Von SECI zu GRAI: Wie generative KI das Nonaka-Modell erweitert (Böhm & Durst, 2026)

1. SECI in der Kurzfassung

Nonaka & Takeuchi (1995) ^[1] beschreiben Wissensschaffung als Spirale durch vier Konversionen:

• Sozialisation (tacit → tacit): Direkter Erfahrungstransfer (Mentoring, Shadowing).
• Externalisierung (tacit → explicit): Verbalisierung impliziten Wissens (Metaphern, Modelle).
• Kombination (explicit → explicit): Verknüpfung expliziten Wissens (Dokumentation, Reporting).
• Internalisierung (explicit → tacit): Aneignung über Handeln (Learning by Doing).

Polanyi (1966) ^[3] bleibt die epistemische Grundlage: »We know more than we can tell.« Externalisierung ist nie vollständig.

2. Was Böhm & Durst (2026) vorschlagen

In der VINE-Studie ^[2] erweitern die Autor:innen SECI um eine vierte Akteursklasse: generative KI. Ihr Argument ist nicht, dass KI menschliches Wissen ersetzt — sondern dass LLMs aktiv an drei der vier Konversionen teilnehmen:

• KI unterstützt Externalisierung, indem sie Interviews strukturiert, Konzepte herauspräpariert und Verbalisierung anregt (vgl. Zuin et al., 2025 ^[4]; Finkel & Wurster, 2026 ^[5]).
• KI dominiert Kombination, indem sie heterogene explizite Quellen aggregiert, synthetisiert und kontextualisiert (vgl. Storey, 2025 ^[6]; O'Leary, 2024 ^[7]).
• KI beschleunigt Internalisierung, indem sie personalisierte Erklärungen und situative Antworten liefert (Konzept des »Conversational Knowledge«, vgl. Jarrahi et al., 2023 ^[8]).

Was KI nicht kann: Sozialisation. Direkter Erfahrungstransfer bleibt human — und das ist konsistent mit Polanyi (1966) ^[3] und Schön (1983).

3. Warum das mehr als Modellpflege ist

Die zentrale Konsequenz aus GRAI ^[2]: KI-Outputs sind eine eigene Wissensklasse. Sie sind weder reines Tacit (sie sind explizit verbalisiert) noch reines Explicit (sie sind probabilistisch erzeugt, kontextabhängig, ohne stabile Provenienz). Wer sie wie Dokumentation behandelt, lernt die Halluzinations-Lektion (vgl. Shuster et al., 2021 ^[9]).

Das ändert die Anforderungen an KM-Systeme:

1. Provenienz first: Jede KI-Aussage muss auf Quellen-Chunks zurückführbar sein (RAG with Citations).
2. Validierung als Workflow: Externalisierungs-Outputs müssen vor Aufnahme in den Wissens-Korpus durch SMEs geprüft werden.
3. Trennung KI-erzeugt vs. menschlich-validiert: Beides hat Wert — aber unterschiedliche Vertrauensstufen.

4. Was sich pro SECI-Phase ändert

• Sozialisation: Klassisch Shadowing/Coaching — bleibt menschlich; KI höchstens als Beobachter.
• Externalisierung: Klassisch Interview/Workshop — wird KI-geführt durch strukturierte Prompts.
• Kombination: Klassisch Dokumentation/Reports — wird RAG-basierte Synthese mit Cross-Source-Antworten.
• Internalisierung: Klassisch Übung/Praxis — wird ergänzt durch personalisierte Just-in-Time-Antworten.

5. Wie BusFactor das umsetzt

Die BusFactor-Architektur folgt dem GRAI-Prinzip in vier Punkten:

• Externalisierung: Strukturierte Wissens-Interviews mit LLM-Coach (vgl. Lucas et al., 2014 ^[10] zur Disclosure-Wirkung von Virtual Agents).
• Validierung: Snippets werden vom SME redigiert, bevor sie als Chunks indiziert werden.
• Kombination: Hybrid-RAG mit Berechtigungsfilter und Inline-Citations.
• Internalisierung: Rollenbasiertes Onboarding mit kontextspezifischen Antworten.

Sozialisation bleibt explizit human — die Plattform unterstützt sie, aber ersetzt sie nicht.

6. Was offen bleibt

Böhm & Durst (2026) ^[2] formulieren GRAI als konzeptionelle Erweiterung — empirische Validierung in Längsschnittstudien steht aus. Das deckt sich mit Manesh et al. (2021) ^[11] und Nakash & Bolisani (2025) ^[12], die für KM im Zeitalter von Industrie 4.0 und GenAI eine breite Forschungsagenda formulieren. BusFactor versteht sich hier als praktischer Beitrag: ein produktives System, an dem die GRAI-Hypothesen testbar werden.

Fazit

GRAI ist kein Marketingbegriff, sondern eine ehrliche Erweiterung von SECI. Wer Nonaka & Takeuchi (1995) ^[1] ernst nimmt, muss generative KI als Akteur denken — mit eigenen Stärken (Kombination, Externalisierungs-Coaching) und klaren Grenzen (Sozialisation bleibt human). Genau diese Grenzziehung macht den Unterschied zwischen seriösem KI-KM und KI-Theater.