Mit KI in den Wissenstransfer

Peer Learning lebt vom lebendigen Austausch: Menschen erzählen, hören zu, vergleichen Perspektiven und übertragen Erkenntnisse in ihr eigenes Handeln. Das ist die besondere Qualität und damit eine wesentliche Ergänzung zu formalen Lernarrangements und klassischen Wissensdatenbanken. Zugleich bleibt vieles von dem, was erfahrene Kolleg:innen über Jahre hinweg aufbauen – Routinen, Erfahrungsregeln, Entscheidungswege, informelle Abkürzungen, persönliche Kontakte – schwer dokumentierbar. Meist wird in einer Peer Session mehr ausgetauscht, als eine Person situativ aufnehmen und auf Dauer speichern kann. Hinzu kommt, dass manche Fragen erst viel später und in anderen Situationen relevant werden. Sobald aber jemand das Unternehmen verlässt oder die Rolle wechselt, geht häufig der Kontakt verloren. Und was in Handbüchern nie stand, ist nicht mehr abrufbar.

An dieser Stelle können moderne Instrumente der Künstlichen Intelligenz helfen, die hier dargestellten Formate des Peer Learnings in ein qualifiziertes Verfahren des Wissenstransfers zu überführen: In leitfadengestützten Einzelinterviews wird Erfahrungswissen systematisch erhoben und in eine auf Dauer abrufbare Form gebracht. Klassische Methoden dafür sind Wikis, Mindmaps oder Wissenslandkarten. Dabei ergibt sich schnell eine Spannung zwischen „möglichst übersichtlich und auffindbar“ einerseits und „möglichst viel und differenziert“ andererseits. Genau an diesem Punkt zeigt sich, dass moderne KI-gestützte Systeme einen deutlichen Entwicklungssprung liefern können. Die Auswertung auf Basis von lernenden Sprachmodellen unterstützt Suchanfragen im Fließtext und kann darauf bezogene Antworten aus den Interviews generieren. Damit eröffnet sich eine deutlich verbesserte Möglichkeit, auch das oft diffus kommunizierte Erfahrungswissen auf eine aktuelle Frage bezogen auszuwerten. Auf diese Weise kann über das interaktive Peer Learning hinaus eine lebendige Wissensbasis aufgebaut werden, die das Wissen im Erklärzusammenhang speichert und auf einen aktuellen Fall hin anwendbar macht – so bleiben die Erzählungen von Mensch zu Mensch für weitere Menschen lebendig und nutzbar.

Die dafür notwendigen Interviews können in allen Peer-Learning-Formaten zum kontinuierlichen Aufbau einer Wissensdatenbank erhoben werden. Im Bereich der Lerntandems kann der Austausch möglicherweise direkt mitgeschnitten und digital weiterverarbeitet werden. 

Für die Gruppen- und Großgruppenformate bietet es sich an, am Ende einer Session, eigens dafür angesetzte „Blitzlichtrunden“ oder Interviews mit ausgewählten Einzelpersonen durchzuführen. Dabei geht es darum, die wichtigsten Informationen aus der aktuellen Einheit noch einmal zusammenzutragen und damit ins organisationale Langzeitgedächtnis zu überführen.

Dazu empfiehlt sich folgendes Vorgehen:

1. Vorbereitung
Leitfaden mit Themenfeldern (z. B. Prozesse, Entscheidungen, Netzwerke, typische Stolpersteine) entwickeln.
Zielgruppe und Nutzungszweck klären: Wer wird mit dem Wissen arbeiten?
Kategorien festlegen: Erfolgsprinzipien, Do/Don’t, Entscheidungsmuster, Lessons Learned, Kontakte.
Aufnahmetechnik mit einer Direktabnahme des Tons an der Person vorbereiten. 
Einen geschützten Raum ohne Störgeräusche für die Aufnahme reservieren.

2. Durchführung
Einverständnis der Beteiligten für die Speicherung und Weiterverarbeitung im O-Ton.
Moderiertes Interview mit offenen, kontextbezogenen Fragen führen. Aus der Open-Source-Welt ist OBS etabliert. Darüber hinaus können auch DSGVO-konforme Standardprogramme z. B. von Microsoft oder Apple benutzt werden.
Nachfragen zu Hintergründen, Prinzipien und Schlüsselmomenten stellen.
Metadaten (Person, Thema, Datum, Rolle, Zweck) ergänzen und Aufnahmen sichern.

3. Transkription
Automatisch erstellen mit Offline-Open-Source-Programmen wie Whisper oder DSGVO-konformen cloudbasierten Services wie Amberscript.
Gerade in der Einführungsphase kann es helfen, die Transkripte nachzubearbeiten, Fragen zu kennzeichnen und Fachbegriffe zu prüfen. Ansonsten kann der Text mit Programmen wie Haystack (Open Source) oder z. B. mit der DSGVO-konformen deepset cloud in kleine Teilstücke aufgeteilt und mathematisch in vektorisierte Chunks transformiert werden.

4. Speicherung in einer Datenbank als Datenbasis zur KI-Auswertung
Die so aufbereiteten Datenfragmente können nun z. B. in Datenbanken wie OpenSearch oder in Form von Dokumenten abgelegt werden.

5. Verknüpfung der Transkripte mit einer Sprach-KI (LLM oder SLM)
Eine RAG-Implementierung (Retrieval-augmented generation) verknüpft die Datenbasis mit Open Source KI-Sprachmodellen oder etablierten Anbietern wie Aleph Alpha, deepset AI, etc.
Damit kann für eine Fließtext-Anfrage eine Fließtext-Antwort generiert werden, die das Sprachmodell unter Verwendung der aufbereiteten Interviewdaten entwickelt.

In diesem Verfahren ist die geschützte Verarbeitung und Speicherung von Daten hoch bedeutsam. Die bekannten kommerziellen Large-Language-Modelle (LLM) können hier sicher gute Arbeit leisten, verarbeiten die Daten aber in der Regel auf externen Servern. Je spezifischer das Wissen und je geschützter die O-Töne sein sollen, desto schwieriger – oder teurer – werden diese Lösungen. Vor diesem Hintergrund entwickelt ein Team aus Wissenschaft und Unternehmen im mainproject-Wissenstransfer der TH Aschaffenburg aktuell ein Framework, um auf Basis eines Small-Language-Modells (SLM), unternehmensspezifisches Wissen verfügbar zu machen. Das Open-Source-Ergebnis soll auch für kleine und mittlere Unternehmen die Möglichkeit bieten, sich einen lokalen und geschützten Chatbot aus dem Bestandwissen des Unternehmens heraus aufzubauen. Damit lohnt es sich mit der Sammlung von Rohdaten in Form von Interviews zu beginnen. Die KI-gestützte Auswertung ist schon jetzt und in Zukunft immer besser möglich und wird die Mühe lohnen. 

Ergänzend zu diesen Wissensbestand kann eine klassische „Wissenslandkarte“ aufgebaut werden, die zeigt, welche Themen von welchen Experten abgedeckt sind. Zusammengenommen entsteht auf diese Weise eine nachhaltige Wissensinfrastruktur, die individuelles Erfahrungswissen in kollektives Unternehmenswissen überführt – und digital oder persönlich abrufbar macht.

Weiterführende Informationen unter www.mainproject.eu