Wenn Wissen in Rente geht: Das unterschätzte Risiko der deutschen Industrie
In Deutschland werden bis 2030 hunderttausende erfahrene Beschäftigte die Industrie verlassen. Aber was passiert mit dem Wissen? Es liegt üblicherweise nicht in Datenbanken, sondern primär in den Köpfen der Mitarbeiter. Wenn diese Menschen nun die Industrie verlassen, verlässt auch jenes Wissen die Industrie. Nicht weil die Unternehmen es nicht wollten. Sondern weil sie nie die Infrastruktur gebaut haben, die nötig gewesen wäre, um Wissen zu halten. In diesem Artikel erklären wir, warum das kein HR-Problem ist, sondern eine strategische Investitionsentscheidung, die heute getroffen werden muss.
Das Risiko wird falsch benannt
Wir lesen in Pressemitteilungen häufig das Wort Fachkräftemangel. Das ist nicht falsch, lenkt aus unserer Sicht jedoch vom eigentlichen Risiko ab.
Fachkräftemangel beschreibt ein Mengenproblem. Zu wenige Menschen für zu viele offene Stellen. Das lässt sich, wenigstens in der Theorie, durch Demografie, Weiterbildung oder Automatisierung adressieren.
Was gerade in der deutschen Industrie passiert, ist jedoch ein anderes Problem. Es ist ein Wissensproblem.
24 Prozent aller deutschen Erwerbstätigen sind heute zwischen 55 und 64 Jahre alt. Das ist der höchste Wert in der gesamten EU, in der der Schnitt bei 20 Prozent liegt. [1] In MINT-Berufen, also genau dort, wo komplexes technisches Wissen sitzt, ist der Anteil der über 55-Jährigen von 15 auf 23 Prozent gestiegen. [2] In den vier deutschen Kernbranchen Maschinenbau, Automatisierung, Automotive und Chemie stehen bis 2030 hunderttausende erfahrene Beschäftigte vor dem Abgang (eigene Berechnung auf Basis von [1] und [3]).
Dabei handelt es sich um die Menschen, die wissen, warum Anlage X bei bestimmten Temperaturen anders reagiert als Anlage Y. Die wissen, welche Lieferantenentscheidung vor acht Jahren zu welchem Qualitätsproblem geführt hat. Die wissen, wie man eine Risikobeurteilung ausfüllt, die eine Zertifizierung übersteht.
Wenn sie gehen, verschwinden zwar auch Arbeitsstunden, vor allem aber verschwindet Erfahrung und Urteilsvermögen.
Wissen ist vorhanden, kommt aber nicht an
Hier liegt der zweite Denkfehler, der teuer werden kann.
Wir sprechen häufig mit Geschäftsführern, die das gerade vorgestellte Problem bereits erkannt haben. Was wir dabei oft hören: Wir müssen mehr dokumentieren. Oder: Wir brauchen ein Wissensmanagementsystem. Oder: Wir führen KI ein.
Keines davon ist falsch. Aber keines davon trifft das eigentliche Problem.
Das eigentliche Problem ist nicht, dass das Wissen fehlt. Es ist da. Es liegt in PLM-Systemen, ERP-Daten, CAD-Modellen, Stücklisten, Serviceberichten, Qualitätsdaten, Risikoanalysen, Lessons-Learned-Dokumenten und Instandhaltungsprotokollen. Gleichzeitig liegt es in der Maschinenverordnung, in CE-Anforderungen, in Normen, in Kundenspezifikationen und in regulatorischen Anforderungen.
Das Problem ist: Diese beiden Welten kommunizieren nicht miteinander. Sie koexistieren in getrennten Systemen und werden von verschiedenen Fachbereichen gepflegt. Keine gemeinsame Struktur und ohne den Mechanismus, der sie im Moment einer Entscheidung zusammenbringt.
Ingenieure verbringen viel Arbeitszeit mit Informationssuche. Häufig suchen sie beim Kollegen, beim Senior-Experten, beim Menschen, der es einfach weiß. Aber was passiert, wenn dieser Mensch nicht mehr da ist?
Die Frage, die ein Unternehmen wirklich beantworten können muss, lautet nicht: Wo finde ich die Information? Sie lautet: Welche Information ist für diese konkrete Entscheidung relevant, vollständig, aktuell und normenkonform?
Das ist eine völlig andere Anforderung. Und sie ist mit einem einfachen Dokumentenarchiv nicht zu lösen.
Regulierung wartet nicht
Von außen kommt eine zweite Kraft, die denselben Druck erzeugt.
Europa bewegt sich von Dokumentationspflichten hin zu digitalen Nachweispflichten. Auf den ersten Blick wirkt das wie zusätzliche Bürokratie. In der Praxis betrifft es jedoch die Art, wie Produktinformationen überhaupt entstehen, gepflegt und weitergegeben werden.
