Generationswechsel in der F&E: Erfahrungswissen strukturiert sichern

Laut Zahlen des Statistischen Bundesamts aus dem August 2025 erreichen bis 2039 in Deutschland 13,4 Millionen Erwerbspersonen, knapp ein Drittel der heute Erwerbstätigen, das gesetzliche Rentenalter.

In Produktionsbetrieben und IT-Abteilungen ist das Thema seit Jahren bekannt, entsprechende Personalstrategien und Nachfolgeplanungen existieren bereits. Für F&E-Abteilungen ist das Thema genauso drängend, wird aber seltener diskutiert. Problematischer als die reine Personalkapazität ist das Erfahrungswissen, das sich über Jahre und Jahrzehnte akkumuliert hat und sich nicht ohne Weiteres übergeben lässt.

Was F&E-Labore verlieren, wenn erfahrene Mitarbeiter das Unternehmen verlassen

Fachliche Qualifikationen lassen sich durch Ausbildung ersetzen. Erfahrungswissen ist anders: Es ist situationsspezifisch und wird oft nicht bewusst artikuliert. Es zeigt sich in der Einschätzung eines erfahrenen Chemikers, bevor er die Versuchsergebnisse überhaupt gelesen hat. Es zeigt sich im Gefühl, dass eine bestimmte Rohstoffcharge sich anders verhält als die vorherige, lange bevor sich dieses Gefühl in einer Kennzahl ausdrücken lässt.

Konkret stellt sich das im Laboralltag so dar: Welche Rohstoffcharge hat damals Probleme verursacht? Warum wurde Rezeptur B verworfen, obwohl sie auf dem Papier besser aussah? Welche Kombination aus Temperatur, Mischzeit und Batchgröße führte zu einem stabilen Ergebnis, und warum wurde das nie schriftlich festgehalten? Dieses Wissen liegt oft ausschließlich bei einzelnen Laborleitern und Chemikern, verteilt über Jahre der Versuchsarbeit, dokumentiert bestenfalls im mündlichen Gespräch.

Die Kosten sind messbar: Der Verlust impliziten Wissens durch ausscheidende Mitarbeitende wird auf bis zu 2,5 Jahresgehälter pro Stelle geschätzt, durch wiederholte Versuche, längere Einarbeitungszeiten und verlorene Entwicklungsstände. Für ein Labor, in dem ein Chemiker 20 oder 30 Jahre Versuchsgeschichte trägt, ist das eine konservative Schätzung. Jeder Versuch, der bereits einmal mit demselben Ergebnis durchgeführt wurde, kostet Zeit und Material und verlängert die Time-to-Market.

Warum traditionelle Wissensübergabe nicht ausreicht

Die meisten Unternehmen reagieren auf den Generationswechsel mit denselben Instrumenten wie bei einem normalen Mitarbeiterwechsel: Abschlussdokumentationen, Übergabeprotokolle, Tandem-Modelle und strukturierte Interviews mit ausscheidenden Mitarbeitenden. Diese Ansätze schaffen eine Grundlage, haben aber eine klare Grenze.

Implizites Erfahrungswissen lässt sich kaum vollständig kodifizieren. Es entsteht durch gelebte Praxis und wird durch Befragung nur teilweise externalisiert. Wer einen erfahrenen Chemiker um eine Wissensübergabe im Abschlussgespräch bittet, erhält das, was ihm bewusst ist, nicht das, was er weiß, ohne dass es ihm bewusst ist. Genau dieser unbewusste Anteil macht in der Praxis oft den größten Unterschied zwischen einer soliden und einer wirklich robusten Formulierung aus.

Digitalisierung allein löst das Problem ebenfalls nicht. KI-Systeme erkennen Muster in Daten, aber nur, wenn diese Daten vorhanden und strukturiert sind. Ein Labor, das historische Versuchsdaten in Excel-Tabellen, auf Laufwerken und in persönlichen Notizbüchern verteilt hat, profitiert kaum von KI-gestützter Analyse, unabhängig davon, wie leistungsfähig das eingesetzte System ist. Die fehlende Datengrundlage ist das eigentliche Problem, die KI ist dabei zweitrangig.

Was einen Unterschied macht: Struktur vor Technologie

Der entscheidende Schritt ist die Schaffung einer Datenbasis, auf der spätere Analyse überhaupt erst möglich wird. Diese Reihenfolge wird in der Praxis häufig vertauscht: Unternehmen führen KI-gestützte Analysesoftware ein, bevor die zugrunde liegenden Daten in einem Zustand sind, der eine sinnvolle Auswertung erlaubt. Das Ergebnis sind Systeme, die technisch funktionieren, aber mit lückenhaften oder unstrukturierten Daten arbeiten und entsprechend wenig belastbare Ergebnisse liefern.

Labore, die Versuchsdaten, Messergebnisse, Formulierungsentscheidungen und die dahinterliegenden Begründungen systematisch erfassen und verknüpfen, machen implizites Wissen zumindest teilweise sichtbar und übertragbar. Nicht vollständig, aber ausreichend, um den Wissensverlust erheblich zu reduzieren.

