Jede Organisation hat irgendwann einmal eine Wissensdatenbank oder ein Wiki aufgesetzt. Confluence, Notion oder irgendein hauseigenes Werkzeug. Anfangs voller Enthusiasmus, etliche Beiträge in den ersten drei Monaten, dann: stillschweigende Versandung, nach 12 Monaten nur noch ein Artikel-Friedhof. Die Beiträge veraltet, niemand pflegt mehr, niemand nutzt es noch als Quelle.
Gleichzeitig gibt es ein Wiki, das seit 25 Jahren funktioniert; ohne klassische Hierarchie, ohne monetäre Anreize, nur getragen von Freiwilligen auf der ganzen Welt. Wikipedia. Das Ergebnis ist eine Wissenssammlung, deren Qualität schon früh mit klassischen Enzyklopädien mithalten konnte. Die Frage, die sich daraus ergibt, lautet: Wieso gelingt einem freiwilligen System, woran organisationale Pflichtsysteme regelmäßig scheitern?
Die Frage hat mit dem Aufkommen von KI eine neue Relevanz bekommen, denn Agenten brauchen explizites Wissen zu Prozessen und Abläufen in Unternehmen, also all das, was eine Wissensdatenbank klassischerweise mal hätte enthalten sollen. Der Druck zur Externalisierung, den Teil 1 dieser Serie beschreibt, macht aus der Kür nun eine Pflicht.
Dieser Artikel betrachtet die dokumentierten Mechanismen von Wikipedia auf der einen Seite und legt sie gegen die bekannten Gründe für das Scheitern interner Wissensmanagementlösungen auf der anderen Seite und leitet daraus drei mögliche Konsequenzen ab.
Gründe für das Scheitern
Das Scheitern von Wissensmanagementlösungen wurde in der Literatur in den 90er und 00er Jahren vielfach analysiert. Vier Erklärungen haben sich dabei herauskristallisiert:
- Fehlende Anreize: Dokumentieren macht Arbeit, kostet informelle Macht über Wissen und bringt dem Autor selbst wenig ein. Dieser Punkt wurde bereits in Teil 1 dieser Serie aufgegriffen.
- Komplexität der Aufgabe: Implizites Wissen ist schwer kodifizierbar. Gerade das Erfahrungswissen, das den erfahrenen Mitarbeiter auszeichnet, widersetzt sich einer schnellen Dokumentation. Auch das wurde in Teil 1 als Polanyis Befund bereits diskutiert.
- Fehlende Voraussetzungen: Das Teilen von Wissen erfordert Vertrauen, Zeit und gegenseitige Verpflichtung; das Einführen eines Werkzeugs wie ein Wiki bringt von diesen kulturellen Voraussetzungen keine mit. Und unglücklicherweise wird geglaubt, dass mit Einführung eines Tools die Sache erledigt ist.
- Fehlende Aktualität: Wissensdatenbanken sterben an veralteten Inhalten. Ein Nutzer, der veraltete Inhalte vorfindet, kommt nicht wieder.
Diese vier Erklärungen sind heute genauso gültig wie vor 20 Jahren. Eine neue Wissensmanagementlösung, die diese Aspekte nicht mitdenkt, wird somit das gleiche Schicksal erleiden wie alle vorherigen Versuche auch.
Erfolgsmodell Wikipedia
Um vom Erfolgsmodell Wikipedia zu lernen, müssen zwei für den Erfolg verantwortliche Aspekte unterschieden werden, darunter strukturelle Aspekte, die sich in Organisationen kaum reproduzieren lassen, und methodische Aspekte, die sehr wohl übertragbar sind.
Übergeordnete, strukturelle Erfolgsfaktoren von Wikipedia: - Kritische Masse: Zehntausende Autoren teilen sich die Pflege auch mehrerer Artikel und Wissensgebiete - Selbstselektion: Die Mitarbeit bei Wikipedia ist freiwillig, was auf hohe intrinsische Motivation für Autorenschaft selektiert.
Diese Faktoren können unter anderen erklären, warum Wikipedia funktioniert, obwohl es prinzipiell den gleichen Schwierigkeiten bzgl. Anreizen jeder Wissensmanagementlösung unterliegt. Diese strukturellen Erfolgsfaktoren sind jedoch in der Regel nicht auf interne Wissensmanagementlösungen übertragbar. Übertragbar auch auf interne Wissensmanagementlösungen sind dagegen die Mechanismen, die Wikipedia vor allem für die Zusammenarbeit entwickelt hat:
- Reputation: Wikipedia ist eine feste Marke und eine natürliche Anlaufstelle für viele Internetnutzer. Der Aufbau einer solchen Reputation ist ein wichtiger Aspekt der Wissensdatenbank.
