In dem Beitrag If HP knew what HP knows, we would be three times as profitable hatte ich schon einmal darauf hingewiesen, dass der Umgang mit Wissen im Allgemeinen in Unternehmen nicht so einfach ist. Betrachten wir speziell noch das Wissen von Experten, also deren Expertise, so wird deutlich, dass es sehr schwierig ist, dieses Experten-Wissen zu teilen, oder sogar zu übertragen. Dazu habe ich folgende Begründung gefunden:
„One set of limitations on sharing expertise is cognitive, that is, the way experts store and process information may make it difficult for them to share that expertise with others regardless of whether or not they are motivated to do so.
Another cognitive problem in transferring knowledge is the challenge of articulating knowledge that is tacit rather than explicit.
Another problem in asking experts to articulate knowledge is that knowledge is embedded and difficult to extract from the particular situation or environment (Brown and Dunguid 1998; Hansen 1999; Lave and Wenger 1991.“
Quelle: Hinds, P. J.; Pfeffer, J. (2003), in: Ackerman, M. S.; Pipek, V.; Wulf, V. (2003) (Eds.).
Auch in Zeiten von Künstlicher Intelligenz sollten wir uns die Frage stellen, welches Experten-Niveau hier erreicht werden kann. Siehe dazu auch
Die aktuelle Diskussion zu Künstlicher Intelligenz befasst sich u.a. mit den Möglichkeiten generativer Künstlicher Intelligenz (GenAI) und den Entwicklungen bei KI-Agenten (AI Agents). KI-Agenten können in Zukunft viele Tätigkeiten/Jobs in Organisationen übernehmen, und so deren Effektivität und Effizienz steigern.
Solche Entwicklungen sind allerdings nicht alleine auf Organisationen begrenzt. Auf der individuellen, persönlichen Ebene entwickeln sich KI-Agenten immer mehr zu persönlichen Agenten, oder sogar zu Personal AI Twins:
„Personal AI Twins represent a profound shift from generic to deeply personalized agents. Unlike today´s systems that may maintain the memory of past interactions but remain fundamentally the same for all users, true AI twins will deeply internalize an individual´s thinking patterns, values, communication style, and domain expertise“ (Bornet et al. 2025).
Die hier angesprochene Entwicklung von generischen KI-Agenten zu personalisierten KI-Agenten (personal ai twins) ist bemerkenswert. Es stellt sich natürlich gleich die Frage, ob eine Person solche Personal AI Twins nur für ihre Arbeit, oder auch für alle ihre Aktivitäten nutzen möchte. Dabei kommt es immer wieder zu Überschneidungen zwischen der beruflichen Domäne und den privaten Kontexten.
Möglicherweise können einzelne Personen in Zukunft mit Hilfe von Personalized AI Twins ihre eigenen Ideen besser selbst entwickeln oder sogar als Innovationen in den Markt bringen. Dabei empfiehlt sich aus meiner Sicht die Nutzung von Open Source AI – ganz im Sinne einer Digitalen Souveränität und im Sinne von Open User Innovation nach Eric von Hippel. Siehe dazu auch
Wenn es darum geht, die Auswirkungen der Künstlichen Intelligenz auf den Arbeitsmarkt zu prognostizieren, kommt es – wie immer – darauf an, wen man fragt.
Die eher technikorientierten Unternehmen verkaufen die angestrebte AGI (Artificial General Intelligence) als das non plus ultra der Intelligenzentwicklung. Dabei prognostizieren diese Unternehmen, dass AGI den menschlichen Fähigkeiten (Intelligenzen) überlegen sein wird. Daraus folgt zwingend, dass KI wohl alle arbeitsbezogenen Tätigkeiten in der nahen Zukunft übernehmen kann. Diese Argumentation erinnert mich an so viele Versprechen der Technik-Unternehmen; beispielsweise an die Unsinkbarkeit der Titanic oder die „100%-ige“ Sicherheit von Kernkraftwerken, oder an die Verheißungen der Internetpioniere. Technologie muss wohl in dieser Form verkauft werden (Storytelling) – immerhin geht es ja um Investoren und sehr viel Geld. Ich weiß natürlich, dass diese Vergleiche „hinken“, dennoch …
Betrachten wir Künstliche Intelligenz mit seinen Möglichkeiten aus der eher gesamtgesellschaftlichen Perspektive, so sieht das etwas anders aus. Hier geht es darum, mit Hilfe der Künstlichen Intelligenz gesellschaftliche Probleme zu lösen, zum Wohle aller. Die Idee der japanischen Society 5.0 kommt diesem Anspruch sehr nahe. Da ich darüber schon verschiedene Blogbeiträge veröffentlich habe, gehe ich darauf nicht weiter ein. Siehe dazu beispielhaft Worin unterscheiden sich Industry 5.0 und Society 5.0?
Wie ist es dennoch möglich herauszufinden, wie sich Künstliche Intelligenz auf dem Arbeitsmarkt bemerkbar macht, bzw. machen wird?
Als Leser unseres Blogs wissen Sie, dass ich bei solchen Fragestellungen immer dazu tendiere, belastbare wissenschaftliche Studien von unabhängigen Forschern heranzuziehen. Eine dieser Studie ist folgende. Darin sind sehr ausführlich Vorgehensweise, Datenanalysen und Erkenntnisse dargestellt, mit einer zu beachtenden Einschränkung: Es geht um den amerikanischen Arbeitsmarkt.
„First, we find substantial declines in employment for early-career workers in occupations most exposed to AI, such as software development and customer support.
Second, we show that economy-wide employment continues to grow, but employment growth for young workers has been stagnant.
Third, entry-level employment has declined in applications of AI that automate work, with muted effects for those that augment it.
Fourth, these employment declines remain after conditioning on firm-time effects, with a 13% relative employment decline for young workers in the most exposed occupations
Fifth, these labor market adjustments are more visible in employment than in compensation.
Sixth, we find that these patterns hold in occupations unaffected by remote work and across various alternative sample constructions“
Source: Brynjolfsson et al. (2025): Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence | PDF
Herausheben möchte ich hier, dass gerade junge Menschen, die in den Arbeitsmarkt kommen und noch keine domänenspezifische Expertise entwickeln konnten, von Künstlicher Intelligenz betroffen sind. Das ist in mehrerer Hinsicht bemerkenswert.
Einerseits scheint Expertise nicht so leicht durch KI ersetzbar zu sein, was wiederum für erfahrene, auch ältere Mitarbeiter spricht. Diese sollten natürlich Künstliche Intelligenz nutzen und nicht ablehnen.
Der Wissensbegriff hat sich in den letzten Jahrzehnten verändert, und damit auch erweitert. Arnold hat beispielsweise von einem neuen Wissensbegriff gesprochen und plädiert für eine Art von Wissenskompetenz.
Mit den Möglichkeiten der Künstlichen Intelligenz wird der Umgang mit Wissen noch dynamischer – vormals eher personales Wissen wird immer mehr zu einem öffentlichen Wissen. Dabei ist bemerkenswert, dass die Menschen den Ergebnissen der KI-Modellen durchaus vertrauen, obwohl diese nachweislich fehlerhaft sind. Siehe dazu Künstliche Intelligenz: Halluzinationen und der Bullshit-Faktor – eine Art Künstliche Dummheit? Dieses sehr unkritische Verhalten führt zu einer Entwertung des personalen Wissens
„Menschen ziehen sich infolge von KI zunehmend aus der Generierung personalen Wissens zurück und begnügen sich mit der Überwachung und Validierung KI-generierten öffentlichen Wissens. Der Einsatz von KI und ein übermäßiges Vertrauen in die Qualität KI generierter Inhalte reduzieren zudem die Bereitschaft zum kritischen Denken. Mit wachsendem Vertrauen in KI verschlechtert sich kritisches Denken, während Zuversicht in Bezug auf die eigene Expertise kritisches Denken stärkt“ (Reinmann, Preprint. Erscheint in: Dittler, U. & Kreidl, C. (in Druck). Fragen an die Hochschuldidaktik der Zukunft. Schäffer-Poeschel).
Die stärkere Nutzung der KI-Möglichkeiten führt also letztendlich zur Reduzierung des kritischen Denkens, wobei das Vertrauen in die eigene Expertise eher das kritische Denken fördert.
Wir sollten daher nicht „blind“ den Verheißungen der Tech-Industrie hinterherrennen, sondern auf Basis unserer eigenen Expertise durchaus kritisch mit den Ergebnissen der KI umgehen. Siehe dazu beispielsweise Kritisches Denken genauer betrachtet. Darin werden u.a. die affirmative (bestätigende) Wissenskonstruktion und das kritische Denken gegenübergestellt.
Seit wir in Sozialen Netzwerken unterwegs sind, haben sich nach und nach – hauptsächlich ab dem Jahr 2000 – einzelne Personen zu Influencer entwickelt, und in der Zwischenzeit sogar professionell positioniert. Doch was sind Influencer eigentlich?
„Als Influencer (deutsch etwa Einflussnehmer, Beeinflusser; von englisch to influence ‚beeinflussen‘) werden seit dem Beginn der 2000er Jahre Multiplikatoren bezeichnet, die ihre starke Präsenz und ihr Ansehen in sozialen Netzwerken nutzen, um beispielsweise Produkte oder Lebensstile zu bewerben“ (Quelle: Wikipedia vom 21.08.2025).
Es geht den Personen also hauptsächlich darum, andere zu beeinflussen, bestimmte Produkte oder Dienstleistungen zu kaufen. Dabei verknüpfen die Influencer Ihre persönlichen Meinungen ganz bewusst und offen mit den verschiedenen Marken und verdienen dadurch teilweise sehr viel Geld. Die Beeinflussung von möglichen Interessenten von Produkten ist schon lange ein Instrument des Marketings. Durch die Sozialen Netzwerke kommt noch hinzu, dass jeder sich mit relativ geringen Aufwand als Influencer positionieren kann – Skalierbarkeit bei geringen Kosten.
Manche Influencer stellen sich in ihren Videos und Kommentaren auch gerne als Experten für bestimmte Produkte und Dienstleistungen dar. An dieser Stelle stellt sich natürlich die Frage:
Gibt es zwischen einem Influencer und einem Experten Unterschiede?
Experten haben oftmals mehrere tausend Stunden in einer bestimmten Domäne gearbeitet und dabei implizites Wissen und entsprechende Kompetenz entwickelt. Expertise ist also zu einem großen Teil personengebunden und wird ihnen zugeschrieben. Expertise/Kompetenz als Zuschreibung anderer. Experten können beispielswiese durch ein Pyramiding in Netzwerken visualisiert/erkannt werden.
“Pyramiding search is a variant of snowballing – but with an important difference. Pyramiding requires that people having a strong interest in a given attribute or quality, for example a particular type of expertise, will tend to know of people who know more about and/or have more of that attribute than they themselves do (von Hippel et al 1999)”, zitiert von von Hippel/Franke/Prügl 2009).
Experten wollen also – im Gegensatz zu Influencern – nicht primär beeinflussen, sondern helfen, komplexe Probleme zu lösen. Experten haben auch nicht so sehr das Ziel einen Verkaufsprozess auszulösen. Das kann zwar auch vorkommen, ist allerdings nicht das Hauptziel.
In dieser ersten kleinen Gegenüberstellung wird schon deutlich, dass es zwischen Influencer und Experten Unterschiede, allerdings auch einige Überschneidungen gibt – was die Sache wiederum kompliziert macht. Diesen Umstand nutzen manche Influencer, um sich als Experten zu positionieren, was sie allerdings oft nicht sind…
Manchmal wundert man sich, warum einzelne Industrien „das Rad neu erfinden“, obwohl es die jeweilige Problemlösung doch schon in anderen Branchen / Industrien gibt. Anhand der Abbildung sind die verschiedenen Möglichkeiten illustriert.
Ist in der Industrie I ein Problem erkannt worden, so kann im ersten Schritt der Abstraktion im Lösungsraum eine Analogie (2. Schritt) zu einer Problemlösung in der Industrie II gefunden werden. Diese findet man in dem Bereich, in denen sich die beiden Lösungsräume von Industrie I und Industrie II überschneiden,. Im dritten Schritt der Adaption (3.) wird die Problemlösung aus der Industrie II für das Problem in Industrie I angewendet. Hört sich einfach an, ist es allerdings nicht immer.
