Tacit Knowledge in der industriellen Produktion: Barrieren, Praktiken und LLM-Potenziale (HICSS 2026)

1. Warum diese Studie zählt

Die Mehrzahl der „KI im Wissensmanagement"-Veröffentlichungen sind Whitepapers von Anbietern. Die Studie von Finkel und Wurster (Kempten University of Applied Sciences) ist anders: Sie ist auf der 59. HICSS angenommen ^[1], folgt einem Design-Science-Research-Ansatz, kombiniert drei aufeinander aufbauende Erhebungsstufen und arbeitet ausschließlich mit deutschen Industrieunternehmen. Lizenz: CC BY-NC-ND 4.0; DOI: 10.24251/HICSS.2026.567.

Die Datenbasis: Vorstudien mit 13 Expert:innen aus 3 Unternehmen, eine Folgeerhebung mit 19 Professionals aus 11 Industriefirmen, und als Hauptstudie zwei strukturierte Workshops mit 23 Teilnehmenden aus 14 deutschen Unternehmen — überwiegend Senior- und Mid-Level-Manager:innen aus Fertigung und Technologieanbietern.

2. Der demografische Why-Now

Die Autor:innen verankern ihr Problem in einer ungewöhnlich klaren Zahl: In Deutschland werden bis 2036 voraussichtlich 16,5 Mio. Menschen in Rente gehen, während nur 12,5 Mio. in den Arbeitsmarkt eintreten [1, S. 4740]. Das ist ein struktureller Wissensverlust, der nicht durch HR-Recruiting kompensierbar ist.

Hinzu kommt eine Aussage, die in vielen KM-Diskussionen unterschätzt wird: Shopfloor-Wissen ist „tacit, experiential, context-specific, and rarely documented" [1, S. 4740]. Genau dieses Wissen ist für klassische KM-Systeme (Wikis, Datenbanken, SharePoint) systematisch schwer zugänglich, weil sie auf explizit-strukturierte Eingaben angewiesen sind.

3. Die Barrieren-Taxonomie

Aus den Workshops extrahierten die Autor:innen 71 Aussagen zu Barrieren für nachhaltige Tacit-Knowledge-Sicherung [1, S. 4743]:

| Cluster | Anteil | Beispiele | |---|---|---| | Sozial | 30/71 (42 %) | „People keep their knowledge to stay indispensable", Misstrauen, Anerkennungsverlust | | Technisch | 27/71 (38 %) | „There is no easy system to capture and retrieve know-how", Tool-Fragmentierung | | Organisational | 14/71 (20 %) | Fehlende Verantwortlichkeiten, „Under production pressure no one has time to write things down" |

Die soziale Dominanz ist die für Praktiker unbequemste Erkenntnis: Wissenssicherung ist primär ein Vertrauensproblem, kein Tool-Problem. Wer ohne Vertrauen Wissen extrahieren will, wird scheitern — egal mit welcher KI.

4. LLM-Akzeptanz: Erstaunlich hoch, mit Bedingungen

Die Teilnehmenden bewerteten LLM-gestütztes KM mit Mittelwert 8,2/10, 86 % gaben ≥ 7, kein Wert lag unter 5 [1, S. 4745]. Das ist hohe Bereitschaft — angesichts üblicher KI-Skepsis im deutschen Mittelstand bemerkenswert.

Die priorisierten Use-Cases:

1. Training/Onboarding/Cross-Skilling — 24 Nennungen
2. On-demand Knowledge Retrieval — 21 Nennungen
3. Tacit Capture & Documentation — 9 Nennungen
4. Quality & Troubleshooting Support — 9 Nennungen
5. Process Optimization & Continuous Improvement — 7 Nennungen

Bemerkenswert: Capture rangiert unter Onboarding und Retrieval. Praktiker wollen LLMs zunächst dort einsetzen, wo der Nutzen schnell sichtbar wird — nicht dort, wo der Aufwand am höchsten ist. Das ist eine wichtige Pilotreihenfolge.

5. Das vorgeschlagene Fünf-Layer-Artefakt

Finkel & Wurster leiten aus den Workshops einen Zielarchitektur-Entwurf ab [1, S. 4747–4748]:

1. Interaction Layer — niedrigschwellig, „as simple as a mobile app", Voice-/Dialogzugang.
2. Capture Layer — Low-effort tacit capture durch Sprache und Dialog.
3. Knowledge Layer — strukturierte, versionierte Wissensartefakte.
4. Retrieval Layer — kontextuelles, quellengebundenes Q&A.
5. Analytics Layer — Monitoring, Qualität, Drift.

Für Knowledge-Retention-Systeme in regulierten Branchen wäre Layer 5 besser als Governance & Quality Layer zu rahmen — Analytics über Wissensträger ist mit DSGVO und BetrVG schwer vereinbar.

6. Was die Studie nicht zeigt

Die Autor:innen selbst benennen drei Grenzen:

• Keine Demonstration / Evaluation des vorgeschlagenen Artefakts in der Praxis [1, S. 4748]. Es ist ein Entwurf, kein evaluiertes System.
• Keine direkten Frontline-Worker — die Teilnehmenden waren überwiegend Senior/Mid-Level-Manager. Die Perspektive der Shopfloor-Mitarbeitenden fehlt.
• Selbstauskunft, kein Verhalten — die LLM-Nützlichkeitsbewertung ist eine Akzeptanz-Vorabschätzung, kein gemessener Nutzungserfolg.

Diese Einschränkungen sind methodisch ehrlich. Sie sprechen dafür, die Befunde als starke Designgrundlage zu verwenden, nicht als Wirkungsnachweis.

7. Anschluss an andere Forschung

Die Befunde reihen sich konsistent in andere aktuelle Arbeiten ein:

• Zuin et al. (2025) zeigen empirisch, dass LLMs Tacit-Knowledge-Discovery in Unternehmenskontexten leisten können — mit messbaren Grenzen ^[2].
• Pulsipher (2025) schlägt mit der „Context-driven Feedback Architecture" eine konkrete Architekturvorlage für SME-Review-Loops vor ^[3].
• Galan (2023) etabliert das Problemfeld empirisch ^[4].
• Polanyi (1966) liefert die theoretische Untergrenze: Tacit Knowledge ist nie vollständig explizit machbar ^[5].

8. Praktische Konsequenzen für KMU

a) Pilotreihenfolge orientiert sich an Praktikerpriorität. Onboarding und Retrieval zuerst, Capture als zweite Stufe. Das deckt sich mit der Workshop-Evidenz und maximiert Sichtbarkeit.

b) Soziale Barrieren ernster nehmen als technische. 42 % der Barrieren sind sozial. Das bedeutet: Trust-by-Design (kein Performance-Tracking, klare Datennutzung, opt-in) ist Voraussetzung — nicht Beiwerk.

c) Voice-/Dialogcapture statt Formularen. „Under production pressure no one has time to write things down" ist die meistgenannte Capture-Barriere. Reduktion der Eingabehürde ist die hebelstärkste Designentscheidung.

d) Governance statt Analytics. Wer Monitoring als „Analytics" framt, signalisiert Überwachung. Wer es als „Quality & Drift Monitoring" framt, signalisiert Verlässlichkeit.

Fazit

Die Studie liefert seltene Klarheit: Industriepraktiker in Deutschland würden LLM-gestützte Wissenssicherung akzeptieren — wenn sie niedrigschwellig, vertrauensbasiert und auf Onboarding/Retrieval fokussiert ist. Das ist eine verwertbare Designgrundlage, nicht nur ein Hype-Statement.