Internes Wissensmanagement für gemeinnützige Organisationen

Das echte Ausmaß des Problems

Der Nonprofit-Sektor hat ein strukturelles Wissensretentionsproblem, das sich durch alle Organisationsformen zieht — Verein, gemeinnützige GmbH, Stiftung, Initiative.

Die Zahlen sind ernüchternd: Laut Daten des Nonprofit HR aus dem Berichtszeitraum 2023/2024 liegt die Fluktuationsrate in US-amerikanischen NGOs bei durchschnittlich 19–21 Prozent pro Jahr — rund 58 Prozent höher als in der Privatwirtschaft. Für Deutschland gibt es keine vergleichbaren Studien, aber die Herausforderungen sind bekannt: Ehrenamtliche Vorstände wechseln im Regelfall alle zwei bis vier Jahre. Projektmitarbeitende, die über befristete Förderungen finanziert sind, verlassen die Organisation, wenn das Projekt endet. Hauptamtliche wechseln, weil Gehälter im gemeinnützigen Sektor häufig nicht mit dem Markt mithalten.

Eine systematische Literaturstudie im Fachjournal „The Learning Organization” (Emerald Publishing, 2023) hat 91 empirische Studien zu Knowledge Loss through Turnover ausgewertet und kommt zu einem eindeutigen Ergebnis: Besonders in Organisationen mit kleineren Teams, wie sie im Nonprofit-Bereich typisch sind, hat jeder Abgang dramatische Auswirkungen auf die operative Handlungsfähigkeit — weil 42 Prozent des institutionellen Wissens ausschließlich bei der abgehenden Person liegt und nirgendwo dokumentiert ist.

Für NGOs bedeutet das konkret:

• Förderkontakte gehen verloren. Wer hat die Beziehung zu welcher Stiftung aufgebaut? Welche Formulierungen in Anträgen haben zuletzt gut funktioniert? Welche Auflagen wurden in welchem Telefonat besprochen?
• Projektlernkurven werden wiederholt. Was hat bei der letzten Sommerschule gut funktioniert? Welcher Anbieter hat eine schlechte Erfahrung hinterlassen? Wer kennt diese Antworten nach einem Vorstandswechsel noch?
• Compliance-relevantes Wissen verschwindet. Die genaue Auslegung des Zuwendungsbescheids, der Hintergrund einer bestimmten Buchungsregel, die mündliche Zusage eines Fördergebers — nirgendwo schriftlich.
• Die gleichen Fragen werden immer wieder gestellt. Neue Ehrenamtliche, neue Mitarbeitende — alle fragen bei denselben zwei Personen an, die zufällig am längsten dabei sind.

Die Deutsche Stiftung für Engagement und Ehrenamt (DSEE) beschreibt das Problem in ihrer Arbeitshilfe „Wissensmanagement – Wissen bewahren und weitergeben” (2025) klar: Wichtige Informationen zu Fördergebern, Kooperationspartnern und internen Abläufen sind oft nur in wenigen Köpfen gespeichert. Im schlimmsten Fall sind alle Daten mit dem Abgang dieser Personen verloren.

Das Grundproblem ist keine Faulheit oder schlechte Dokumentationsdisziplin. Es ist Kapazität: Ehrenamtliche haben keine Zeit, nach jedem Telefonat alles aufzuschreiben. Hauptamtliche dokumentieren, was der Fördergeber sehen will — nicht, was der nächste Kollege brauchen wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswert aus NGO-Pilotprojekten; keine repräsentative Erhebung. Abhängig davon, wie vollständig die Wissensbasis aufgebaut ist.

Wichtig: Diese Tabelle beschreibt das Potenzial eines voll aufgebauten Systems — nicht den Status nach der ersten Woche. Der Aufbau dauert, und der Nutzen entfaltet sich graduell.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Ein funktionierendes Wissenssystem spart bei der Informationssuche 70–80 Prozent der Zeit ein — das ist real und messbar, sobald das System gut befüllt ist. Für sehr direkte Arbeitsentlastung (weniger Formulare, schnellere Berichte) schneiden andere Anwendungsfälle in dieser Kategorie besser ab. Die Einsparung hier ist struktureller Natur: Neues Personal wird schneller produktiv, Entscheidungen werden fundierter getroffen, und die ständige Anlaufstelle für interne Fragen wird entlastet.

