Organisationsgedächtnis & Erfassung von Lessons Learned

Organisationen wiederholen Fehler, weil das Gelernte in den Köpfen der Menschen, in geschlossenen Tickets und vergessenen Folien von Rückblicken steckt. KI kann Meetings mithören, Post-Mortems und Tickets lesen, strukturierte Erkenntnisdatensätze entwerfen, sie zur Prüfung an eine Expertin oder einen Experten weiterleiten und die passende Erkenntnis einblenden, wenn ein ähnliches Projekt, eine ähnliche Ausschreibung oder Störung beginnt. Schwierig ist nicht die Extraktion, sondern Kuratierung, Verantwortung und Zeitpunkt: Eine Erkenntnis, die nicht im richtigen Moment gezeigt wird, wird nicht gelernt.

Problem & Nutzen

• Heute: Lessons-Learned-Workshops erzeugen ein PDF, das niemand liest; Entscheidungen leben im Chat; Experten gehen in Rente und nehmen den Kontext mit. Klassische Lessons-Learned-Datenbanken gibt es (die NASA betreibt ein öffentliches, kuratiertes Lessons-Learned-System, dessen freigegebene Erkenntnisse indexiert, durchsuchbar und an registrierte Abonnenten gepusht werden [1]), sie sind aber auf diszipliniertes manuelles Verfassen und ein Steuerungsgremium angewiesen.
• KI-Nutzen: senkt den Erfassungsaufwand (Entwurf aus Transkript oder Ticket), verbessert die Suche (semantische Suche nach Situation statt nach Stichwort) und ermöglicht Push statt Pull (Hinweise beim Projektstart, bei Änderungsanträgen oder Angeboten).
• Evidenzlage: Es gibt Herstellerangaben (zum Beispiel beschreibt Guru die automatische Kennzeichnung von widersprüchlichen oder veralteten Inhalten sowie Prüfworkflows durch Experten [2]), aber unabhängige, quantifizierte Studien zur Wiederverwendung von Lessons Learned sind selten; messen Sie sie selbst (siehe Kennzahlen).

Varianten

• Projektbasiert (Bau, Anlagenbau, IT-Projekte): Rückblicke und Änderungsaufträge speisen eine Erkenntnisbasis, die beim nächsten Angebot oder Projektstart abgefragt wird.
• Qualität & Sicherheit (Fertigung, Luftfahrt, Gesundheitswesen): 8D-Reports, Störungs- und Beinaheunfallberichte werden zu strukturierten Erkenntnissen, verknüpft mit Prozessen und Teilen.
• Softwareteams: Architecture Decision Records (ADRs), Post-Mortems und PR-Diskussionen bilden ein durchsuchbares Entscheidungsgedächtnis; Coding-Agenten lesen es als Projektkontext.
• Offboarding von Experten: Erfassung im Interviewstil (die KI stellt strukturierte Nachfragen) vor dem Ruhestand; das Ergebnis ist ein Übergabe-Briefing, das der Experte prüft.
• Öffentlicher Sektor: Erkenntnisse aus Fällen und Projekten über Behörden hinweg; strenge Zugriffs- und Archivregeln.
• Agentengedächtnis: dauerhaftes Gedächtnis für KI-Agenten (was bei welcher Aufgabe funktioniert hat) — dieselbe Technik (Mem0, Graphiti, LangMem), aber auf Agenten statt auf Menschen bezogen.
• Private Nutzung: persönliche Rückblicke und Notizen gehören zu KNOW-018.

So funktioniert es

1. Quellen (Meeting-ASR, Tickets, Wiki, Post-Mortems, Chat, E-Mail)
2. Einlesen + Einwilligungs-/Berechtigungsfilter + Umgang mit PII
3. Kandidatenextraktion (LLM: Entscheidung / Erkenntnis / Risiko / Maßnahme, mit Zitat + Quellenlink)
4. Strukturierung in ein Schema (Kontext, Auslöser, Ursache, Empfehlung, Gültigkeit, Verantwortliche)
5. Deduplizierung und Verknüpfung (Embeddings; Entitäten in einem Wissensgraphen)
6. menschliche Verifikation (Verantwortliche oder Fachleute genehmigen, bearbeiten, lehnen ab)
7. Index (hybride Suche + Reranker; zeitliche Gültigkeit)
8. Wiederauffinden (Suchoberfläche, Assistent im Chat, Einbindung in Projekt-/Angebots-/Ticket-Vorlagen)
9. Rückmeldung (nützlich / veraltet)
10. Prüfzyklus, Ablauf

