Capture ≠ Retention: Warum SharePoint, Teams und Confluence ohne Conversion-Layer zum „Dumping Ground“ werden

1. Forschungsdesign

Levallet und Chan führten 34 semi-strukturierte Interviews mit durchschnittlich 60 Minuten Länge in drei kanadischen Bundesbehörden durch — GovHR, GovHealth und GovAgency. Das Sample teilt sich in 19 „Mobile Experts“ (Senior-Mitarbeitende mit durchschnittlich 13,5 Jahren Betriebszugehörigkeit, die intern oder extern wechseln) und 15 „Knowledge Seekers“ (Junior-Mitarbeitende mit 4 Jahren Zugehörigkeit) ^[1]. Ausgewertet wurde mit Provisional Coding nach Saldana (2009) und emergenten Codes nach der Gioia-Methodik (2013).

Das Setting bildet beide Seiten der Wissenskette ab: die, die Wissen erzeugen und es beim Wechsel mitnehmen — und die, die es danach wiederverwenden müssen.

2. Theoretischer Rahmen: Spenders Knowledge-Typologie

Der Kern der Arbeit ruht auf Spenders (1996) Vier-Felder-Matrix, die individuelles vs. soziales Wissen mit explizitem vs. implizitem Wissen kreuzt:

| Wissenstyp | Träger | Form | Beispiel | |---|---|---|---| | Conscious Knowledge | Individuum | Explizit | Eigene Excel-Tabellen, Notizen, Mails | | Objectified Knowledge | Organisation | Explizit | Geprüfte Repositories, SOPs, Wikis | | Automatic Knowledge | Individuum | Implizit | Bauchgefühl, Routinen, „silent expertise“ | | Collective Knowledge | Organisation | Implizit | Kultur, Normen, gelebte Praktiken |

Knowledge Retention gelingt laut Studie genau dann, wenn der Übergang von Conscious → Objectified und teilweise von Automatic → Collective organisatorisch ermöglicht wird [1, S. 12].

3. Der zentrale Befund: Capture ≠ Retention

Die Autorinnen formulieren zwei neue Propositionen, die in der bisherigen Knowledge-Loss-Theorie fehlten:

P1b: „Organizational KR increases when conscious individually-held knowledge is converted to objectified, organizationally-held knowledge“ [1, S. 12].

P1c: „Failure to convert conscious to objectified knowledge leads to organizational knowledge loss, even when conscious knowledge has been successfully captured at the individual level.“

Übersetzt: Selbst wenn ein Experte vor seinem Abgang fleißig Dateien anlegt, entsteht Knowledge Loss, wenn niemand sie strukturiert prüft, kontextualisiert und in das gemeinsame Repository überführt. Der Mythos „SharePoint = Wissenssicherung“ wird empirisch widerlegt.

4. Der „Dumping Ground“-Effekt

Eines der am häufigsten zitierten Originalzitate aus der Studie:

„Because you don't have one person identified to manage that resource, it just becomes a dumping ground“ [1, S. 14].

Und ergänzend:

„These files are not inventoried, they are just lying around […] No senior executive was aware“ [1, S. 12].

In der Praxis bedeutet das: Geteilte Netzlaufwerke, OneDrive-Ordner und unkurierte SharePoint-Bereiche akkumulieren Wissen — aber sie machen es nicht auffindbar, nicht interpretierbar und nicht verbindlich. Selbst Senior-Executives wussten in den untersuchten Behörden nicht, welches Wissen wo lag.

Übertragen auf KMU-Realität in Deutschland und Österreich: Confluence-Spaces, Notion-Workspaces, Teams-Kanäle. Die Tools wechseln, das Pattern bleibt.

5. Die Zeitfenster-Falle

Levallet und Chan dokumentieren, dass Senior-Experten beim Abgang typischerweise extrem knappe Übergabezeit haben:

„I'll probably have about a two-week period to try to close off everything […] clean up my files“ [1, S. 13–14].

Zwei Wochen sind keine Übergabe. Zwei Wochen sind eine Triage. Wer hier auf manuelle Dokumentation hofft, hat den Job-Wechsel als Risiko bereits verloren. Notwendig ist ein asynchrones, strukturierendes Capture-System, das auch unter Zeitdruck verlustarm arbeitet.

6. Psychological Contract: Warum Experten nicht dokumentieren

Die Studie identifiziert eine Reziprozitäts-Barriere: Fachexperten teilen ihr Wissen nur, wenn sie das Gefühl haben, dass die Organisation diesen Beitrag wertschätzt — durch passende Tools, sichtbare Autorenschaft, und ein Klima, das Wissensteilung als Karrierehebel und nicht als Selbstabschaffung sichtbar macht [1, S. 15].

Diese Erkenntnis deckt sich exakt mit den Befunden von Finkel und Wurster (2026) zu sozialen Barrieren beim Shopfloor-LLM-Einsatz ^[2]: Trust-Design schlägt Tool-Design.

7. Implikationen für die Tool-Architektur

Aus den drei Befunden — Conversion-Lücke, Dumping-Ground-Effekt, Zeitdruck — ergibt sich eine klare Anforderung an Knowledge-Retention-Software, die über Repositories hinausgeht:

1. Strukturierte Templates statt Freiform-Wikis. KI-geführte Interview- oder Snippet-Workflows reduzieren die kognitive Last für den Experten unter Zeitdruck.
2. Verbindlicher Conversion-Schritt. Zwischen Draft (Conscious) und veröffentlichtem Artefakt (Objectified) muss ein expliziter Review-Status liegen — sichtbar im UI, nicht als optionaler Workflow.
3. Reuse-Stresstest. Ein Knowledge-Retention-System ist erst dann erfolgreich, wenn ein Nachfolger das Wissen ohne Rückfragen rekonstruieren kann. RAG-basiertes Q&A mit Quellennachweis adressiert exakt diese Lücke.
4. Sichtbare Autorenschaft. Beiträge bleiben mit Namen, Rolle und Zeitstempel verknüpft — das ist der Psychological-Contract-Anker, der Reziprozität operationalisiert.

8. Bezug zu weiteren Forschungssträngen

Levallet und Chans Befunde stehen nicht isoliert. Sie passen in eine Forschungslinie:

• Argote & Ingram (2000) zeigen: Knowledge Transfer ist die Quelle von Wettbewerbsvorteil — nicht der Wissensbestand selbst ^[3].
• Massingham (2018) belegt longitudinal die quantitativen Folgen von Knowledge Loss über fünf Jahre ^[4].
• Daghfous, Belkhodja & Angell (2013) klassifizieren Knowledge-Loss-Risiken nach Ursache und Mitigationsstrategie ^[5].
• Jennex et al. (2024) aktualisieren das Risikoprofil im Kontext von COVID-19 und der Great Resignation ^[6].

Gemeinsamer Nenner: Wissen ist nicht das, was gespeichert wird. Wissen ist das, was wiederverwendet werden kann.

Fazit

Die Studie liefert die theoretisch saubersten Argumente gegen die weit verbreitete Annahme, dass moderne Filesharing- und Wiki-Lösungen das Wissensproblem im Mittelstand lösen. Ohne expliziten Conversion-Layer entsteht trotz Capture ein dokumentierter, empirisch reproduzierbarer Knowledge Loss. Wer Knowledge-Retention-Software baut oder einkauft, sollte als erste Frage stellen: Wo in unserem System liegt der Conversion-Schritt — und ist er verbindlich?