Erfahrungswissen systematisch sichern: Wie ein KI-Agent das Wissen deiner Experten für das ganze Team nutzbar macht

Einleitung

Stell dir vor, dein erfahrenster Techniker kündigt. Er hat zwanzig Jahre lang Maschinen gewartet, Fehler diagnostiziert und Lösungen gefunden, die nirgendwo aufgeschrieben stehen. Mit ihm geht nicht nur eine Arbeitskraft: Es geht implizites Wissen, das dein Betrieb jahrelang aufgebaut hat und das sich nicht einfach ersetzen lässt. Genau hier beginnt das Thema Wissenssicherung.

In vielen Fachbetrieben hängt das Tagesgeschäft an einer oder zwei Schlüsselpersonen. Fachleute nennen das den Bus-Faktor: Fällt diese eine Person aus, steht der Betrieb vor einem Problem, das sich nicht kurzfristig lösen lässt. Das ist kein Einzelfall, sondern ein struktureller Dauerzustand, den der Fachkräftemangel weiter verschärft.

Dieser Artikel zeigt, wie ein KI-Agent dabei helfen kann, Erfahrungswissen direkt im Arbeitsalltag zu erfassen und als durchsuchbares Unternehmensgedächtnis bereitzustellen. Du erfährst, warum klassische Dokumentation oft scheitert, wie ein Lösungswissen-Agent konkret funktioniert und welche Schritte du brauchst, um heute damit anzufangen. Der Ansatz ist relevant für Betriebe aus Handwerk, Anlagenbau, Wartung und anderen wissensintensiven Branchen.

Welches Fachwissen hängt in deinem Betrieb an einzelnen Personen, und welches Risiko entsteht daraus?

Der Bus-Faktor beschreibt, wie viele Personen ausfallen dürfen, bevor ein Team handlungsunfähig wird. In vielen Betrieben liegt dieser Wert bei eins: Fällt die eine Schlüsselperson weg, bricht kritisches Erfahrungswissen ersatzlos weg.

• Bekannte Fehlerbilder und deren bewährte Lösungen
• Workarounds, die sich über Jahre eingespielt haben
• Kundenhistorien und individuelle Absprachen
• Entscheidungsgründe hinter technischen Auslegungen

Dieses Wissen taucht in keinem Handbuch auf. Der Fachkräftemangel verschärft das Risiko strukturell. Besonders in technischen Berufen und im Handwerk spitzt sich die Lage seit Jahren zu: Ausbildungsplätze bleiben unbesetzt, erfahrene Fachkräfte scheiden altersbedingt aus, und Nachwuchs, der das Erfahrungswissen organisch übernehmen könnte, fehlt. Wissensverlust ist damit kein Einzelfall, sondern ein dauerhafter Zustand.

Warum lässt sich implizites Erfahrungswissen mit klassischen Dokumentationsmethoden kaum erfassen?

Klassische Dokumentation scheitert nicht an schlechten Werkzeugen, sondern daran, dass sie als Zusatzaufgabe neben dem eigentlichen Arbeitsablauf steht. Wer gerade einen kniffligen Fehler behoben hat, schreibt das selten sofort ins Wiki. Der Druck, das nächste Ticket zu bearbeiten, ist schlicht größer.

• Zeitmangel: Unter Projektdruck fällt die Dokumentationspflicht als erstes weg. Sie gilt als optional, bis das Wissen fehlt.
• Fehlende Motivation: Wer Wissen aufschreibt, sieht davon selbst kaum einen Vorteil. Der Nutzen liegt bei anderen, der Aufwand beim Schreibenden.
• Kontextgebundenheit: Erfahrungswissen entsteht in konkreten Situationen. Ein Standardformular oder ein Handbuch kann diesen Kontext kaum abbilden.

Dazu kommt ein stiller Kostenfaktor: Erfahrungsgemäß verbringt ein erheblicher Teil der Belegschaft wöchentlich einen halben bis ganzen Arbeitstag damit, Informationen zu suchen, die irgendwo im Betrieb eigentlich vorhanden wären. Das ist verlorene Arbeitszeit, die auf keiner Rechnung erscheint.

Wie erfasst ein KI-Agent Lösungswissen direkt im Arbeitsalltag, ohne den Experten zu unterbrechen?

