Wenn ein erfahrener Qualitätsprüfer hört, dass eine Maschine bald gewartet werden muss – noch bevor ein Sensor Alarm schlägt – dann ist das kein Bauchgefühl. Es ist akkumuliertes Erfahrungswissen: präzise, belastbar und für den Betrieb unverzichtbar. Dieses Wissen steht in keinem Handbuch. Es entsteht durch Jahre der Beobachtung, durch gemachte Fehler und durch informelle Weitergabe zwischen Kollegen. Genau dieses Wissen fehlt den meisten KI-Systemen, die heute im Mittelstand eingeführt werden und geht dann bei der KI-Implementierung verloren.
Was Erfahrungswissen von dokumentiertem Wissen unterscheidet
Standardarbeitsanweisungen beschreiben, wie Prozesse im Idealfall laufen sollen. Erfahrungswissen beschreibt, wie sie in der Praxis tatsächlich funktionieren.
Im Maschinenbau bedeutet das: Reaktor 2 läuft seit Jahren fünf Grad wärmer als das Datenblatt angibt – erfahrene Bediener korrigieren das automatisch. In der Logistik gilt eine bestimmte Route laut Algorithmus als effizient, aber im Winter ist sie wegen einer Umleitung unzuverlässig. Im Kundenservice signalisiert eine bestimmte Wortwahl des Anrufers ein völlig anderes Grundproblem, als die Standard-Diagnose erkennt.
Diese Muster entstehen, weil die Wirklichkeit komplexer ist, als Verfahrensdokumente abbilden können. Maschinen verhalten sich anders als ihre technischen Spezifikationen beschreiben. Kunden entwickeln Gewohnheiten, die keine Datenbank erfasst. Lieferanten haben Eigenheiten, die kein Vertrag regelt. Erfahrene Mitarbeitende navigieren diese Komplexität selbstverständlich – ohne zu bemerken, dass sie dabei Wissen nutzen, das andere nicht haben.
KI-Systeme sind so gut wie der Kontext, den sie erhalten. Fehlt das informelle Betriebswissen, produzieren sie technisch saubere, aber operativ falsche Empfehlungen. Und weil dieses Wissen unsichtbar ist, merken Teams beim Aufbau eines KI-Systems oft gar nicht, was fehlt – bis erfahrene Mitarbeitende die Ergebnisse betrachten.
Warum informelles Betriebswissen für KI-Projekte ein Problem ist
Ein KI-System für die Produktionsplanung hat Zugriff auf Maschinendaten, Auftragsvolumen und historische Durchlaufzeiten. Der Optimierungsplan, den es daraus ableitet, sieht auf dem Papier gut aus. Aber das System weiß nicht, dass Maschine Nr. 4 nach dem Stillstand länger braucht als spezifiziert, oder dass ein bestimmter Techniker die Anlage doppelt so schnell rüstet wie seine Kollegen. Der Plan scheitert – nicht an mangelnder Rechenleistung, sondern an fehlendem Kontext innerhalb des Betriebs.
Das gleiche Muster zeigt sich in der Beschaffung: Ein KI-gestütztes Tool empfiehlt einen günstigeren Lieferanten und entscheidet korrekt nach Datenlage. Aber es fehlt das Wissen, dass der bisherige Lieferant bei als dringend markierten Bestellungen verlässlich früher liefert und proaktiv auf Lieferengpässe hinweist – Eigenschaften, die in keiner Datenbank auftauchen.
KI-Systeme sind so gut wie der Kontext, den sie erhalten. Fehlt das informelle Betriebswissen, produzieren sie technisch saubere, aber operativ falsche Empfehlungen. Und weil dieses Wissen unsichtbar ist, merken Teams beim Aufbau eines KI-Systems oft gar nicht, was fehlt – bis erfahrene Mitarbeitende die Ergebnisse betrachten und feststellen: „Das würde so nie funktionieren.“
Wissen, das still die Organisation verlässt
Zwei Entwicklungen verschärfen das Problem gerade.
Erstens: Viele Unternehmen stehen vor dem Ruhestand einer ganzen Mitarbeitergeneration. Mit jedem Weggang verlässt akkumuliertes Betriebswissen die Organisation. Klassische Abschlussgespräche fangen davon kaum etwas auf – man kann Menschen nicht bitten, alles aufzuschreiben, denn Vieles ist auch informelles Wissen.
Zweitens: KI wird gerade eingeführt, um genau diese Lücken zu kompensieren. Aber ohne vorherige Sicherung des Erfahrungswissens entstehen Systeme auf unvollständiger Grundlage. Das Ergebnis ist KI, die vorhandene Daten gut verarbeitet – und dabei ignoriert, worauf es operativ wirklich ankommt.
Wie Erfahrungswissen sichtbar gemacht werden kann
Das Wissen lässt sich nicht einfach abfragen. Es entsteht im Handeln und bleibt dort meist unbewusst. Was funktioniert, sind strukturierte Beobachtung und gezieltes Nachfragen im laufenden Betrieb.
Wenn ein Qualitätsprüfer eine Charge ohne offensichtlichen Grund zur Nachkontrolle markiert, lohnt die Frage: Was hat Sie dazu veranlasst? Anfangs kommt oft „das sieht irgendwie nicht richtig aus“ – mit geduldiger Rückfrage werden konkrete Signale sichtbar, auf die erfahrene Mitarbeitende reagieren, ohne es zu benennen. Das Gleiche gilt für Eskalationsentscheidungen im Service, für die Einschätzung von Wartungsintervallen im Betrieb, für Lieferantenbeurteilungen im Einkauf.
Bewährt haben sich dabei vier Ansätze:
erstens strukturierte Nachgespräche nach Entscheidungen und Abweichungen, bei denen Beteiligte kurz dokumentieren, warum sie wie gehandelt haben;
zweitens gezieltes Hospitieren, bei dem eine Person eine erfahrene Kollegin oder einen erfahrenen Kollegen über mehrere Tage begleitet;
drittens überarbeitete Abschlussgespräche, die explizit nach nicht dokumentiertem Wissen fragen;
viertens begleitete interne Schulungen, in denen das Weitergeben von Wissen selbst beobachtet und aufgezeichnet wird.
Der Schlüssel ist nicht, Menschen nur zum Aufschreiben ihres Wissens zu bewegen. Es geht darum, ihre Arbeit zu beobachten und ihre Entscheidungen zu verstehen.
Von der Beobachtung zum nutzbaren Kontext
Gesammeltes Erfahrungswissen liegt zunächst in Form von Geschichten, Situationsbeschreibungen und Einzelbeobachtungen vor. Damit KI-Systeme davon profitieren können, muss es strukturiert und zugänglich gemacht werden.
Aus „Wenn Kunde X wegen Rechnungen anruft, liegt das meistens an einem internen Systemfehler in der Buchhaltung, unsere Rechnungsformate werden nicht richtig verarbeitet“ wird: Kunde X benötigt ein abweichendes Rechnungsformat – Anrufe zu Rechnungsfragen bitte gezielt an spezialisierte Mitarbeitende weiterleiten.
Dafür braucht es keine aufwändige Softwarelösung. Ein gepflegtes internes Wiki mit der Sektion „Was Sie über Prozess X wissen sollten“ leistet in vielen Fällen mehr als ein komplexes Wissensmanagement-System. Entscheidend ist, dass das Wissen schriftlich vorliegt, abrufbar ist und beim Aufbau von KI-Systemen als Kontext übergeben wird.
Was das konkret für Ihre KI-Implementierung bedeutet
Wer KI einführt, ohne das informelle Betriebswissen seiner Organisation vorher zu sichern, riskiert das Entstehen einer entscheidenden Kontext-Lücke. Die Systeme werden technisch funktionieren – und trotzdem hinter den Erwartungen zurückbleiben, weil ihnen der operative Erfahrungsschatz fehlt, den jede Fachkraft im Unternehmen täglich selbstverständlich nutzt.
Die Frage ist nicht, ob dieses Wissen in Ihrer Organisation existiert, denn das tut es in jedem Fall. Wichtig ist, dass Sie es sichern, bevor es die Organisation verlässt.
Quelle: Shah, Dharmesh. „The Three Quotients of Agent Success.“ 21. Januar 2026.
Sie möchten KI in Ihrem Unternehmen einsetzen und haben Fragen zur KI-Implementierung?
Gerne analysieren wir mit Ihnen in einem ersten unverbindlichen Strategiegespräch, wie der Einsatz von KI in Ihrem Unternehmen aussehen könnte und was dabei zu beachten ist.
Wie KI die Korrelation von Mitarbeiterzahl und Wertschöpfung grundsätzlich verändern kann | NordAGI
[…] adaptive Feedback-Schleifen, dokumentiertes Kontextwissen – ein Aspekt, den wir in Warum informelles Betriebswissen der blinde Fleck jeder KI-Implementierung ist vertiefen –, klar definierte Datenstandards, frühzeitige Einbindung von Produktionsteams und […]
KI in der Produktion – anderer Hallenboden, ähnliche Herausforderungen?
[…] digitalisierte, strukturierte Daten als auch klar definierte Prozesse. Die Parallele ist direkt: „KI kann nicht augmentieren, was nicht zuvor systematisiert wurde“ – das gilt am Schreibtisch genauso wie an der Fertigungslinie. Ein von der Schweizer Beratung […]
Die Imagination Gap – Warum Vorstellungskraft der eigentliche Engpass für eine erfolgreiche „KI-Implementierung“ ist
[…] Und sie kann noch etwas: das implizite Wissen, das in den Köpfen der Mitarbeitenden steckt, systematisch erschließen. In vielen Unternehmen sind die wichtigsten Prozesse, Entscheidungsregeln und Erfahrungswerte nie ausführlich dokumentiert und hinterfragt worden. Sie existieren als internes Expertenwissen – aber nicht als verschriftlichtes Wissen. Das ist nicht nur ein Risiko für die Organisation, sondern auch ein fundamentales Hindernis für den Einsatz von KI: Ohne Kontext kann KI nur bedingt wertschöpfend arbeiten. […]