1. Montagmorgen im Mittelstand: Wenn eine Person fehlt, steht der Laden
Montagmorgen, 7:30 Uhr. Eine wichtige Maschine steht.
Die Anlage meldet eine Störung – wie so oft. Früher hat Herr Müller aus der Instandhaltung das in Minuten gelöst. Nur: Herr Müller ist seit zwei Monaten in Rente.
Im Leitstand blinkt ein Alarm, im Schichtbüro wird eilig eine alte Excel-Liste geöffnet:
- „Da hat der Müller doch immer was dokumentiert…“
- „Welche Datei war das noch gleich? Endversion_final_final_neu_3.xlsx?“
- „Und was meinte er mit ‚ein bisschen nachziehen, aber nicht übertreiben‘?“
Nach einer Stunde, mehreren Telefonaten und einem improvisierten Workaround läuft die Maschine wieder. Aber:
- Die Hälfte der Schicht ist im Eimer.
- Alle sind genervt.
- Und das eigentliche Problem bleibt: Das Wissen steckt weder im System noch im Prozess – sondern in Erinnerungen und verstreuten Dateien.
Genau hier beginnt die teuerste Sicherheits- und Produktivitätslücke deutscher Unternehmen 2025:
Nicht beim Hackerangriff, sondern beim Verlust von Wissen.
2. Die Zahlen dahinter: Verlorenes Wissen als Produktivitäts- und Geschäftsrisiko
Dieses Bauchgefühl lässt sich mit Zahlen belegen:
- 👉30–50 % der Arbeitszeit in Wissensarbeit gehen für Suche, Meetings & Wiederholung drauf.
- 👉 Durch Fluktuation und Ruhestand verlieren Unternehmen in einzelnen Bereichen bis zu ~20 % ihres kritischen Wissens pro Jahr – oft leise und unbemerkt.
KI-gestütztes Wissensmanagement ist deshalb längst kein „Nice-to-have“ mehr, sondern:
- Risikomanagement: Wissen bleibt im Unternehmen, auch wenn Menschen gehen.
- Produktivitätshebel:
- 25–40 % weniger Zeitverlust durch Informationssuche
- bis zu 50 % schnellere Einarbeitung
- Grundlage für bessere Entscheidungen: weniger Bauchgefühl, mehr strukturiertes Erfahrungswissen.
Mehrere Studien und Übersichtsarbeiten zeigen, dass Unternehmen durch Fluktuation und Ruhestand beträchtliche Anteile an kritischem, meist implizitem Wissen verlieren. In Einzelfällen liegen die jährlichen Verluste in einer Größenordnung von bis zu ~20 % für bestimmte Rollen oder Bereiche (vgl. Galan et al. 2023; DeLong 2005; Branchen-Reports/IDC).
Doch bevor wir über KI sprechen, müssen wir klären: Um welches Wissen geht es eigentlich?
3. Daten haben Sie genug – das Problem liegt im Erfahrungswissen
In vielen Unternehmen werden längst Unmengen an Daten gesammelt:
- Sensoren messen jede Bewegung,
- Maschinen produzieren im Sekundentakt Zahlen,
- Dashboards leuchten Tag und Nacht.
Und trotzdem entscheidet im Ernstfall selten das Dashboard, sondern der Mensch, der es interpretieren kann.
Ihre Fachkräfte:
- kennen die Abläufe im Detail,
- wissen, was in der Praxis funktioniert – und was nicht,
- lösen Probleme oft schneller als jede BI-Auswertung.
Das, was sie „aus dem Bauch heraus“ richtig machen, ist in Wirklichkeit hochwertiges Erfahrungswissen – und genau das droht zu verschwinden, wenn Menschen das Unternehmen verlassen oder wenn dieses Wissen nur in Excel-Listen oder E-Mails „mitläuft“.
Damit sind wir beim Kern: implizites Wissen.
4. Implizites Wissen: Was Ihre „Boomer“ wissen, aber nirgends steht
Bis 2036 gehen in Deutschland rund 20 Millionen erfahrene Mitarbeitende in Rente.
