59 % der Experten gehen in Rente — und nehmen Ihr Unternehmenswissen mit

Die stille Krise, die niemand misst

59 Prozent der über 55-jährigen Beschäftigten in Fertigung und Einzelhandel gehen laut einer aktuellen Studie in den nächsten fünf Jahren in Rente. Mit ihnen verschwinden nicht nur Fachkräfte — sondern 20, 30, manchmal 40 Jahre Erfahrungswissen. Wissen über Kunden, die keiner mehr kennt. Prozesse, die nie dokumentiert wurden, weil sie "immer schon so gemacht" wurden. Maschineneinstellungen, die der Einrichter im Kopf hat.

72 Prozent der Führungskräfte sind laut derselben Studie wenig zuversichtlich, dass organisatorisches Wissen beim Ausscheiden der älteren Generation erhalten bleibt. Gleichzeitig verbringen Mitarbeitende durchschnittlich 14 Stunden pro Woche damit, Informationen zu suchen, Kollegen zu fragen oder Dinge doppelt zu recherchieren. Das sind 35 Prozent der bezahlten Arbeitszeit — verbrannt durch fehlende Wissensstruktur.

Warum klassische Methoden versagen

Mentoring klingt gut — ist aber in der Praxis schwer skalierbar. Zeitmangel, Arbeitsverdichtung und die Tatsache, dass implizites Wissen per Definition schwer verbalisierbar ist, machen klassischen Wissenstransfer zum Lotteriespiel.

Dokumentationen helfen — bis sie veralten. SharePoint-Ordner mit 3.000 Dateien, von denen niemand weiß, welche aktuell ist, sind keine Wissensbasis. Sie sind ein Archiv. Und Archive antworten nicht auf Fragen.

Das Grundproblem: Erfahrungswissen ist nicht in Dokumenten. Es steckt in Entscheidungsmustern, in dem Gefühl, dass Maschine X bei Temperatur Y anders reagiert, in dem Wissen, dass Kunde Z immer drei Wochen vor Quartalende bestellt. Dieses implizite Wissen lässt sich nicht einfach aufschreiben — aber es lässt sich strukturieren.

Was ein KI-Wissensgraph anders macht

Ein Wissensgraph extrahiert keine Informationen aus Dokumenten — er baut Beziehungen. Aus ERP-Daten, CRM-Einträgen, E-Mail-Verläufen, Serviceprotokollen und Projektberichten entsteht ein semantisches Netz: Kunde X hat Anlage Y, die Anlage läuft mit Einstellung Z, bei Abweichung A wurde historisch Maßnahme B ergriffen. Dieses Wissen war immer da — es war nur nicht abrufbar.

Ein konkretes Beispiel: Ein Maschinenbauer mit 140 Mitarbeitenden hatte einen Serviceingenieur mit 28 Jahren Berufserfahrung, der in Pension ging. In vier Wochen wurde sein implizites Wissen — Maschinencharakteristika, Kundenpräferenzen, Eskalationsmuster — in den Wissensgraphen überführt. Heute beantwortet Aipe Fragen, die vorher nur er beantworten konnte.

Drei konkrete Anwendungsfälle

1. Onboarding beschleunigen: Neue Mitarbeitende fragen den Wissensgraphen statt Kollegen zu unterbrechen. "Wie funktioniert unser Reklamationsprozess für Kunden aus der Automotive-Branche?" bekommt eine präzise Antwort — mit Quellenangabe — in Sekunden statt Stunden.

2. Qualitätsmanagement stärken: Fehlermuster aus historischen Servicedaten werden sichtbar. "Welche Fehler traten bei Anlage X in den letzten 24 Monaten auf, und was waren die jeweiligen Ursachen?" — eine Frage, die vorher Stunden Datenbankarbeit bedeutete.

3. Vertriebskontinuität sichern: Wenn ein Vertriebsmitarbeiter das Unternehmen verlässt, ist die Kundenbeziehung nicht verloren. Alle Gespräche, Präferenzen, offenen Themen und Kaufmuster sind im Graphen — der nächste Kollege übernimmt informiert.

Was das kostet — und was es kostet, es nicht zu tun

14 Stunden Informationssuche pro Woche und Mitarbeiter. Bei 50 Mitarbeitenden und 45 Euro Stundensatz sind das 1,58 Millionen Euro pro Jahr an verschwendeter Zeit — nur für das Suchen nach Informationen, die eigentlich vorhanden sind. Die Aipe Professional-Lizenz für 50 Nutzer liegt bei unter 20.000 Euro im Jahr. Der ROI ist keine Hochrechnung — er ist Arithmetik.

„Wir hatten alle Daten. Nur keine Antworten. Das ist der Unterschied zu früher." — Produktionsleiter, Maschinenbauer, 140 MA