Die wissenschaftlichen Grundlagen der BusFactor-Methode: Was peer-reviewte Forschung zu Tacit Knowledge und KI-gestütztem Wissenstransfer belegt

Warum eine wissenschaftliche Methodenseite, kein Tool-Pitch

In den vergangenen 24 Monaten ist der Markt für „AI Knowledge Management" explodiert. Die meisten Anbieter argumentieren mit Feature-Listen oder anekdotischen Effektzahlen. BusFactor argumentiert anders: Die Methode wird gegen den aktuellen Forschungsstand validiert und in jeder Designentscheidung an Primärquellen rückgebunden.

1. Die theoretische Achse: Tacit Knowledge

Polanyi (1966) — die Ursprungsthese

Der Begriff tacit knowledge geht auf Polanyi (1966) zurück. Sein Diktum „we know more than we can tell" ist nicht romantisch gemeint, sondern epistemologisch präzise: Menschen besitzen handlungsleitendes Wissen, das sie nicht ohne Weiteres explizit machen können.

Polanyi, M. (1966). The Tacit Dimension. Routledge & Kegan Paul.

Nonaka & Takeuchi (1995) — der SECI-Übergang

Nonaka und Takeuchi (1995) lieferten mit dem SECI-Modell (Socialization, Externalization, Combination, Internalization) das meistzitierte Übergangsmodell. Für die BusFactor-Methode ist die Externalisation-Phase zentral.

Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company. Oxford University Press.

Schön (1983) — Reflexion in der Handlung

Donald Schön (1983) zeigte mit dem reflective practitioner, dass Erfahrungswissen erst durch Konfrontation mit dem unerwarteten Fall sichtbar wird. Operative Konsequenz: Frag nach dem Edge Case, nicht nach dem Standardfall.

Schön, D. A. (1983). The Reflective Practitioner: How Professionals Think in Action. Basic Books.

2. LLMs und Tacit Knowledge — Forschung 2025

Lu (2025) — Dreiteilung und harte Grenze

Janna Lu (2025) hat im Review of Austrian Economics eine bis dato fehlende Taxonomie geliefert. Sie unterscheidet drei Formen impliziten Wissens:

1. Codifiable but too costly to articulate
2. Nuance and subtext encoded in language
3. Embodied knowledge from sensory experience

LLMs erfüllen laut Lu die ersten beiden Formen, die dritte nicht. „They can describe cold but have never shivered" (Lu, 2025). Diese Grenze ist für BusFactor produktstrategisch bindend.

Lu, J. (2025). Tacit knowledge in large language models. The Review of Austrian Economics. https://doi.org/10.1007/s11138-025-00710-5

Zuin et al. (2025) — agentische Wissensrekonstruktion

Zuin, Mastelini, Loures und Veloso (2025) haben im IEEE IJCNN einen LLM-Agenten vorgestellt, der durch iterative Gespräche mit (simulierten) Mitarbeitenden fragmentiertes Tacit Knowledge rekonstruiert. In 864 Simulationen erreichte der Agent 94,9 % Full-Knowledge Recall und konnte vollständige Beschreibungen häufig rekonstruieren, ohne die ursprüngliche Wissensquelle direkt zu kontaktieren (Zuin et al., 2025). Methodisch wichtig ist der Self-Critical Feedback Loop.

Limitation: synthetische Organisationen, simulierte Mitarbeitende — Praxisvalidierung steht aus.

Zuin, G., Mastelini, S., Loures, T., & Veloso, A. (2025). Leveraging large language models for tacit knowledge discovery in organizational contexts. In 2025 International Joint Conference on Neural Networks (IJCNN). IEEE. https://doi.org/10.1109/IJCNN64981.2025.11227259

Benderoth et al. (2025) — Trust und dialogische Facilitator-Rolle

Benderoth, Gebhard, Keller, Nakhosteen, Schaffer und Schneeberger (2025) — mit DFKI- und thyssenkrupp-Beteiligung — argumentieren, dass Erfahrungswissen-Sicherung eine „supreme discipline that goes far beyond simply taking notes" sei und einen Knowledge Transfer Facilitator mit empathischer, vertrauensbildender Dialogführung verlange (Benderoth et al., 2025). Standard-LLM-Prompting reiche dafür nicht aus.

Benderoth, M., Gebhard, P., Keller, C., Nakhosteen, C. B., Schaffer, S., & Schneeberger, T. (2025). Socially interactive agents for preserving and transferring tacit knowledge in organizations [White paper]. ad-artists GmbH, DFKI, synartIQ GmbH, thyssenkrupp Steel Europe AG. CC BY-NC-ND 4.0.

3. System- und Architekturforschung

Shen & Lin (2024) — Experience-Based KMS

Shen und Lin (2024) entwerfen in den KMO 2024 Proceedings ein AI-enabled Experience-Based Knowledge Management System (EBKMS) mit Foundation Models, Conversational AI, RAG, Ontologien und Transactive Memory System. Für BusFactor folgt: ein KMS für Erfahrungswissen ist keine Suchmaschine über PDFs.