Ein Lösungswissen-Agent hängt sich an den natürlichen Arbeitsfluss an: unmittelbar nachdem ein Problem gelöst wurde, meldet sich der Agent mit drei bis fünf kurzen Fragen. Das dauert erfahrungsgemäß 30 bis 60 Sekunden per Spracheingabe oder Stichpunkten, ohne IT-Kenntnisse und ohne separaten Dokumentationsschritt.

Die Fragen folgen dabei einem festen Muster: Welches Symptom lag vor? Was war die Ursache? Welche Schritte haben das Problem gelöst? Gibt es Warnhinweise oder sinnvolle Alternativen? Diese Struktur zieht das Erfahrungswissen genau dann heraus, wenn es am präsentesten ist.

1. Auslöser: Abschluss eines Vorgangs signalisiert dem Agenten den richtigen Moment. Dieser Auslöser kann aus einem bestehenden Ticketsystem oder ERP-System kommen, wenn das System dort angebunden ist. Mehr dazu im Abschnitt zu Voraussetzungen.
2. Erfassung: Spracheingabe oder kurze Stichpunkte, keine ausformulierten Texte nötig.
3. Verarbeitung: Generative KI transkribiert die Eingabe, erkennt Schlüsselbegriffe und bildet eine Ursache-Wirkungs-Kette.
4. Bereitstellung: Ein strukturierter Fall landet in der Wissensbasis, versehen mit Metadaten, Handlungsschritten und verlinkten Vorgängerfällen.
5. Lernen: Das System verfeinert seine Kategorisierung durch Case-Based Reasoning, je öfter ähnliche Fälle eingehen.

Das Prinzip ist in der Praxis erprobt. Belastbare Fallstudien aus dem deutschsprachigen Handwerk oder Anlagenbau sind öffentlich kaum dokumentiert, weil viele Betriebe solche Projekte intern halten. Was sich aber aus verschiedenen Umsetzungen zeigt: Die entscheidende Hürde ist nicht die Technik, sondern der konsequente Auslöser und die Bereitschaft der Belegschaft, das System zu nutzen. Beides lässt sich gestalten.

Wie entsteht aus kurzen Einträgen erfahrener Mitarbeiter eine durchsuchbare Wissensbasis für das gesamte Team?

Jeder erfasste Fall landet automatisch als strukturierter Eintrag in einer Fallbasis. Das System legt dabei mehr ab als nur Text: Es ordnet den Fall einer Kategorie zu, vergibt einen Zeitstempel und verknüpft ihn mit ähnlichen Vorgängen aus der Vergangenheit.

• Ursache und Symptom
• Lösungsschritte und Warnhinweise
• Kontext und Rahmenbedingungen
• Kategorie und Schlagworte
• Zeitstempel und verwandte Fälle

Über eine Suchoberfläche oder eine Chat-Schnittstelle kann jedes Teammitglied danach in eigenen Worten fragen. Das System erkennt ähnliche Fälle, schlägt Verknüpfungen vor und führt Duplikate zusammen. Gibt jemand Rückmeldung, ob ein Vorschlag geholfen hat, verbessert die Feedback-Schleife die Vorschlagsqualität schrittweise. Folglich wächst das digitale Unternehmensgedächtnis mit jedem gelösten Problem und bleibt auch dann abrufbar, wenn die Person, die es eingetragen hat, längst nicht mehr im Betrieb ist.

Welche Voraussetzungen braucht ein Betrieb ohne eigene IT-Abteilung, um ein solches System einzuführen?

Für den Einstieg in die Wissenssicherung mit KI brauchst du keine eigene IT-Infrastruktur. Ein cloudbasierter Wissensagent läuft vollständig im Browser oder auf dem Smartphone, ohne Installation, ohne Server, ohne technisches Vorwissen.

• Technisch: Internetzugang und ein aktueller Browser oder ein Smartphone reichen aus. Wenn du bereits ein Ticketsystem oder ERP nutzt, kläre beim Anbieter, ob eine Anbindung möglich ist. Viele Systeme bieten Schnittstellen, über die der Erfassungsauslöser direkt aus dem bestehenden Workflow kommen kann. So entfällt doppelte Datenpflege.
• Organisatorisch: Benenne eine Person als Wissensbasis-Verantwortliche, die Einträge gelegentlich prüft und die Qualität sicherstellt.
• Prozessual: Lege fest, wann ein Fall einzutragen ist, zum Beispiel direkt nach jeder gelösten Störung oder abgeschlossenen Sonderaufgabe.
• Inhaltlich: Nutze drei bis fünf standardisierte Fragen als Erfassungsvorlage. Regelmäßigkeit geht dabei vor Vollständigkeit.
• Datenschutz: Kläre vor dem Start, welche Inhalte pseudonymisiert werden, und halte das in einer kurzen internen Richtlinie fest. Mehr dazu im folgenden Abschnitt.

