Jede Beratung, jeder VC-Fonds und jede PE-Firma hat diesen Moment erlebt: Ein Senior-Analyst kündigt, und plötzlich fehlt nicht nur eine Person, sondern ein ganzes Wissenssystem. Die Deal-Historie, die Branchenkontakte, das Gespür dafür, welche Signale bei einem Startup auf Probleme hindeuten. Nichts davon steht im CRM.
Das ist implizites Wissen. Und sein Verlust ist teurer, als die meisten Unternehmen wahrhaben wollen.
Was ist implizites Wissen und warum ist es so schwer zu sichern?
Implizites Wissen ist Erfahrungswissen, das sich nicht einfach aufschreiben lässt. Der Analyst, der nach drei Jahren im Climate-Tech-Bereich sofort erkennt, ob ein Startup echte Traction hat oder nur gute Slides. Die Beraterin, die weiss, dass Kunde X am Montagmorgen nie erreichbar ist, aber donnerstags um 16 Uhr immer Zeit hat. Der Partner, der ein LP-Netzwerk über zehn Jahre aufgebaut hat.
Dieses Wissen entsteht durch Erfahrung, Wiederholung und Kontext. Es steckt in Routinen, Bauchgefühl und informellen Prozessen. Und genau deshalb ist es so schwer zu sichern: Die Person, die es besitzt, kann es oft selbst nicht artikulieren.
Michael Polanyi, der den Begriff geprägt hat, formulierte es so: "Wir wissen mehr, als wir zu sagen wissen." Das klingt nach Philosophie, ist in der Praxis aber ein handfestes Geschäftsrisiko.
| Wissensart | Beispiel | Übertragbarkeit |
|---|---|---|
| Explizites Wissen | Prozessdokumentation, CRM-Einträge, Vorlagen | Hoch, einfach zu kopieren |
| Implizites Wissen | Deal-Intuition, Branchenkontakte, Kundenkenntnis | Niedrig, personengebunden |
| Erfahrungswissen | "Bei diesem Markt funktioniert Bottom-up-Sizing nie" | Sehr niedrig, kontextabhängig |
Was Wissensverlust wirklich kostet
Die Fluktuationsrate in Deutschland liegt branchenübergreifend bei rund 33%. In der IT-Branche werden für 2025 Raten von 20-22% erwartet. Die direkten Kosten pro Abgang (Rekrutierung, Einarbeitung, Produktivitätsverlust während der Übergangsphase) betragen laut Branchenanalysen 33.000 bis 40.000 Euro.
Aber die direkten Kosten sind nur die Spitze. Die indirekten Kosten durch Wissensverlust sind schwerer zu beziffern, aber deutlich höher:
- Verlängerte Einarbeitungszeit. Der neue Analyst braucht 6-12 Monate, um den Kontext aufzubauen, den sein Vorgänger über Jahre akkumuliert hat. In dieser Zeit arbeitet er mit reduzierter Effektivität.
- Verlorene Beziehungen. Kunden und LPs haben eine Beziehung zu Personen, nicht zu Firmen. Wenn der Ansprechpartner wechselt, beginnt der Vertrauensaufbau von vorn.
- Wiederholte Fehler. Ohne das Wissen, warum ein bestimmter Ansatz in der Vergangenheit nicht funktioniert hat, wiederholt das Team dieselben Fehler. Das ist besonders in der Due Diligence kostspielig.
- Innovationshemmnis. 60% der Unternehmen sehen Wissensverlust als eines der grössten Risiken für ihre Innovationsfähigkeit.
Die IW-Studie beziffert den Gesamtschaden durch Fachkräftemangel und Fluktuation auf 49 Milliarden Euro Produktionskapazitätsverlust allein in Deutschland. Ein Grossteil davon ist nicht der fehlende Kopf, sondern das fehlende Wissen in diesem Kopf.
Warum klassisches Wissensmanagement bei implizitem Wissen versagt
Die Standardantwort auf Wissensverlust heisst "Dokumentation". Wikis einrichten, Prozesse beschreiben, Übergabeprotokolle erstellen. Das funktioniert bei explizitem Wissen. Für implizites Wissen ist es fast nutzlos.
Drei Gründe:
Erstens: Niemand dokumentiert Kontext. Ein Analyst schreibt ein Investment Memo. Er dokumentiert die Zahlen, die Marktgrösse, das Team. Was er nicht dokumentiert: warum er dem CEO trotz beeindruckender Metriken misstraut. Oder warum er die TAM-Berechnung des Startups für übertrieben hält, obwohl die Methodik sauber aussieht. Dieses Kontextwissen ist oft wertvoller als die Analyse selbst.