Früher reichte es, Dokumente bereitzustellen. Einen Ordner, einen PDF-Anhang, eine technische Akte. Künftig müssen Informationen jedoch digital, strukturiert, aktuell und interoperabel vorliegen. Der Digital Product Passport zeigt diese Richtung bereits. Viele Unternehmen behandeln ihn als reine Compliance-Frage statt als Strukturanforderung an Dokumentationsprozesse. Der DPP ist dabei nur der sichtbarste Fall. Der Cyber Resilience Act verlangt nachvollziehbare Dokumentation der Softwarearchitektur über den gesamten Produktlebenszyklus, und die neue EU-Produkthaftungsrichtlinie verschiebt die Beweislast in Richtung Hersteller — wer seine Evidenzkette nicht reproduzieren kann, hat ein Haftungsproblem, kein Dokumentationsproblem.
Aber woher kommen diese Daten überhaupt? Die Antwort führt direkt in PLM, ERP, MES, Engineering-Dokumentation und Lieferkettendaten. Der DPP erzwingt also keine neue Bürokratie, sondern: eine funktionierende Wissensarchitektur. Wer diese Architektur nicht hat, kann den DPP nicht befüllen.
KI macht das Problem sichtbar, löst es aber nicht
Diesen Satz wollen viele Geschäftsführer zwar nicht hören, aber er stimmt. Die Logik, die gerade in vielen Unternehmen läuft, geht so: Wir führen KI ein, dann wird die Wissensarbeit effizienter und wir haben das Problem gelöst. In der Theorie klingt die Logik vielversprechend, aber in der Praxis funktioniert sie nicht.
Was die meisten Unternehmen gerade bauen, folgt dem gleichen Muster: Dokumente rein, Vektordatenbank dahinter, Chatbot obendrauf. Das kann zwar ein nützliches Werkzeug sein, löst aber keinen fundamentalen Wandel aus und löst auch das strukturelle Problem nicht.
Ein KI-System kann nur dann sinnvoll arbeiten, wenn es Zugriff auf strukturiertes, verknüpftes, kontextuelles Wissen hat. Unternehmenswissen, Produktwissen, Prozesswissen und regulatorische Anforderungen müssen so vorliegen, dass ein System damit Entscheidungen unterstützen kann, nicht nur Dokumente durchsuchen.
Eine KI, die auf unstrukturierten Daten sitzt, antwortet: Die Maschinenverordnung enthält Artikel X. Eine KI, die auf einer sauberen Wissensarchitektur sitzt, antwortet jedoch: Für diese konkrete Maschine ergeben sich aufgrund der verwendeten Sicherheitsfunktion, der Zielmärkte und der Softwarearchitektur folgende Anforderungen.
Das ist eine andere Wertschöpfung. Und der Unterschied liegt nicht im verwendeten Modell, sondern in dem, was darunter gebaut wurde. Wer also heute KI als Einstieg in die Digitalisierung behandelt, wird scheitern. Nicht wegen der KI. Sondern wegen der fehlenden Grundlage.
KI ist kein Einstieg, sie ist ein Reifegradindikator.
Was ein Unternehmen jetzt aufbauen muss
Es gibt nicht den einen Schritt, der das Problem löst. Aber es gibt eine klare Logik, in der die richtigen Schritte aufeinander aufbauen.
Impecto nennt den Aufbau dieser Logik Industrial Knowledge Capabilities. Sechs Fähigkeiten, die zusammen bestimmen, ob ein Unternehmen sein Wissen operationalisieren kann oder nicht.
Zielarchitektur und Standards. Bevor ein System gebaut wird, muss klar sein, welche Wissensobjekte existieren, wer sie verantwortet und wie sie miteinander verbunden sind. Ohne dieses Bild führt jede Implementierung in Scope Creep.
Datenflüsse über Systemgrenzen. PLM, ERP, MES, CAD, Servicedaten. Diese Systeme müssen nicht ersetzt werden. Aber sie müssen miteinander sprechen, in definierten Strukturen, mit klaren Verantwortlichkeiten.
Durchgängiges Produktwissen. Ein Produkt hat nicht nur technische Daten. Es hat eine Änderungshistorie, Risikobeurteilungen, Lieferanteninformationen, regulatorische Nachweise und eine Servicevergangenheit. Durchgängiges Produktwissen bedeutet, dass all das verknüpft vorliegt.
Traceability über den Lebenszyklus. Für eine konkrete Produktinstanz muss die vollständige Evidenzkette reproduzierbar zusammensetzbar sein: Anforderungen, Architektur, Tests, Risiken, regulatorische Nachweise. Das ist keine akademische Übung. Es ist die Grundlage für Compliance, Haftung und Änderungsmanagement.
Servicewissen im Feld. Das wertvollste Wissen entsteht oft nicht in der Entwicklung, sondern im Betrieb. Störungsmuster, Ausnahmefall-Logiken, Erfahrungswissen aus Wartungseinsätzen. Dieses Wissen muss strukturiert erhoben und anschlussfähig gemacht werden.
Wissen als Grundlage für KI und Automatisierung. Wer die ersten fünf Fähigkeiten aufgebaut hat, kann KI belastbar einsetzen. Nicht als Suchmaschine über Dokumentensilos. Sondern als Entscheidungsunterstützung mit echtem Kontext.
Der Weg dorthin muss nicht in einem großen Programm beginnen. Für die meisten mittelständischen Industrieunternehmen ist ein klar abgegrenzter Pilot der richtige Einstieg: eine Produktfamilie oder Maschinenfamilie mit hoher Service- oder Compliance-Relevanz, ein Ende-zu-Ende-Szenario, das einen nachweisbaren Nutzen erzeugt.
Wie diese Fähigkeiten architektonisch entstehen beschreiben wir in einem eigenen Beitrag.
Kosten und Nutzen
Wissenssicherung ist ein Operations-, Engineering- und Compliance-Thema. Das bestimmt, wer zahlt und warum.
Drei einfache Rechenlogiken zeigen die Größenordnung.
Suchzeit: Nehmen wir an, 100 Engineers sparen pro Woche jeweils eine Stunde Zeit. Bei 85€ Vollkosten pro Stunde, ergibt das rund 425.000 Euro pro Jahr. Nur aus verbesserter Wissensauffindung.
Einarbeitung: Nehmen wir nun an, 20 neue Mitarbeitende starten pro Jahr und erreichen ihre volle Produktivität durch besser verfügbares Wissen jeweils zwei Monate früher. Bei 8.000 Euro Monatsvollkosten und einer angenommenen Produktivitätslücke von 40 Prozent entspricht das rund 128.000 Euro pro Jahr. Allein durch kürzere Time-to-Competency.
Störungen: Nehmen wir an, ein Unternehmen hat fünf kritische Incidents pro Jahr. Wenn sich die mittlere Wiederherstellungszeit durch schneller verfügbares Wissen und bessere Fehlerdiagnose um vier Stunden reduziert und jede Stunde Ausfallkosten von 15.000 Euro verursacht, entspricht das rund 300.000 Euro pro Jahr. Allein durch kürzere Wiederherstellungszeiten.
Zusammen: Addiert man diese drei Rechenlogiken entstehen rund 853.000 Euro Jahresnutzen. Noch ohne Qualitäts-, Angebots- oder Compliance-Effekte. In vielen Fällen ist dieser Jahresnutzen also mehr als genug, um einen Wissenspilot zu rechtfertigen.
Die Budgetfrage folgt dem dominanten Schadenstyp. Wenn der Verlust von Erfahrungswissen zu langsamerem Engineering führt, liegt das Budget beim Engineering oder R&D. Wenn es um Anlagenverfügbarkeit und Schichtübergabe geht, beim COO. Wenn die Kernbarriere in Systemsilos und schlechter Auffindbarkeit liegt, beim CTO. In regulierten Branchen wie Chemie oder Energie ist Compliance fast immer Co-Entscheider.
Kernaussagen
- Das eigentliche Risiko hinter dem demografischen Wandel ist nicht Fachkräftemangel, sondern der Verlust von nicht operationalisiertem Erfahrungswissen.
- Wissen ist in den meisten Industrieunternehmen vorhanden. Es ist verteilt, unstrukturiert und personengebunden, und es kommt im Moment der Entscheidung nicht an.
- Regulierung wie DPP, CRA und die neue Produkthaftungsrichtlinie erzwingen eine Wissensarchitektur, unabhängig vom internen Veränderungswillen.
- KI löst das Problem nicht. Sie macht sichtbar, ob das Problem vorher gelöst wurde.
- Industrial Knowledge Capabilities sind die strategische Investition, die bestimmt, ob ein Unternehmen in zehn Jahren entscheidungsfähig ist.
FAQ
Was ist Industrial Knowledge?
Industrial Knowledge ist das gesamte technische und prozessuale Wissen eines Industrieunternehmens — von Konstruktionsdaten über Servicewissen bis zu regulatorischen Nachweisen. Es liegt heute verteilt vor: in PLM-, ERP- und CAD-Systemen, in Dokumenten und vor allem in den Köpfen erfahrener Mitarbeitender. Industrial Knowledge wird erst dann zum Vermögenswert, wenn es strukturiert, verknüpft und im Moment einer Entscheidung verfügbar ist — unabhängig davon, welche Person gerade im Haus ist.
Warum ist Industrial Knowledge für Industrieunternehmen relevant?
Weil Entscheidungsfähigkeit in der Industrie direkt vom verfügbaren Wissen abhängt — im Engineering, im Service, in der Compliance. Drei Entwicklungen verschärfen das gerade gleichzeitig: der demografisch bedingte Abgang erfahrener Experten, regulatorische Anforderungen wie der Digital Product Passport und der Wunsch, KI produktiv einzusetzen. Alle drei setzen dieselbe Grundlage voraus: eine funktionierende Wissensarchitektur. Wer sie nicht baut, verliert nicht Daten, sondern Handlungsfähigkeit.
Was passiert, wenn erfahrene Mitarbeitende gehen?
Mit der Person geht das Wissen, das nie strukturiert erfasst wurde: warum eine Anlage sich unter bestimmten Bedingungen anders verhält, welche Entscheidung vor Jahren zu welchem Problem führte, wie eine Risikobeurteilung zertifizierungsfest ausgefüllt wird. Dieses Erfahrungswissen steht in keinem System — es war nur über den direkten Weg zum Kollegen abrufbar. Die Folgen zeigen sich zeitversetzt: längere Suchzeiten, langsamere Einarbeitung, längere Störungsbehebung und wachsende Compliance-Risiken. Genau deshalb ist Wissenssicherung keine HR-Aufgabe, sondern eine Investitionsentscheidung.
Kann KI den demografischen Wandel kompensieren?
Nur teilweise — und nur unter einer Voraussetzung. KI kann Wissen zugänglich machen, das strukturiert und verknüpft vorliegt; sie kann aber kein Wissen erschließen, das ausschließlich in Köpfen existiert oder in getrennten Systemen ohne gemeinsame Semantik liegt. Eine KI auf unstrukturierten Datensilos bleibt eine bessere Suchmaschine. Erst auf einer tragfähigen Wissensarchitektur wird sie zur Entscheidungsunterstützung. KI ist deshalb kein Ersatz für Wissenssicherung, sondern ihr Verstärker — und ihr Reifegradindikator.
Was unterscheidet Industrial Knowledge von klassischem Wissensmanagement?
Klassisches Wissensmanagement setzt auf Dokumentation: Wikis, Datenbanken, Lessons-Learned-Ordner — Wissen wird abgelegt und muss aktiv gesucht werden. Industrial Knowledge Capabilities setzen eine Ebene tiefer an: bei der Architektur, die Wissen aus PLM, ERP, Service und Regulatorik strukturiert verknüpft und dorthin bringt, wo entschieden wird. Der Unterschied zeigt sich in der Frage, die beantwortet werden kann. Wissensmanagement beantwortet „Wo finde ich die Information?" — Industrial Knowledge beantwortet „Welche Information ist für diese Entscheidung relevant, vollständig, aktuell und normenkonform?"
Wie baut man Industrial Knowledge Capabilities auf?
Nicht mit einem Tool, sondern entlang von sechs aufeinander aufbauenden Fähigkeiten: Zielarchitektur und Standards, Datenflüsse über Systemgrenzen, durchgängiges Produktwissen, Traceability über den Lebenszyklus, Servicewissen im Feld und schließlich Wissen als Grundlage für KI und Automatisierung. Entscheidend ist die Reihenfolge — wer mit der KI-Anwendung startet, bevor Datenflüsse und Semantik stehen, baut Showcases statt Fähigkeiten. Der Aufbau beginnt deshalb mit einer ehrlichen Standortbestimmung: Welche Fähigkeit braucht das Unternehmen, und welche Voraussetzungen dafür fehlen heute?
Wo sollte ein Unternehmen beim Aufbau von Industrial Knowledge starten?
Nicht mit einem Großprogramm, sondern mit einem klar abgegrenzten Piloten: eine Produkt- oder Maschinenfamilie mit hoher Service- oder Compliance-Relevanz, ein Ende-zu-Ende-Szenario mit nachweisbarem Nutzen. So wird der Wert sichtbar, bevor die große Investitionsentscheidung fällt — und das Unternehmen lernt an einem realen Fall, welche strukturellen Lücken es tatsächlich hat. Sinnvoller erster Schritt davor ist eine strukturierte Standortbestimmung, die Reifegrad und Lücken systematisch erfasst und die Roadmap priorisiert.
Quellen
[1] Statistisches Bundesamt (Destatis): Fast ein Viertel der Erwerbstätigen in Deutschland ist zwischen 55 und 64 Jahre alt (2026)
https://www.destatis.de/DE/Presse/Pressemitteilungen/2026/02/PD26_N009_13.html
[2] Institut der deutschen Wirtschaft / MINT Zukunft schaffen: MINT-Frühjahrsreport 2026
[3] Bertelsmann Stiftung: Zahl der Industriebeschäftigten sinkt auf Zehnjahrestief (2026)
Tim Jansen
Vereinbaren Sie eine strukturierte Erstberatung zu Ihrer Systemlandschaft.
