Zum Inhalt springen

Expertenwissen-Erfassung

Der Subject Matter Expert — Fachexperte — ist die Person, die Dinge weiss, die die Daten nicht zeigen koennen.

Marie-Therese weiss, dass ihre alten Reben absichtlich weniger produzieren. Der Zollbeamte weiss, dass Shanghai Elektronik 48 Stunden festhält. Der Lagerleiter weiss, dass Sonntagsfahrverbote woechentliche Checkpoint-Luecken verursachen. Die Stationsleiterin weiss, dass Station 3B Prozeduren anders kodiert, weil ihr altes Terminal nur 6-Zeichen-Felder hat.

Ihr Wissen ist der Unterschied zwischen einem Fehlalarm und einer Erkenntnis. jinflow erfasst es als Subject Matter — atomare, zugeschriebene, versionierte Stuecke Expertenwissen.

Heute erfordert die Erstellung eines Subject-Matter-Eintrags das Schreiben von YAML. Der SME schreibt kein YAML. Sie sprechen, sie zeigen auf Bildschirme, sie sagen “das ist kein Problem, so funktioniert das hier.” Es gibt eine Luecke zwischen der Person, die weiss, und dem System, das wissen muss.

Die analytische Pyramide — Signals, Theses, Verdicts — wird von Engineers und Analysten gebaut. Aber das Wissen, das die Pyramide vertrauenswuerdig macht, kommt von Menschen, die nie einen Texteditor oeffnen werden. Wenn die Erfassung ihres Wissens einen Entwickler als Vermittler erfordert, geht dieses Wissen bei jeder Uebergabe verloren.

Drei Erfassungsmodi, vom einfachsten zum reichsten.

Ein gefuehrter Ablauf im JinDesk. Der Analyst zeigt dem SME ein Finding. Der SME sagt “Ich weiss warum das so ist.” Das System stellt strukturierte Fragen:

  • Was weisst du? (der Inhalt)
  • Warum ist das so? (der Grund)
  • Gilt das ueberall oder nur hier? (der Umfang)
  • Soll das System das automatisch pruefen? (das Level)

Die Antworten werden zu einem Subject-Matter-Entwurf. Der Analyst prueft, verfeinert Umfang und Kategorie und committet es ins AFS. Beim naechsten Build wird das Wissen in den KLS kompiliert und ist fuer alle sichtbar.

Ein “Ich weiss etwas darueber”-Button auf Entity-Detailseiten, Finding-Karten und Thesis-Bewertungen. Ein Klick oeffnet ein minimales Formular: Betreff, Inhalt, Warum. Der Umfang wird aus dem Kontext vorausgefuellt — aktueller Tenant, aktuelle Entity, aktueller Zeitraum.

Dies erstellt einen Level 0 Subject-Matter-Entwurf (nur Beobachtung, kein ausfuehrbarer Check). Die Eintrittsschwelle ist ein Satz und ein Klick.

Ein Gespraech mit dem SME aufnehmen. KI transkribiert und strukturiert es in Kandidaten-Eintraege. Der Analyst prueft, bearbeitet und committet. Der SME beruehrt nie eine Tastatur.

Dies ist der schwierigste Modus zum Bauen und der einfachste zum Benutzen. Er ist noch nicht implementiert.

Jeder Subject-Matter-Eintrag traegt Zuschreibung: wer es gesagt hat, wann, in welcher Rolle. Die Provenienzkette ist lueckenlos von der Person bis zur Produktion.

Ein erfasstes Stueck Wissen durchlaeuft klare Stufen:

  1. Sprechen. Der SME teilt was er weiss, in seinen eigenen Worten, in seiner eigenen Sprache.
  2. Entwerfen. Das System strukturiert es in einen Subject-Matter-Eintrag mit Inhalt, Umfang und Kategorie.
  3. Pruefen. Der Analyst prueft den Entwurf — verfeinert die Formulierung, setzt den richtigen Umfang, entscheidet ob es einen ausfuehrbaren Check haben soll (Level 1) oder eine Beobachtung bleibt (Level 0).
  4. Committen. Der gepruefte Subject-Matter-Eintrag wird als YAML-Datei im AFS gespeichert. Es ist jetzt Teil des analytischen Frameworks.
  5. Bauen. jinflow make kompiliert den Eintrag in den KLS. Level-1-Eintraege produzieren Verdicts (confirmed/violated/no_data). Level-0-Eintraege erscheinen in der Registry.
  6. Anzeigen. Der JinDesk zeigt Subject Matter neben den Findings und Theses, auf die sie sich beziehen, via Anker.

Der SME sieht seinen Beitrag im System reflektiert. Der Analyst bekommt institutionelles Wissen formalisiert. Der Betrachter sieht Findings annotiert mit Kontext, den kein Algorithmus ableiten koennte.

Das Fundament ist gebaut. Was fehlt, ist die Erfassungs-UI.

EbeneStatus
Subject-Matter-YAML-FormatAusgeliefert. Siehe YAML-Referenz.
Validator (smebitcheck.py)Ausgeliefert. Validiert Struktur, Referenzen, Umfang.
Compiler (smebitcompile.py)Ausgeliefert. YAML zu dbt SQL.
Subject-Matter-Registry + Verdicts im KLSAusgeliefert. Level 0 in Registry, Level 1 Verdicts.
Subject-Matter-Anzeige im JinDeskAusgeliefert. Listenseite, Detailseite, Anker zu Signals/Theses.
Dossiers (narrative Gruppierungen)Ausgeliefert. Subject Matter zu Stories kuratieren. Siehe YAML-Referenz.
Interview-Modus im JinDeskGeplant. Gefuehrter Erfassungsablauf.
Schnellerfassungs-ButtonGeplant. Ein-Klick von Entity/Finding-Seiten.
Entwurf-Pruefung-Commit-WorkflowGeplant. Bearbeitung im JinDesk mit AFS-Rueckschreibung.
SpracherfassungZukunft. KI-Transkription zu Kandidaten-Eintraegen.

Die Engine behandelt Subject Matter als erstklassige Instrumente — sie haben denselben Compile-Validate-Build-Lebenszyklus wie Signals und Theses. Das fehlende Stueck ist die Eingangstuer fuer die Menschen, die das Wissen besitzen.

Der Unterschied zwischen Daten und Wissen ist das Warum. Der SME liefert das Warum. jinflows Aufgabe ist es, das Beitragen dieses Wissens so einfach zu machen wie ein Gespraech.

Ein Signal kann dir sagen, dass Station 3B 40% weniger kodierte Prozeduren hat als Station 3A. Eine Thesis kann dir sagen, dass dieses Muster konsistent und statistisch signifikant ist. Ein Verdict kann dir sagen, die Root Cause-Kategorie ist process_failure. Aber nur die Stationsleiterin kann dir sagen warum — und dieses Warum aendert, was du dagegen tust.

Das SME-Tooling existiert um diesen Kreislauf zu schliessen. Nicht indem Experten zu Engineers gemacht werden, sondern indem man sie dort trifft, wo sie sind: vor dem Bildschirm, auf eine Zahl zeigend, sagend “lassen Sie mich Ihnen davon erzaehlen.”

jazzisnow jinflow is a jazzisnow product
v0.65.0 · built 2026-11-13 10:20 UTC