Kosteneinsparung — niedrig (2/5) Der Nutzen entsteht hauptsächlich durch eingesparte Arbeitszeit und verhinderten Wissensabgang — beides schwer direkt in Euro zu übersetzen. Die Einrichtungskosten bewegen sich je nach Ansatz zwischen 500 und 3.000 Euro; laufend kommen Lizenzkosten von 40 bis 200 Euro im Monat hinzu. Der Return entsteht, ist aber indirekt — keine Einsparung, die man direkt einem Posten gegenüberstellen kann.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrlichste Score in dieser Kategorie. Vier bis acht Wochen bis zu einem nützlichen System — und das setzt voraus, dass genug Dokumente bereits in digitaler Form vorliegen. In vielen NGOs ist der erste Schritt nicht das KI-System, sondern das Digitalisieren und Bereinigen von Dokumenten, die noch als PDF-Scans, in persönlichen E-Mail-Archiven oder als handschriftliche Notizen vorliegen. Wer das unterschätzt, startet ein System, das auf die wichtigsten Fragen keine Antworten hat. Schnelle Umsetzung ist hier die Ausnahme, nicht die Regel.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist real, aber schwer präzise zu messen. Anders als bei der Projektdokumentation für Fördergeber — dort kannst du Berichtslaufzeiten direkt messen — bleibt die Zeitersparnis beim internen Wissensabruf eine Schätzgröße. Die belastbarste Messgröße ist die Nutzungsfrequenz: Wie viele Fragen stellt das Team pro Woche an das System? Welche beantworten sich selbst, welche landen trotzdem beim Vorstand?

Skalierbarkeit — sehr hoch (5/5) Das ist der stärkste Vorteil — und hier unterscheidet sich dieser Use Case fundamental von klassischen Wissensdatenbanken. Jedes neue Dokument, das in das System eingepflegt wird, stärkt die Wissensbasis automatisch. Das gilt unabhängig davon, ob die Organisation wächst oder gleich groß bleibt. Besonders für NGOs mit hoher Ehrenamtlichenfluktuation ist das entscheidend: Das Organisationsgedächtnis wächst nicht mit den Personen, sondern mit den Dokumenten. Ein System, das heute 200 Dokumente kennt, ist in zwei Jahren mit 400 Dokumenten doppelt so wertvoll — ohne proportional mehr Wartungsaufwand.

Richtwerte — stark abhängig von vorhandener Dokumentenbasis und verfügbaren Kapazitäten für den Aufbau.

Das Vereinsgedächtnis: Wenn der Vorstand wechselt und niemand weiß, wo die Dokumente sind

Vereinsstrukturen haben eine spezifische Eigenheit, die das Wissensmanagementproblem verschärft: Das operationelle Gedächtnis sitzt im Vorstand — und der Vorstand wechselt per Satzung.

In einem gewinnorientierten Unternehmen ist Wissen zumindest theoretisch an Rollen geknüpft. In einem Verein ist Wissen an Personen geknüpft — und die Übergabe ist freiwillig, passiert am Rande einer Mitgliederversammlung, und hat selten ein Format.

Was konkret verloren geht, wenn ein langjähriger Vorstandsvorsitzender geht:

• Informelle Fördernetzwerke. Welche Stiftungsreferentin gibt erfahrungsgemäß Feedback auf Voranfragen? Wer beim zuständigen Ministerium ist tatsächlich für Anträge zuständig — nicht laut Website, sondern in der Praxis?
• Institutionelles Erfahrungswissen. Warum wurde das Format der Jahresabschluss-Veranstaltung vor drei Jahren geändert? Was lief beim Kooperationsprojekt mit Träger X schief, das man nicht wiederholen sollte?
• Unkodifizierte Regularien. Was hat die Aufsichtsbehörde im Telefonat letztes Jahr zur Frage der Zweckbindung gesagt? Welche Buchungslogik hat der Steuerberater für Fahrtkosten empfohlen?

