Unternehmen haben kein Dokumentationsproblem – sie haben ein Wissensflussproblem

Fast jedes Unternehmen hat Dokumentation.

SharePoint ist voll. Teams enthält tausende Nachrichten. Jira, ServiceNow oder andere Ticket-Systeme speichern Entscheidungen. In OneNote liegen persönliche Notizen. Fachbereiche führen Excel-Listen. Projektordner enthalten Konzepte. Zusätzlich existieren Videoaufzeichnungen, E-Mails und Präsentationen.

Und trotzdem hört man in Projekten regelmässig Sätze wie:

  • „Das weiss nur Peter.“
  • „Ich glaube, das wurde damals irgendwo dokumentiert.“
  • „Frag am besten das alte Projektteam.“
  • „Wir haben eine Anleitung, aber die ist nicht mehr aktuell.“
  • „Im Ticket steht nur die technische Lösung, nicht warum wir es gemacht haben.“

Das Problem ist also nicht unbedingt, dass nichts dokumentiert wird.

Das Problem ist, dass Wissen zerstreut, veraltet, kontextlos oder nicht auffindbar ist.

Mit generativer AI entsteht jetzt eine grosse Chance. Meetings lassen sich zusammenfassen. Prozessgespräche können automatisch strukturiert werden. Aus Tickets können Lösungsartikel entstehen. Assistenten können über eine Wissensbasis Fragen beantworten.

Aber auch hier gilt: AI macht aus einem Dokumentenfriedhof nicht automatisch eine gute Wissensarchitektur.

Warum klassische Dokumentation so häufig scheitert

Dokumentation entsteht am Ende

Viele Teams dokumentieren erst, wenn ein Projekt abgeschlossen ist. Zu diesem Zeitpunkt fehlt Zeit, Motivation und oft bereits Detailwissen.

Besser ist: Dokumentation entsteht während der Arbeit.

Niemand besitzt das Dokument

Wenn ein Dokument keinen Owner hat, altert es. Prozesse, Systeme und Verantwortlichkeiten ändern sich – das Dokument bleibt stehen.

Die Ablage folgt der Organisation, nicht der Suche

Ein Mitarbeitender denkt nicht: „Das müsste im SharePoint des Projekts HR-Transformation unter 04_Konzepte/Final_v7 liegen.“

Er denkt: „Wie korrigiere ich diesen Fehler?“

Wissen muss aus Sicht der Frage auffindbar sein.

Dokumente enthalten das Was, aber nicht das Warum

Technische Dokumentation zeigt häufig die implementierte Lösung. Was fehlt, ist der Entscheidungsgrund: Welche Alternativen wurden geprüft? Welche Annahmen galten? Welches Risiko wollte man vermeiden?

Genau dieses Kontextwissen ist bei späteren Änderungen entscheidend.

Niemand weiss, was veraltet ist

Ein falsches Dokument ist gefährlicher als gar kein Dokument. Ohne Review-Datum, Version und Owner kann ein AI Assistant veraltete Information überzeugend wiedergeben.

Was AI an der Dokumentation wirklich verändert

AI kann drei Reibungspunkte massiv reduzieren.

1. Capture wird einfacher

Aus einem 45-minütigen Prozessgespräch können innerhalb kurzer Zeit entstehen:

  • Prozessbeschreibung
  • Rollen
  • Arbeitsschritte
  • Inputs und Outputs
  • Ausnahmen
  • offene Fragen
  • Risiken
  • Checkliste
  • Entwurf einer Arbeitsanleitung

Der Mensch muss nicht mehr bei null anfangen.

2. Strukturierung wird skalierbar

Unterschiedliche Quellen können nach einem gemeinsamen Schema aufbereitet werden. Aus Tickets können Knowledge-Artikel entstehen, aus Projektentscheiden Decision Records und aus Workshops Prozessdokumente.

3. Zugriff wird natürlicher

Retrieval-Augmented Generation (RAG) verbindet ein Sprachmodell mit einer externen Wissensbasis. Statt nur aus seinem allgemeinen Trainingswissen zu antworten, erhält das Modell relevante Dokumente oder Textabschnitte als Kontext. Dadurch lassen sich Antworten stärker an internen Quellen ausrichten.

Das klingt nach einer technischen Funktion. Organisatorisch bedeutet es aber etwas anderes:

Die Qualität der Antwort hängt von der Qualität und Aktualität der Wissensquelle ab.

Knowledge-Lifecycle von Erfassen über Strukturieren und Validieren bis Nutzen, Review und Archivieren.

Das Ziel: Eine lebende Wissensbasis

Eine gute Wissensbasis ist kein Archiv. Sie hat einen Lebenszyklus.

Capture

Wissen wird möglichst nah an seiner Entstehung erfasst: Workshop, Ticket, Projektentscheidung, Prozessänderung, Incident oder Release.

Structure

Das Wissen wird in wiederkehrende Typen gebracht:

  • Prozess
  • Arbeitsanleitung
  • Systembeschreibung
  • Schnittstelle
  • FAQ
  • Known Error
  • Architekturentscheidung
  • Policy
  • Projektentscheidung

Validate

Ein fachlicher Owner prüft, ob die Information korrekt ist.

