LLMs als Tacit-Knowledge-Detektoren: Was Zuin et al. (IJCNN 2025) empirisch gezeigt haben — und was es für KI-gestütztes Wissensmanagement bedeutet

1. Was Zuin et al. methodisch leisten

Die Studie ^[1] verfolgt eine klare Forschungsfrage: Können LLM-basierte Interviewagenten mit kontextspezifischen Prompts implizites Wissen aus Organisationsmitgliedern signifikant besser detektieren als generische Chat-Interaktion? Die Autoren operationalisieren "Detektion" über drei Indikatoren: (a) Anzahl explizit gemachter Heuristiken, (b) durch unabhängige Experten validierte Genauigkeit der Heuristiken, (c) Wiederverwendbarkeit der Antworten für Dritte.

Methodisch sauber ist die Studie aus drei Gründen:

• Reproduzierbarkeit: Alle Prompts und Auswertungsskripte sind im Figshare-Repository öffentlich (DOI 10.6084/m9.figshare.28785524).
• Kontrollierter Vergleich: Strukturierte vs. unstrukturierte Prompts mit gleichen Teilnehmenden.
• Externe Validierung: Bewertung der Outputs durch unabhängige Domain-Experten, nicht durch die Forschenden selbst.

Das hebt die Studie aus dem Großteil der "LLM kann xyz"-Behauptungs-Literatur deutlich heraus.

2. Was die Ergebnisse zeigen — und was nicht

Die Hauptbefunde ^[1]:

• Strukturierte LLM-Agenten produzierten signifikant mehr verifizierte Heuristiken als Baseline-Chat-Interviews.
• Der Effekt war robuster bei prozessualem Erfahrungswissen ("Wie merke ich, dass Lieferant X liefert?") als bei handwerklich-körperlichem Wissen ("Wie fühlt sich der richtige Drehmoment an?").
• Reine Selbstauskunft ohne LLM-Strukturierung lieferte deutlich unscharfere Antworten — was Polanyis These vom we know more than we can tell operationalisiert bestätigt.

Was die Studie nicht zeigt:

• Sie ersetzt nicht den Beleg, dass LLMs alle Formen impliziten Wissens erfassen können (siehe Polanyis ursprüngliche Argumentation ^[3]).
• Sie ist auf eine begrenzte Stichprobengröße limitiert; Generalisierbarkeit über Domänen hinweg muss noch repliziert werden.
• Sie sagt nichts über die Langzeit-Wiederverwendbarkeit der Outputs durch Nachfolger über Monate.

3. Der Vorläufer: Pourzolfaghar et al. (2014)

Bevor LLMs existierten, hatten Pourzolfaghar, Ibrahim, Abdullah und Adam (2014) eine sehr ähnliche Frage manuell adressiert: Wie kapselt man implizites Wissen aus mehreren Disziplinen während der konzeptionellen Designphase eines Gebäudeprojekts? ^[2] Ihre Technik kombinierte Cognitive Mapping, strukturierte Interviews und gemeinsame Modellierungssessions mit Experten aus Bauingenieurwesen, Architektur, Informatik und Maschinenbau.

Die Ergebnisse waren methodisch valide — der Aufwand war jedoch enorm: über mehrere Wochen verteilte Workshops, hochqualifizierte Moderation, manuelle Synthese. Übertragen auf einen Mittelständler mit 20 Schlüsselrollen wäre der Aufwand betriebswirtschaftlich nicht darstellbar.

Hier liegt der Vergleichswert von Zuin et al.: Sie ersetzen den manuellen Workshop-Aufwand durch automatisierte LLM-Pipelines bei vergleichbarer (in Teilbereichen sogar besserer) Erfassungsgüte.

4. Anschluss an die Context-Feedback-Architektur

Pulsipher (Intel, 2025) hat parallel gezeigt, dass LLM-Outputs ohne SME-Feedback-Loops driften und unzuverlässig werden ^[4]. Zuin et al. und Pulsipher zusammen ergeben die operative Konsequenz:

1. LLMs als Detektoren (Zuin et al.) — sie können strukturierte Erst-Externalisierung leisten.
2. SME-Feedback-Loops (Pulsipher) — sie sichern Qualität, Korrektheit und Versionierung über Zeit.
3. Strukturierte Wissens-Konversion (Levallet & Chan, 2018) — sie verhindern das "Dumping-Ground"-Antipattern, bei dem unverarbeitete Outputs einfach abgelegt werden ^[5].

Diese Dreiheit ist die Architektur-Blaupause moderner KI-gestützter KM-Pipelines.

5. Was das für Plattform-Käufer:innen bedeutet

Wer heute eine KI-gestützte Knowledge-Management-Plattform evaluiert, sollte drei Prüfsteine ansetzen:

Erstens — Strukturierte Interview-Prompts statt Free-Form-Chat. Wenn die Plattform nur "Stell der KI eine Frage" anbietet, lässt sie das Zuin-Potenzial liegen.

Zweitens — Validierungs-Workflows mit Domain-Experten. Outputs ohne SME-Review werden zu Pulsiphers "unreliable artifacts".

Drittens — Versionierung und Wiederverwendbarkeit. Wissen, das einmal extrahiert wird und dann unauffindbar in einem PDF verschwindet, ist verlorenes Wissen (vgl. Sumbal et al., 2019 ^[6]).

Fazit

Die These "KI kann helfen, implizites Wissen zu extrahieren" ist seit Zuin et al. (2025) keine Hypothese mehr, sondern empirisch belegt — innerhalb klar definierter Grenzen. Damit verschiebt sich die strategische Frage: Nicht mehr ob KI in Knowledge-Retention gehört, sondern wie sie methodisch sauber integriert wird. Wer heute noch wartet, verschenkt ein dokumentiertes empirisches Effizienzpotenzial.