Zweitens: Dokumentation veraltet sofort. In einem Umfeld, das sich schnell verändert, ist eine statische Wissensdatenbank nach sechs Monaten Altpapier. Die Konditionen am Markt haben sich geändert, die Ansprechpartner sind andere, die Bewertungslogik hat sich verschoben. Wissen, das nicht kontinuierlich aktualisiert wird, schafft eine falsche Sicherheit.
Drittens: Die besten Wissensträger haben keine Zeit zu dokumentieren. Die Partner und Senior-Analysten, die das meiste implizite Wissen besitzen, sind gleichzeitig die Personen mit der geringsten verfügbaren Zeit für Dokumentation. Das Resultat: Gerade das wertvollste Wissen bleibt undokumentiert.
Wo implizites Wissen in der Praxis verloren geht
In wissensintensiven Branchen wie Beratung, VC und PE gibt es typische Stellen, an denen implizites Wissen verschwindet:
Der Dealflow-Kontext
Ein VC-Fonds screent jährlich Hunderte Startups. Für jedes abgelehnte Startup gibt es einen Grund, der aber selten systematisch festgehalten wird. "Markt zu klein", "Team nicht überzeugend", "Timing zu früh." Diese Einschätzungen sind pures Erfahrungswissen. Wenn der Analyst geht, der drei Jahre lang Climate-Tech-Deals gesourced hat, beginnt sein Nachfolger bei null. Er macht dieselben Calls, screent dieselben Startups, kommt zu denselben Ablehnungen. Nur dass er dafür sechs Monate braucht statt drei Wochen.
Das Beratungs-Playbook
Jede Beratung hat informelle Playbooks. Nicht die offiziellen Methoden-Frameworks, sondern die tatsächlichen Handgriffe: Wie man diesen speziellen Kunden managed. Welche Datenquellen für diese Branche funktionieren und welche nicht. Wo in der Wettbewerbsanalyse die Benchmarks typischerweise irreführend sind. Ein Principal, der diese Playbooks im Kopf hat, macht die Arbeit in der Hälfte der Zeit. Sein Nachfolger tastet sich monatelang vor.
Die Beziehungsintelligenz
"Ruf Hans an, der kennt jemanden beim Kunden." Diese Art von Wissen steht in keinem System. Wer wen kennt, über welchen Kontakt man am schnellsten an eine Information kommt, welcher LP bei welchem Thema ansprechbar ist. Dieses Netzwerkwissen verschwindet vollständig mit der Person.
Wie KI implizites Wissen sichtbar macht
KI kann implizites Wissen nicht direkt erfassen. Aber sie kann die Spuren davon sichtbar und nutzbar machen. Das ist ein grösserer Hebel, als es zunächst klingt.
Kontextextraktion aus unstrukturierten Daten
Das meiste implizite Wissen hinterlässt Spuren in E-Mails, Slack-Nachrichten, Meeting-Notizen, CRM-Kommentaren und internen Memos. Bisher waren diese unstrukturierten Daten ein totes Archiv. Niemand liest drei Jahre alte Slack-Threads nach, um zu verstehen, warum ein Deal abgelehnt wurde.
NLP-Modelle können das. Sie extrahieren Einschätzungen und Kontextinformationen aus Freitext und machen sie durchsuchbar. "Warum haben wir 2024 alle SaaS-Deals im DACH-Markt mit ARR unter 2M abgelehnt?" ist eine Frage, die ein KI-Agent beantworten kann, wenn er Zugriff auf die historischen Kommunikationsdaten hat.
Knowledge Graphs statt Wikis
Ein Wiki ist eine flache Sammlung von Seiten. Ein Knowledge Graph verknüpft Informationen: Person X hat an Deal Y gearbeitet, Deal Y war im Sektor Z, Sektor Z hat Überschneidungen mit dem aktuellen Pipeline-Deal W. Diese Verknüpfungen bilden genau die Art von Kontextwissen ab, die sonst nur in den Köpfen erfahrener Teammitglieder existiert.
Das Forschungsprojekt KI_eeper der Fraunhofer-Gesellschaft hat gezeigt, dass KI-gestütztes Wissensmanagement den Transfer von Erfahrungswissen auch bei komplexen, manuellen Tätigkeiten erleichtern kann. Der Ansatz: Muster erkennen, Kontext verstehen und Wissen proaktiv bereitstellen, bevor es verloren geht.
