Knowledge Auditing als fehlende Ebene in der KI-Implementierung

KI-Implementierungen scheitern oft an derselben Stelle: zwischen Modell und Organisation. Die Technologie funktioniert, der Pilot wirkt vielversprechend, der Business Case klingt überzeugend. Dann greift die Realität ein: Daten sind inkonsistent, Prozesse unklar, Expertenurteil undokumentiert, Teams uneinig über Begriffe, Ownership fragmentiert und Nutzer vertrauen dem Output nicht.

Patrick Lambes “Principles of Knowledge Auditing” bietet dafür einen hilfreichen Rahmen. Es ist kein KI-Buch, behandelt aber eine der wichtigsten Voraussetzungen für KI: organisationales Wissen.

Lambe versteht Knowledge Audits als Aktivitäten, die Organisationen helfen, Bedingungen, Bedürfnisse und Chancen für Wissensmanagement im großen Maßstab zu verstehen. Der einleitende Fall zeigt, dass ein Wissensmanagementprogramm erfolgreich war, solange es nah an operativer Arbeit blieb, und schwächer wurde, als es von diesem Kontext entfernt wurde. Für KI-Produktisierung ist die Lehre direkt: Tools müssen in lebendigen Wissenspraktiken des Unternehmens verankert sein.

Für Beratungs- und Technologie-Teams kann ein Knowledge Audit zur Discovery-Schicht vor dem KI-Design werden. Welche Wissensbestände existieren? Welche Wissensflüsse sind kritisch? Welche Teams brauchen welches Wissen für Entscheidungen? Welche Wissensprozesse sind defekt? Welche Fähigkeiten sind strategisch? Welche Supportfunktionen wie IT, HR, Kommunikation oder Informationsmanagement müssen beteiligt sein?

Das ist präziser als ein generisches Data Audit. Ein Data Audit listet Systeme, Tabellen, Dokumente und Zugriffsrechte. Ein Knowledge Audit fragt, wie Menschen Information tatsächlich interpretieren und in Handlung übersetzen. Diese Unterscheidung ist wichtig, weil viele KI-Systeme nicht an fehlenden Daten scheitern, sondern an fragmentierter Bedeutung.

Nehmen wir ein dokumentenbasiertes GenAI-Produkt. Ein rein technischer Ansatz würde Policies, Handbücher und Tickets in ein Retrieval-System laden. Ein Knowledge-Audit-Ansatz fragt zuerst, ob diese Dokumente aktuelle Praxis repräsentieren, welche Ausnahmen Experten nutzen, wo widersprüchliche Versionen liegen und wer die Wissensbasis autoritativ pflegt. Ohne diese Arbeit wird KI zum schnelleren Verteiler von Verwirrung.

Die Themen des Buches rund um Sprache, Metaphern, Assets, Kapital, Ressourcen, tacit und explicit knowledge, Teamwissen und organisationales Wissen zeigen den Bedarf an begrifflicher Disziplin. In KI-Beratung werden Begriffe wie Wissensbasis, Expertensystem, organisationales Gedächtnis und Automatisierung oft locker verwendet. Lockere Sprache erzeugt lockere Architektur.

Ein praktisches Delivery-Modell sollte daher Knowledge Auditing vor dem Produktdesign enthalten. Das Ergebnis muss kein akademischer Bericht sein: Wissenskarte, Flow-Diagramm, Risikoregister, Use-Case-Priorisierung und Governance-Modell reichen oft. KI-Systeme sollten auf geprüftem Wissen gebaut werden, nicht auf angenommenem Wissen.