BusFactor
Anmelden
Zurück zum Blog
Forschungssynthese10 Min.22. Mai 20261510 Wörter

Human–AI Partnership im Wissensmanagement: Forschungssynthese 2021–2025

Zwischen 2021 und 2025 sind fünf einflussreiche Arbeiten zur Rolle von KI im Wissensmanagement erschienen: Manesh, Pellegrini, Marzi & Dabic (2021) [1] in IEEE TEM, Jarrahi, Askay, Eshraghi & Smith (2023) [2] in Business Horizons, O'Leary (2024) [3] in IEEE Intelligent Systems, Storey (2025) [4] in ACM TMIS und Nakash & Bolisani (2025) [5] im Business Process Management Journal. Diese Synthese zeigt: Trotz unterschiedlicher Methoden konvergieren die Befunde auf wenige robuste Prinzipien.

1. Manesh et al. (2021) — KM trifft Industrie 4.0

Die bibliometrische Analyse von Manesh, Pellegrini, Marzi & Dabic (2021) [1] in IEEE TEM identifiziert 90 relevante Arbeiten zu KM und Industry 4.0 (2014–2019). Zentrale Befunde:

  • KM-Forschung verschiebt sich vom Repository-Paradigma hin zu vernetzten, sensorgestützten Echtzeit-Wissensflüssen (IoT, CPS, Big Data).
  • Smart Factory und Digital Twin verlangen, dass Maschinenwissen und Erfahrungswissen integriert werden.
  • Vier Forschungsagenden für die Zukunft: Wissensintegration in cyber-physische Systeme, KI-gestützte Wissensextraktion, Wissensteilung in vernetzten Wertschöpfungsketten, Wissensschutz in offenen Ökosystemen.

Für KMU heißt das: KM ist nicht mehr »Dokumente in SharePoint«, sondern integraler Bestandteil der Produktions- und Servicearchitektur.

2. Jarrahi et al. (2023) — die Partnership-These

Jarrahi, Askay, Eshraghi & Smith (2023) [2] formulieren in Business Horizons das wohl prägnanteste Bild: Mensch und KI haben komplementäre kognitive Stärken.

  • KI ist überlegen in: Datenverarbeitung im großen Maßstab, Mustererkennung, Konsistenz, Verfügbarkeit.
  • Menschen sind überlegen in: kontextuelle Urteilsbildung, ethische Abwägung, Tacit Knowledge, Sinnstiftung.

Die Konsequenz ist kein »KI macht alles«-Szenario, sondern eine Aufgabenteilung: KI als Wissens-Multiplikator, Mensch als Validator und Kontextgeber. Das deckt sich mit der Disclosure-Forschung von Lucas et al. (2014) [6] und der GRAI-Erweiterung von Böhm & Durst (2026) [7].

3. O'Leary (2024) — die Wiedergeburt von Enterprise KM

O'Leary [3] beobachtet, dass Enterprise KM nach Jahren der Stagnation durch LLMs eine Renaissance erlebt. Zwei Phänomene:

  • RAG-Architekturen machen unstrukturierte Unternehmensdaten erstmals befragbar (vgl. Gao et al., 2023 [8]; Lewis et al., 2020 [9]).
  • Prompt Libraries werden zu einem neuen Wissens-Asset: kuratierte, validierte Prompts als organisationales Kapital.

Für mittelständische Unternehmen ist das eine zentrale Botschaft: Investitionen in saubere Wissensbasen rechnen sich erstmals wieder messbar.

4. Storey (2025) — Impact und Implications

Storey [4] argumentiert in ACM TMIS, dass GenAI nicht nur KM-Aufgaben automatisiert, sondern die Struktur der KM-Prozesse verändert:

  • Wissenscodierung wird konversationell statt formal.
  • Wissenssuche wird semantisch statt keyword-basiert.
  • Wissensvalidierung wird ein eigenständiger Workflow (statt impliziter Annahme).
  • Wissens-Governance verlagert sich von Dokumenten- auf Quellen-Ebene.

5. Nakash & Bolisani (2025) — Prozessperspektive

Im BPMJ zeigen Nakash & Bolisani [5], dass die SECI-Konversionen (Nonaka & Takeuchi, 1995 [10]) sich nicht gleichmäßig transformieren: Externalisierung und Kombination werden stark KI-augmentiert, während Sozialisation und Internalisierung deutlich menschlich bleiben (konsistent mit Böhm & Durst, 2026 [7]).