Ein Pilotprojekt mit einem einzigen Bereich und einem klaren Auslöser reicht, um erste Ergebnisse zu sehen. So bleibt der Aufwand überschaubar und das Wissensmanagement wächst schrittweise mit dem Betrieb.

Was musst du vor dem Pilotstart in Sachen Datenschutz klären?

Du haftest als Geschäftsführer persönlich für den korrekten Umgang mit personenbezogenen Daten. Deshalb gehört Datenschutz nicht ans Ende des Projekts, sondern ganz an den Anfang. Das sind die Fragen, die du vor dem Start mit deinem Datenschutzbeauftragten klären solltest:

• Wo liegen die Daten? Werden sie auf EU-Servern verarbeitet? Wer ist der Auftragsverarbeiter, und liegt ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO vor?
• Was passiert mit sensiblem Kunden- und Auftragswissen? Wenn Mitarbeitende Lösungswege einsprechen, können darin Kundennamen, Anlagendaten oder vertragliche Details stecken. Kläre, wie das System mit solchen Inhalten umgeht, ob sie gefiltert, anonymisiert oder gesondert gespeichert werden.
• Ist eine Datenschutzfolgenabschätzung nötig? Bei Systemen, die Spracheingaben verarbeiten oder Mitarbeitendeverhalten protokollieren, kann eine DSFA nach Art. 35 DSGVO erforderlich sein. Das hängt vom konkreten System ab.
• Was ist mit dem Betriebsrat? Spracheingabe-Systeme und Nutzungsauswertungen können mitbestimmungspflichtig sein. Binde den Betriebsrat frühzeitig ein, falls einer vorhanden ist, um Konflikte zu vermeiden.

Diese Fragen lassen sich in den meisten Fällen schnell beantworten, wenn das System sauber dokumentiert ist. Ein Anbieter, der diese Auskünfte nicht geben kann oder will, ist kein geeigneter Partner.

Wie gewinnst du dein Team für die Wissenssicherung, ohne dass sich jemand ersetzbar fühlt?

Das ist die unterschätzte Hürde. Dein erfahrenster Techniker weiß, was sein Wissen wert ist. Wenn er das Gefühl bekommt, dass er mit dem Einsprechen seiner Lösungswege seinen eigenen Wert im Betrieb mindert, wird er das System nicht nutzen. Dieser Widerstand ist menschlich verständlich und lässt sich nicht durch eine Erklärung im Teammeeting beseitigen.

Was hilft, ist Transparenz über den Zweck. Erfahrungswissen wird nicht erfasst, um jemanden zu ersetzen. Es wird erfasst, damit das Wissen der erfahrenen Person im Betrieb weiterlebt, auch wenn sie krank ist, Urlaub hat oder in Rente geht. Das ist ein Unterschied, den du klar benennen und durch konkretes Verhalten zeigen musst.

Drei Punkte helfen dabei besonders:

• Den Nutzen für die Eintragende Person sichtbar machen: Wer merkt, dass das System die eigene Arbeit erleichtert, also weniger Rückfragen, weniger Unterbrechungen, schnellere Einarbeitung neuer Kolleginnen und Kollegen, hört auf, es als Zusatzaufwand zu empfinden.
• Frühzeitig einbinden statt verkünden: Lass erfahrene Mitarbeitende bei der Festlegung der Erfassungsfragen mitwirken. Wer die Struktur mitgestaltet hat, identifiziert sich eher mit dem Ergebnis.
• Anerkennung zeigen: Wessen Wissen im System nachweislich geholfen hat, verdient Rückmeldung. Das muss kein formelles Lob sein. Schon ein kurzes „Das war genau richtig, dein Eintrag hat dem neuen Kollegen letzte Woche eine Stunde gespart“ verändert die Bereitschaft spürbar.

Der Wandel im Umgang mit Wissen ist ein Kulturthema, kein Softwareprojekt. Die Technik macht ihn möglich. Aber du musst ihn führen.

