Wissenstransfer vor dem Renteneintritt.

Die deutsche Wirtschaft steht vor einer demografischen Verwerfung, die in vielen Branchen kaum diskutiert wird. Bis 2035 verlassen die geburtenstarken Jahrgänge schrittweise den Arbeitsmarkt. Für Mittelständler heißt das: In jedem Betrieb stehen in den nächsten zehn Jahren 20 bis 40 Prozent der Belegschaft am Ende ihres Berufslebens — darunter überproportional viele Träger von Erfahrungswissen. Was sie wissen, ist selten dokumentiert. Sie wissen, dass die Maschine sich anders verhält, wenn die Halle wärmer wird. Sie wissen, welcher Kunde wirklich Wert auf Pünktlichkeit legt und welcher mit zwei Tagen Verspätung leben kann. KI bietet eine Chance, dieses Wissen vor dem Ausscheiden zu sichern — wenn sie als Werkzeug verstanden wird, nicht als Speichermedium. Dieser Artikel zeigt, was möglich ist und was nicht.

Was implizites Wissen wirklich ist.

Die Diskussion um Wissenstransfer leidet darunter, dass Wissen oft als Datenmenge missverstanden wird. Wer einen Mitarbeiter mit 35 Berufsjahren bittet, sein Wissen „aufzuschreiben“, erhält ein paar Stichworte, die in eineinhalb Stunden niedergeschrieben sind — und das Gefühl, es sei alles gesagt. Tatsächlich hat dieser Mensch hunderttausende Mikroentscheidungen getroffen, deren Muster er selbst nicht mehr explizit formulieren kann.

Implizites Wissen besteht aus drei Schichten, die jeweils anders zugänglich sind. Die erste Schicht ist Faktenwissen: Welche Schraube an welche Stelle? Welcher Werkstoff für welche Temperatur? Diese Schicht ist relativ gut dokumentierbar, wenn man die Geduld dafür hat. Die zweite Schicht ist Verfahrenswissen: In welcher Reihenfolge? Mit welchen Tricks? Wann weicht man von der Norm ab? Diese Schicht ist nur durch Beobachtung und Dialog zugänglich. Die dritte Schicht ist Heuristikwissen: Wann ist etwas problematisch? Wie erkenne ich, dass etwas schiefläuft, bevor es schiefläuft? Diese Schicht ist die wertvollste und die am schwersten greifbare.

Klassische Wissenstransfer-Programme erreichen häufig die erste Schicht, manchmal die zweite, fast nie die dritte. Genau hier setzt KI eine neue Möglichkeit — nicht durch Magie, sondern durch eine andere Form der Dokumentation.

Strukturierte Interviews als Datengrundlage.

Der wirkungsvollste Ansatz, den ich in Beratungsprojekten gesehen habe, ist nicht das einsame Schreiben von Handbüchern, sondern strukturierte Interviews. Ein erfahrener Mitarbeiter wird über vier bis acht Stunden interviewt — verteilt auf mehrere Sitzungen. Ein Interviewer stellt Fragen, ein zweiter dokumentiert, alternativ wird mit Einwilligung aufgezeichnet und transkribiert.

Die Fragen folgen einem festen Muster, das auf alle drei Wissensschichten abzielt:

• „Erzählen Sie mir, wie Sie heute typischerweise Aufgabe X erledigen.“
• „Wann weichen Sie von dem Standardweg ab? Woran erkennen Sie, dass es nötig ist?“
• „Welche Fehler haben Sie früher gemacht und wie haben Sie sie vermieden lernen?“
• „Was würden Sie einem Nachfolger als Erstes erklären — und was zuletzt?“
• „Wovon haben Sie Angst, wenn Sie nicht mehr im Haus sind?“

Die letzte Frage ist oft die ergiebigste. Mitarbeiter wissen sehr genau, welche Themen ohne sie unterzugehen drohen — und genau das ist das wertvolle Wissen. KI kommt ins Spiel, sobald diese Interviews dokumentiert sind: Sie strukturiert, kategorisiert, verknüpft und macht das Material durchsuchbar.

Was KI mit dem Interview-Material macht.

Das Rohmaterial aus vier bis acht Stunden Interview entspricht typischerweise 40 bis 80 Seiten Transkript. Niemand wird das vollständig lesen, niemand wird es auswendig lernen. Genau hier ist KI eine Verstärkung: Sie macht das Material abrufbar, ohne dass die Substanz verloren geht.

Konkret wird das Material in ein Wissenssystem eingespeist, das vom Nachfolger oder von Kollegen wie ein Chat befragt werden kann. Fragen wie „Wie hat Herr Schmidt früher das Problem X gelöst?“ oder „Worauf sollte ich bei Kunde Müller besonders achten?“ werden mit Antworten beantwortet, die direkt aus dem Material stammen — mit Quellenverweis auf die Interview-Stelle.

Drei Punkte sind dabei wichtig. Erstens: Die KI antwortet nicht selbst, sondern findet die relevante Stelle im Interview und gibt sie wieder. Das schützt vor Halluzinationen. Zweitens: Der ausscheidende Mitarbeiter prüft das System einmal nach der Befüllung. Was die KI falsch wiedergibt oder missversteht, wird korrigiert. Drittens: Das System wird über die Zeit erweitert, wenn neue Fälle auftauchen, die ähnlich gelagert sind. Wissen verfällt nicht in einer Schublade, sondern bleibt lebendig.

Wann der Transfer beginnen muss.

Der häufigste Fehler im Mittelstand ist, den Wissenstransfer zu spät zu beginnen. Drei Monate vor dem Renteneintritt ist es in der Regel zu spät. Erfahrene Mitarbeiter sind dann meist innerlich schon dem Ruhestand zugewandt, die Motivation zur strukturierten Dokumentation ist gering, die Zeit reicht nicht für tiefe Interviews.

