5 Wege zu verhindern, dass Wissen in der Produktentwicklung verloren geht

Nichts ist frustrierender, als ein als gelöst angenommenes Problem noch einmal zu begegnen. Oder Tage auf ein Problem verschwendet zu haben um dann festzustellen, dass es längst in einem anderen Kontext gelöst wurde.

Ein Folge steigender Komplexität ist das Problem, Wissen nicht nur anzusammeln sondern auch so festzuhalten, dass wir es finden, wenn wir es brauchen.

Eine Analogie ist der Vergleich mit Daten, die wir erst verarbeiten müssen, um echte Informationen zu bekommen. Genauso müssen wir Wissen manifestieren, um damit handlungsfähig zu werden.

Ansätze zum Manifestieren von Wissen

Zum Glück ist es gar nicht so schwer, Wissen zu manifestieren. Allerdings müssen wir dabei in Vorleistung gehen. Daher ist es wichtig, dass Entscheider dafür genug Ressourcen bereitstellen und die Mitarbeiter den Sinn in dieser Aufgabe sehen.

1. Wissen dokumentieren

Wissen schriftlich festzuhalten ist der offensichtliche Weg der Wissensmanifestierung. Doch ein auf Sharepoint abgelegtes Dokument ist nur dann sinnvoll, wenn potentielle Nutzer auch eine Chance haben, es dort zu finden. Insbesondere ist es gefährlich, sich auf die Suchfunktion (oder inzwischen KI-Suche) zu verlassen.

Stattdessen sollten wir in einem geeigneten System dokumentieren. Das kann in der Tat der Sharepoint sein, oder auch ein Confluence. Doch wichtiger ist, dass die Inhalte dort strukturiert, gepflegt und in die Arbeitsabläufe integriert werden. Nur so wird das Wissen nicht zu einer „Datenhalde“, sondern zu einem aktiven Werkzeug, das Entscheidungen und Handeln unterstützt.

• Ownership sicherstellen: Wer ist verantwortlich für das Festhalten von Wissen? Wie leben wir den Lebenszyklus? Was ist die Motivation, dies kontinuierlich zu tun? Dies sollte in den Zielen der Mitarbeiter verankern und messen. Dies ist in der Softwareentwicklung üblich, bspw. das Durchschnittsalter von Bugs zu tracken.
• Frage-Antwort-Datenbank: Systeme wie Stackoverflow für Teams halten Wissen in der Form von Fragen und Antworten fest und erleichtern die Aktualisierung durch das Team.
• Networked Notetaking: In Werkzeugen wie Logseq oder Obsidian erfassen wir Wissen unstrukturiert und nutzen es in der Form eines durch Tags verbundenes Wissensnetzwerks. Dies ist eher geeignet für das eigene Wissensmanagement, ist aber auch im Team nutzbar.
• Modelle oder spezialisierte Notationen: Manches Wissen kann wesentlich besser in einer eigenen Notation erfasst werden, um das Finden und Verwerten von Daten zu ermöglichen. Das Spektrum reicht von Tabelle (Excel) für tabellarische Daten, YAML oder JSON für strukturierte Daten wie Parameter, die maschinell weiterverarbeitet werden sollen oder SysML-Modelle,

2. Wissen organisieren und kuratieren

Egal, wo wir unser Wissen festhalten, wir müssen es kuratieren. Das ist wichtiger denn je, denn durch die Mengen an Daten explodieren. Leider geht das nicht von allein, und auch KI ist, zumindest im Moment, nur begrenzt in der Lage, diese Aufgabe für uns zu übernehmen.

Wir sollten darauf achten, dass unsere Werkzeuge folgende Features zum Organisieren der Information haben:

• Tags: Tags sind ein extrem mächtiges Werkzeug, um Information so zu organisieren, dass wir schnell finden, was wir suchen. Doch Tags müssen sowohl gut gepflegt werden, als auch vom Werkzeug gut unterstützt werden. Gerade die Werkzeugunterstützung ist oft stiefmütterlich.
• Hierarchien: Hierarchien sind der klassische Weg zur Wissensorganisation, benötigen für große Wissensmengen jedoch viel Disziplin.
• Such- und Filterfunktionen: Neben Tags und Hierarchien sind leistungsfähige, kontextsensitive Such- und Filtermechanismen entscheidend, um Wissen tatsächlich nutzbar zu machen.
• Referenzen / Traceability: Ein gutes Werkzeug ermöglicht es, andere Inhalte zu referenzieren. Das können klassische Links sein, wobei die Datenhaltung robust bezüglich Umbenennungen sein muss.
• Ontologien: Ontologien erfordern einiges an Vorarbeit, können sich aber, je nach Kontext, auszahlen. Sie schaffen ein gemeinsames Vokabular und klare Beziehungen zwischen Begriffen, was insbesondere bei großen, interdisziplinären Projekten Missverständnisse reduziert und die automatische Verarbeitung von Wissen ermöglicht.
• Intranet: Auch wenn es „Low Tech“ ist, so ist ein klar definierter Einstiegspunkt für die Suche nach Wissen enorm effektiv, um Mitarbeitern zu helfen, das Gesuchte zu finden.
• Versionierung: Wir Menschen tendieren dazu, nichts löschen zu wollen. Doch das führt zu veralteten Informationen und Redundanz. Eine gute Versionierung nimmt uns unter anderem die Angst vor dem Löschen und kann Redundanz verhindern, wenn wir veraltete Information „im Archiv“ behalten wollen.
• Visualisierung & Navigationshilfen: Graphische Übersichten (Wissensgraphen, Heatmaps, Dashboards) erleichtern es, Zusammenhänge zu verstehen und Lücken zu identifizieren.