- Relevanz: Wikipedia verlangt Relevanz, d.h. ein Thema muss wichtig genug sein, um aufgenommen zu werden. Was das intern bedeutet, ist oft unklar: Reicht es, dass eine Methode zweimal angewendet wurde, und wer entscheidet das? Es ist demzufolge wichtig, hierfür klare Regeln und Zuständigkeiten festzulegen.
- Diskussion: Jeder Artikel hat eine Diskussionsseite, auf der Konflikte öffentlich und dokumentiert ausgetragen werden. Neueinsteiger in eine Debatte können den Stand der Argumente nachlesen, und weil Argumente geschrieben werden müssen, werden sie schärfer.
- Versionierung: Jede Änderung bleibt nachvollziehbar, der gesamte Änderungsverlauf bleibt sichtbar. Niemand kann unbemerkt löschen oder fremde Beiträge als eigene ausgeben.
- Externe Quellen: Streit bei Wikipedia ist meist Streit über die Qualität von Quellen, also über einen externen Anker, weniger um die Sache selbst.
- Routinen: Wikipedia betreibt hunderte Bots, die Vandalismus erkennen, Formatierung konsistent halten und Verfall markieren. Freigegeben werden sie von der Bot Approvals Group, einem eigenen Gremium, und jeder Bot hat eine klar definierte Aufgabe.
Diese Mechanismen lassen sich auch auf interne Wissensmanagementlösungen übertragen. Eine interne Wissensdatenbank muss demnach leicht auffindbar und zugänglich sein und Referenz für interne Diskussionen und Abläufe werden. Es muss zudem klar sein, welche das sind und welche nicht. Die Möglichkeit zur Diskussion gibt es auch in internen Wikis längst, oft in Form von Issue-Trackern oder Kommentarfunktionen. Die Möglichkeit wird allerdings selten genutzt, denn Diskussionen passieren oft außerhalb, in Chats oder mündlich, ohne mit dem Eintrag verbunden zu werden oder nachvollziehbar zu sein. Dies ausschließlich über die Diskussionsseiten zu führen erfordert Disziplin von allen Beteiligten. Viele Wikis haben von Haus aus Funktionen zur Versionierung, auch Notion und Confluence führen Versionsverläufe. Eine kollaborative Wissensdatenbank ohne Versionierung verzichtet auf diese wichtige Wikipedia-Eigenschaft. Häufig ist ein internes Wiki nicht die eigentliche Letztquelle zu einem Sachverhalt, sodass die Verpflichtung der Verknüpfung mit diesen Quellen, die bei Auslegungskonflikten herangezogen werden können, eine Möglichkeit darstellt Konflikte zu begegnen. Bei der Einführung von Routinen bei internen Wissensdatenbanken ist die Integration von KI ein direkter Mehrwert, um die Nutzer zu entlasten. Autonome Agenten können die Wissensbasis auf Qualität prüfen, Verknüpfungen pflegen. Hieraus ergeben sich eine Reihe neuer Chancen für solche Systeme.
Neue Chancen durch KI
Im Vergleich mit den 90ern lassen sich durch KI eine ganze Reihe von Problemen, an denen das klassische Wissensmanagement damals gescheitert ist, heute abmildern. Andere bestehen unverändert fort.
Vor allem die Suche und damit Auffindbarkeit lassen heutige Wissensdatenbanken in deutlich besserem Licht erscheinen. Semantische Suche und RAG (Retrieval-Augmented Generation) finden den passenden Eintrag auch dann, wenn der Suchende den richtigen Begriff nicht kennt. Die Einbindung von Chatbots erlaubt es, die konkrete Frage unter Zusammenführung mehrerer Artikel im Hintergrund zu beantworten, was die Nützlichkeit des Systems deutlich erhöht. Daneben wird die Konsistenzprüfung automatisierbar: Agenten erkennen, ob ein Eintrag dem festgelegten Format folgt, sich mit existierenden Artikeln überschneidet oder wenn ein Eintrag veraltet ist bzw. Widersprüchliches über Artikel hinweg enthält.