Ein erfahrener Chemiker, dessen Versuchsgeschichte lückenlos abgebildet ist, mit Rohstoffchargen, Prozessparametern, Ergebnissen und Entscheidungslogik, hinterlässt bei seinem Ausscheiden eine zentrale, durchsuchbare Wissensbasis. Neue Kolleginnen und Kollegen finden Informationen schnell wieder, verstehen, was getestet wurde und was nicht, welche Rohstoffcharge welches Ergebnis produziert hat und warum eine Formulierung aufgegeben wurde. Sie treffen fundierte Entscheidungen, ohne zusätzlichen Rechercheaufwand betreiben zu müssen. Das verkürzt die Einarbeitungszeit und verringert das Risiko, gute Ansätze aus der Vergangenheit versehentlich noch einmal zu verwerfen.

Material Intelligence bezeichnet genau diesen Ansatz: die systematische Verbindung von Formulierungsdaten, Prozessdaten und Analyseergebnissen in einer kohärenten, durchsuchbaren Struktur, in der KI unterstützend Muster aufzeigt, ohne die fachliche Entscheidung zu ersetzen. Der Nutzen entsteht durch die Konsequenz, mit der Daten über Jahre hinweg verknüpft und gepflegt werden, als operative Grundlage für Reproduzierbarkeit und Wissenssicherung.

Wo anfangen: vier Schritte

Risikoanalyse: Welches Wissen ist gefährdet? Das ist vor allem eine Personalfrage: Wer in der F&E-Abteilung besitzt Wissen, das nirgendwo erfasst ist? Welche Entscheidungen der letzten Jahre basieren auf individueller Erfahrung statt auf dokumentierten Daten? Ein realistischer Ausgangspunkt ist ein kurzes Gespräch mit Laborleitung und Teamleitenden, in dem gezielt nach Personen mit langer Betriebszugehörigkeit und nach wiederkehrenden Fragen im Team gefragt wird.

Priorisierung: Welche Datenkategorien sind am wichtigsten? Formulierungen mit Versionshistorie, Rohstoffchargen-Zuordnung, Entscheidungsdokumentation (warum wurde eine Rezeptur aufgegeben?) und Prozessparameter bilden den Kern. Es empfiehlt sich, mit der Datenkategorie zu beginnen, die im Risikobereich aus Schritt eins am stärksten betroffen ist, statt alle Kategorien gleichzeitig anzugehen.

Verbindung statt Ablage: Daten dürfen nicht nebeneinander existieren, sie müssen miteinander verknüpft sein. Ein Versuchsergebnis ohne Bezug zur Rezeptur und Rohstoffcharge liefert für spätere Auswertungen wenig Wert. Das ist eine Frage des Datenmodells, nicht der Plattform. Wer diesen Schritt überspringt, riskiert am Ende mehr Daten, aber nicht mehr Erkenntnis.

Verbleibende Zeit nutzen: Ab 2026 ermöglicht die Aktivrente Rentnern, bis zu 2.000 Euro monatlich steuerfrei hinzuzuverdienen. Unternehmen, die erfahrene Mitarbeitende nach dem Renteneintritt temporär einbinden, verlängern damit den Wissenstransfer, vorausgesetzt es existiert bereits eine strukturierte Grundlage, in die übertragen werden kann. Ohne diese Grundlage bleibt auch eine verlängerte Übergangszeit nur eine Verzögerung des ursprünglichen Problems.

Fazit

Allein in Deutschland gehen bis 2039 13,4 Millionen Erwerbspersonen in Rente, viele davon in der produzierenden Industrie, in Laboren und in der Qualitätssicherung. F&E-Abteilungen, die heute noch nicht systematisch Wissen erfassen, können dieses Versäumnis mit Onboarding-Workshops kaum nachträglich ausgleichen.

Labore, die den Generationswechsel als Anlass nehmen, ihre Datenbasis zu strukturieren, sichern vergangenes Wissen und schaffen eine Grundlage, auf der neue Kolleginnen und Kollegen schneller produktiv werden und Wiederholungen vermeiden. Der Ausgangspunkt für Wissenstransfer liegt im Datensystem, nicht im HR-Prozess allein.

Häufige Fragen

Wie sichert man Erfahrungswissen im Unternehmen?

Der wirkungsvollste Ansatz ist die laufende, strukturierte Erfassung von Entscheidungen, Versuchsergebnissen und Kontextinformationen während der aktiven Arbeitszeit, nicht das Abschlussinterview am letzten Arbeitstag.

Was ist der Unterschied zwischen implizitem und explizitem Wissen?

Explizites Wissen ist dokumentierbar: Rezepturen, Messwerte, Protokolle. Implizites Wissen ist erfahrungsbasiert und nicht bewusst artikuliert, etwa die Einschätzung, dass eine Charge sich anders verhält. Es lässt sich nicht vollständig übertragen, aber durch strukturierte Datenerfassung teilweise sichtbar machen.

Warum reicht KI allein für den Wissenstransfer nicht aus?

KI-Systeme erkennen Muster, aber nur in Daten, die bereits vorhanden und strukturiert sind. Der erste Schritt ist die Datenstruktur; die KI wird darauf aufgebaut, nicht umgekehrt.

Was ist die Aktivrente und was bedeutet sie für Labore?

Seit 2026 können Rentner in Deutschland bis zu 2.000 Euro monatlich steuerfrei hinzuverdienen. Das erlaubt Unternehmen, erfahrene Mitarbeitende gezielt für Wissenstransfer-Projekte einzubinden, besonders dann, wenn eine strukturierte Wissensbasis bereits vorhanden ist.