Bis 2036 verlassen 16,5 Millionen Menschen den Arbeitsmarkt. Das nächste KI-Modell ändert daran nichts.

Die Kurzantwort

Bis 2036 erreichen 16,5 Millionen Babyboomer das Renteneintrittsalter, nur 12,5 Millionen kommen nach (IW Köln 2024). Mit den Menschen geht das Wissen, das nirgendwo dokumentiert ist. Nicht in deinem SharePoint, nicht in deinem Wiki, nicht in einer KI-Trainingsdatenbank. ChatGPT füllt diese Lücke nicht, egal wie groß das nächste Modell wird. Die Lösung ist nicht ein anderes Modell. Es ist eine andere Architektur und eine Methodik, die implizites Wissen aus den Köpfen herausholt, bevor die Köpfe gehen.

Was die Diskussion über KI-Modelle übersieht

36 Prozent der deutschen Unternehmen nutzen heute KI, eine Verdopplung gegenüber dem Vorjahr (Bitkom 2025). Gleichzeitig nennen 53 Prozent fehlendes technisches Know-how und 51 Prozent fehlende personelle Ressourcen als Hauptbremser. Das ist nicht zufällig die gleiche Gruppe, die in den nächsten zwölf Jahren rund 4 Millionen mehr Arbeitskräfte verliert, als nachkommen.

Du kannst dir das so vorstellen: Während die KI-Anbieter dir das nächste Sprachmodell verkaufen, verlässt deine erfahrenste Steuerberaterin das Büro mit drei Jahrzehnten Mandantenwissen im Kopf. Der Senior-Konstrukteur geht mit 30 Jahren Materialerfahrung in Rente. Die Bilanzbuchhalterin, die in 30 Sekunden sieht, was nicht passt, hängt ihren Kittel an den Haken.

Das ist die eigentliche Kollision.

Drei Gründe, warum KI in Unternehmen scheitert: Nur einer wird wirklich diskutiert

Halluzinationen sind real. Der Anwalt Steven Schwartz aus New York hat 2023 sechs ChatGPT-generierte Präzedenzfälle in einem Bundesgerichtsverfahren eingereicht. Alle erfunden. Aktenzeichen, Datum, Inhalt. Komplett halluziniert. Der Richter verhängte 5.000 Dollar Strafe und nannte die Eingabe "juristischen Unsinn" (Courthouse News 2023). Wenn das in einer Anwaltskanzlei in New York passiert, passiert es auch in deiner Steuerkanzlei. Mit erfundenen BGH-Urteilen. Mit erfundenen Versicherungsklauseln.

Datenschutz ist real. Wenn du die Mandantenakte deines wichtigsten Klienten in ein US-Tool einkippst, gibst du Daten an US-Server unter US-Recht. Das ist nicht nur DSGVO. Das ist ein Vertraulichkeitsproblem, das du nicht eingestellt hast.

Beide Probleme sind technisch lösbar. Selbst gehostete Modelle, EU-gehostete APIs, Quellenverifikation. Wer das ernst nimmt, bekommt beides in den Griff.

Aber dann scheitert dein KI-System immer noch.

Der Grund, über den niemand redet

Das Wissen, das dein Unternehmen produktiv macht, steht nicht in einer Doku. Es ist in den Köpfen.

Ein Beispiel, das jeder kennt: Die NASA hat zwischen 1967 und 1973 dreizehn Saturn-V-Raketen gebaut. Drei Millionen Einzelteile pro Rakete. Komplette Blueprints. Komplette Dokumentation. Alles archiviert. Heute kann die NASA die Saturn V nicht mehr nachbauen. Robert Frost, Flight Controller bei der NASA, formuliert es so: Die Werkzeuge sind weg. Die Materialien sind weg. Die Expertise zu verstehen, wie sich die echte Maschine von den Zeichnungen unterschied, ist weg.

Lass das wirken. Die komplette technische Dokumentation der Menschheit reicht nicht aus, um die Maschine nochmal zu bauen. Weil das Wissen, wie man sie wirklich zusammenbaut, nie auf Papier war.

Das ist nicht nur Raumfahrt. Das ist überall, wo Erfahrung im Spiel ist.

Eine Senior-Anwältin sitzt 20 Minuten mit einem neuen Mandanten zusammen und sagt danach: "Den nehme ich nicht." Auf Nachfrage kommt erst eine Pause, dann: "Bauchgefühl." Wenn du strukturiert nachhakst, fallen ihr drei Indikatoren ein: Termine wurden zweimal kurzfristig verschoben, Beträge in den Unterlagen passen nicht zusammen, der vorherige Berater wurde dreimal gewechselt. Sie wusste das nicht bewusst, als sie entschied. Sie hat es seit 28 Jahren gewusst.

Genau hier hat ChatGPT nichts in der Hand. Stilles Wissen, der Fachbegriff ist implizites Wissen, steht nirgends. Nicht in Wikipedia, nicht in deinem SharePoint, nicht in den Trainingsdaten von OpenAI.

Was wirklich hilft (und was nicht)

Es ist nicht die Frage des Modells. Es ist auch nicht die Frage des Tools. Es sind drei Bereiche, die zusammenspielen müssen.

Mensch. Das Wissen muss aus den Köpfen raus, bevor die Köpfe gehen. Niemand schreibt es freiwillig auf. Es kommt nur raus, wenn jemand strukturiert fragt: Wie hast du erkannt, dass dieser Mandant nicht passt? Was schaust du dir zuerst an, wenn du eine Bilanz aufschlägst? Bohren, bis aus implizit explizit wird.

Maschine. Was du an Wissen rausholst, muss irgendwo hin. Drei Bausteine, die zusammenarbeiten: eine Vektordatenbank, die nach Bedeutung findet (also "Cross-Border" auch wenn jemand "Auslandsbezug" eingibt). Ein Wissensgraph, der verknüpft, wer was wann mit welchem Ergebnis entschieden hat. Und ein strukturierter Datenzugriff auf deine bestehenden Systeme. Zusammen heißt das hybrides RAG (Retrieval Augmented Generation). Eine KI, die zuerst nachschaut, bevor sie antwortet. EU-gehostet oder bei dir lokal. Datenschutzpunkt erledigt.

Methodik. Wenn ein Mitarbeiter neues Wissen generiert, fließt es zurück ins System. Sonst lernt es nicht weiter.

Du brauchst alle drei. Nur Maschine: Datenbank bleibt leer. Nur Mensch: Wissen ist zu flüchtig. Nur Methodik: System lernt aus dem Nichts.

Was du jetzt tun solltest

Schau dich in deinem Unternehmen um. Bei welchem Mitarbeiter denkst du gerade: Wenn der geht, haben wir ein echtes Problem? Genau bei diesem Menschen liegt das Wissen, das deine KI-Strategie ignoriert.

Eine Antwort reicht. Das nächste Modell von OpenAI wird daran nichts ändern.

Häufige Fragen

Reicht nicht ChatGPT Enterprise mit unseren eigenen Daten? Nein. ChatGPT Enterprise löst Datenschutz teilweise, aber nicht das Wissensproblem. Solange das relevante Wissen nicht dokumentiert ist, kann auch ein Enterprise-Tool nicht darauf zugreifen. Die Daten, die du in die Plattform lädst, sind nur ein Bruchteil dessen, was deine Senior-Mitarbeiter wirklich wissen.

Was ist implizites Wissen konkret? Wissen, das jemand hat, ohne es benennen zu können. Eine Bilanzbuchhalterin "sieht" in 30 Sekunden, ob etwas nicht stimmt. Auf die Frage wie kommt: "Erfahrung". Erst wenn jemand strukturiert nachfragt, kommen die konkreten Indikatoren raus, die sie unbewusst prüft. Das ist das Wissen, das mit dem Mitarbeiter geht.

Hilft mir ein größeres Frontier-Modell wie GPT-5 oder Claude Opus? Für allgemeine Aufgaben ja. Für unternehmensspezifisches Fachwissen nein. Egal wie groß das Modell wird, es kann nichts wissen, was nirgendwo steht. Bessere Modelle reduzieren Halluzinationen marginal, aber sie erfinden auch dann noch, wenn die Antwort nicht in ihren Trainingsdaten war.

Wie hole ich Wissen aus den Köpfen meiner Mitarbeiter raus? Strukturierte Interviews mit erfahrenen Mitarbeitern, geführt von jemandem, der die richtigen Nachfragen stellt. "Bauchgefühl" ist nie die Antwort. Die Antwort liegt drei Nachfragen tiefer. Es gibt etablierte Methoden dafür. Wenn dich das interessiert, schreib mir das in die Kommentare auf YouTube.

Brauche ich wirklich hybrides RAG, oder reicht ein einfaches Vektor-Setup? Für einen ersten Test reicht eine Vektordatenbank. Für den produktiven Einsatz brauchst du alle drei Bausteine. Ein Vektor-RAG findet thematisch ähnliche Dokumente, kann aber keine strukturierten Beziehungen abbilden ("Welcher Berater hat 2022 ähnliche Fälle entschieden, mit welchem Ergebnis?"). Dafür braucht es den Wissensgraphen plus den strukturierten Datenzugriff.

Mehr im Video

Im YouTube-Video gehe ich tiefer auf die NASA-Saturn-V-Geschichte ein und zeige drei weitere Beispiele aus Steuerkanzlei, Maschinenbau und Handwerk. Nächste Woche schaue ich mir die Maschinenseite im Detail an: wie Vektordatenbank, Wissensgraph und strukturierter Datenzugriff zusammenspielen, und was du als Erstes brauchst, wenn du das in deinem Unternehmen aufbauen willst.