Das Kernproblem: Ehrenamtliche Vorstände dokumentieren nicht für ihre Nachfolger. Sie dokumentieren für Fördergeber und Mitglieder — das Externe. Das Interne bleibt im Kopf.

Was ein strukturiertes Wissensmanagement dagegen tun kann:

Keine App der Welt ersetzt die gelebte Übergabe. Aber ein System, in dem Protokolle automatisch durchsuchbar sind, in dem Notizen aus Telefonaten mit Fördergebern auffindbar hinterlegt wurden, in dem jede wichtige Entscheidung mit Kontext dokumentiert ist — dieses System macht den Unterschied zwischen einem Vorstandswechsel, der die Organisation lähmt, und einem, der sie stärkt.

Der Schlüsselschritt ist nicht technisch: Er ist die Entscheidung, dass operationelles Wissen zur Organisationsinfrastruktur gehört — nicht zum persönlichen Eigentum einzelner Personen. Das klingt selbstverständlich. In der Praxis der meisten Vereine und NGOs ist es das nicht.

Eine konkrete Einstiegsfrage: Was würde deine Organisation in den ersten sechs Monaten lähmen, wenn die drei wissensreichsten Personen gleichzeitig ausschieden? Die Antwort auf diese Frage ist die Prioritätsliste für dein Wissensmanagement.

Was das System konkret macht

Der technische Ansatz heißt Retrieval-Augmented Generation (RAG). Im Kern:

Das System verarbeitet alle vorhandenen Dokumente der Organisation — Sitzungsprotokolle, Förderbescheide, Projektberichte, E-Mail-Korrespondenz, Handbücher für Ehrenamtliche — und legt sie in einer durchsuchbaren Wissensbasis ab. Wenn jemand eine Frage stellt, sucht das System nicht nach Schlüsselwörtern, sondern nach dem Sinn der Frage. Es findet die relevantesten Passagen, kombiniert sie mit dem Sprachmodell zu einer Antwort — und gibt immer an, aus welchem Dokument die Information stammt.

Eine Mitarbeiterin fragt: „Welche Auflagen gelten für die Verwendung der Bundesjugendplan-Mittel bei unserer Sommerakademie?”

Das System durchsucht den Zuwendungsbescheid, das Begleitschreiben des Fördermittelgebers, die internen Notizen aus dem Sachverstandsbericht des Vorjahres — und antwortet mit den relevanten Stellen, inklusive Dokumentname und Abschnitt. Keine neue Anfrage beim Fördergeber. Keine 30-minütige Suche in geteilten Laufwerken.

Was dieses System nicht kann: Es erfindet kein Wissen. Wenn eine Information nicht dokumentiert ist, antwortet das System: „Dazu habe ich keine Information in euren Unterlagen.” Das ist wertvoll — weil es exakt zeigt, was noch dokumentiert werden muss.

Ein häufiges Problem in NGOs: Dokumente liegen als gescannte PDFs oder Fotos von Whiteboards vor. Für RAG-Systeme sind das tote Dateien — OCR-Verarbeitung ist nötig, damit der Text lesbar wird. Das ist nicht kompliziert, muss aber in der Einrichtungsphase bewusst adressiert werden.

Konkrete Werkzeuge — was wann passt

Die Wahl des Werkzeugs hängt stark davon ab, wo das Wissen der Organisation heute lebt und wie viel technische Kapazität vorhanden ist.

NotebookLM (Google) — kostenloser Einstieg Für Organisationen, die das Konzept erst ausprobieren wollen: NotebookLM ist kostenlos, braucht kein technisches Setup, und zeigt in 15 Minuten, wie gut das eigene Dokumentenmaterial für eine KI-Abfrage geeignet ist. Bis zu 50 Quellen pro Notizbuch. Einschränkungen: Kein Kollaborationsfeature, kein deutsches Interface, US-Datenhosting. Für vertrauliche Spendengeberdaten oder personenbezogene Begünstigteninformationen nicht geeignet. Für interne Prozessdokumentation und nicht-sensible Projektunterlagen als Testumgebung wertvoll.