Publish

Erst danach wird sie als gültige Wissensquelle freigegeben.

Use

Menschen und AI Assistants greifen auf dieselbe freigegebene Quelle zu.

Review

Dokumente erhalten ein Review-Datum. Kritisches Wissen wird häufiger überprüft als allgemeine Hintergrundinformationen.

Retire

Veraltete Inhalte werden nicht einfach liegen gelassen, sondern archiviert oder klar als ungültig markiert.

Dieser letzte Schritt wird oft vergessen. Für AI-Systeme ist er besonders wichtig, weil alte und neue Informationen sonst gleichzeitig gefunden werden können.

Welche Informationen sich besonders gut automatisiert dokumentieren lassen

Prozessworkshops

AI kann Transkripte strukturieren und daraus erste Prozessmodelle oder Arbeitsanleitungen ableiten.

Support-Tickets

Wiederkehrende gelöste Tickets können als Kandidaten für FAQs, Known Errors oder Troubleshooting-Guides erkannt werden.

Projektentscheidungen

Aus Meeting Notes lassen sich Decision Records erstellen: Entscheidung, Alternativen, Begründung, Auswirkungen, Owner und Datum.

Systemänderungen

Code-, Konfigurations- oder Release-Änderungen können mit fachlicher Beschreibung und Testhinweisen kombiniert werden.

Onboarding

Statt einem neuen Mitarbeitenden 30 Links zu schicken, kann ein strukturierter Lernpfad erstellt werden.

Was AI nicht entscheiden sollte

Eine AI kann einen Text gut formulieren. Sie weiss dadurch noch nicht, ob er organisatorisch gültig ist.

Deshalb braucht jede relevante Wissenseinheit mindestens:

  • Owner
  • Status
  • Gültigkeitsbereich
  • Quelle
  • Erstellungsdatum
  • Review-Datum
  • Sensitivitätsklasse

Für kritische Inhalte zusätzlich:

  • Freigabe
  • Versionshistorie
  • betroffene Systeme oder Prozesse

Das ist der Unterschied zwischen „AI hat uns ein Dokument geschrieben“ und professionellem Knowledge Management.

Illustrativer Business Case: Wissen hängt an zwei Schlüsselpersonen

Ein Unternehmen betreibt mehrere Business Applications. Zwei erfahrene Mitarbeitende wissen, wie monatliche Sonderfälle, manuelle Kontrollen und bestimmte Fehlerbehebungen funktionieren. Die formale Dokumentation ist über Jahre gewachsen, teilweise widersprüchlich und verteilt.

Das Risiko zeigt sich erst, als eine Person länger ausfällt.

Ein pragmatisches Knowledge-Projekt könnte so aussehen:

Schritt 1: Kritische Prozesse priorisieren

Nicht alles dokumentieren. Zuerst 15 bis 20 Prozesse auswählen, deren Ausfall operative Auswirkungen hätte.

Schritt 2: Wissen aufnehmen

Kurze Sessions mit den Schlüsselpersonen. Bildschirmfreigabe, reales Beispiel, typische Fehlerfälle.

Schritt 3: AI erstellt den ersten Entwurf

Aus Transkript und bestehenden Unterlagen entstehen:

  • Prozessübersicht
  • detaillierte Arbeitsschritte
  • Ausnahmen
  • Kontrollen
  • Troubleshooting
  • offene Punkte

Schritt 4: Fachliche Validierung

Der Prozess-Owner korrigiert und gibt frei.

Schritt 5: Zentral publizieren

Jede Wissenseinheit erhält Owner, Review-Datum und Tags.

Schritt 6: Suche und AI-Zugriff

Ein interner Assistant darf auf die freigegebenen Artikel zugreifen und Antworten mit Quellen liefern.

Der Business Case ist nicht nur „weniger Dokumentationszeit“. Der grössere Nutzen liegt in geringerer Personenabhängigkeit, schnellerem Onboarding und weniger wiederkehrender Suche.

Wie ich den Erfolg messen würde

Wissensmanagement wird oft als weiches Thema behandelt. Dabei lässt es sich durchaus messen.

Time to Answer

Wie lange dauert es, eine verlässliche Antwort auf eine typische operative Frage zu finden?

Onboarding-Zeit

Wie lange dauert es, bis eine neue Person definierte Aufgaben selbstständig ausführen kann?

Wiederkehrende Tickets

Wie viele Supportfälle entstehen mehrfach zum gleichen Thema?

Dokumentationsabdeckung

Welcher Anteil kritischer Prozesse hat einen aktuellen, freigegebenen Wissenseintrag?

Knowledge Freshness

Wie viele relevante Dokumente sind innerhalb ihres Review-Zeitraums?

Bus-Factor / Personenabhängigkeit

Für wie viele kritische Prozesse existiert nur eine Person mit ausreichendem Wissen?

Diese Kennzahlen machen Wissen zu einem steuerbaren Bestandteil von Operational Excellence.

Die häufigste Fehlannahme: „Wir brauchen nur einen AI Chat über SharePoint“

Ein Chat-Interface ist schnell gebaut. Die eigentliche Arbeit liegt darunter.

Wenn der Assistant 30 Versionen desselben Dokuments findet, widersprüchliche Prozesse sieht und keine Gültigkeit erkennen kann, wird die Benutzeroberfläche zwar modern – die Antwortqualität aber unzuverlässig.

Vor einem AI Knowledge Assistant würde ich deshalb fünf Fragen stellen:

  1. Welche Quellen gelten als verbindlich?
  2. Wer besitzt diese Inhalte?
  3. Wie erkennen wir veraltete Dokumente?
  4. Welche Inhalte darf welcher Benutzer sehen?
  5. Wie kann eine Antwort auf ihre Quelle zurückverweisen?

Anthropic dokumentiert beispielsweise Citations als Möglichkeit, Antworten stärker auf bereitgestellte Dokumente zurückzuführen. Solche Funktionen sind wertvoll – sie ersetzen aber nicht die Pflege der Quellen.

Ein sinnvoller Start ohne Grossprojekt

Man muss nicht die gesamte Wissenslandschaft auf einmal sanieren.

Ich würde mit einem klaren Scope beginnen:

  • ein Team
  • fünf bis zehn kritische Prozesse
  • ein gemeinsames Dokumentationsschema
  • ein definierter Owner je Prozess
  • AI-unterstützte Erfassung
  • ein Review nach vier bis sechs Wochen

Wenn das Modell funktioniert, wird es skaliert.

Wie eine gute Wissenseinheit aufgebaut sein sollte

Statt lange Word-Dokumente ohne Struktur zu produzieren, würde ich Wissen modularer organisieren. Eine Prozessseite könnte beispielsweise enthalten:

  • Zweck und Ergebnis
  • Prozess-Owner
  • Trigger
  • Voraussetzungen
  • Rollen
  • Schritte
  • Systeme
  • Kontrollen
  • Ausnahmen
  • Troubleshooting
  • verknüpfte Schnittstellen
  • relevante Dokumente
  • letzte Änderung
  • Review-Datum

Das hat zwei Vorteile: Menschen können schneller scannen, und AI-Systeme erhalten klarere semantische Bausteine für Retrieval.

Warum „alles aufnehmen“ keine gute Strategie ist

AI macht es technisch einfach, riesige Mengen an Meetings zu transkribieren und Dokumente zu erzeugen. Das kann schnell zum nächsten Problem führen: mehr Inhalt, aber weniger Signal.

Ich würde daher zwischen drei Ebenen unterscheiden:

Rohmaterial

Transkripte, Meetings, Tickets und Logs. Sie dienen als Quelle, sind aber nicht automatisch offizielles Wissen.

Curated Knowledge

Validierte, strukturierte Wissenseinheiten mit Owner und Status. Das ist die eigentliche Wissensbasis.

Answers & Experiences

AI Assistants, Suche, Onboarding-Guides oder Checklisten, die das kuratierte Wissen nutzbar machen.

Diese Trennung verhindert, dass jeder Gesprächssatz sofort zur „Wahrheit“ des Unternehmens wird.

Fünf typische Anti-Patterns

  1. Alles in einen Chatbot werfen. Ohne Curating entstehen widersprüchliche Antworten.
  2. Dokumentation ohne Owner. Niemand fühlt sich für Aktualität verantwortlich.
  3. Nur Projekte dokumentieren. Operatives Wissen lebt danach weiter und verändert sich.
  4. Keine Berechtigungslogik. Ein AI Assistant darf nicht deshalb alles sehen, weil die Suche bequem sein soll.
  5. Erfolg nur an Seitenzahl messen. Eine kleine, aktuelle Wissensbasis ist wertvoller als 10'000 ungepflegte Dateien.

Ein 60-Tage-Pilot

Woche 1–2: kritische Wissensbereiche und Owners auswählen.

Woche 3–4: Aufnahme und AI-gestützte Strukturierung.

Woche 5–6: Validierung und zentraler Publish.

Woche 7: Suche beziehungsweise Assistant anbinden.

Woche 8: Nutzungsdaten, Fragen ohne Antwort und veraltete Inhalte analysieren.

Nach zwei Monaten sollte nicht nur mehr dokumentiert sein. Es sollte messbar einfacher sein, eine verlässliche Antwort zu finden.

Fazit: Dokumentation wird zum Produktionsprozess

AI senkt die Kosten, Wissen zu erfassen und aufzubereiten. Das ist eine grosse Chance.

Aber der eigentliche Fortschritt entsteht erst, wenn Unternehmen Dokumentation nicht mehr als Projekt-Nebenprodukt behandeln, sondern als laufenden Wissensprozess.

Gutes Wissen hat einen Owner. Es hat eine Quelle. Es hat ein Datum. Es wird genutzt. Es wird überprüft. Und wenn es nicht mehr stimmt, wird es entfernt.

Dann wird aus Dokumentation tatsächlich etwas, das Menschen und AI im Alltag unterstützt.