• Extraktion ist eine LLM-Aufgabe mit strikter Schema-Ausgabe und verpflichtenden Quellenzitaten; keine Erkenntnis ohne Verweis auf einen Beleg.
• Gedächtnisschicht: Open-Source-Bibliotheken wie Mem0 (Apache-2.0, Nutzer-/Sitzungs-/Agentengedächtnis, vom Hersteller berichteter LoCoMo-Wert von 92,5 aus der verwalteten Plattform, daher liegen selbst betriebene Ergebnisse niedriger [3]) und Graphiti (Apache-2.0, zeitlicher Wissensgraph, in dem veraltete Fakten als ungültig markiert statt gelöscht werden, mit Herkunft bis zu den Quell-Episoden [4]) liefern Faktenkonsolidierung und zeitliche Gültigkeit.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Prüfung vor der Veröffentlichung ist die zentrale Kontrolle; die KI entwirft, Menschen verantworten. Ungeprüfte Entwürfe werden mit sichtbarem Hinweis gezeigt oder gar nicht.

Datenaufbereitung

Das Organisationsgedächtnis speist sich aus Meeting-Aufzeichnungen und -Notizen, Projektrückblicken, Ticketsystemen, Wiki-Seiten, E-Mail-Verläufen und dem Wissen erfahrener Beschäftigter. Im Mittelstand liegt dieses Material in Postfächern, auf Dateiablagen, in Teams-/Zoom-Aufzeichnungen, in einem Ticketwerkzeug und in Papiernotizbüchern; vieles wird nie aufgeschrieben. Typische Lücken sind verstreute und unstrukturierte Notizen, fehlende Projektabschlussdokumentation, fehlender Kontext (wer was warum entschieden hat), veraltete Einträge und unklare Zugriffsrechte.

Aufbereitungsschritte: (1) festlegen, welche Quellen im Umfang sind und wem sie gehören (PREP-001, PREP-004); (2) eine einfache Erkenntnisvorlage definieren - Situation, Entscheidung, Ergebnis, Empfehlung (PREP-016, PREP-019); (3) Meetings transkribieren und alte Papiernotizen digitalisieren (PREP-006, DATA-007); (4) eine erste Reihe geprüfter Erkenntnisse aus vergangenen Projekten als Goldbeispiele sammeln; (5) nach Projekt, Thema und Datum verschlagworten (PREP-010); (6) Prüfzyklen festlegen, damit Einträge aktuell bleiben (PREP-017); (7) personenbezogene Daten pseudonymisieren, wo Namen nicht gebraucht werden (PREP-022).

Werkzeuge: Whisper-basierte Transkription, Paperless-ngx, Exporte aus Wiki/Confluence/Notion und einfache n8n-Abläufe. Rechnen Sie mit etwa 30-40 Prozent des Aufwands für Datenaufbereitung und Prozessdefinition; die eigentliche Arbeit ist die Gewohnheit, Erkenntnisse festzuhalten, nicht die Software.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg B - das Know-how ist über Tickets, Meetings und Dokumente verstreut, daher passt ein kleiner Eigenbau auf Cloud-APIs, integriert in die eigenen Werkzeuge, besser als ein generisches Produkt.
• Großunternehmen: Weg C - Projektrückblicke und Expertenwissen sind strategisch und betreffen oft Beschäftigtendaten, daher behält eine interne Plattform mit offenen Modellen die Kontrolle.
• Entwickler: Weg C - Open-Source-Bausteine (Whisper, Vektordatenbank, lokales LLM) erlauben es Teams, Prototypen zu bauen, ohne Meetingdaten nach außen zu geben.
• Öffentlicher Sektor: Weg C - personenbezogene und interne Beratungsdaten sollten in einer souveränen oder selbst betriebenen Umgebung bleiben.