Notion AI — wenn die Organisation schon Notion nutzt NGOs, die ihre Projektdokumentation und interne Ablage bereits in Notion führen, können Notion AI ohne Zusatzaufwand aktivieren. Der Notion Agent beantwortet Fragen aus der gesamten Wissensbasis. Vorteil: kein Datentransfer, kein neues System. EU-Datenresidenz nur im Enterprise-Plan — für kleinere NGOs oft nicht relevant, sollte aber mit dem Datenschutzbeauftragten abgestimmt werden. Business-Plan ab 19,50 Euro pro Person im Monat.

Tettra — für kleine Teams mit Slack Tettra ist speziell auf kleine Organisationen mit beschränktem Budget ausgerichtet. Der KI-Assistent „Kai” beantwortet Fragen direkt aus Slack — ohne App-Wechsel. Einrichtung ohne technische Vorkenntnisse. Preis: ab 4 US-Dollar pro Person im Monat (Mindestlizenz für 10 Nutzer: 40 Dollar). Weniger mächtig als Guru oder Confluence, aber in vielen NGOs genau die richtige Komplexitätsstufe. Wichtige Einschränkung: US-Datenhosting, kein deutsches Interface.

Guru — für mittelgroße NGOs mit Slack/Teams Für Organisationen mit 15 bis 50 Mitarbeitenden und einem gut funktionierenden Slack- oder Teams-Workspace bietet Guru den stärksten Workflow-Fit. Besonderheit: Jede Wissenskarte hat einen Inhaltseigentümer, der vom System regelmäßig zur Überprüfung aufgefordert wird — das löst das Veralterungsproblem strukturell. Nachteil: Preise nur auf Anfrage, kein deutsches Interface, US-Hosting. Der Punkt „Guru for Good” (Sonderpreise für gemeinnützige Organisationen) lohnt eine direkte Anfrage.

Custom-RAG mit NotebookLM Business oder eigener Infrastruktur — für datenschutzsensible Organisationen NGOs, die mit besonders sensiblen Daten arbeiten — Beratungsorganisationen für Sucht oder häusliche Gewalt, Flüchtlingshilfe mit persönlichen Fallakten, Schuldnerberatung — sollten bei keinem US-Cloud-Dienst ansetzen. Hier ist der sicherste Pfad: Selbstgehostetes RAG auf deutschem Hosting (Hetzner, IONOS) mit einem Open-Source-Sprachmodell wie Mistral oder LLaMA. Das erfordert technische Unterstützung, ist aber vollständig DSGVO-konform ohne Datenabfluss in Drittländer.

Wann welcher Ansatz

• Erstes Ausprobieren, nicht-sensible Dokumente → NotebookLM (kostenlos)
• Alles schon in Notion → Notion AI
• Kleines Team, Slack-zentriert, knappes Budget → Tettra
• Mittleres Team, Slack/Teams, Qualitätssicherung der Inhalte wichtig → Guru
• Sensible Zielgruppendaten, strenge DSGVO-Anforderungen → Selbstgehostetes RAG

Datenschutz und Datenhaltung

NGOs verarbeiten oft besonders sensible personenbezogene Daten: Angaben über Begünstigte (Klienten in Beratungsstellen, Teilnehmende von Programmen), Ehrenamtliche und deren persönliche Situationen, Spendengeberdaten mit persönlichen Kommunikationshistorien. Die DSGVO gilt für gemeinnützige Organisationen genauso wie für Unternehmen — es gibt keine Ausnahmeregelung für Ehrenamtlichkeit oder Gemeinnützigkeit.

Für den KI-Einsatz bedeutet das konkret:

• Trenne Wissenskategorien. Nicht jedes Dokument muss in die KI-Wissensbasis. Persönliche Fallakten, vertrauliche Spendengeberkommunikation und Mitarbeitendenakten gehören nicht in ein allgemein zugängliches System. Der Ausgangspunkt ist eine bewusste Entscheidung: Was ist Organisationswissen (für alle zugänglich)? Was ist personenbezogenes Wissen (nur für Berechtigte)?
• AVV vor dem ersten Dokument. Sobald ein Cloud-Dienst personenbezogene Daten verarbeitet, ist ein Auftragsverarbeitungsvertrag (Art. 28 DSGVO) Pflicht. Alle genannten Anbieter stellen AVV-Vorlagen bereit — aber du musst sie aktiv anfragen und abschließen, bevor die erste Datei hochgeladen wird.
• US-Hosting und DSGVO. Alle kommerziellen Tools in dieser Übersicht (NotebookLM, Tettra, Guru) hosten Daten primär in den USA. Das ist nach dem Schrems-II-Urteil des EuGH und den daraus resultierenden Standardvertragsklauseln (SCCs) grundsätzlich möglich, erfordert aber eine Datenschutz-Folgenabschätzung (DSFA) — besonders bei sensiblen Daten. Für Organisationen ohne eigenen Datenschutzbeauftragten: Der LfDI Baden-Württemberg stellt konkrete Orientierungshilfen zu KI-Systemen und Datenschutz bereit, die auch für andere Bundesländer hilfreich sind.
• Interne Zugriffsrechte. Wer darf was sehen? Die Wissensbasis sollte dieselben Zugriffsstrukturen abbilden wie die originalen Dokumente. Kein System, das Vorstandsunterlagen für alle Ehrenamtlichen zugänglich macht, die nur in der Programmarbeit tätig sind.

Für Organisationen, die mit Suchtberatung, häuslicher Gewalt, Schuldnerberatung oder ähnlich sensiblen Bereichen arbeiten: Der einzig sichere Weg ist selbstgehostetes System auf deutschem Server. US-Cloud-Dienste sind für diese Datenkategorien auch mit AVV nicht empfehlenswert.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten Der größte Aufwand ist nicht die Technologie, sondern die Dokumentenarbeit davor: Welche Dokumente existieren? Welche sind aktuell? Welche müssen zuerst digitalisiert werden? In einer typischen NGO mit fünf bis fünfzehn Hauptamtlichen dauert diese Inventur zwei bis vier Wochen mit internen Ressourcen. Externe Unterstützung für technische Einrichtung: 500 bis 2.000 Euro einmalig, je nach gewählter Plattform und Dokumentenvolumen.

Laufende Kosten (monatlich)

• NotebookLM Business: ab ca. 20 Euro pro Person (Google Workspace-basiert)
• Tettra: 40 bis 80 Dollar im Monat (bei 10 Nutzern auf Basic bis Scaling)
• Guru: Preise auf Anfrage; gemeinnützige Organisationen können „Guru for Good”-Konditionen anfragen
• Notion AI: ab 19,50 Euro pro Person im Monat (Business-Plan)
• Selbstgehostetes RAG: 30 bis 80 Euro im Monat Hosting-Kosten + einmalige Entwicklerkosten

Was du dem gegenüberstellen kannst Eine Übergabe, bei der die neue Projektleiterin oder der neue Vorstandsvorsitzende vier Wochen lang hauptsächlich Bestehendes rekonstruiert statt produktiv zu sein — das sind bei einem Teilzeitgehalt von 1.500 Euro brutto vier Wochen fast vollständig verlorene Lohnkosten plus die Kosten der Einarbeitung durch Kolleginnen und Kollegen. Dieser Verlust passiert in vielen NGOs bei jedem größeren Wechsel — ohne dass er je als Kostenpunkt in einer Kalkulation auftaucht.

Wie du den Nutzen tatsächlich misst Die ehrlichste Messgröße ist keine Stundenkalkulation, sondern die Beobachtung: Stellen neue Mitarbeitende nach drei Monaten weniger Fragen an die zwei erfahrensten Personen im Team? Werden Veranstaltungsformate aus Vorjahren besser genutzt statt neu erdacht? Findet die neue Vorsitzende beim nächsten Förderantrag die Vorjahresunterlagen ohne zwei Stunden Suche? Das ist der Test, ob das System seinen Zweck erfüllt.

Drei typische Einstiegsfehler

1. Mit dem Digitalisieren beginnen, bevor klar ist, welches Wissen wirklich gebraucht wird. Der Reflex: Alles scannen, alles hochladen, dann ist das System möglichst vollständig. In der Praxis führt das zu einem System, das auf konkrete Fragen diffuse Antworten gibt — weil veraltete Versionen, widersprüchliche Protokolle und irrelevante Anhänge im Index landen. Besser: Mit einer Liste der zehn häufigsten Fragen starten, die neue Ehrenamtliche oder Mitarbeitende stellen. Welche Dokumente beantworten diese Fragen? Diese werden als erstes aufbereitet und indexiert.

2. Personenbezogene und organisationsinterne Daten nicht trennen. In einer NGO liegen Protokolle oft neben Fallnotizen, Teilnehmerlisten neben Förderbescheiden. Wer diese Dokumente ungeprüft in ein Cloud-System lädt, riskiert DSGVO-Verstöße und schafft Vertrauensprobleme im Team. Die Trennung muss vor der technischen Einrichtung geklärt sein: Was ist Organisationswissen? Was ist personenbezogenes oder vertrauliches Wissen? Beide Kategorien brauchen unterschiedliche Behandlung.

3. Das System wird aufgesetzt und sich selbst überlassen. Das ist der gefährlichste Fehler — weil er still passiert. Im Gegensatz zu einer Suchmaschine, die einfach nicht findet, was nicht da ist, gibt ein RAG-System immer eine Antwort — auch wenn die Quelle drei Jahre alt ist und längst nicht mehr der aktuellen Praxis entspricht. Ein Protokoll aus 2022, das eine Richtlinie zitiert, die 2024 geändert wurde, wird als gleichwertige Quelle behandelt wie das aktuelle Dokument.

Die Lösung ist nicht technisch: Jede Dokumentenkategorie braucht eine namentlich verantwortliche Person — nicht „das Team”, nicht „alle”, sondern eine bestimmte Person, die entscheidet, ob ein Dokument noch aktuell ist. Und es braucht einen Auslöser: Entweder regelmäßige Prüfzyklen (z. B. alle sechs Monate) oder ereignisbasierte Überprüfung (Vorstandswechsel, Änderung der Förderbedingungen, neues Projekt). Ohne diese organisatorische Lösung hat das beste technische System nach 18 Monaten ein Problem: Es gibt selbstbewusst veraltete Auskunft.

Was mit der Einführung wirklich passiert — und was nicht

Der häufigste Fehler bei der Einführung einer Wissensbasis in einer NGO ist die Annahme, das System werde sich von selbst befüllen. Das passiert nicht.

Widerstandsmuster, die fast immer auftauchen:

Kapazitätsrealismus. Ehrenamtliche haben keine Zeit, Wissen zu dokumentieren. Hauptamtliche haben zwar theoretisch Zeit, aber Dokumentation ist immer die Aufgabe, die verschoben wird, wenn etwas Dringenderes kommt. Das System wird in den ersten Wochen vielversprechend eingerichtet und dann kaum befüllt — weil niemand konkret dafür verantwortlich ist und kein realistisches Zeitkontingent eingeplant ist. Abhilfe: Nicht „alle sollen dokumentieren”, sondern drei bis fünf Kernpersonen, die jeweils einmal im Monat eine Stunde für Dokumentation reservieren.

Die Wissenshüter-Dynamik. Jede NGO hat Personen, die wissen, wie die Dinge wirklich laufen — und die regelmäßig als interne Auskunftsstelle fungieren. Diese Menschen haben oft eine ambivalente Beziehung zu einem System, das ihr Wissen externalisiert: Einerseits wäre es eine Entlastung. Andererseits ist ihre Rolle als Wissenshüter Teil ihrer Identität in der Organisation. Wer diese Personen frühzeitig in den Aufbau einbindet — ihre Expertise macht die erste Version der Wissensbasis wertvoll — verwandelt potenzielle Bremserin in die stärkste Fürsprecherin des Systems.

Der Qualitätseinbruch in der ersten Phase. Ein System, das in der ersten Woche auf viele Fragen keine befriedigende Antwort findet (weil die Dokumentenbasis noch dünn ist), wird nicht mehr genutzt. Das ist vorhersehbar und vermeidbar: einen kontrollierten Pilotstart mit einer kleinen Gruppe durchführen, die das System testet und gibt Feedback — bevor es für die ganze Organisation geöffnet wird.

Was konkret hilft:

• Eine Person als „Wissensbasis-Verantwortliche:n” benennen — nicht ehrenamtlich, sondern als feste Aufgabe einer hauptamtlichen Stelle
• Monatliche „Wissensstunden” etablieren, in denen jedes Team einen Artikel oder eine Prozessbeschreibung ergänzt
• Bei jedem Projektabschluss standardmäßig eine kurze Lessons-Learned-Notiz ins System aufnehmen
• Neue Ehrenamtliche und Mitarbeitende ab dem ersten Tag ans System gewöhnen — nicht als Zusatztool, sondern als erste Anlaufstelle für Fragen

Realistischer Zeitplan mit Risikohinweisen

Was du realistisch erwarten kannst: Nach acht Wochen hast du ein arbeitsfähiges System — das aber noch nicht alle Wissenslücken schließt. Die ersten sechs Monate sind eine aktive Aufbauphase, in der das System durch reguläre Nutzung und gezielte Ergänzungen wächst. Der Punkt, an dem das System spürbar entlastet, kommt in der Regel erst nach drei bis vier Monaten.

Häufige Einwände — und was dahintersteckt

„Wir haben keine Zeit für sowas.” Das ist der häufigste Einwand — und er ist ehrlich. Kapazität ist in NGOs das knappste Gut. Die Gegenfrage: Wie viel Zeit verbringt die Organisation jedes Mal, wenn eine neue Person eingearbeitet wird oder wenn ein langjähriger Vorstand geht? In den meisten Fällen ist das erheblich mehr Zeit als der Aufbau einer Wissensbasis kosten würde — sie ist nur auf viele Einzelereignisse verteilt, die nie als Gesamtkosten betrachtet werden.

„Das ist doch dasselbe wie ein SharePoint oder ein Google Drive.” Nein — strukturell nicht. Google Drive und SharePoint sind Ablagen. Du musst wissen, was du suchst, und ungefähr wissen, wo es liegt. Ein RAG-System beantwortet Fragen, die du gar nicht wusstest, dass du stellen kannst — und findet Verbindungen zwischen Dokumenten, die nirgendwo explizit hergestellt wurden. Der Unterschied ist ein anderes Erlebnis: nicht Suche, sondern Fragen stellen.

„Was wenn da sensible Daten von unseren Klienten drinstecken?” Das ist kein Einwand gegen Wissensmanagement — das ist ein wichtiger Hinweis, dass die Datenkategorisierung zuerst stattfinden muss. Die Antwort ist nicht, das System zu verwerfen, sondern zu klären, welche Dokumente in welches System dürfen. Personenbezogene Klientendaten gehören nicht in eine allgemeine Wissensbasis. Projektberichte und Prozessbeschreibungen gehören rein.

„Wir sind zu klein für so einen Aufwand.” Ab fünf regelmäßig tätigen Personen und einem Archiv von mehr als 50 Dokumenten lohnt sich der Aufbau einer strukturierten Wissensbasis — nicht unbedingt mit KI, aber als Grundprinzip. Die KI macht es einfacher zugänglich. Wer unter dieser Schwelle liegt: Ein freigegebener Google-Drive-Ordner mit klarer Benennung ist ausreichend — und der KI-Schritt kommt später.

Woran du merkst, dass das zu dir passt

• Ihr habt in den letzten zwei Jahren mindestens einmal einen Vorstandswechsel oder eine größere Personalveränderung erlebt — und die Einarbeitung der Nachfolge hat die Organisation Wochen operativer Kapazität gekostet
• Die häufigsten Fragen neuer Mitarbeitender oder Ehrenamtlicher gehen immer zu denselben zwei oder drei Personen — und diese Personen wären erleichtert, wenn sie weniger davon beantwortet müssten
• Euer Projektarchiv wächst, aber niemand nutzt es — weil niemand weiß, was wo liegt oder ob die Dokumente noch aktuell sind
• Ihr startet Projekte regelmäßig ohne systematisch zu prüfen, was beim letzten ähnlichen Projekt gut oder schlecht lief — weil diese Informationen nicht zugänglich sind
• Ihr habt mindestens 30 regelmäßig genutzte interne Dokumente — und diese liegen an mehr als einem Ort

Drei Ausschlusskriterien — wann es sich noch nicht lohnt:

1. Weniger als fünf regelmäßig aktive Personen, die Wissen generieren und nutzen. Darunter ist ein gemeinsames, gepflegtes Textdokument oder eine einfache Notion-Seite das richtige Werkzeug — nicht eine KI-Wissensbasis. Der Aufwand für Einrichtung und Pflege überwiegt den Nutzen.

