2015 habe ich CompanyHouse mitgegründet, einen LegalTech-Versuch, Unternehmensgründungen und Änderungsanmeldungen von Unternehmen im Iran zu digitalisieren. Die Prämisse war einfach und, wie ich immer noch finde, richtig. Wer hier ein Unternehmen gründen will, braucht einen Experten, weil der Prozess bewusst undurchsichtig ist. Die Expertise ist das Produkt — und der Engpass.
Wir haben gebaut, was diese Prämisse nahelegt. Wir haben das implizite Wissen der Gründungsspezialisten in einen geführten, fragebasierten digitalen Workflow übertragen, der die Anmeldeunterlagen erzeugte. Wahl der Rechtsform, Dateneingabe, Dokumentenerstellung. Gemeinsam mit Juristen haben wir Regeln, Entscheidungspunkte und Ausnahmen in Produktlogik übersetzt. Auf dem Papier war das sauberes Produktdesign.
Es lief ein Jahr und wurde dann geschlossen. Es war meine erste ernsthafte Erfahrung damit, Fachwissen zu produktisieren, und die Lektion, die es mir hinterließ, ist die, die ich seither am häufigsten angewandt habe: Expertenwissen zu produktisieren ist lange ein Problem der Wissensextraktion, bevor es ein Softwareproblem wird.
Warum die Extraktion der schwierige Teil ist
Ein Experte kann den Weg beschreiben. Was er nicht ohne Weiteres beschreiben kann, ist die Ausnahme — der Moment, in dem er auf eine Anmeldung schaut, etwas stimmt nicht, und er umgeht es, ohne zu registrieren, dass er gerade eine Entscheidung getroffen hat. Genau dort liegt der Wert. Und genau dieser Teil ist für die Person, die ihn ausführt, unsichtbar, weil er für sie keine Entscheidung ist, sondern einfach ein ganz normaler Dienstag.
Der Test, ob Sie irgendetwas produktisiert haben, ist also nicht, ob der beschriebene Weg funktioniert. Sondern ob der unbeschriebene funktioniert. Solange Sie die Fragen, die der Spezialist stellt, und die Ausnahmen, die er kennt, nicht modellieren können, haben Sie kein Produkt. Sie haben eine Dienstleistung mit Anmeldemaske, und der Spezialist ist immer noch der Engpass — jetzt mit einer schlechteren Oberfläche.
Dasselbe Problem, fünf weitere Male
Wer ein Muster einmal benannt hat, sieht es überall, und der größte Teil meiner Arbeit seither war irgendeine Variante davon.
Bei Bamana, 2020 mitgegründet, lag die Lücke zwischen Expertenwissen und einer Entscheidung um 23 Uhr an einem Dienstag. Eltern ertrinken in Erziehungsratschlägen und verhungern nach Erziehungsorientierung. Der Eingriff war kein Content — er war Struktur: Taxonomien, Bedarfsklassifikationen und Content-Pfade, die Fachwissen in etwas verwandeln, nach dem ein müder Elternteil handeln kann. Der Extraktionsschritt bestand darin, das Wissen der Fachleute danach zu ordnen, was ein Elternteil entscheiden muss, statt danach, wie Fachleute es ablegen. Es wurde ausgeliefert und vier Jahre lang weiterentwickelt.
Bei Mehrabani und Soha gehörte das implizite Wissen den Sozialarbeitern. Wohltätiges Spenden scheitert an beiden Enden: Spender können den Bedarf nicht überprüfen, und Sozialarbeiter können die Wirkung nicht belegen. In der Mitte bricht das Vertrauen zusammen. Das Urteil, dass ein Bedarf echt ist, sitzt im Kopf eines Menschen, und es reist nicht mit. Also haben wir die Mehrabani Card gebaut — ein einziges Objekt, das den geprüften Bedarf, die Geschichte der begünstigten Person, die Spende und das Ergebnis trägt —, mit Soha darunter als Datenschicht für geprüfte Bedarfe. Am sichersten bin ich mir beim unspektakulärsten Teil: Wir haben den operativen Workflow entworfen, den Sozialarbeiter tatsächlich nutzen. Wenn die Extraktionsschicht eine Last ist, wird sie nicht ausgefüllt, und dann gibt es nichts zu produktisieren.