Shen, W.-C., & Lin, F.-R. (2024). The design of AI-enabled experience-based knowledge management system to facilitate knowing and doing in communities of practice. In L. Uden & I.-H. Ting (Eds.), Knowledge Management in Organisations: KMO 2024 (Vol. 2152, pp. 292–303). Springer. https://doi.org/10.1007/978-3-031-63269-3_22

Zhong et al. (2024) — Dark Data und Knowledge Graphs

Zhong, Jackson, West und Cosma (2024) zeigen in einer Case Study bei einem globalen Automotive-Hersteller, dass industrielles Wartungswissen häufig als dark data vorliegt. Ihre Lösung — ein Knowledge Graph — stützt unsere Entscheidung gegen einen reinen Dokumenten-Chatbot.

Zhong, K., Jackson, T., West, A., & Cosma, G. (2024). Building a sustainable knowledge management system from dark data in industrial maintenance. In L. Uden & I.-H. Ting (Eds.), KMO 2024 (Vol. 2152, pp. 263–274). Springer. https://doi.org/10.1007/978-3-031-63269-3_20

Enakrire & Smuts (2024) — Vertrauen als Wissensteilungs-Faktor

Enakrire und Smuts (2024) belegen empirisch, dass Tacit-Knowledge-Sharing maßgeblich von Vertrauen abhängt. Diese Befunde sind Grundlage unseres Trust-by-Design-Prinzips.

Enakrire, R. T., & Smuts, H. (2024). Trust as a determining factor in tacit knowledge sharing among academics in higher education institutions. In KMO 2024 (Vol. 2152, pp. 51–60). Springer. https://doi.org/10.1007/978-3-031-63269-3_4

4. Praxisforschung und KPI-Logik

Abdelaty (2024) — WYDOT-Projektplan

Der WYDOT-Forschungsantrag (Abdelaty, 2024) liefert Praxisdaten: Turnover in State Transportation Agencies zwischen 6 % und 30 %. Pilot-Evaluation: Correct Answer Percentage und User Satisfaction Scores. Diese KPI-Logik bildet unsere Pilot-Evaluation eins zu eins ab.

Abdelaty, A. (2024). Mitigating employee turnover and enhancing knowledge retention at WYDOT [Research project proposal]. University of Wyoming.

Stanford et al. (2026) — RAG-Architektur und KPIs

Stanford et al. (2026) beschreiben — als Preprint ohne DOI — eine konsistente RAG-Pipeline mit hybridem Retrieval, Faithfulness-Score, Cross-Lingual Consistency und rollenbasierter Zugriffskontrolle auf Retrieval-Ebene. Die Performance-Zahlen übernehmen wir bewusst nicht — sie stammen aus synthetischer Simulation.

Stanford, R., Grindrod, J., Qin, L., Da Ros, F., Matta, D., & Thakkar, N. (2026). The transformation of knowledge transfer mechanisms in multinational enterprises using RAG systems [Unpublished manuscript]. ResearchGate. https://www.researchgate.net/publication/403943304

5. Welche Designentscheidung folgt aus welcher Quelle

| BusFactor-Designentscheidung | Forschungsgrundlage | |---|---| | Capture als dialogischer, iterativer Interview-Loop | Zuin et al. (2025); Benderoth et al. (2025) | | Self-Critical Confidence-Layer nach jeder Session | Zuin et al. (2025) | | Trust-by-Design: keine People-Analytics | Enakrire & Smuts (2024); Benderoth et al. (2025) | | Kein Versprechen, verkörpertes Handwerkswissen zu ersetzen | Lu (2025) | | Strukturierte Wissensschicht statt reinem PDF-Chatbot | Shen & Lin (2024); Zhong et al. (2024) | | Permission-aware Retrieval (RBAC vor LLM-Kontext) | Stanford et al. (2026) | | Pilot-KPIs: Correct Answer Percentage, User Satisfaction | Abdelaty (2024) | | Externalisation als Kern-Übergangsphase | Nonaka & Takeuchi (1995) | | Edge-Case-orientierte Interviewfragen | Schön (1983) | | Theoretische Grenze: nicht alles Wissen ist explizierbar | Polanyi (1966); Lu (2025) |

6. Was die Forschung nicht hergibt

Effektzahlen wie „RAG reduziert Antwortzeit um 96 %" stammen aus synthetischen Simulationen (vgl. Stanford et al., 2026). Wir nutzen solche Zahlen nicht im Pitch. Belastbare Effektgrößen entstehen erst aus Pilotmessungen wie sie Abdelaty (2024) plant.

Fazit

Die BusFactor-Methode ist keine Hülle um ein LLM. Sie ist ein Übersetzungspfad von 60 Jahren Tacit-Knowledge-Forschung in eine prüfbare Pipeline. Jede Designentscheidung lässt sich auf eine peer-reviewte Quelle zurückführen.