Knowledge-Intensive Business Processes: Warum starre Workflows scheitern — und was DMN, RuleML und KiBP-Forschung dazu sagen

1. Warum klassisches BPM bei Wissensarbeit scheitert

Hofstede, Mecella, Sardina und Marrella ^[1] haben 2012 den ersten internationalen Workshop zu Knowledge-Intensive Business Processes durchgeführt. Ihr Ausgangsbefund: BPMN-Modelle, die in der Logistik oder im Antragswesen brillieren, kollabieren in Beratungs-, Engineering-, Medizin- oder F&E-Kontexten. Die Gründe sind strukturell:

• Die Reihenfolge der Schritte ist nicht stabil, sondern entscheidungsgetrieben.
• Die kritische Wertschöpfung sitzt in lokalen Expertenentscheidungen, nicht in der Sequenz.
• Kontextvariablen (Kunde, Material, Region, Vorerfahrung) sind explosionsartig kombiniert.

Konsequenz: Wer einen KiBP in BPMN zwingt, entkernt ihn — die Modellierung erfasst genau das nicht, was den Prozess wertvoll macht.

2. DMN als Antwort — und was Figl et al. (2018) ergänzen

Decision Model and Notation (DMN) ist die OMG-Standardantwort auf dieses Problem: Sie trennt Prozessfluss (BPMN) von Entscheidungslogik (DMN-Decision-Tables, Boxed Expressions, FEEL-Expressions). Damit wird das Expertenwissen explizit modellierbar, getestet und versioniert.

Figl, Mendling, Tokdemir und Vanthienen ^[2] haben 2018 den Forschungsstand zu DMN systematisch aufgearbeitet. Drei Befunde sind für KM relevant:

• DMN-Decision-Tables sind verständlicher als äquivalente Regel-Engines, sofern sie kompakt bleiben.
• Empirische Validierung fehlt in vielen Bereichen — wir wissen mehr über DMN-Syntax als über DMN-Verständlichkeit in realen Domänen.
• Tooling-Lücken: Auditierbarkeit, Versionierung, Cross-Linking zu Domänenontologien sind methodisch unterentwickelt.

Das ist nicht Kritik an DMN — sondern die Skizze des Forschungsraums, in dem moderne KM-Plattformen operieren müssen.

3. RuleML+RR 2021: Wo die Methoden weitergehen

Die Proceedings der 5. RuleML+RR (Moschoyiannis, Peñaloza, Vanthienen, Soylu, Roman, 2021) ^[3] bündeln den aktuellen State of the Art zu regel- und logikbasierter Wissensmodellierung. Drei Themenstränge sind anschlussfähig:

• Hybridisierung Regeln + ML — Regeln bleiben für Auditierbarkeit unverzichtbar, ML liefert Vorhersagefähigkeit. Beide Welten konvergieren.
• Ontologie-zentrierte Modellierung — Domain-Ontologien werden zur Brücke zwischen unstrukturiertem Wissen und ausführbaren Regeln.
• Erklärbarkeit — gerade in regulierten Branchen ist die Begründbarkeit einer Entscheidung wichtiger als ihre Genauigkeit.

Diese drei Stränge sind genau das, was eine moderne, KM-fähige Plattform für Mittelständler abdecken muss — nicht in Forschungs-, aber in Produktionsqualität.

4. Anschluss an Tacit Knowledge und Knowledge Hiding

Die Verbindung zur Tacit-Knowledge-Forschung (Polanyi, 1966 ^[4]; Pourzolfaghar et al., 2014 ^[5]) ist direkt: Viele Entscheidungsregeln in KiBP-Domänen sind initial implizit. Sie müssen zuerst extern gemacht werden (Sozialisations- und Externalisierungsphase nach Nonaka & Takeuchi), bevor DMN sie überhaupt modellieren kann.

Hier schließt sich der Kreis zu Knowledge Hiding (Connelly et al., 2012 ^[6]) und Disclosure (Lucas et al., 2014 ^[7]): Externalisierung scheitert, wenn der soziale Druck zu hoch ist. KI-gestützte Interviewpipelines können diesen Druck reduzieren — und liefern damit den Input, den DMN braucht, um Wissen ausführbar zu machen.

5. Praktische Architektur-Skizze

Eine tragfähige Pipeline für KiBP-fähige Knowledge-Retention besteht aus vier Schichten:

1. Externalisierungsschicht — KI-gestützte Interviews (vgl. Zuin et al., 2025) heben implizites Entscheidungswissen.
2. Strukturierungsschicht — Mapping auf Domain-Ontologien (RuleML+RR-Linie).
3. Modellierungsschicht — DMN-Tabellen, Boxed Expressions, getestet und versioniert.
4. Feedback-Schicht — SME-Reviews und Drift-Detection (Pulsipher, 2025).

Diese vier Schichten sind die Architektur, in der KM nicht mehr "Dokumentenablage" ist, sondern operatives Entscheidungs-Asset.

Fazit

Wissensintensive Geschäftsprozesse sind der eigentliche Härtetest moderner Knowledge-Retention-Plattformen. Wer hier nur BPMN-Diagramme oder Wiki-Seiten liefert, hat das Problem nicht verstanden. KiBP, DMN und RuleML zeigen die Methodik — Knowledge-Hiding- und Disclosure-Forschung zeigen den menschlichen Engpass. Die Kombination beider Welten ist das, woran sich seriöses KM 2026 messen lassen muss.