RAG löst das Abrufproblem. Nicht das Wissensproblem.

Eine erfahrene Laborleiterin geht in Rente. Seit Jahren verantwortet sie einen Bereich, in dem Arbeitsabläufe genau dokumentiert sind. Es gibt verbindliche Arbeitsanweisungen, sogenannte SOPs, die beschreiben, wie Prüfungen durchgeführt werden sollen. Messverfahren sind festgelegt und Abweichungen werden dokumentiert.

Auf dem Papier ist damit vieles vorhanden.

Trotzdem gibt es Situationen, in denen jüngere Kolleginnen und Kollegen ihre Erfahrung nicht einfach aus den Unterlagen ableiten können. Die Laborleiterin erkennt früh, wenn ein Messwert zwar noch plausibel erscheint, aber nicht zum Gesamtbild passt. Sie weiß, wann eine Messung besser wiederholt werden sollte. Und sie merkt, wann eine Abweichung genauer untersucht werden muss, obwohl der formale Ablauf zunächst keinen Fehler zeigt.

Ein Teil dieses Wissens ist über Jahre entstanden. Aus ungewöhnlichen Ergebnissen, aus Fehlern und aus Fällen, bei denen die dokumentierte Vorgehensweise allein nicht weitergeholfen hat.

Die Nachfolge bekommt die Arbeitsanweisungen und Prüfverfahren. Was sie nicht automatisch bekommt, ist das Erfahrungswissen, mit dem diese Informationen im Alltag richtig eingeordnet werden.

Genau hier liegt eine zentrale Grenze von RAG im Wissensmanagement: Ein System kann vorhandene Dokumente sehr gut durchsuchen. Es kann aber kein Erfahrungswissen finden, das vorher nie erfasst wurde.

Solche Wissenslücken entstehen nicht nur im Labor. Sie finden sich überall dort, wo erfahrene Fachkräfte Situationen über Jahre bewerten und Entscheidungen treffen, die sich nicht vollständig in Prozessbeschreibungen festhalten lassen.

Was RAG leistet – und wo die Grenze liegt

RAG macht interne Dokumente durchsuchbar und erzeugt Antworten auf Basis vorhandener Wissensbestände. Gute Systeme erkennen ähnliche Bedeutungen und gewichten Treffer. Metadaten helfen dabei, passende Quellen zu finden.

Für gut dokumentiertes Wissen ist das ein Mehrwert. RAG verbessert den Zugriff auf Wissen, das bereits vorhanden ist.

Das gilt auch für weiterentwickelte Varianten. Agentic RAG stellt Rückfragen und verkettet mehrere Abrufschritte, was die Trefferquote verbessert. An der Grundvoraussetzung ändert das nichts: Auch ein agentisches System durchsucht nur, was bereits als Text vorliegt.

Die Grenze liegt dort, wo relevantes Erfahrungswissen nie erfasst wurde. Was in keinem Dokument steht, kann auch ein gutes RAG-System nicht zuverlässig verfügbar machen.

Was in dieser Wissensbasis fehlt

Michael Polanyi brachte es 1966 auf den Punkt: „We can know more than we can tell.” Menschen wissen mehr, als sie spontan in Worte fassen können. Sie erkennen Situationen oft richtig, ohne jeden Zwischenschritt bewusst benennen zu können.

Genau dieses implizite Wissen fehlt häufig in klassischen Dokumentationen. Ein Prozesshandbuch beschreibt, wie ein Ablauf offiziell funktioniert. Eine erfahrene Fachkraft weiß, wann dieser Ablauf angepasst werden muss. Solche Einschätzungen entstehen aus Erfahrung und verschwinden, wenn Menschen gehen.

Viele Unternehmen haben bereits Dokumentationssysteme. Trotzdem entsteht Wissensverlust, weil das entscheidende Wissen nicht automatisch im Wiki landet. Es muss aktiv erhoben werden.

Die Reihenfolge ist entscheidend

Damit Wissenstransfer gelingt, muss relevantes Erfahrungswissen zuerst erfasst werden. Nonaka und Takeuchi beschrieben diesen Schritt im SECI-Modell als Externalisierung: implizites Wissen wird in explizite, teilbare Form überführt.

In vielen KI-Projekten wird dieser Schritt übersprungen. Zuerst wird der Abruf optimiert. Erst danach fällt auf, dass die entscheidenden Inhalte nie sauber erhoben wurden.