Welche Fehler entstehen beim Aufbau interner Wissenssysteme, und wie lassen sie sich von Anfang an vermeiden?

Wissenssysteme scheitern selten an der Technologie. Meistens fehlen klare Prozesse und eine durchdachte Governance von Beginn an. Die gute Nachricht: Wer diese fünf typischen Fehler kennt, kann sie gezielt umgehen.

• Zu breiter Scope: Wer alles auf einmal erfassen will, erzeugt Rauschen statt Nutzen. Starte mit einem abgegrenzten Bereich und wachse von dort aus.
• Kein klarer Erfassungsauslöser: Ohne definierten Moment für einen Eintrag bleibt die Wissensbasis dünn. Ein konkreter Auslöser, etwa das Abschließen eines Störfalls, schafft Regelmäßigkeit.
• Fehlende Qualitätssicherung: Unkontrollierte Einträge senken das Vertrauen ins System. Ein einfacher Review-Schritt durch eine verantwortliche Person genügt.
• Kein sichtbarer Mehrwert für Eintragende: Wer nie zurückbekommt, was er gibt, hört auf zu geben. Zeige dem Team früh, wie das System ihre eigene Arbeit erleichtert.
• Governance nachrangig behandelt: Zugriffsrechte und Datenschutz nachträglich zu regeln erzeugt Konflikte. Kläre diese Fragen vor dem Start, nicht danach.

Woran erkennst du, ob die aufgebaute Wissensbasis im Tagesgeschäft tatsächlich genutzt wird?

Ob eine Wissensbasis wirklich funktioniert, zeigt sich nicht im Aufbau, sondern im Alltag. Dafür brauchst du keine aufwendige Auswertung: Einige wenige Kennzahlen reichen aus, um ein klares Bild zu bekommen.

• Nutzungsfrequenz: Wie oft wird die Wissensbasis pro Woche abgefragt, absolut und je Teammitglied?
• Trefferquote: Wie oft liefert eine Anfrage einen hilfreichen Fall? Sinkt die Quote, fehlen relevante Inhalte oder die Verschlagwortung stimmt nicht.
• Rückfragerate: Stellen Jüngere im Team seltener Rückfragen an erfahrene Kolleginnen und Kollegen? Das ist ein verlässlicher indirekter Indikator für echte Wissensnutzung.
• Eintragsrate: Wächst die Fallbasis kontinuierlich oder stagniert sie nach den ersten Wochen?
• Bearbeitungszeit: Werden wiederkehrende Störungen messbar schneller gelöst als zuvor?

Diese KPIs lassen sich erfahrungsgemäß schon nach vier bis acht Wochen sinnvoll auswerten. Sie zeigen, ob die Wissensnutzung im Betrieb wächst oder ob Anpassungsbedarf besteht.

Ab wann rechnet sich der Aufbau einer agentengestützten Wissensbasis wirtschaftlich?

Die Amortisation beginnt früher, als die meisten erwarten. Rund ein Drittel der Beschäftigten verbringt wöchentlich einen halben bis ganzen Arbeitstag damit, Informationen zu suchen. Wer diese Suchzeit auch nur halbiert, gewinnt mehrere Stunden pro Person und Woche zurück, ohne eine einzige neue Stelle zu besetzen.

Ein einfaches Rechenbeispiel macht das greifbar: Angenommen, in deinem Betrieb arbeiten zehn Techniker, jeder verbringt im Schnitt drei Stunden pro Woche damit, Informationen zu suchen. Bei einem Stundensatz von 45 Euro entspricht das rund 1.350 Euro gebundener Arbeitszeit pro Woche. Halbierst du diese Suchzeit, gewinnst du monatlich einen Gegenwert von rund 2.700 Euro an produktiver Kapazität zurück. Das sind keine erfundenen Zahlen, sondern ein Rechenrahmen, den du mit deinen eigenen Werten füllen solltest.

• Suchzeit: Weniger Zeit für Informationssuche bedeutet direkt mehr Zeit für wertschöpfende Arbeit. Dieser Hebel wirkt sofort und ist im Tagesgeschäft spürbar.
• Einarbeitungszeit: Neue Kolleginnen und Kollegen lösen Probleme eigenständig, sobald sie auf eine strukturierte Wissensbasis zugreifen können. Kürzere Einarbeitungszeiten senken die Einarbeitungskosten messbar.
• Wissensverlustprävention: Wenn das Erfahrungswissen einer einzelnen Person mit ihrem Weggang verloren geht, entstehen Kosten durch Fehler, Wiederholung bereits gelöster Probleme und längere Bearbeitungszeiten. Diese Kosten sind im Vorhinein schwer zu beziffern, im Nachhinein aber schmerzhaft spürbar.