Einige strukturelle Probleme dagegen bleiben. Die Frage, wie bei Konflikten verfahren werden soll, bleibt organisationspolitisch. Ein Agent kann den Konflikt sichtbar machen und strukturieren, die Entscheidung selbst bleibt dem Menschen überlassen. Und die Frage, wie man mit dem Widerstand erfahrener Mitarbeiter umgeht, ist eine Frage des Anreizes: Ein Senior, der vielleicht aus Statusgründen sein Wissen nicht externalisieren will, lässt sich durch ein besseres Werkzeug nicht überzeugen. In dieser Hinsicht verschärft KI den Konflikt sogar. Eine Methode, die in KI-zugänglicher Form vorliegt, ist für jeden Agenten verfügbar und damit für jeden Junior mit Agenten-Unterstützung. Das Wissen der Senioren wird damit kopierbar, und der Senior wird in genau dieser Funktion ersetzbarer.
Die Hoffnung, KI würde das Wissensmanagementproblem lösen, lässt sich daher nicht ganz halten: Gelöst werden viele operative Herausforderungen, die politischen Herausforderungen werden womöglich eher mehr. Sie sind vor allem eine Frage des Anreizes.
Anreizmechanismen
Aus dem Vergleich mit Wikipedia oder anderen Open-Source-Projekten wie Apache oder Mozilla lassen sich vor allem drei Anreizmechanismen ableiten, die für interne Wissensdatenbanken nützlich sein könnten, alle zielen auf das Setzen der richtigen Anreize.
1. Autorenschaft: Die Pflege eines Themenbereichs wird als feste Aufgabe und Verantwortungsbereich vergeben. 2. Sichtbarkeit: Transparenz über Zuständigkeiten und Autorenschaft sowie Sichtbarmachung von Arbeit in der Wissensbasis. 3. Anreizkongruenz: Die Externalisierung von Wissen muss mit der Erwartung an die Rolle verknüpft werden; man gewinnt Anerkennung durch die Externalisierung von Wissen, statt einen Machtverlust durch Wissensweitergabe zu erleiden.
Hinter den Anreizmechanismen steht in der Motivationspsychologie etablierte Theorie. Die Self-Determination Theory (Selbstbestimmungstheorie, kurz SDT) postuliert drei psychologische Grundbedürfnisse: Autonomie (selbst zu steuern), Kompetenz (wirksam zu sein) und Verbundenheit (Teil eines sinnvollen Ganzen zu sein).
In der persönlichen Wissensdatenbank sind alle drei erfüllt: Autonomie, weil man selbst entscheidet, Kompetenz, da die eigene Arbeit an der Wissensdatenbank unmittelbar Auswirkungen hat, und die Verbundenheit bleibt neutral, weil keine Gemeinschaft beteiligt ist. Auch auf der Team-Ebene müssen diese drei Grundbedürfnisse beachtet werden, sie stellen aber eine besondere Herausforderung dar: Autonomie geht durch Konventionen und Pflichten verloren, das Erleben von eigener Kompetenz wird verwässert und Verbundenheit kippt je nachdem, ob die Zusammenarbeit als Team oder reine Pflicht erlebt wird. Kollaborative Wissensdatenbanken müssen also so gestaltet sein, dass Autonomie, Kompetenz und Verbundenheit erhalten bleiben.
Jedoch: Eine Befragung von Open-Source-Entwicklern aus dem Jahr 2003 kam auch zu dem Ergebnis, dass der stärkste Motivator für Beiträge die Freude an der Tätigkeit selbst ist, also ein rein intrinsischer, Reputationsanreize folgen erst danach. Bei Wikipedia wird diese intrinsische Motivation durch die Selbstselektion garantiert. In Unternehmen ist dieser Aspekt aber kaum für alle Themenkomplexe umzusetzen, es bleibt oft eine Pflichtaufgabe. Umso mehr kommt es also auf die Anreizmechanismen an.
Zusammenfassung
Aus dem Wikipedia-Vergleich, der Open-Source-Forschung und der Anreiztheorie ergeben sich also konkrete Anhaltspunkte, um internen Wissensdatenbanken zum Erfolg zu verhelfen. Der Einsatz von KI-Agenten kann vor allem bei der Reduktion von lästigen Pflegearbeiten helfen.
Manche Fragen wurden in dem vorliegenden Vergleich aber nicht beantwortet und müssen in jedem Fall auch mitgedacht werden. Weiterhin kann der Einsatz von KI zwar helfen, lästige operative Aufgaben zu reduzieren, gleichzeitig besteht auch die Gefahr von Seiteneffekten: KI, die Beiträge automatisch verändert, untergräbt eventuell das Erlebnis von Autonomie und das Gefühl für die Verantwortung für die Inhalte. Der Einsatz von KI könnte auch dazu führen, dass Material weichgespült wird und die Genauigkeit und (persönliche) Schärfe in dem Prozess eventuell verloren geht.