Eine realistische Faustregel: Eineinhalb bis zwei Jahre vor dem geplanten Ausscheiden mit dem Transferprozess beginnen. Das wirkt zunächst lang, ist aber notwendig, weil das Wissen oft erst in der dritten oder vierten Interviewrunde an die Oberfläche kommt. Zudem braucht ein Nachfolger Zeit, die Inhalte zu verarbeiten, Rückfragen zu stellen und im Schatten des Erfahrenen mitzulaufen.

In Unternehmen mit hoher Konzentration von Schlüsselwissen auf einzelne Köpfe lohnt sich eine vorausschauende Übersicht: Wer in den nächsten fünf Jahren ausscheidet, welches Wissen sitzt dort, wie kritisch ist es für die Wertschöpfung. Aus dieser Übersicht entsteht eine Prioritätenliste, die in der Geschäftsleitung sichtbar wird. Wer diesen Schritt überspringt, läuft Gefahr, im Krisenfall — ein plötzlicher Renteneintritt, ein Krankheitsfall — ohne Plan dazustehen.

Akzeptanz: warum erfahrene Mitarbeiter mitmachen sollten.

Wissenstransfer-Projekte scheitern oft nicht an der Technik, sondern an der Beziehung. Ein Mitarbeiter mit 30 Berufsjahren, der gebeten wird, sein Wissen „in eine Maschine zu speichern“, reagiert mit Misstrauen — wenn der Eindruck entsteht, dass er ersetzbarer gemacht werden soll.

Drei Gestaltungselemente erhöhen die Akzeptanz spürbar. Erstens: Wertschätzung explizit machen. Der Mitarbeiter wird nicht „abgemolken“, sondern erzählt seine Berufsgeschichte — ein Prozess, der häufig als sehr positiv erlebt wird. Zweitens: Der Mitarbeiter behält die Kontrolle. Er prüft, was im System landet, kann Stellen herausnehmen oder anpassen. Drittens: Das System wird mit seinem Namen verknüpft — nicht im Sinne von Personenkult, sondern als Anerkennung. „Die Schmidt-Datenbank“ ist ein anderes Signal als „das Wissens-Tool“.

Ein vierter Punkt, oft unterschätzt: Der ausscheidende Mitarbeiter sollte einen Teil seines Wissens an einen lebenden Nachfolger weitergeben können, nicht nur an eine Maschine. Wissenstransfer ohne menschliche Beziehung wird selten erfolgreich. KI ist hier nicht der Ersatz für die Beziehung, sondern das Werkzeug, das die Beziehung trägt — sodass aus „ich erkläre dir alles in den letzten Monaten“ ein strukturierter, dokumentierter Prozess wird, der die Substanz erhält.

Praktische Werkzeuge und Plattformen.

Im Wesentlichen lassen sich drei Plattform-Ansätze unterscheiden, die unterschiedliche Anforderungen bedienen.

Für die meisten Mittelständler ist der mittlere Ansatz pragmatisch. Ein Tool wie Glean, Mendable oder ein selbstgehosteter RAG-Ansatz auf Basis offener Modelle ermöglicht eine sinnvolle Tiefe ohne übermäßige Komplexität. Wichtig ist die Datenschutzbetrachtung — Interviews mit Mitarbeitern enthalten personenbezogene Daten, daher gehört eine DSGVO-konforme Verarbeitung von Anfang an dazu.

Wer mit Wiki oder SharePoint anfängt, sollte realistisch sein: Diese Ansätze fangen die erste Wissensschicht ein, selten die zweite und kaum die dritte. Für strukturelles Wissen kann das ausreichen. Für die wirklich wertvollen Erfahrungsschätze braucht es Interview-Material und ein System, das damit umgehen kann.

Grenzen und ehrliche Einschränkungen.

So nützlich KI im Wissenstransfer ist, sie hat klare Grenzen. Drei davon verdienen ehrliche Anerkennung, weil sie häufig übersehen werden.

Erstens: Tacit Knowledge im engeren Sinn — also Wissen, das so tief verankert ist, dass der Träger es nicht artikulieren kann — entzieht sich auch der besten Interview-Methode. Ein erfahrener Maschinist hört am Klang, dass ein Lager kaputtgeht. Diese Fähigkeit lässt sich nicht in Worten festhalten, sie kann nur durch lange gemeinsame Arbeit übertragen werden. KI hilft hier nicht.

Zweitens: Wissen ohne Kontext nutzt wenig. Eine Datenbank, in der das gesamte Wissen eines erfahrenen Vertriebsleiters liegt, hilft einem neuen Vertriebsleiter nur, wenn er den Kontext mitliefert. Wer eine Frage stellt, muss verstehen, was er fragt. Junge Mitarbeiter, die mit einer „Schmidt-Datenbank“ konfrontiert werden, brauchen oft erst einmal Schmidt selbst, um die richtigen Fragen zu lernen.

Drittens: Die Bindung an die Person geht verloren. Manche Kunden, manche Lieferanten, manche Geschäftspartner sind über Jahre an einen bestimmten Mitarbeiter gewöhnt. Wenn dieser geht, bleibt die Geschäftsbeziehung wackelig — auch wenn das Wissen über die Beziehung in einer Datenbank steht. KI dokumentiert Geschichten, sie ersetzt sie nicht.

Sie wollen das Wissen Ihrer erfahrenen Mitarbeiter vor dem Ausscheiden sichern — strukturiert und ohne Pseudo-Lösungen? Unverbindlich anfragen — wir schauen gemeinsam auf kritische Wissensträger, Methodik und ein realistisches Vorgehen.