2. Keine schriftliche Dokumentationskultur vorhanden. Ein RAG-System kann nur abrufen, was aufgeschrieben ist. Wenn das operative Wissen vollständig in Köpfen und mündlicher Überlieferung lebt, ist der erste Schritt nicht die KI — es ist der Aufbau einer Dokumentationspraxis. Das dauert sechs bis zwölf Monate und braucht Kulturarbeit, keine Technik. Die KI kommt danach.

3. Keine Person bereit, dauerhaft die Verantwortung für die Wissensbasis zu übernehmen. Ein System ohne klare Eigenverantwortung veraltet still. Nach 12 bis 18 Monaten gibt es dann selbstbewusst falsche Antworten — was das Vertrauen des Teams zerstört und die Einführung als Fehler erscheinen lässt. Wenn diese Rolle nicht besetzt werden kann, ist der Zeitpunkt der Einführung noch nicht richtig.

Das kannst du heute noch tun

Öffne NotebookLM — kostenlos, kein technisches Setup, kein Risiko. Lade drei bis fünf der meistgenutzten internen Dokumente hoch: ein Sitzungsprotokoll, eine Prozessbeschreibung, vielleicht den letzten genehmigten Förderantrag. Stelle dann die Frage, die neue Mitarbeitende in der ersten Woche am häufigsten stellen.

Das dauert 20 Minuten. Was du danach weißt: Wie gut sind eure Dokumente als Grundlage für ein Wissenssystem geeignet? Und: Was beantwortet sich selbst — was bleibt offen, weil es nirgendwo dokumentiert ist?

Für den Einsatz mit mehreren Personen empfiehlt sich ein strukturierter Startpunkt:

Quellen & Methodik

• Nonprofit-Fluktuationsraten (19–21 %): Nonprofit HR, „2023–2024 Compensation Landscape Outlook” (US-Daten; für Deutschland keine vergleichbare Studie verfügbar).
• 42 % institutionelles Wissen bei Einzelpersonen: Systematische Literaturstudie: Durst, S. et al., „Knowledge loss induced by organizational member turnover: a review of empirical literature, synthesis and future research directions (Part I)”, The Learning Organization / Emerald Publishing (2023). DOI: 10.1108/TLO-09-2022-0107.
• Wissensverlust bei Vorstandswechseln in Vereinen: Deutsche Stiftung für Engagement und Ehrenamt (DSEE), „Wissensmanagement – Wissen bewahren und weitergeben” (2025). Praxisbeobachtung aus dem deutschen Vereinskontext.
• 95 % AI-Piloten scheitern an Knowledge Infrastructure Gaps: Elium, „Why AI Projects Fail: The Knowledge Foundation Gap” (2026), zitiert MIT-Forschung. Einordnung: Vendor-nahe Quelle; Zahl ist als Orientierungswert zu behandeln, nicht als belastbare Studie.
• Implementierungskosten und Laufzeitkosten: Erfahrungswerte aus NGO-Pilotprojekten und öffentlich verfügbare Preisangaben der Anbieter (Stand Mai 2026).
• DSGVO und KI-Systeme im Vereinskontext: Der Landesbeauftragte für den Datenschutz und die Informationsfreiheit Baden-Württemberg, „Rechtsgrundlagen im Datenschutz beim Einsatz von Künstlicher Intelligenz” (2024); wetzel.berlin, „Datenschutz in Vereinen und NGOs”.
• Tettra-Preise: G2 Pricing-Daten und offizielle Tettra-Preisseite, Stand Mai 2026.

Willst du wissen, welche eurer Dokumente sich als erstes eignen — und wie ihr die Datenschutzkategorisierung praktisch angeht? Meld dich für ein kurzes Gespräch.