Engineering-Wissen konservieren — der Rentner-Effekt

VonThomas Luft

Worum es hier geht

  • Wenn ein erfahrener Mitarbeiter geht — egal ob aus Engineering, Einkauf, Akquise, HR oder Finanzen — geht implizites Wissen mit. Bauchgefühl, „warum-nicht-so“, Sonderfälle aus der Praxis. Genau das, was eine KI nicht aus Trainingsdaten kennt.
  • Wissens-Konservierung ist eine Methodik-Frage vor einer Tool-Frage. Erst das Material strukturiert sichern (Wissenslandkarte, DDE-Interview, Lessons Learned), dann KI darüberlegen. Wer die Reihenfolge umdreht, baut einen Chatbot ohne Substanz.
  • Der normative Rahmen (DIN ISO 30401, DIN SPEC 91443, ISO 9001 Abs. 7.1.6) liefert die Anker — gilt für jede Funktion im Unternehmen, nicht nur Engineering.

Babyboomer und Gen X gehen in den nächsten zehn Jahren in Rente. Nicht nur in Engineering — in jedem Bereich, in dem über Jahrzehnte aufgebaute Erfahrung steckt: Einkauf (Lieferanten-Historie, Vertragsfallen), Akquise und Vertrieb (Kunden-Beziehungen, Preisspielräume), HR (Konfliktmuster, Tarif-Sonderfälle), Controlling und Finanzen (Bilanzhistorie, Steueranlässe), Engineering (Konstruktions-Sonderfälle, FMEA-Lessons-Learned). In allen Bereichen droht der Rentner-Effekt: das Wissen steht nicht in Datenbanken — es steckt in Köpfen und in PDFs, die seit fünfzehn Jahren niemand mehr geöffnet hat. Eine KI hilft erst, wenn dieses Wissen vorher gesichert ist. Genau dort setzen die zwei Folien unten an: erst Methodik (Folie 1), dann Architektur (Folie 2).

Wissen sichern, bevor es in Rente geht

Methoden und normativer Rahmen für den Wissenstransfer

Normativer Rahmen (DE / EU)
DIN ISO 30401:2022-11
Wissensmanagement-Systeme — Anforderungen. Managementsystem-Norm Typ A, integrierbar mit ISO 9001.
DIN SPEC 91443:2021-08
Systematisches Wissensmanagement für KMU — Implementierungsleitfaden zur ISO 30401, beim Beuth-Verlag kostenfrei.
DIN EN ISO 9001:2015, Abs. 7.1.6
Wissen der Organisation ist als Ressource zu bestimmen, aufrechtzuerhalten und verfügbar zu machen.
GfWM-Referenzmodell / Wissenstreppe (North)
Etablierte deutsche Praxis-Modelle als Ergänzung.
Methoden-Mix für ausscheidende Experten
Spezifikation je Themengebiet (beim Kunden vorhanden)
Strukturierter Dokumentations-Output — guter Anker für die folgenden Methoden.
Tandem-Phase / Job Shadowing
3–12 Monate Vorgänger neben Nachfolger. Methode mit der höchsten Wirkung beim impliziten Wissen.
Debriefing of Departing Experts (DDE)
Strukturiertes Interview, audio- oder video-aufgezeichnet, themenspezifisch nach Wissenslandkarte.
Lessons Learned & Critical Incidents
Was lief schief, was hat funktioniert? Erzählform statt Stichpunkte — implizites Wissen wird sichtbar.
Wissenslandkarte / Skills-Matrix
Pro Person und Thema sichtbar machen, welches Wissen wo liegt und wo Lücken entstehen.
Kern: Explizites Wissen lässt sich dokumentieren — implizites Wissen (Erfahrung, Bauchgefühl, „warum nicht so“) nur durch Interaktion sichern. Erst dann KI-Zugriff sinnvoll.

KI-Zugriff auf das gesammelte Wissen

Architektur und Tool-Optionen für den Mittelstand (Stand 2026)

Bausteine eines RAG-/Agentic-Systems
1
Quellen

PDF, DOCX, MD aus DDE-Interviews, Spezifikationen, Lessons Learned

2
Ingestion

Chunking, Metadaten, Bereinigung (Autor, PII), Klassifizierung — Ownership!

3
Speicher

Vektor-DB (pgvector, Qdrant, Chroma) + Keyword-Index (Hybrid Search)

4
Retrieval + LLM

Hybrid Search → Reranker → LLM mit Quellenangabe

5
UI / Agent

Chat, Suche, agentic Workflows (z. B. n8n, MCP-Tools)

DSGVO-konform / EU-Hosting
meinGPT* (DE)
Hetzner-Hosting, fertige RAG-Umgebung, ISO 27001, AVV.
Aleph Alpha (DE)
EU-Hosting, deutsche Sprache stark.
Mistral La Plateforme (FR)
EU-Region, gute Modelle, AVV.
Open Source on-prem
Onyx, AnythingLLM, Open WebUI mit Ollama / vLLM.
Microsoft-Ökosystem
M365 Copilot
Wenn SharePoint/OneDrive bereits gepflegt — Wissensbasis wird automatisch erschlossen.
Copilot Studio
Eigene Agents mit Anbindung an interne Daten.
Azure OpenAI + AI Search
Eigener Tenant, EU-Region, RAG selbst gebaut.
Pilot / Quick-Win
NotebookLM (Google)
Sehr schnell nutzbar, aber: keine sensiblen OEM-Daten.
Eigenes Mini-RAG
n8n + Vektor-DB + Aleph Alpha/Mistral, 4–6 Wochen Pilot.
Wichtig
Schatten-KI sichtbar machen, nicht verbieten — attraktive offizielle Lösung anbieten.
Vor dem Tool: Datenklassifizierung, OEM-NDA-Prüfung, EU-AI-Act-Einordnung (i. d. R. begrenztes Risiko), DSFA bei Mitarbeiterdaten — sonst läuft die KI in Compliance-Probleme.