Mit ihnen verschwindet unbezahlbares Know-how:
- Wissen, das in keinem Handbuch steht,
- Wissen, das Projekte rettet, Fehler vermeidet, Entscheidungen beschleunigt.
Was ist implizites Wissen?
Implizites Wissen ist:
- schwer in Worte zu fassen,
- oft persönlich-intuitiv,
- über Jahre durch Erfahrung, Beobachtung und Fehlerlernen entstanden.
Typische Formen:
- Fähigkeiten und Know-how
Praktisch erlernte Fertigkeiten, z. B. heikle Anlagen „im Gefühl“ haben, den richtigen Dreh bei schwierigen Kunden finden. - Intuition und Bauchgefühl
„Da stimmt was nicht – ich höre es am Geräusch.“ - Best Practices und Heuristiken
Vorgehensweisen, die sich im Alltag bewährt haben, aber nie offiziell dokumentiert wurden. - Kulturelles Wissen
Informelle Regeln, Normen, „so machen wir das hier“, die Prozesse am Laufen halten.
Für Unternehmen ist dieses implizite Wissen Gold wert – aber schwierig zu greifen und noch schwieriger zu übertragen. Gleichzeitig verschärfen demografischer Wandel und Fachkräftemangel genau dieses Problem.
5. Die Boomer-Lücke: Herausforderungen für KMU und Konzerne
Ob Mittelstand oder Konzern – die Muster wiederholen sich:
- Verlust von implizitem Wissen
Erfahrene Mitarbeitende gehen – ihr Wissen geht mit. Nicht aus Bosheit, sondern weil es nie systematisch erfasst wurde. - Mangelnde Weitergabe
Mentoring, strukturierte Übergaben oder Job Rotation sind eher nette Ausnahmen als gelebter Standard. - Kulturelle Barrieren
Wissen teilen wird nicht bewusst belohnt. Viele behalten ihr Expertenwissen notgedrungen „bei sich“, einfach weil es keinen guten Rahmen zum Teilen gibt. - Technologische Brüche
Einzeldateien, Excel-Wildwuchs, Insellösungen – jedes Team „baut sich etwas Eigenes“, weil zentrale Lösungen fehlen oder zu kompliziert wirken. - Nachfolgeplanung unter Druck
Schlüsselpositionen hängen an Einzelpersonen. Ein Ausfall oder Weggang wird zum Risiko – fachlich und organisatorisch.
Damit ist klar:
Wer die „Boomer-Lücke“ schließen will, braucht mehr als ein neues Tool. Es braucht ein Zusammenspiel aus Organisation, Kultur – und der richtigen Technologie.
6. Wie digitale Transformation & KI das Spielfeld verändern
Die gute Nachricht: Technisch war es noch nie so leicht, Wissen nutzbar zu machen wie heute.
Die digitale Transformation ermöglicht:
- zentrale, cloudbasierte Wissensdatenbanken,
- kollaborative Plattformen,
- Auswertung großer Datenmengen.
Ein modernes Wissensmanagement:
- erfasst Wissen,
- organisiert es,
- teilt es,
- und macht es im Alltag zugänglich – ohne stundenlanges Suchen.
Mit KI kommt ein entscheidender Baustein dazu:
Wir können heute gesprochene Erfahrung aufnehmen, automatisch transkribieren, strukturieren und über Sprachmodelle zugänglich machen.
Ein praxisnaher Ansatz:
- Mit erfahrenen Mitarbeitenden strukturierte Interviews führen (Audio oder Video).
- Mit Speech-to-Text in Text umwandeln.
- Diese Inhalte einer Wissensbasis / einem Large Language Model (LLM) zur Verfügung stellen.
Der Vorteil:
Mitarbeitende, die nach Wissen suchen, müssen nicht mehr dieselben Begriffe verwenden, die in der Dokumentation stehen. Die KI versteht Zusammenhänge und liefert Antworten statt nur Trefferlisten.
Damit das funktioniert, braucht es aber eine tragfähige Basis: Strukturierte Daten statt loser Dateien. Und hier kommt ein alter Bekannter ins Spiel: Excel.
7. Konkrete Maßnahmen, um implizites Wissen zu sichern
Organisatorische Hebel und KI-Technologie ergänzen sich ideal. Einige Beispiele:
Gegen Verlust von implizitem Wissen:
- Exit-Interviews einführen
Gezielte Gespräche mit ausscheidenden Mitarbeitenden, in denen nicht nur Aufgaben, sondern Erfahrungswissen erfasst wird – idealerweise aufgezeichnet und per KI ausgewertet. - Alumni-Netzwerke aufbauen
Ehemalige Mitarbeitende als „verlängerte Wissensressource“ nutzbar halten.
Gegen mangelnde Weitergabe von Erfahrungswissen:
- Mentoring-Programme etablieren
Erfahrene Mitarbeitende begleiten Jüngere systematisch – unterstützt durch gemeinsame Dokumentation in einer Wissensplattform. - Job Rotation nutzen
Mitarbeitende rotieren durch Bereiche, sammeln und verbreiten implizites Wissen.
Diese Maßnahmen entfalten ihre volle Wirkung, wenn es einen zentralen Ort gibt, an dem Wissen strukturiert erfasst, verknüpft und wiederauffindbar wird. Genau hier stoßen wir in der Praxis fast immer auf dieselbe Hürde: Excel.
8. Excel, überall Excel: Warum das kein Wissensmanagement ist
In vielen Unternehmen ist Excel zum de-facto-Wissenssystem geworden:
- Tabellen, die nur eine Person wirklich versteht.
- Kritische Informationen stehen als Freitext in Zellen – für Menschen lesbar, für Systeme kaum nutzbar.
- Versions-Chaos: final_final_neu3.
- Keine sinnvolle Rechteverwaltung, kein Audit-Trail, keine Mobilität.
Und die ganz praktische Angst:
„Was machen wir, wenn diese Datei mal zerschossen wird – oder wenn die eine Person krank ist, die sich damit auskennt?“
Hier zeigt sich die Lücke zwischen dem, was fachlich schon da ist, und dem, was technologisch möglich wäre:
Statt Excel-Wildwuchs bräuchte es eine schlanke Webanwendung oder Datenbank, die:
- Daten strukturiert erfasst,
- Erfahrungswissen gezielt ergänzt,
- Auswertungen ermöglicht,
- und auf Wunsch einen KI-Chatbot anbinden kann, der auf dieser Basis Fragen beantwortet.
Genau diesen Schritt – vom Excel-„Notbehelf“ zur echten Wissens- und Datenplattform – deckt unser erster Leistungsbaustein ab. Dazu gleich mehr.
Vorher schauen wir auf den zweiten großen Hebel: Maschinen und Serviceprozesse.
9. KI für Produkte, Maschinen & Service: Wenn das Handbuch nicht mehr reicht
Gerade bei komplexen Geräten, Maschinen und Anlagen stößt klassische Dokumentation schnell an Grenzen:
- Handbücher sind umfangreich und in der Praxis schwer durchsucht.
- Serviceinformationen liegen verteilt in PDFs, E-Mails oder Köpfen.
- Wenn es brennt, ist selten Zeit, lange zu lesen.
In der Realität läuft es oft so:
- Die Maschine meldet eine Störung.
- Jemand erinnert sich: „Das hatten wir schon mal, da hat Kollege X irgendwas gemacht…“
- Im besten Fall findet man ein altes Ticket oder eine Notiz. Im schlechteren Fall fängt man wieder bei Null an.
Ein spezialisierter KI-Chatbot, der auf:
- Produktwissen,
- Anlagendokumentation,
- Serviceanleitungen und
- historische Störungsfälle
trainiert ist, kann hier wie ein digitaler Fachexperte dienen:
- Er beantwortet Fragen in natürlicher Sprache („Was bedeutet Fehlercode 37 an Anlage B?“).
- Er erlaubt Rückfragen („Das hat nicht geholfen, was kann ich noch tun?“).
- Er ersetzt ein Telefonat mit einem Experten, der im Moment nicht erreichbar ist.
Damit dieser Bot hilfreich ist, braucht er eines: gute, strukturierte Daten über Störungen und Lösungen.
Und die entstehen idealerweise in einem Ticketsystem, das Maschinendaten und Menschenwissen zusammenbringt.
10. Vom Störungsfall zum lernenden Ticketsystem
Stellen Sie sich ein System vor, das auf jedem Störungsfall im Unternehmen lernt:
- Maschinen melden Störungen automatisch
– es wird direkt ein Ticket angelegt. - Ein Mensch behebt die Störung
– und dokumentiert die Lösung inkl. Erfahrungswissen im Ticket:
Was war das Symptom? Was war die Ursache? Was hat wirklich geholfen? - Das System speichert Ursache, Symptom und Lösung strukturiert.
- Beim nächsten ähnlichen Fall kann das System:
- verwandte Fälle finden,
- passende Lösungen vorschlagen,
- Muster erkennen (z. B. besonders störanfällige Komponenten).
- Mit Machine Learning entsteht daraus ein lernendes System, das:
- immer bessere Lösungsvorschläge macht,
- mittelfristig Störungen vorhersagen und verhindern helfen kann.
Die Interaktion kann per Chatbot erfolgen – idealerweise mit Spracheingabe:
- „Ich stehe an Maschine 12, Fehlercode E41, Anzeige flackert, Temperatur zu hoch.“
- Der Bot erkennt: Das entspricht früheren Fällen, schlägt Schritt-für-Schritt-Lösungen vor.
- Der Techniker hat die Hände frei und spricht, statt zu tippen.
Damit schließt sich der Kreis zu unserer Ausgangsszene mit Herrn Müller:
Sein Erfahrungswissen wäre nicht verloren, sondern Schritt für Schritt in einem System gelandet, das anderen hilft – und mit jeder Störung besser wird.
11. Wie KMU pragmatisch starten können
Der Einstieg in KI-gestütztes Wissensmanagement muss kein Mammutprojekt sein. Sinnvoll ist ein pragmatisches Vorgehen:
- Bestandsaufnahme
- Wo liegt kritisches Wissen heute? (Köpfe, Excel, E-Mail, Maschinen, Ordner)
- Wo sind die größten Risiken durch Ruhestand, Fluktuation, Single-Points-of-Failure?
- Pilotbereich definieren
- Zum Beispiel ein bestimmter Produktionsbereich, ein Service-Team oder ein Verwaltungsprozess.
- Wichtig: klarer Nutzen – z. B. schnellere Störungsbeseitigung oder weniger Abhängigkeit von Einzelpersonen.
- Erfahrungswissen heben
- Interviews mit erfahrenen Mitarbeitenden (Audio/Video),
- Transkription per KI,
- Aufbereitung als Wissensbasis.
- Technische Basis schaffen
- Weg von Excel-Wildwuchs hin zu einer einfachen Webanwendung oder einem Ticketsystem,
- KI nicht als „Magie“, sondern als Schicht oben drauf, die den Zugang erleichtert.
- Organisation & Kultur mitdenken
- Wissen teilen belohnen,
- Mentoring & Job Rotation nutzen,
- Transparenz darüber schaffen, wie und wozu KI eingesetzt wird.
Genau an diesen Stellen setzen unsere beiden Leistungsbausteine an – sie sind die konkrete Antwort auf die zuvor beschriebenen Herausforderungen.
12. Zwei konkrete Bausteine, mit denen wir die Wissenslücke schließen
1️⃣ Baustein: Wissen/Know-how aus Excel in eine echte Datenbank bzw. Webanwendung überführen
Ausgangslage:
Ihr kritisches Wissen steckt verteilt in Excel-Listen, Freitextfeldern und „Spezialdateien“, die nur eine Person wirklich versteht.