3. Wissen ausführbar machen

Eine spannende Möglichkeit, Wissen zu manifestieren, ist die Verewigung in Artefakten, die in irgendeiner Form ausführbar sind. Eine Best Practice der Softwareentwicklung ist zum Beispiel, bei einem neuen Bug zunächst einen Unit Test zu schreiben, bevor dieser behoben wird. Sollte derselbe Bug irgendwann wieder auftauchen, dann würde der Unit Test ihn finden.

Wenn für einen Bug zunächst ein Unit Test geschrieben wird bevor er behoben wird, dann wird das Wissen über den Fehler dauerhaft im Test manifestiert und ein erneutes Auftreten zuverlässig erkannt.

Hier sind ein paar Möglichkeiten, wie wir Wissen ausführbar machen können:

• Unit Tests: Nicht nur Bugs, auch anderes Wissen über unseren Code können wir über Unit Tests festhalten
• Module: Wiederverwendbare „Module“ verhindern, das Rad neu zu erfinden. Was ein Modul ist, hängt vom Kontext ab: Eine Softwarebibliothek, eine physikalische Komponente, etc. Um effektiv eine Modulbibliothek aufzubauen, benötigen wir eine passende Architektur.
• Design Patterns: Durch die Komplexität moderner Systeme ist das Erstellen von Modulen nicht immer praktikabel. Allerdings ist es möglich, wiederkehrende Muster zu identifizieren, die Best Practices repräsentieren. Design Patterns festzuhalten ist aufwendig und erfordert Pflege und regelmäßige Schulung der Mitarbeiter.
• Prozesse und Checklisten anpassen: Prozesse sind ebenfalls ausführbares Wissen und werden oft mit Checklisten ergänzt. Dies wird bei der Wissenspflege manchmal übersehen.

In der Softwareentwicklung hat sich „X as Code“ (bspw. „Configuration as Code“) etabliert, um Wissen ausführbar zu machen. Das ist im Systems Engineering grundsätzlich auch möglich.

4. Wissen teilen

Wissen ist kein Selbstzweck, sondern soll dem Team helfen, Aufgaben effizient zu bearbeiten und Umwege zu vermeiden. Daher kommen wir ohne Wissensvermittlung durch den Menschen nicht aus.

• Wissens-Transfer formalisieren: Dazu gehört Pairing oder Brown-Bag Sessions, also beim Essen informelle Vorträge halten. Diese können wir auch leicht aufzeichnen. In dem Fall ist es wichtig, die Videos mit entsprechenden Metadaten zu versehen, damit Interessierte sie finden.
• Historische Daten regelmäßig analysieren: Erkenntnisse aus vergangenen Projekten, Tests oder Fehlerdatenbanken sollten nicht verstauben, sondern in regelmäßigen Abständen gemeinsam betrachtet werden. So können Muster erkannt, Best Practices abgeleitet und neue Teammitglieder schneller eingelernt werden.
• Code & Modell Reviews etablieren, damit Wissen nicht nur in Köpfen Einzelner bleibt. Reviews fördern geteiltes Verständnis, decken Lücken auf und machen implizites Wissen explizit.

5. Und KI?

KI wird uns helfen, mit der steigenden Komplexität umzugehen und Wissen zugänglicher zu machen, aber es ist kein Allheilmittel. Hier sind KI-Ansätze, die uns beim Festhalten von Wissen helfen können:

• Automatische Transkription & Zusammenfassung: Meetings, Telefonate oder Workshops werden inzwischen routinemäßig aufgezeichnet, transkribiert und in strukturierte Protokolle oder Entscheidungslisten verdichtet. Trotzdem müssen wir diese Inhalte noch in unser Wissensmanagement einordnen.
• Semantische Anreicherung: KI kann Texte mit Tags, Kategorien oder Ontologien anreichern, sodass Inhalte später leichter gefunden werden und damit die Effizienz des Kuratierungsprozesses steigern.
• Wissens-Extraktion aus Dokumenten: Unstrukturierte Quellen (PDFs, Spezifikationen, Mails) können wesentlich leichter analysiert und in strukturiertes Wissen überführt werden.
• Chat Interfaces: Immer mehr Werkzeuge stellen Chat Interfaces bereit, die einen ähnlichen Wert wie eine Fragen-Antwort-Datenbank haben können.
• Automatisierte Konsistenzprüfung: KI prüft Dokumente, Code oder Modelle auf Widersprüche, Dubletten oder veraltete Informationen und schlägt Korrekturen vor.

Fazit

Wissen richtig festzuhalten ist wichtig, passiert aber nicht von alleine, auch nicht mit KI. Um das Rad nicht neu zu erfinden, müssen Organisationen eine Strategie für die Wissenspflege haben, passende Werkzeuge nutzen und genug Ressourcen bereitstellen. Doch richtig angewendet, kann gutes Wissensmanagement einen enormen Wettbewerbsvorteil darstellen.