Weg A — Kaufen (Standardsoftware)

• Wissensmanagement-Plattformen mit Prüfworkflows: Guru (Verifizierung, Erkennung veralteter Inhalte, Quellenangaben; EU-Hosting ist auf der Produktseite nicht angegeben, prüfen Sie daher den Vertrag) [2], Confluence/Atlassian Rovo, Notion AI, Microsoft 365 Copilot mit SharePoint/Teams, Enterprise-Search-Lösungen im Stil von Glean (siehe KNOW-001). EU-/deutsche Optionen: d.velop, DocuWare, Fabasoft, Empolis, Confluence Data Center On-Premises; prüfen Sie den Datenstandort je Anbieter.
• Meeting-Erfassung: siehe SPEECH-001 (integrierte Zusammenfassungen von Teams/Zoom/Meet, in der EU gehostete Notetaker).
• Wählen Sie A, wenn: Sie die Suite bereits nutzen, das Volumen überschaubar ist und die Prüfung durch eine benannte Wissensverantwortliche bzw. einen benannten Wissensverantwortlichen erfolgen kann.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlen)

• LLM mit strukturierten Ausgaben aus einem Angebot in einer EU-Region (Claude über AWS Bedrock/Google Vertex in EU- Regionen, Gemini auf Vertex EU, Azure OpenAI EU Data Zone, Mistral La Plateforme als EU-Anbieter).
• Embeddings und Reranker (Cohere, Voyage, Mistral oder offene Modelle), Vektorspeicher mit Hybridsuche (pgvector, Azure AI Search, OpenSearch).
• Orchestrierung: n8n oder Power Automate für Einlesen und Prüfaufgaben (AGENT-002), Prüfoberfläche im vorhandenen Wiki oder in Teams; Gedächtnisbibliotheken Mem0, Graphiti oder LangMem (MIT; Hot-Path- und Hintergrund-Gedächtnismanager, datenbankgestützter Speicher für den Produktivbetrieb [5]).
• Wählen Sie B, wenn: Sie ein eigenes Schema, die Integration in Projekt- und Ticketwerkzeuge und EU-Datenhaltung ohne Betrieb von GPUs brauchen.

Weg C — Selbst betreiben (Open Source)

• Open-Weight-LLMs (Qwen3, Mistral, Llama-Familie, gpt-oss), betrieben über vLLM oder Ollama; Embeddings wie BGE-M3 oder multilingual-e5; ASR der Whisper-Klasse für Meetings.
• Stack: PostgreSQL + pgvector oder Qdrant/OpenSearch, Neo4j oder FalkorDB für den Graphen (von Graphiti unterstützt [4]), Mem0 als selbst betriebener Docker-Server [3], Letta (Apache-2.0) für zustandsbehaftete Agenten [6].
• Hardware: HW2 reicht für einen Einsatz im Teammaßstab (Transkripte werden im Batch verarbeitet, die Latenz ist unkritisch); HW3 für größere Modelle und viele parallele Meetings.
• Wählen Sie C, wenn: Transkripte personenbezogene oder vertrauliche Daten enthalten, die das Haus nicht verlassen dürfen, oder Betriebsvereinbarungen eine Verarbeitung On-Premises verlangen.

Weg D — Eigenes Training

Lohnt sich selten. Das Feintuning eines kleinen Modells auf Ihr Erkenntnisschema oder eines Domänen-Klassifikators für die Zuordnung von Erkenntnissen zu Prozessen rechnet sich erst bei Tausenden geprüfter Erkenntnisse. Geprüfte Datensätze sind die natürlichen Trainingsdaten; beginnen Sie mit Prompting und Evaluationssätzen.

Stand der Technik (2026)

• Frameworks für Agentengedächtnis (Mem0, Zep/Graphiti, Letta, LangMem) sind zu wiederverwendbaren Schichten gereift, mit Hybridsuche (Embeddings + BM25 + Graph) und zeitlicher Gültigkeit [3][4][5][6]. Benchmark-Zahlen der Hersteller (LoCoMo, LongMemEval) sind selbst berichtet und messen das Erinnern in Gesprächen, nicht den Nutzen einer betrieblichen Erkenntnis — bauen Sie ein eigenes Testset aus vergangenen Projekten.
• Modelle mit langem Kontext erlauben kleinen Teams, aufwendige Pipelines bei überschaubaren Korpora zu überspringen, lösen aber weder Kuratierung noch Berechtigungen oder Verfall.
• Meeting-zu-Wissen-Pipelines (ASR + Sprechererkennung + LLM-Extraktion) sind Standard; das offene Problem ist, die Ergebnisse in geprüftes, aktuelles Wissen mit klarer Verantwortung zu überführen.
• Grenzen und Fehlerbilder: halluzinierte oder übergeneralisierte Erkenntnisse; Erkenntnisse, die einmal wahr waren und jetzt überholt sind; Kontextverlust (eine Erkenntnis von einem anderen Kunden oder aus einer anderen Technologie wird falsch angewendet); Berechtigungslecks, wenn die Suche die Quell-ACLs ignoriert; geringe Beteiligung; eine Schuldzuweisungskultur, die ehrliche Post-Mortems unterdrückt.

