In jedem Unternehmen ab einer bestimmten Größe steht ein Confluence, ein Notion oder ein SharePoint, in dem die letzte ernsthafte Pflege Monate zurückliegt. Die Diskussion über Knowledge Management läuft seit Jahrzehnten in dieselbe Sackgasse: neues Tool, neuer Prozess, neue Initiative, gleiches Ergebnis. Mit KI in der Werkzeugkiste verschiebt sich der Hebel, aber das Grundproblem bleibt unverändert.
Dieser Artikel beschreibt, warum Wikis systematisch scheitern, was KI realistisch verändert und welche Verantwortungsstrukturen ein Knowledge Management aus dem Schubladenmodus holen.
Warum Wikis scheitern
Wer Knowledge-Management-Projekte über die Jahre beobachtet, sieht ein wiederkehrendes Muster. Die ersten sechs Monate nach Einführung sind euphorisch. Inhalte landen im Wiki, Templates entstehen, Rituale werden eingeübt. Nach zwölf Monaten bröckelt die Disziplin. Nach 24 Monaten ist der Anteil aktueller Inhalte so weit gefallen, dass jeder Treffer im internen Such-Tool mit Misstrauen geöffnet wird.
Der Kern dieses Verfalls ist nicht die Software. Confluence, Notion, BookStack, Outline, GitLab Wiki sind in Funktion und Ergonomie längst ausreichend. Der Kern ist die Verantwortung. Bei einem klassischen Produkthandbuch hängt das Gehalt eines Mitarbeiters am Ergebnis, weil eine technische Redaktion explizit für Aktualität bezahlt wird. Bei einem internen Wiki gibt es diesen Anker nicht. “Verantwortlich ist das Team” ist die organisatorische Variante von “verantwortlich ist niemand”.
Was KI verändert und was nicht
Drei Dinge lassen sich heute deutlich besser automatisieren als noch vor zwei Jahren.
Erkennung veralteter Inhalte: Ein Agent vergleicht Wiki-Seiten mit jüngeren Quellen wie Pull-Request-Beschreibungen, Release Notes oder Tickets und meldet Inkonsistenzen. Was vorher manuelle Stichproben erforderte, läuft jetzt im Hintergrund.
Konsistenzprüfung im Vokabular: Wer ein Glossar pflegt, kann automatisch prüfen lassen, ob Begriffe einheitlich verwendet werden. Die zugrundeliegende Mechanik ist Glossare als RAG-Layer.
Erstentwurf neuer Inhalte: Aus einem Pull-Request, einem Architektur-Diagramm oder einer Diskussion generiert ein Modell einen Doku-Entwurf, den ein Mensch finalisiert. Der Aufwand sinkt, der Anlauf zur ersten Version wird kürzer.
Was KI nicht ersetzt, ist die Entscheidung, dass etwas dokumentiert werden muss. Sie ersetzt nicht den Owner, der für Aktualität, Korrektheit und Vollständigkeit geradesteht. Und sie ersetzt nicht das organisatorische Signal, dass Wissensbasen-Pflege Teil der Stellenbeschreibung ist.
Ownership-Strukturen, die in der Praxis funktionieren
Drei Modelle haben sich in unseren Projekten bewährt, je nach Unternehmensgröße.
In kleinen Teams unter 20 Personen funktioniert Round-Robin-Ownership pro Wiki-Bereich mit Quartals-Rotation. Jede Person ist für drei Monate für einen Bereich verantwortlich, zeichnet die Aktualität ab und übergibt nach Ablauf an die nächste. Das Modell verteilt Last, schafft aber explizite Owner.
In mittelgroßen Organisationen bis 200 Personen empfiehlt sich die Kombination aus Bereichs-Owner und KI-gestützter Audit-Pipeline. Der Owner verantwortet die Korrektheit, der Agent prüft regelmäßig auf Veraltung und legt Aufgaben in dessen Aufgabenliste an.