Die Reihenfolge ist nicht beliebig. Erst die Methodik aus Folie 1 (Tandem, DDE-Interviews, Wissenslandkarte) sichert das implizite Wissen so, dass es in Form vorliegt — als Texte, Aufnahmen, Strukturen. Erst dann lohnt sich die Architektur aus Folie 2: Quellen, Ingestion, Speicher, Retrieval mit Quellenangabe. Wer mit Folie 2 anfängt — Tool kaufen, dann nach Inhalten suchen — landet bei einem Chatbot, der höflich nichts weiß.

Bei der Tool-Wahl ist die NDA- und DSGVO-Frage entscheidender als die LLM-Frage. Kundendaten, Lieferanten-Verträge, Personalakten, OEM-Spezifikationen dürfen nicht in US-Cloud — damit fallen NotebookLM und unkontrollierte ChatGPT-Workspaces als Produktiv-Tool aus, selbst wenn sie für einen Quick-Win gut wären. Praktikabel für den Mittelstand ist eine Kombination aus drei Bausteinen, jeweils mehrere Optionen: Frontend (meinGPT* für den schnellen DSGVO-konformen Start, Open WebUI on-premise für strikte Datenschutz-Vorgaben, Microsoft Copilot Studio im M365-Tenant), Automation-Layer (n8n self-hosted, make.com, Zapier, oder vergleichbar — die Orchestrierungs-Schicht, die Workflows zwischen Quellen, Speicher und Frontend baut) und eine Speicher-Architektur, die zur Datenlage passt (reine Vektor-DB für semantische Suche, klassische SQL + Volltext-Index für strukturierte Daten, Knowledge-Graph für Entitäten-Beziehungen, oder eine Hybrid-Lösung — Vektor-Suche allein ist nicht die einzige Antwort).

Was Thomas konkret macht — und was nicht

Thomas ist Berater im Engineering-Umfeld. Er begleitet euch beim Aufbau von Wissens-Konservierung und KI-Zugriff methodisch und architektonisch. Andere Bereiche (Einkauf, Akquise, HR, Finanzen) folgen demselben Vorgehen — der Beratungs-Schwerpunkt ist Engineering.

Macht er

  • Wissenslandkarte mit dem Team — pro Themengebiet sichtbar machen, wer was weiß und wo Lücken entstehen, wenn jemand das Unternehmen verlässt.
  • DDE-Interview-Setup und Moderation — strukturierte Aufnahmen mit den Experten, Format, Fragebogen, Themen-Reihenfolge, Wirksamkeitsprüfung.
  • Architektur-Skizze für den Wissens-Stack — Frontend-Wahl (meinGPT, Microsoft Copilot Studio, Open WebUI), Automation-Layer (n8n, make.com, andere), Speicher-Architektur (Vektor-DB für semantische Suche, SQL + Volltext für strukturierte Inhalte, Knowledge-Graph für Entitäten-Beziehungen — oder Hybrid), LLM-Wahl, Datenklassifizierung. Welche Komponenten zu eurer Datenlage und euren Anforderungen passen, klären wir gemeinsam — keine Tool-Vorliebe vorweg.
  • Methodik-Begleitung über die Projekt-Stages (AGILean-Logik) — klare Zwischenstände, Wirksamkeits-Reviews, Iterationen.
  • Schulungen zu Wissensmanagement-Methodik nach DIN ISO 30401 und zu praktischer KI-Anwendung im Mittelstand.

Macht er nicht

  • Kein HW-/SW-Setup — die Installation der Vektor-DB, das Server-Hosting, die LLM-Anbindung übernimmt euer IT-Partner oder ein spezialisierter Dienstleister.
  • Keine IT-Integration — Anbindung an SharePoint, M365-Tenant, AD, SSO, Netzwerk-Berechtigungen sind IT-Aufgaben.
  • Keine Ownership-Klärungen — wer welche Daten besitzen darf, wer welche Inhalte freigibt, ist eure Governance-Frage. Thomas berät zur Methodik, nicht zur internen Rollen-Politik.

Diese klare Aufgabentrennung ist Absicht. Methodik und Architektur sind die Hebel, an denen ein Beratungsprojekt etwas verändern kann. Setup und Integration sind Handwerk — das machen Spezialisten besser und günstiger.

Nächster Schritt

Hinweis: Mit * gekennzeichnete Links sind Werbung (Affiliate-Links).

Thomas Luft ist PCC-zertifizierter FMEA-Experte und AGILean Coach. Er berät Engineering-Unternehmen beim Aufbau KI-gestützter Prozesse. Kontakt und weitere Infos: fmea-ki.de.

Ähnliche Beiträge