Gemeinsame Bausteine & Kombinationen

• Derselbe Retrieval-Stack (embedding-text + vector-db + reranker + llm-general): KNOW-001 Unternehmenssuche, KNOW-002 RAG-Assistent, KNOW-011 Erzeugung und Pflege von Wissensdatenbanken, KNOW-025 Records Management. Ein Index und eine Berechtigungsschicht können alle bedienen.
• Graphschicht: KNOW-013 (GraphRAG) und KNOW-012 (Expertensuche: „wer hat das geschrieben oder gelernt").
• Datenaufnahme: SPEECH-001 (Meeting-Transkripte) und die ASR-/Sprechererkennungs-Server dahinter; AGENT-002 Workflow-Engine für Prüfaufgaben; AGENT-009 Onboarding (neue Beschäftigte erhalten das Gedächtnis).
• Governance: AGENT-025 für die Beobachtbarkeit des Agentengedächtnisses. Hardware: ein HW2/HW3-Server, den sich diese Anwendungsfälle teilen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Lizenzen pro Arbeitsplatz. Weg B: 2–4 Monate inkl. Schemaentwurf, Prüfworkflow, Berechtigungen; die Kosten entstehen vor allem durch Entwicklung und Change Management, die API-Kosten sind gering. Weg C: 3–6 Monate; ein GPU-Server plus Betrieb. Weg D: zusätzliche Monate und annotierte Daten.
• Kennzahlen: erfasste Erkenntnisse pro Projekt, Anteil der innerhalb von N Tagen geprüften, Trefferquote beim Abruf in Projektstarts (Erkenntnis gezeigt und als nützlich markiert), Wiederverwendungsquote (Erkenntnisse, die in neuen Plänen zitiert werden), Anteil veralteter Erkenntnisse, Wiederholungsrate desselben Störungstyps, Einarbeitungszeit neuer Beschäftigter.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung, die eine Lernkultur statt einer Schuldzuweisungskultur fördern muss, und den Abteilungsleitungen, deren Projekte die Erkenntnisse liefern. Personalabteilung und Betriebsrat sind beteiligt, bevor eine Aufzeichnung oder Transkription beginnt; die oder der Datenschutzbeauftragte prüft die Rechtsgrundlage für die Speicherung von Aussagen namentlich genannter Personen. Die IT richtet Transkription, Speicherung und Zugriffsrechte ein. Die Endnutzer - Projektleiter und Experten - gestalten die Erkenntnisvorlage mit und prüfen die KI-Entwürfe.