In großen Organisationen ab 200 Personen lohnt sich eine kleine Dokumentations-Funktion, die nicht selbst schreibt, sondern Standards setzt, Reviews orchestriert und KI-Tools betreibt. Die schreibende Arbeit bleibt bei den Fach-Teams.
In allen drei Modellen gilt das gleiche Prinzip wie für Self-Hosted-Infrastruktur statt SaaS: Tooling allein löst keine Org-Probleme. Wer Knowledge Management ernst meint, muss Verantwortung in Stellen schreiben, nicht in Tools.
Die unbequeme Frage zum Schluss
Wirtschaftlich gesehen tolerieren Unternehmen Qualitätsverluste, wenn die Kostenersparnis groß genug ist. Das gilt für Übersetzungen, für Code-Reviews und zunehmend für Dokumentation. Wer heute eine Knowledge-Base-Strategie entwickelt, muss diese Frage explizit beantworten: Welche Qualität ist nötig, welche Qualität ist hinreichend, und welche Kostenstruktur passt dazu.
Eine vollautomatisch von KI gepflegte Wissensbasis mit 90 Prozent Aktualität ist für viele interne Anwendungen besser als eine manuell gepflegte mit 40 Prozent Aktualität. Für Compliance-relevante Doku gilt aber das Gegenteil. Und wenn die Wissensbasis wiederum als Input für Automatisierung hergenommen werden soll, ist hohe Qualität essentiell.
Eine englische Fassung dieses Artikels gibt es unter Wikis nobody maintains. Wer den Bezug zu produktiver KI im Unternehmen lesen möchte, findet ihn in unserem Beitrag zu KI-Strategie für den Mittelstand.
Fazit
Knowledge Bases scheitern an Verantwortung, nicht an Tools. KI senkt den Pflege-Aufwand, übernimmt aber kein Ownership. Ein funktionierendes Knowledge Management beginnt mit der Frage, wer namentlich geradesteht, und endet bei messbaren Nutzungssignalen.
EverBright IT begleitet Unternehmen bei Knowledge-Management-Strategien mit klarem Ownership und KI-gestützter Pflege. Mehr zu unseren Beratungsleistungen oder direkt Kontakt aufnehmen.
Häufige Fragen
Warum scheitern Knowledge-Management-Projekte so häufig?
Die meisten Projekte scheitern nicht am Tool, sondern an unklarer Verantwortung. Wenn niemand namentlich für die Pflege geradesteht, verfällt jede Wissensbasis innerhalb von 18 bis 24 Monaten. Erfolgreiche Modelle verankern Ownership in Stellenbeschreibungen, nicht in Prozessdiagrammen oder Team-Vereinbarungen.
Welches Wiki-Tool ist das beste?
Die Tool-Frage ist überschätzt. Confluence, Notion, BookStack und Outline decken alle Standard-Anforderungen ab. Wichtiger ist die Integration in bestehende Workflows: Source-Repository, Pull-Request-System, Such-Index. Ein gut integriertes Mittelmaß-Tool schlägt jedes elegante Tool ohne Anbindung an die tägliche Arbeit der Teams.
Kann KI die Pflege einer Wissensbasis komplett übernehmen?
Nein, nicht in absehbarer Zeit. KI kann Veraltung erkennen, Entwürfe schreiben und Konsistenz prüfen. Sie kann aber nicht entscheiden, was dokumentiert werden muss, und sie kann keine Verantwortung für Korrektheit übernehmen. Realistisch ist eine Mensch-Maschine-Kombination mit KI als Aufwand-Reducer und einem benannten Owner pro Domäne.
Wie misst man, ob eine Wissensbasis tatsächlich wertvoll ist?
Drei Signale: Klicks pro Seite zeigen Auffindbarkeit. Daumen-hoch-und-runter-Buttons liefern qualitative Bewertung, brauchen aber genug Volumen. Such-Logs mit Null-Treffern und niedrigen Konversionsraten zeigen Lücken. Diese drei Datenquellen zusammen geben ein realistisches Bild des Nutzwerts und gehören in das wöchentliche Backlog des Knowledge-Owners.