Unsere Lösung:
Wir überführen Ihr Wissen und Ihre Daten aus Excel in eine maßgeschneiderte, einfache Webanwendung bzw. Datenbank, in der:
- Daten strukturiert, sicher und nachvollziehbar erfasst werden,
- Erfahrungswissen gezielt ergänzt werden kann (z. B. durch Kommentarfelder, Checklisten, Tags),
- Informationen schnell selektiert, gefiltert und ausgewertet werden können,
- der Zugriff rollenbasiert und mobil möglich ist,
- auf Wunsch ein firmeneigener KI-Chatbot eingebunden wird, der:
- auf sicheren, lokalen Sprachmodellen basiert,
- ausschließlich mit Ihren Daten arbeitet,
- Fragen in natürlicher Sprache beantwortet („Fragen statt Klicken“).
Damit wird aus einem Sammelsurium aus Excel-Dateien eine echte Wissensplattform, auf der organisatorische Maßnahmen (Mentoring, Übergaben, Exit-Interviews) aufsatteln können.
Ihr Nutzen:
- Deutlich weniger Abhängigkeit von einzelnen Personen („Excel-Wissensinseln“)
- Schnellere Einarbeitung neuer Mitarbeitender
- Bessere Entscheidungsgrundlagen durch auswertbare Daten + Erfahrungswissen
- Ein kontrollierter, sicherer Rahmen, in dem später weitere KI-Funktionen ergänzt werden können
2️⃣ Baustein: Ticketsystem für Maschinenmeldungen + Erfahrungswissen + KI-Unterstützung
Ausgangslage:
Maschinen erzeugen zwar Meldungen, aber das eigentliche Wissen über Ursachen und Lösungen steckt in Köpfen und verstreuten Notizen. Störungen wiederholen sich, weil niemand systematisch aus ihnen lernt.
Unsere Lösung:
Wir implementieren ein Ticketsystem, in dem:
- Störungsmeldungen aus Maschinen automatisch einfließen,
- zu jeder Meldung ein Ticket mit Ursache, Symptom und Lösung angelegt wird,
- Techniker:innen ihr Erfahrungswissen direkt im Ticket dokumentieren (bei Bedarf per Spracheingabe),
- die Daten so strukturiert sind, dass:
- ein lernendes System Muster erkennt,
- ähnliche Fälle gefunden und passende Lösungen vorgeschlagen werden können.
Darauf aufbauend können wir:
- Machine-Learning-Modelle einsetzen, die Wiederholungsmuster erkennen,
- einen KI-Chatbot bereitstellen, der:
- als „digitaler Servicetechniker“ in natürlicher Sprache kommuniziert,
- Lösungsvorschläge aus früheren Fällen anbietet,
- über Sprachschnittstellen bedient werden kann („Hände frei“ an der Maschine).
Ihr Nutzen:
- Schnellere Störungsbeseitigung, weniger Stillstand
- Schrittweise Reduktion der Abhängigkeit von „Held:innen der Instandhaltung“
- Jede Störung wird zum Lerneffekt fürs System – nicht nur für die anwesende Person
- Perspektive für präventive Instandhaltung auf Basis Ihrer eigenen Daten und Erfahrungen
Beide Bausteine adressieren direkt das, was wir eingangs beschrieben haben:
- Sie sichern implizites Wissen, bevor es verloren geht.
- Sie lösen Wissen aus Köpfen und Excel heraus.
- Sie verbinden Daten, Erfahrungswissen und KI zu einem echten Wettbewerbsvorteil.
13. Was können Sie tun?
Wenn Sie beim Lesen gedacht haben:
- „Ja, genau so sieht es bei uns aus – Herr Müller gibt es bei uns auch“,
- „Unsere wichtigsten Informationen stecken tatsächlich in Excel und in Köpfen“,
- „Wir brauchen einen Weg, Wissen zu sichern, bevor es zu spät ist“,
dann kontaktieren Sie uns hier.
Gemeinsam schauen wir:
- wo in Ihrem Unternehmen das meiste Wissen zu verschwinden droht,
- welcher Pilotbereich sich als erster Schritt anbietet,
- und wie wir mit einer Webanwendung für Ihr Excel-Wissen und einem lernenden Ticketsystem für Ihre Maschinen den Grundstein für Ihr KI-gestütztes Wissensmanagement legen – strukturiert, praxisnah und passgenau für den Mittelstand.