Betriebsrat: in den meisten Fällen ja. Meeting-Transkription, Entscheidungserfassung und Wissensprofile sind geeignet, Verhalten und Leistung zu überwachen, daher gilt §87(1) Nr. 6 BetrVG (die objektive Eignung genügt); §90(1) Nr. 3 verlangt die frühzeitige Unterrichtung über KI-gestützte Arbeitsprozesse, und §80(3) erlaubt einen KI-Sachverständigen. Schließen Sie eine Betriebsvereinbarung zu Zweck, Ausschluss der Leistungsbewertung, Aufbewahrung und Löschung ab (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat. Es sind personenbezogene Daten betroffen, daher sind Datenschutzbeauftragte(r), AVV und wahrscheinlich eine DSFA erforderlich (GUIDE-005); die Transparenz nach Art. 50 gilt, wenn synthetische Inhalte gezeigt werden.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer Schulung zur Prüfung von KI-Zusammenfassungen und zu den Grenzen der Transkription (GUIDE-006). Kommunizieren Sie offen, was aufgezeichnet wird, wer es sieht und dass niemand nach seinem Beitrag bewertet wird. Typische Sorgen sind Überwachung und die Angst, sich durch das Teilen von Know-how ersetzbar zu machen; begegnen Sie ihnen mit freiwilligen Aufzeichnungen (Opt-in), menschlicher Kuratierung jeder Erkenntnis vor der Veröffentlichung und einem Pilot mit einem freiwilligen Team (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Nutzung ab. Reine Wissenserfassung ist minimales Risiko (die KI-Kompetenz nach Art. 4 gilt). Werden die Ergebnisse genutzt, um Leistung oder Verhalten von Beschäftigten zu überwachen oder zu bewerten, kann Anhang III (Beschäftigung) sie zum Hochrisiko-System machen. Das Erkennen von Emotionen von Beschäftigten aus Stimme oder Video am Arbeitsplatz ist nach Art. 5(1)(f) verboten, außer aus medizinischen oder Sicherheitsgründen [7]; ergänzen Sie die Meeting-Erfassung nie um Stimmungs- oder Emotionsanalyse. Die Pflichten nach Art. 50 gelten, wenn KI-generierter Text Menschen als solcher präsentiert wird.
• DSGVO / Arbeitsrecht: Transkripte enthalten personenbezogene Daten von Beschäftigten, Kunden und Dritten. Erforderlich sind eine Rechtsgrundlage, Information der Meeting-Teilnehmer, Aufbewahrungsfristen und Datenminimierung. In Deutschland regelt §26 BDSG die Verarbeitung von Beschäftigtendaten [8], und der Betriebsrat hat ein Mitbestimmungsrecht bei technischen Einrichtungen, die zur Überwachung von Verhalten oder Leistung geeignet sind (§87(1) Nr. 6 BetrVG) [9] — schließen Sie vor dem Roll-out eine Betriebsvereinbarung ab. Schreiben Sie Erkenntnisse über Prozesse, nicht über Personen.
• Vertraulichkeit & geistiges Eigentum: Beachten Sie Kunden-NDAs, Exportkontrolle und Berufsgeheimnisse (Rechtsangelegenheiten); setzen Sie Quellenberechtigungen zum Abrufzeitpunkt durch; anonymisieren Sie Kundennamen, wenn Erkenntnisse breit geteilt werden.
• Aufbewahrung: Für Entscheidungen können Aufbewahrungspflichten gelten; stimmen Sie sich mit KNOW-025 ab.
• Gegenmaßnahmen: Veröffentlichung nur geprüfter Inhalte, Quellenverweise, Ablaufdaten, Audit-Log, Opt-out für Meetings, Richtlinie für schuldzuweisungsfreie Post-Mortems.

Erste Schritte

1. Wählen Sie einen Prozess mit wiederkehrendem Problem (Projektstart, Störungs-Post-Mortem, Angebot) und definieren Sie das Erkenntnisschema mit den Menschen, die es nutzen werden.
2. Klären Sie zuerst die Governance: Wissensverantwortliche je Fachgebiet, Prüf-SLA, Betriebsvereinbarung, Regeln für Meeting-Aufzeichnungen.
3. Erfassen Sie 30–50 frühere Erkenntnisse oder Post-Mortems nach, manuell und per LLM-Entwurf; vergleichen Sie die Qualität.
4. Verdrahten Sie die Wiedereinblendung: ein Hinweis in der Projektvorlage oder im Ticketformular, der die Wissensbasis abfragt.
5. Messen Sie Wiederverwendung und Nützlichkeit nach 3 Monaten; legen Sie Ungenutztes still oder lassen Sie es ablaufen.

Quellen

1. NASA — Lessons Learned program — https://www.nasa.gov/nasa-lessons-learned/
2. Guru — knowledge capture and verification — https://www.getguru.com/
3. Mem0 — GitHub repository — https://github.com/mem0ai/mem0
4. Graphiti / Zep — GitHub repository — https://github.com/getzep/graphiti
5. LangMem — GitHub repository — https://github.com/langchain-ai/langmem
6. Letta — GitHub repository — https://github.com/letta-ai/letta
7. AI Act Article 5 (prohibited practices) — https://artificialintelligenceact.eu/article/5/
8. §26 BDSG — https://www.gesetze-im-internet.de/bdsg_2018/__26.html
9. §87 BetrVG — https://www.gesetze-im-internet.de/betrvg/__87.html
10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj