Wissensverlust durch Babyboomer-Rente: Daniel Fallmann erklärt, wie KI Unternehmen retten kann
Deutschland steht vor einem massiven demografischen Wandel, da die Babyboomer-Generation – insbesondere aus den 1950er und 1960er Jahren – in den Ruhestand geht. Diese Generation bildet einen erheblichen Teil der Belegschaft in Schlüsselbranchen wie Ingenieurwesen und IT, deren wertvolles Fachwissen nicht einfach ersetzt werden kann.
Daniel Fallmann erklärt, wie KI und moderne Wissensmanagement-Systeme den Fachkräftemangel durch den Ruhestand der Babyboomer bewältigen können.
Foto: Mindbreeze
In unserem Interview erläutert KI und Wissensmanagement-Experte Daniel Fallmann, wie Unternehmen den drohenden Know-how-Verlust durch innovative KI- und Wissensmanagement-Lösungen abfedern können.
Herr Fallmann, wie sehen Sie die aktuelle demografische Entwicklung in Deutschland, insbesondere in Bezug auf die Babyboomer-Generation, und welche Herausforderungen ergeben sich daraus für Unternehmen in den Ingenieur- und IT-Branchen?
Die demografische Entwicklung zeigt, dass in den kommenden Jahren viele Arbeitnehmerinnen und Arbeitnehmer der Babyboomer-Generation in den Ruhestand gehen werden. Diese Generation stellt aktuell einen großen Teil der Belegschaft in den Ingenieur- und IT-Branchen dar und besitzt maßgebliches Fachwissen sowie Erfahrung. Ohne diese Fachkräfte kommt es unweigerlich auch zu einem Know-how-Verlust, der oft schwer zu kompensieren ist. Daher ist es für Unternehmen wichtig, bereits frühzeitig Maßnahmen zu ergreifen, um das Wissen und insbesondere Best Practices der Babyboomer für die nachfolgende Generation effizient bereitzustellen.
Wie schätzen Sie die Rolle von KI im Wissensmanagement ein, speziell wenn es darum geht, das wertvolle Know-how erfahrener Mitarbeiter zu erfassen und zugänglich zu machen?
Künstliche Intelligenz (KI) spielt auf jeden Fall eine zentrale Rolle, wenn es darum geht, das Know-how erfahrener Mitarbeitender zu bewahren. Stellen Sie sich vor, eine junge Kollegin stellt eine Frage an einen digitalen Assistenten und erhält eine Zusammenfassung, wie beispielsweise ihre Vorgängerin einen Sachverhalt bearbeitet hat – selbst, wenn diese nicht mehr im Unternehmen ist. Dazu benötigt es KI-basierte Wissensmanagementsysteme, die relevante Informationen aus den unterschiedlichen Unternehmensdatenquellen extrahieren, kombiniert mit einem Large Language Model (LLM), um die Inhalte zusammenzufassen.
Wissen der scheidenden Mitarbeitenden dokumentieren
Können Sie genauer erklären, wie Mindbreeze-Technologien Unternehmen dabei unterstützen, das Wissen ihrer scheidenden Mitarbeitenden effizient zu dokumentieren und weiterzugeben? Welche spezifischen Werkzeuge und Ansätze bieten Sie an?
Sehr gerne. Ein großer Teil des Wissens ist gespeichert, sei es in Dokumentationen, Handbüchern oder E-Mails. Wichtig ist nun dieses Wissen auffindbar und zugänglich zu machen. Unsere Insight Engine Mindbreeze InSpire ermöglicht es, alle relevanten Datenquellen einer Organisation schnell und effizient zu durchsuchen. Wir nutzen dazu unterschiedliche Methoden der künstlichen Intelligenz, um die Informationen aus den Quellen zu extrahieren, zu verknüpfen und für die Mitarbeitenden aufzubereiten. Dies kann in einer 360-Grad-Sicht erfolgen oder als Antwort auf eine Frage in Textform wie von ChatGPT bekannt. Dazu kombinieren wir unsere Insight Engine natürlich auch mit Large Language Models (LLMs).
Man spricht viel davon, dass die „Halluzinationen“ von KI-Sprachmodellen wie ChatGPT ein Risiko darstellen. Was genau sind diese „Halluzinationen“ und warum sind sie im Kontext des Wissensmanagements besonders problematisch?
„Halluzinationen“ sind KI-generierte Inhalte, die zwar plausibel erscheinen, aber falsch, veraltet oder irreführend sind. Dies geschieht vor allem dann, wenn die KI aufgrund von unvollständigen oder fehlerhaften Trainingsdaten, falsche Rückschlüsse oder Zusammenhänge errechnet oder Informationen schlichtweg falsch interpretiert. Gerade Large Language Models sind darauf ausgelegt, auf eine Anfrage eine generierte Antwort zu liefern. Hier liegt der Fokus auf dem generierten Text und eben nicht darauf, dass die Inhalte korrekt sein müssen. Insight Engines hingegen haben den Fokus auf inhaltliche Korrektheit, validierte und vertrauenswürdige Informationen als Basis, sowie auch auf das Erzwingen und Prüfen von Zugriffsrechten. Denn ist es im Unternehmenskontext essentiell, verifizierte Antworten zu geben und zumindest immer, die der Antwort zugrundeliegenden Quellen auszuweisen, damit der Mensch diese verifizieren kann.
Kombination eines Large Language Models mit einer Insight Engine
Wie kann man sicherstellen, dass nur das spezifische Wissen eines Unternehmens als Grundlage für die Antworten eines KI-Sprachmodells genutzt wird, und welche Maßnahmen werden ergriffen, um die Datensicherheit zu gewährleisten?
Um die erwähnten Halluzinationen zu vermeiden, setzen Unternehmen zunehmend auf „Retrieval Augmented Generation“, kurz RAG. Dabei handelt es sich um die Kombination eines Large Language Models mit einer Insight Engine. Bei einer Fragestellung durchsucht die Insight Engine die Unternehmensdatenquellen nach relevanten Fakten und Informationen übergibt diese an das LLM, welches eine Antwort in natürlicher Sprache erstellt und die entsprechenden Quellen zur Nachvollziehbarkeit ausweist. Dadurch können Nutzerinnen und Nutzer die Antworten jederzeit mittels der von der Insight Engine zur Verfügung gestellten Fakten zurückverfolgen.
In welchem Maße können KI-gestützte Expertennetzwerke dazu beitragen, menschliches Wissen effizienter zu teilen, und welche Vorteile bieten solche Netzwerke gegenüber traditionellen Methoden des Wissensmanagements?
Traditionell wurden Informationen in einer Wissensdatenbank gespeichert und gepflegt – oder auch nicht. Mindbreeze als additives System geht hier einen anderen Weg. Durch die Anbindung der Datenquellen via Konnektoren bleibt die Information an ihrem Speicherort. Wir analysieren und verknüpfen die Informationen und stellen diese bei Abfragen entsprechend der Zugriffsrechte bereit. So können Zusammenhänge zwischen Themenschwerpunkten und Expert*innen rasch ermittelt werden, und zwar immer mit den aktuellsten Informationen. Wir nennen dies 360-Grad-Sicht auf eine Expertin/einen Experten. Hier sieht der Abfragende alle relevanten Informationen zu der Person und ihren erstellten Unterlagen wie Berichte oder Studien. Dies spart Zeit bei der Suche und macht Wissen effizienter im Unternehmen verfügbar.
Trends und Herausforderungen im Bereich des Wissensmanagements
Angesichts der schnellen technologischen Entwicklungen: Welche zukünftigen Trends und Herausforderungen sehen Sie im Bereich des Wissensmanagements und der Wissensbewahrung durch KI in den nächsten fünf bis zehn Jahren?
Wir sehen eine Entwicklung in Richtung generierte Informationen, die validierbar und relevant sind. Analystenhäuser wie Gartner oder Forrester sprechen hier von „Explainable AI“ also nachvollziehbare KI-generierte Informationen. Sind die Ergebnisse transparent, spricht man auch von „Trusted Information“ im Gegensatz dazu stehen Blackbox-Ergebnisse, deren Ursprung nicht nachvollziehbar ist. Eine weitere Herausforderung sehen wir im Bereich der Nachhaltigkeit, aktuell kostet das Betreiben und Trainieren von LLMs enorm viel Energie – vor allem Strom. Diese Energiekosten müssen drastisch reduziert werden, damit die Rechenleistung günstiger wird und nachhaltiger, indem der Strom aus erneuerbaren Energieträgern erzeugt wird.
Wie wichtig ist die Zusammenarbeit zwischen Menschen und KI, wenn es darum geht, das Know-how innerhalb eines Unternehmens zu erhalten und zu fördern, und wie kann diese Zusammenarbeit optimal gestaltet werden?
Wir sehen KI als persönlichen Assistenten, der bei täglichen Aufgaben unterstützt und entlastet. Heute stehen viele Mitarbeitende vor der Herausforderung immer mehr Arbeiten in kürzester Zeit erledigen zu müssen. KI-Systeme entlasten hier, indem sie, sich wiederholende Prozesse erledigen, beispielsweise die automatische Verteilung der Eingangspost oder als Sparringpartner für Antworten zur Verfügung stehen. Wichtig ist dabei, die Mitarbeitenden dafür zu sensibilisieren, nur Systeme zu verwenden, die den Compliance-Richtlinien entsprechen, um einerseits Halluzinationen zu vermeiden und andererseits sicherzustellen, dass vertrauliche Informationen auch im Unternehmen bleiben.
Frühzeitig ein effizientes Wissensmanagement implementieren
Welche Ratschläge würden Sie Unternehmen geben, die sich auf den bevorstehenden Wissensverlust durch den Ruhestand der Babyboomer vorbereiten möchten, und welche ersten Schritte sollten sie unternehmen, um ihre Wissensmanagementstrategien zu verbessern?
Wir empfehlen Unternehmen frühzeitig ein effizientes Wissensmanagement zu implementieren, um die vorhandenen Informationen für neue Mitarbeitende bereitzustellen. Wir sehen diese Systeme als persönliche KI-basierte Assistenten, die ad-hoc Antworten liefern können. Denn oft werden bei einer Übergabe Informationen vergessen, die aber im Unternehmen vorhanden sind, genau hier liegt die Stärke von Mindbreeze – Antworten aus den gespeicherten Daten zu erstellen. Bei der Einführung empfehlen wir additive Systeme, die sich via Konnektoren mit den vorhanden Datenquellen anbinden lassen. So bleiben die Daten an ihrem ursprünglichen Speicherort (Cloud, on-prem). Darüber hinaus ist es wichtig vor Einführung die Use Cases und die Ziele zu definieren und in einer Abteilung zu starten. Viele unserer Kunden starten beispielsweise mit einer 360-Grad-Sicht auf Informationen für eine Abteilung, Implementieren einen Chat für Dokumente oder automatisieren Prozesse, die bisher manuell erledigt wurden wie die Posteingangsklassifizierung.
Ein Beitrag von:
