Was LLMs bei implizitem Wissen können — und wo die Forschung eine harte Grenze zieht

Warum diese drei Arbeiten zusammen gelesen werden müssen

Lu (2025) liefert Begriffe ohne Empirie. Zuin et al. (2025) liefern Empirie in synthetischen Organisationen. Benderoth et al. (2025) liefern das Designprinzip ohne quantitative Evaluation. Zusammen ergibt sich ein konsistentes Bild davon, was generative KI im Tacit-Knowledge-Bereich leistet — und wo sie zwingend scheitert.

1. Die Taxonomie (Lu, 2025)

Janna Lu (2025) hat im Review of Austrian Economics die fehlende Differenzierung geliefert:

• (a) Codifiable but too costly to articulate — beschreibbar, aber unwirtschaftlich vollständig zu explizieren.
• (b) Nuance and subtext encoded in language — ungeschriebene Konventionen, Untertöne.
• (c) Embodied knowledge from sensory experience — körperlich-sensorisches Können.

LLMs besitzen — durch Training auf Milliarden Sprachfragmenten — die Formen (a) und (b). Die Form (c) bleibt prinzipiell verschlossen: „They can describe cold but have never shivered" (Lu, 2025). Diese Grenze erzwingt ehrliche Produktversprechen: KI rekonstruiert ein Verkaufsgespräch, ersetzt aber nicht die handwerkliche Bewegung einer Pflegefachkraft.

Lu, J. (2025). Tacit knowledge in large language models. The Review of Austrian Economics. https://doi.org/10.1007/s11138-025-00710-5

2. Die Empirie (Zuin et al., 2025)

Zuin, Mastelini, Loures und Veloso (2025) haben im IEEE IJCNN einen Agenten vorgestellt, der mit GPT-4o-mini iterativ mit (LLM-simulierten) Mitarbeitenden spricht. Der Loop:

1. Frage stellen → 2. Antwort verarbeiten → 3. Wissensbeschreibung aktualisieren → 4. Self-Critique → 5. nächste Aktion

Ergebnisse: 864 Simulationen, 94,9 % Full-Knowledge Recall, G-Eval Faithfulness 4,37, Self-Critical Score 7,43. Besonders wichtig: Der Agent rekonstruierte vollständige Beschreibungen häufig, ohne die ursprüngliche Wissensquelle direkt zu kontaktieren (Zuin et al., 2025). Methodische Grenze transparent: „Mitarbeitende" sind selbst LLM-simuliert.

Zuin, G., Mastelini, S., Loures, T., & Veloso, A. (2025). Leveraging large language models for tacit knowledge discovery in organizational contexts. In 2025 IJCNN. IEEE. https://doi.org/10.1109/IJCNN64981.2025.11227259

Drei Architektur-Lehren

1. Gap-Detection statt Fragebogen — die nächste Frage folgt aus erkannter Lücke.
2. Self-Critical Confidence-Layer — agenteninterne Bewertung korreliert mit externen Qualitätsmaßen (Spearman ρ = 0,729).
3. Cross-Person-Rekonstruktion — mehrere Teilbeiträge zu vollständigem Wissen.

3. Das Designprinzip (Benderoth et al., 2025)

Benderoth, Gebhard, Keller, Nakhosteen, Schaffer und Schneeberger (2025) — mit DFKI- und thyssenkrupp-Beteiligung — formulieren: Tacit-Knowledge-Sicherung ist eine „supreme discipline that goes far beyond simply taking notes" und verlangt einen Knowledge Transfer Facilitator mit „ask the right questions in the correct order"-Strategie. Standard-LLM-Prompting reicht ausdrücklich nicht.

Explizit benannte Risiken: Job-Verlustängste, Datenmissbrauch, Bias, probabilistische Fehler. Konsequenz: Trust-by-Design ohne People-Analytics.

Benderoth, M., Gebhard, P., Keller, C., Nakhosteen, C. B., Schaffer, S., & Schneeberger, T. (2025). Socially interactive agents for preserving and transferring tacit knowledge in organizations [White paper]. ad-artists, DFKI, synartIQ, thyssenkrupp Steel Europe. CC BY-NC-ND 4.0.

4. Marktbehauptungen vs. Forschungsbefund

| Behauptung | Forschungsbefund | Bewertung | |---|---|---| | „AI captures tribal knowledge automatically." | Zuin et al. (2025); Benderoth et al. (2025) | Irreführend — Capture funktioniert nur dialogisch und vertrauensbasiert. | | „LLMs replace your senior experts." | Lu (2025) | Falsch — verkörpertes Wissen bleibt außerhalb. | | „RAG over PDFs solves knowledge loss." | Shen & Lin (2024); Zhong et al. (2024) | Unvollständig — rohe Dokumente sind oft dark data. | | „Ein guter Chatbot reicht." | Benderoth et al. (2025) | Widerlegt. | | „94,9 % unserer User bekommen vollständige Antworten." | Zuin et al. (2025), Limitation | Vorsicht — gilt für synthetische Organisationen. |

5. Implikationen für die BusFactor-Methode

1. Keine Erfassung verkörperten Wissens (Lu, 2025).
2. Capture ist Dialog, nicht Formular (Zuin et al., 2025; Benderoth et al., 2025).
3. Trust geht Capture voraus (Benderoth et al., 2025).

Fazit

Lu (2025), Zuin et al. (2025) und Benderoth et al. (2025) liefern den Maßstab. Alles, was darunter bleibt, ist Marketing.