Knowledge-Loss-Risk-Score: Wie Jennex (2014) Wissensrisiken messbar macht — und warum BusFactor das Modell auf Rollen umbaut

1. Das Originalmodell

Jennex (2014) entwickelt sein Modell aus einer Pilotstudie bei einem US-Verteidigungsunternehmen (n=6 Pilotpersonen) ^[1]. Die Formel lautet: Risk = Likelihood × Consequence × Quality.

• Likelihood — Wahrscheinlichkeit, dass die Person das Unternehmen innerhalb des Beobachtungsfensters verlässt.
• Consequence — Schadenshöhe bei Wissensverlust (Output, Compliance, Kundenbeziehungen).
• Quality — Verfügbarkeit redundanter Wissensquellen (Dokumentation, Stellvertreter, externe Quellen). Niedrige Quality erhöht das Risiko.

Jeder Faktor wird auf einer Skala (typisch 1–5) bewertet. Das Produkt ergibt einen Score zwischen 1 und 125, der mit Schwellenwerten in Risikoklassen übersetzt wird.

Die methodische Stärke liegt in der Multiplikation: Nur wer in allen drei Dimensionen kritisch ist, erreicht hohe Scores. Ein hochqualifizierter, aber gut vertretener Senior-Ingenieur erhält denselben Score wie ein leicht ersetzbarer, aber kündigungsgeneigter Junior — und das ist korrekt: Beide stellen niedriges Risiko dar.

2. Die ethische Lücke

Im Originalpaper [1, Appendix] schlägt Jennex zur Operationalisierung von Likelihood Faktoren vor, die in einem DACH-Mittelstand undenkbar wären: Alter, Gesundheitszustand, Jobzufriedenheit, familiäre Situation. Das ist methodisch verständlich (alle drei korrelieren mit Fluktuationswahrscheinlichkeit), aber rechtlich und betriebsverfassungsrechtlich problematisch.

In Deutschland berühren solche Bewertungen mehrere Schutzregime gleichzeitig: DSGVO (Art. 9 besondere Kategorien), AGG (Diskriminierungsschutz), BetrVG § 87 Abs. 1 Nr. 6 (Mitbestimmung bei Leistungs- und Verhaltenskontrolle). Eine 1:1-Übernahme der Jennex-Operationalisierung ist nicht nur unzulässig, sondern würde jede Akzeptanz im Unternehmen sofort zerstören.

3. Der rollenbasierte Re-Build

Die methodische Substanz Jennex' lässt sich bewahren, wenn man die Bewertungseinheit von der Person auf die Rolle verschiebt. Das ist nicht nur ethisch geboten, sondern oft analytisch präziser — denn Wissensrisiko ist primär ein strukturelles, kein individuelles Phänomen.

| Faktor | Personen-Indikator (Jennex Original) | Rollen-Indikator (Re-Build) | |---|---|---| | Likelihood | Alter, Gesundheit, Unzufriedenheit | Marktverfügbarkeit der Rolle, durchschnittliche Tenure, externe Recruiting-Zeit | | Consequence | Position, Einfluss | Anzahl abhängiger Prozesse, Compliance-Reichweite, Kunden-Exposure | | Quality | Individuelle Dokumentationsdisziplin | Strukturelle Dokumentationsabdeckung der Rolle, Stellvertretungsdichte, externe Wissensquellen |

Die Multiplikationslogik bleibt erhalten. Die Aussagekraft des Scores ändert sich qualitativ: Statt "Person X ist riskant" heißt es "Rolle Y ist strukturell unterabgesichert". Maßnahmen sind dann ebenfalls strukturell — Aufbau von Stellvertretung, Dokumentation, Cross-Training — und nicht personen-getrieben.

4. Zwei Anwendungsmodi

Im Mittelstand bewährt sich eine Zwei-Modus-Anwendung:

Modus A — Strategisches Screening (jährlich). Vollständige Bewertung aller Rollen entlang der drei Faktoren. Ergebnis: priorisierte Top-10-Liste der riskantesten Rollen. Diese werden gezielten Maßnahmen zugeführt (Stellvertretungsaufbau, Knowledge-Capture-Initiativen, externe Backups).

Modus B — Event-getriebene Detailbewertung. Sobald eine konkrete Kündigung, Pensionierung oder längere Abwesenheit ansteht, wird die betreffende Rolle mit verfeinerten Indikatoren bewertet. Bei hohem Score wird ein Leaving-Expert-Debriefing nach Hofer-Alfeis (2008) ausgelöst ^[2].

5. Anschluss an die empirische Forschung

Der Re-Build ist kein Kompromiss — er ist methodisch besser begründet, wenn man die jüngere Forschung berücksichtigt. Massingham (2018) zeigt, dass Schadenseffekte über Quartale kumulieren und stark vom strukturellen Kontext (Vertretungsnetze, Beziehungskapital) abhängen — also genau von den Rollenfaktoren ^[3]. Galan (2023) synthetisiert 91 empirische Studien zum Effekt von Fluktuation und betont strukturelle Mitigation ^[4]. Sumbal et al. (2019) belegen am Beispiel der Fertigungsindustrie, dass Knowledge-Retention-Erfolg primär von Prozessen und Triage abhängt, nicht von Personenbewertung ^[5].

Fazit

Jennex hat 2014 eine methodische Hinterlassenschaft formuliert, deren Kern (multiplikative Risikozerlegung) heute noch trägt. Wer die People-Analytics-Aspekte streicht und durch strukturelle Rollenindikatoren ersetzt, erhält ein DSGVO-konformes, mitbestimmungsfähiges und analytisch valides Triage-Werkzeug — die Grundlage für jeden ernsthaften Knowledge-Risk-Prozess im Mittelstand.