Warum das jetzt dringlicher wird

Der demografische Wandel verschärft die Lage messbar. Destatis beziffert auf Basis des Mikrozensus 2024: Bis 2039 erreichen rund 13,4 Millionen Erwerbspersonen das Renteneintrittsalter – knapp ein Drittel aller heute Erwerbstätigen. Der IW-Kurzbericht Nr. 39 vom Juni 2026 schärft die Projektion nach: Bis 2036 fehlen dem Arbeitsmarkt 4,3 Millionen Arbeitskräfte. Auch der DIHK-Fachkräftereport 2025/2026 ordnet altersbedingten Wissensabfluss als Teil dieser Debatte ein.

Für Unternehmen geht es damit nicht nur um Fachkräftemangel. Es geht um Erfahrungsverlust. Wer wartet, bis entscheidende Personen gegangen sind, wartet zu lang.

Wie Implix das umsetzt

Klassische Dokumentationsansätze setzen voraus, dass eine Fachkraft weiß, was sie wissen soll – und es dann aufschreibt. Beides ist selten gegeben. Erfahrungswissen ist nicht abrufbar wie ein gespeichertes Dokument. Es zeigt sich im Umgang mit Ausnahmen und in Entscheidungen unter Druck.

Implix setzt deshalb auf geführte Interviews, nicht auf Formulare. Ein KI-Agent übernimmt die Gesprächsführung. Er kennt die vorhandenen Dokumente des Unternehmens und erkennt, wo Antworten vage bleiben oder wo Aussagen von der offiziellen Dokumentation abweichen. Auf beiläufige Sätze wie „Das erkennt man mit der Zeit” oder „So steht es im Prozess, aber praktisch machen wir es anders” folgt keine Wiederholung der ursprünglichen Frage. Der Agent fragt nach dem konkreten Fall dahinter.

Für den Mitarbeiter fühlt sich das anders an als Dokumentation. Kein Bewertungsdruck. Kein starres Schema. Das Gespräch passt sich dem an, was die Person tatsächlich weiß – nicht dem, was laut Prozesshandbuch gewusst werden soll.

Am Ende steht kein Rohmitschnitt. Die Inhalte werden in strukturierte Wissensbausteine überführt und durch den Mitarbeiter selbst sowie Fachverantwortliche validiert. Zusätzlich markiert der Agent Lücken gegenüber der vorhandenen Dokumentation. So entstehen nutzbare Inhalte für Onboarding und Übergaben. Sie können außerdem in Prozessbeschreibungen einfließen und bilden eine belastbarere Grundlage für Suchsysteme und RAG-Anwendungen.

Wie dieser Prozess im Detail abläuft, zeigt die Funktionen-Seite.

Fazit

Die Laborleiterin aus der Eingangsszene geht trotzdem in Rente.

Die Arbeitsanweisungen und Prüfverfahren bleiben. Was nicht automatisch bleibt, ist die Erfahrung, mit der sie Situationen über Jahre bewertet hat.

RAG kann vorhandenes Wissen sehr gut zugänglich machen. Es kann aber nicht nachträglich erschließen, was nie erfasst wurde.

Implix setzt deshalb einen Schritt früher an: beim Gespräch vor der Dokumentation.

Eine Einordnung gegenüber Wiki, LMS und RAG findet sich auf der Vergleichs-Seite. Wie Implix Erfahrungswissen konkret erfasst, zeigt die Funktionen-Seite.

---

Über den Autor

Felix Palm Stiwi ist Co-Founder von Implix und entwickelt die technische Plattform hinter dem Produkt. Sein Schwerpunkt liegt auf skalierbaren Cloud-Systemen, Datenpipelines und der produktnahen Umsetzung von KI-Funktionen.

Bei Implix arbeitet er daran, Expertenwissen aus Gesprächen, Dokumenten und vorhandenen Medien so zu strukturieren, dass es für Übergaben, Onboarding und interne Wissenssysteme nutzbar wird.

---

Quellen

• DIHK: Fachkräftereport 2025/2026, 2025/2026.
• Deschermeier, Philipp; Schäfer, Holger: Die Babyboomer erreichen das Rentenalter. IW-Kurzbericht Nr. 39, Institut der deutschen Wirtschaft, Juni 2026.
• Statistisches Bundesamt (Destatis): 13,4 Millionen Erwerbspersonen erreichen in den nächsten 15 Jahren das gesetzliche Rentenalter. Pressemitteilung Nr. N048, auf Basis Mikrozensus 2024, September 2025.
• Michael Polanyi: The Tacit Dimension, 1966.
• Nonaka, Ikujiro; Takeuchi, Hirotaka: The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press, 1995.