6. Konvergenzlinien — was alle fünf Studien teilen

  1. Komplementarität, nicht Substitution: KI ergänzt menschliche Wissensarbeit.
  2. Prozessebene zählt: Es geht nicht um Tools, sondern um veränderte Wissens-Workflows.
  3. Governance wird wichtiger: Provenienz, Validierung, Berechtigungen sind Pflicht, nicht Kür.
  4. Tacit bleibt schwer: Auch 2025 ist implizites Wissen die zentrale Herausforderung (vgl. Polanyi, 1966 [11]; Szulanski, 2000 [12]).
  5. KMU-Lücke: Praktische Umsetzungsstudien für Mittelständler fehlen weitgehend — eine Forschungslücke, in die BusFactor explizit hineinarbeitet.

7. Was BusFactor daraus operationalisiert

Die fünf Quellen prägen unsere Methodik in konkreten Bausteinen:

  • Partnership-Architektur: Jede KI-Antwort hat einen Validierungspfad (Snippet-Editor, SME-Review).
  • Prompt Libraries: Rollen- und Anwendungsfall-Prompts werden als Organisations-Asset verwaltet.
  • Prozess-Integration: Wissensschnipsel sind Teil von Onboarding-, Audit- und Interview-Workflows — nicht nur ein Suchindex.
  • Governance-by-Design: Berechtigungen, Klassifikation und Audit-Trails sind Pflichtschicht — keine optionale Funktion.

Fazit

Die Forschung 2021–2025 ist auffallend einig: KI im Wissensmanagement funktioniert als Partnerschaft — mit klarer Rollenteilung, sauberer Governance und expliziter Anerkennung der Grenzen impliziten Wissens. Genau diese Konsens-Linie ist das Fundament, auf dem die BusFactor-Plattform steht — nicht eine einzelne Quelle, sondern die Konvergenz fünf führender Journals.

Quellen

  1. [1]
    Manesh, M. F., Pellegrini, M. M., Marzi, G., & Dabic, M. (2021). Knowledge management in the Fourth Industrial Revolution: Mapping the literature and scoping future avenues. IEEE Transactions on Engineering Management, 68(1), 289–300. https://doi.org/10.1109/TEM.2019.2963489
  2. [2]
    Jarrahi, M. H., Askay, D., Eshraghi, A., & Smith, P. (2023). Artificial intelligence and knowledge management: A partnership between human and AI. Business Horizons, 66, 87–99. https://doi.org/10.1016/j.bushor.2022.03.002
  3. [3]
    O'Leary, D. E. (2024). Large language models and applications: The rebirth of enterprise knowledge management and the rise of prompt libraries. IEEE Intelligent Systems, March/April 2024, 72–75. https://doi.org/10.1109/MIS.2024.3366648
  4. [4]
    Storey, V. C. (2025). Knowledge management in a world of generative AI: Impact and implications. ACM Transactions on Management Information Systems, 16(3), Article 26. https://doi.org/10.1145/3719209
  5. [5]
    Nakash, M., & Bolisani, E. (2025). The transformative impact of AI on knowledge management processes. Business Process Management Journal, 31(8), 124–147.
  6. [6]
    Lucas, G. M., Gratch, J., King, A., & Morency, L.-P. (2014). It's only a computer: Virtual humans increase willingness to disclose. Computers in Human Behavior, 37, 94–100.
  7. [7]
    Böhm, K., & Durst, S. (2026). Knowledge management in the age of generative artificial intelligence — from SECI to GRAI. VINE JIKMS, 56(1), 106–121. https://doi.org/10.1108/VJIKMS-10-2024-0357
  8. [8]
    Gao, Y., et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
  9. [9]
    Lewis, P., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. NeurIPS 2020.
  10. [10]
    Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company. Oxford University Press.
  11. [11]
    Polanyi, M. (1966). The Tacit Dimension. Routledge & Kegan Paul.
  12. [12]
    Szulanski, G. (2000). The process of knowledge transfer: A diachronic analysis of stickiness. Organizational Behavior and Human Decision Processes, 82(1), 9–27. https://doi.org/10.1006/obhd.2000.2884

Weiterlesen

Forschung & Methodik
Die wissenschaftlichen Grundlagen der BusFactor-Methode: Was peer-reviewte Forschung zu Tacit Knowledge und KI-gestütztem Wissenstransfer belegt
Architektur & KI
Context-driven Feedback Architecture: Wie SME-Reviews verlässliche KI-Antworten erzeugen
Forschungssynthese
Naive, Advanced, Modular RAG: Die Architektur-Taxonomie nach Gao et al. (2023)
Forschungssynthese
Von SECI zu GRAI: Wie generative KI das Nonaka-Modell erweitert (Böhm & Durst, 2026)

Wie steht es um Ihren Bus-Faktor?

Lassen Sie uns die kritischen Rollen in Ihrem Unternehmen gemeinsam identifizieren — strukturiert, rollenbezogen und ohne Mitarbeiterüberwachung.

Kostenlose Risikoanalyse anfragen