlichkeiten klären: Wer entscheidet, welches Wissen dokumentiert wird? Wer prüft die Qualität? Wer aktualisiert bei Veränderungen? Ohne klare Zuständigkeiten bleibt jede Dokumentation lückenhaft.

Wissen als Voraussetzung, nicht als Nebenprodukt

Die Frage, ob implizites Wissen ein Hindernis für KI darstellt, ist eigentlich eine andere Frage: Wie gut kennt Ihr Unternehmen sein eigenes Wissen?

Viele Organisationen funktionieren, obwohl - oder weil - kritisches Wissen in einzelnen Köpfen liegt. Das ist kein Versagen, sondern gewachsene Realität. Doch wenn KI-Projekte anstehen, wird diese Realität zum Entscheidungsfaktor.

Die Lösung liegt nicht darin, alles zu dokumentieren. Sie liegt darin, vor jeder KI-Entscheidung ehrlich zu bewerten: Haben wir die Wissensbasis, die dieser Anwendungsfall erfordert? Und wenn nicht: Was folgt daraus?

Diese Fragen zu beantworten, bevor Budget freigegeben wird, ist keine Verzögerung. Es ist die Grundlage für Entscheidungen, die sich später nicht als Fehleinschätzung herausstellen.