Ein großes Investitionsbudget ist für den Start nicht nötig. Der sinnvolle Weg ist: Pilot starten, Nutzen messen, dann schrittweise skalieren. So trägt sich das System aus den Einsparungen heraus, bevor größere Mittel fließen.

Was ist der konkrete nächste Schritt, und wie lange dauert der Einstieg?

Vom Entschluss bis zu einem laufenden Pilot vergehen in der Regel zwei bis vier Wochen. Hier ist ein grober Rahmen, den du direkt nutzen kannst:

• Woche 1 bis 2: Bereich und Auslöser festlegen. Welcher Bereich hat den höchsten Wissensverlust-Risiko? Welches Ereignis soll den Erfassungsschritt auslösen, etwa das Schließen eines Störfalltickets? Gleichzeitig: Datenschutzfragen mit dem Datenschutzbeauftragten klären und eine verantwortliche Person für die Wissensbasis benennen.
• Woche 3: System einrichten und das Team einführen. Das umfasst die Auswahl des Werkzeugs, die Konfiguration der Erfassungsfragen und ein kurzes Einführungsgespräch mit den Beteiligten.
• Woche 4 bis 8: Pilotbetrieb. Einträge sammeln, erste Abfragen testen, Rückmeldungen einholen und die Trefferquote beobachten.

Was das Werkzeug angeht: Agentengestützte Wissenssysteme sind keine fertigen Standardprodukte von der Stange, sondern werden in der Regel individuell konfiguriert oder auf Basis bestehender KI-Plattformen aufgebaut. Wenn du nach einer Produktkategorie suchst, helfen Begriffe wie „KI-Wissensbasis“, „Knowledge Management mit KI“ oder „Case-Based Reasoning System“ als Einstieg. Lass dich von Anbietern zeigen, ob und wie ihr System an dein bestehendes Ticketsystem oder ERP angebunden werden kann. Das ist ein sinnvolles Auswahlkriterium.

Kommentar von Jonas Rump

Wissenssicherung wird in den meisten Betrieben erst dann wirklich ernst genommen, wenn der Ernstfall bereits eingetreten ist. Das ist menschlich verständlich, aber teuer. Denn bis dahin ist das Erfahrungswissen längst weg.

Was mich in der Praxis immer wieder überrascht: Es braucht kein perfektes System von Anfang an. Der erste konsequente Schritt ins Tun macht den Unterschied, nicht die ideale Lösung auf dem Papier. Ein KI-Agent ist dabei kein großes IT-Projekt, sondern ein pragmatisches Alltagswerkzeug, das sich ohne technischen Aufwand in bestehende Abläufe einfügt.

Mein Appell ist daher einfach: Warte nicht, bis dein erfahrenster Mensch das Haus verlässt. Der demografische Wandel macht keine Pause, und der beste Zeitpunkt für Wissenssicherung ist immer vor dem Verlust, nicht danach.

Fazit und Ausblick

Erfahrungswissen steckt in Köpfen, nicht in Systemen. Ohne aktive Maßnahme bleibt das ein dauerhaftes Betriebsrisiko, das sich erst dann zeigt, wenn es zu spät ist. Ein KI-Agent ändert das: Er erfasst Lösungswissen direkt im Arbeitsalltag, strukturiert es automatisch und macht es für das gesamte Team nutzbar, als wachsendes digitales Unternehmensgedächtnis, das nicht an einzelne Personen gebunden ist.

Der Einstieg ist einfacher als gedacht. Einen Auslöser definieren, einen Pilotbereich wählen, die wichtigsten Datenschutz- und Governance-Fragen klären und anfangen. Mehr braucht es nicht, um den Bus-Faktor im eigenen Betrieb dauerhaft zu senken.

Wenn du wissen möchtest, wie Wissenssicherung mit KI konkret in deinen Betrieb passt, melde dich für ein kostenloses Erstgespräch. Gemeinsam schauen wir, wo der sinnvollste Einstieg für dich liegt.