Bei WritingChex war der Experte ein IELTS-Prüfer. Ein Prüfling außerhalb einer Großstadt hat keinen Prüfer, kein Feedback und keine Möglichkeit zu erfahren, warum sein Text die Bewertung bekommt, die er bekommt. Wir haben eine KI-Feedback-Engine gebaut, die die Prüfung simuliert, die Antwort analysiert und konkretes, umsetzbares Feedback im Stil eines Prüfers zurückgibt, und dann die Verbesserungsschleife darum herum entworfen. Sie erreichte ein validiertes MVP mit echten Einreichungen und ersten zahlenden Kunden — der erste Beleg, dass Menschen für maschinelles Feedback bezahlen würden. 2025 wurde es eingestellt. Ich war dem Team gegenüber ehrlich, wo man dem Modell nicht trauen konnte, und das ist die Lektion von CompanyHouse, nur früher angewandt: In den Ausnahmen liegt der Wert, und ein System, das sich bei den Ausnahmen sicher ist, ist schlechter als gar kein System.
Ketabno drehte das Problem um. Das zu produktisierende Wissen gehörte keinem Experten — es war das, was Lesen für einen Jugendlichen zur Gewohnheit werden lässt. Jugendliche hören nicht auf zu lesen, weil Bücher schlecht sind. Sie hören auf, weil Lesen einsam ist, unbelohnt bleibt und für ihre Freunde unsichtbar ist. Also trug das Produkt die soziale Schicht: Lesereisen, Punkte, Medaillen, Erzählerfiguren, Quizze. Es startete in rund drei Monaten.
Wo es schließlich richtig funktioniert hat
Shalize ist der deutlichste Fall, weil das implizite Wissen dort operativer und nicht fachlicher Natur war. Ein Handelsgeschäft mit physischem Gold und Silber lief auf WhatsApp-Nachrichten, Gedächtnis und Vertrauen, und das Volumen wuchs schneller, als der Prozess es tragen konnte. Gedächtnis lässt sich nicht übergeben.
Wir haben das Betriebssystem von Anfang bis Ende neu gebaut — Anfrage, Bestellung, Rechnungsstellung, Zahlungsprüfung, Abwicklung, Nachbetreuung und Rückkauf — und ein CRM darunter gelegt. Der eigentliche Launch war nicht die Website. Er bestand darin, dass der Vertrieb aufhören musste, aus dem Gedächtnis zu arbeiten; die Einführung des CRM war der Launch. Das physische Tagesvolumen stieg von 0,5 auf 10 kg pro Tag, und das Unternehmen meldet 4.000+ verifizierte zahlende Kunden und über 1.000 Mrd. Toman an Bruttotransaktionsvolumen. Diese Zahlen sind vom Unternehmen gemeldet, stammen aus dem Portfolio von Tamin Tejarat Espahbod Khorshid, sind nicht geprüft und weder Umsatz noch Nettomarge. Ich sage das lieber, als sie Arbeit leisten zu lassen, die sie sich nicht verdient haben.
Mokaab ist die Begleitnotiz. Ich habe eine vollständige Investmentplattform konzipiert — Kauf, Verkauf, Verwahrung, Rückkauf, Preisbildung, Rechnungsstellung, Lieferung und Kontoverläufe —, bei der die Rückkaufverpflichtung vom ersten Tag an eingeplant war, statt nachträglich angeschraubt zu werden. Sie ist nie gestartet: Die Prioritäten der Muttergruppe verlagerten sich auf das physische Geschäft, bevor die Plattform ausgeliefert wurde. Aber die Architektur und das Marktmodell haben überlebt und sind in das Betriebssystem von Shalize eingeflossen. Extrahiertes Wissen überlebt das Produkt, für das es extrahiert wurde. Das ist das Argument dafür, die Extraktion auch dann zu leisten, wenn Sie nicht sicher sind, dass das Ding ausgeliefert wird — und es ist der Grund, warum ich die Misserfolge aufführe: An einem Portfolio ohne sie kann man sich nicht kalibrieren.
Bei Emkan gilt derselbe Schritt für die Politik. Über Raumentwicklung wird in einer Sprache gesprochen, nach der kein Produktteam, kein Investor und kein Bürger handeln kann. Die Arbeit bestand also darin, sie in Strukturen zu übersetzen, die ein Produktteam tatsächlich bauen kann: Entwicklungsmissionen, Wirtschaftszonen, Sektoren, Bibliothek, Galerie. Bei Invest Iran, der Plattform der Investitionsförderagentur, bestand das implizite Wissen darin, wie man mit einem ernsthaften Investor tatsächlich umgeht — konzipiert als vollständige Investor Journey, von der Entdeckung von Investitionsmöglichkeiten und der Bewertung der Wettbewerbsvorteile über Interessenbekundung und organisatorische Einbindung bis zu Anfragenmanagement und Nachbetreuung.
Der Test ist einfach und unfreundlich. Wenn der Experte in den Urlaub fährt, funktioniert das Ding dann noch? Wenn die Antwort Nein lautet, haben Sie noch nichts produktisiert. Sie haben einen Engpass dokumentiert.