Automatisierte Wissenssicherung statt manueller Dokumentation
Der grösste Vorteil von KI-gestütztem Wissensmanagement gegenüber klassischer Dokumentation: Es passiert automatisch. Statt darauf zu hoffen, dass der Senior-Analyst seine Erkenntnisse in ein Wiki schreibt, extrahieren KI-Agenten den Kontext aus seiner täglichen Arbeit. Jede E-Mail, jede CRM-Notiz, jedes Research-Dokument wird Teil des institutionellen Gedächtnisses. Nicht als Rohdaten-Dump, sondern als verknüpfter, durchsuchbarer Wissensbestand.
Der 4-Stufen-Plan gegen Wissensverlust
Wissen sichern ist kein Einmalprojekt, sondern ein laufender Prozess. Vier Stufen haben sich in der Praxis bewährt:
Stufe 1: Wissensträger identifizieren
Wer besitzt das kritischste implizite Wissen? In den meisten Organisationen sind es 3-5 Personen, deren Abgang das grösste Risiko darstellt. Nicht immer die mit dem höchsten Titel, sondern oft die mit der längsten Verweildauer oder dem breitesten Netzwerk.
Stufe 2: Playbooks und Templates systematisieren
Wiederkehrende Analysen, Bewertungen und Prozesse in strukturierte Templates überführen. Das erfasst nicht das gesamte implizite Wissen, aber den Teil davon, der sich in wiederholbare Muster zerlegen lässt. Ein Screening-Template für Climate-Tech-Deals ist kein Ersatz für den erfahrenen Analysten, aber es verkürzt die Einarbeitungszeit des Nachfolgers erheblich.
Stufe 3: KI-gestützte Kontexterfassung implementieren
Unstrukturierte Daten anbinden, NLP-Modelle für die Kontextextraktion einsetzen, Knowledge Graphs aufbauen. Hier passiert der grösste Hebeleffekt: Aus dem toten Archiv vergangener Kommunikation wird ein lebendiges, durchsuchbares Wissenssystem. Context Engineering ist der Schlüssel, um LLMs nicht nur mit Rohdaten zu füttern, sondern mit dem richtigen Kontext.
Stufe 4: Institutionelles Gedächtnis aufbauen
Das Ziel: ein System, das Wissen automatisch erfasst und verknüpft. Kein statisches Wiki, sondern ein System, das mit jeder Interaktion klüger wird. Wenn ein neuer Analyst eine Frage hat, bekommt er nicht nur die Antwort, sondern den Kontext dazu: wer dieses Thema zuletzt bearbeitet hat, welche ähnlichen Fälle es gab, und welche Erkenntnisse daraus entstanden sind.
Was sich ändern muss: von Kopfwissen zu Systemwissen
Die meisten Unternehmen behandeln Wissensverlust als HR-Problem. "Wir müssen die Fluktuation senken." Das ist richtig, aber es löst das grundlegende Problem nicht. Auch bei niedriger Fluktuation geht Wissen verloren: durch Abteilungswechsel, Elternzeit, Überlastung, oder schlicht weil Menschen vergessen.
Die eigentliche Frage ist nicht "Wie halten wir Leute?", sondern "Wie machen wir das Wissen unserer Leute unabhängig von einzelnen Personen?"
Für VCs, Berater und PE-Firmen ist das existenziell. Ihr gesamtes Geschäftsmodell basiert auf Wissen, das schwer zu formalisieren ist. Markteinschätzungen, Deal-Intuition, Beziehungsnetzwerke. Wer das in den Köpfen einzelner Partner lässt, baut auf Sand.
Die Technologie, um implizites Wissen systematisch zu erfassen und nutzbar zu machen, existiert. Die Frage ist, ob Unternehmen bereit sind, von Kopfwissen auf Systemwissen umzustellen, bevor der nächste Senior-Analyst kündigt und das Wissen von drei Jahren mitnimmt.
Wie Researchly institutionelles Wissen aufbaut
Research-Ergebnisse, Deal-Kontext und Branchenanalysen verschwinden typischerweise in E-Mail-Threads, lokalen PowerPoints und persönlichen Notizen. Wenn die Person geht, geht das Wissen mit.
Researchly löst das, indem jeder Research-Prozess automatisch dokumentiert, strukturiert und durchsuchbar wird. KI-Agenten erfassen den Kontext, nicht nur das Ergebnis.
Was Sie damit konkret bekommen:
- Research als institutionelles Asset: Jede Analyse bleibt als durchsuchbarer, wiederverwendbarer Wissensbestand erhalten, unabhängig davon, wer sie erstellt hat
- Automatisierte Kontextverknüpfung: Deal-Historie, Markteinschätzungen und Branchenwissen werden zu einem verknüpften Wissenssystem statt isolierter Dateien
- Playbooks, die sich selbst aktualisieren: Strukturierte Templates erfassen wiederkehrende Analysemuster und lernen mit jeder Nutzung dazu