Je kontextabhängiger das für die Problemlösung erforderliche Wissen ist, umso schwieriger ist das Wissen auf einen anderen Kontext (hier: eine andere Industrie) zu übertragen. Es handelt sich dabei um sogenanntes „Träges Wissen“.
Weiterhin benötigt man für eine bestimmte, komplexe Problemlösung (z.B. für Innovationen) oftmals die Expertise bestimmter Personen mit ihrem Erfahrungsschatz. Diese Expertise hängt wiederum mit dem impliziten Wissen zusammen, das nicht so einfach übertragbar ist.
Dennoch ist es natürlich nicht unmöglich, von anderen Industrien für komplexe Problemlösungen zu lernen – es ist allerdings auch nicht so einfach, sobald man die dahinterliegende Wissensperspektive betrachtet.
Beispielhafte Darstellung der Wissenszuwachsvorhersage (Fischer et al. 2023)
Künstliche Intelligenz beeinflusst auf verschiedenen Ebenen auch die berufliche Weiterbildung. Ein wichtiger Bereich ist dabei die Personalisierung von Inhalten und Lernprozessen. In der Vergangenheit wurde das schon mit der Modularisierung von Inhalten zusammen mit entsprechenden Konfiguratoren umgesetzt. Kurz zusammenfasst lautet hier die Formel: Konfiguration von Learning Objects. Der ganze Bereich kann als Mass Customization and Personalization in der beruflichen Bildung gesehen werden.
Eines meiner ersten Paper dazu habe ich 2003 auf der ElearnChina vorgestellt. Dabei ging es mir schon damals darum, dass nicht das Objekt lernt (Learning Objects), sondern die jeweilige Person. Daher habe ich schon damals eine Verbindung zur Multiple Intelligenzen Theorie von Howard Gardner hergestellt.
Freund, R. (2003): Mass Customization in Education and Training, ELearnChina 2003, Edinburgh, Scotland. Download | Flyer | Speaker. Weitere Paper finden Sie in meinen Veröffentlichungen.
In der Zwischenzeit bietet die Künstliche Intelligenz darüber hinausgehend weitreichende Verbesserungen, z,B. durch die Verwendung von Markov-Ketten.
„Beispielsweise lassen sich über klassische Verfahren des maschinellen Lernens automatisiert Lernmaterialien oder Kurse empfehlen, die vor dem Hintergrund der bisherigen Bildungshistorie von Teilnehmenden häufig gewählt wurden (Markov-Ketten), besonders erfolgsversprechend sind (gewichtete Markov-Ketten) und/oder angesichts des Vorwissens und ggf. weiterer Variablen den größtmöglichen Wissenszuwachs versprechen (Wissenszuwachsvorhersage)“ (Fischer et al. (2023).
Die Abbildung zeigt das prinzipielle Vorgehen. Diese Verfahren sind bei einer großen Datenbasis durchaus gut einsetzbar. Neben den content-bezogenen Möglichkeiten bieten solche Ansätze auch Unterstützung bei den jeweiligen Kollaborationssituationen.
Experten allerdings nutzen am Arbeitsplatz für die Problemlösung oftmals ihr “Gefühl/Gespür”, oder man sagt, sie haben einen “guten Riecher” für die Situation gehabt. Gerade in komplexen Problemlösungssituationen zeigen sich Grenzen der rationalen, scheinbar objektiven Analyse. Es kommt dann stattdessen auch auf die subjektiven Fähigkeiten eines Menschen an. Siehe dazu auch Kann Intuition als Brücke zwischen impliziten und expliziten Wissen gesehen werden?
Die aktuelle gesellschaftliche Entwicklung kann als Strukturbruch zwischen Einfacher und Reflexiver Modernisierung gesehen werden. Bisher war Führung damit konfrontiert, Arbeit effektiv und effizient eher fremdorganisiert zu organisieren. Arbeit 4.0 ist allerdings viel stärker selbstorganisiert, und benötigt daher eine andere Art von Führung.
Selbstorganisation in komplexen sozialen Systemen (Organisationen) wird dabei oft auf technische und/oder ökonomische Dimensionen reduziert. Eine moderne Führung zeichnet sich in einer Reflexiven Modernisierung allerdings dadurch aus, dass Führung selbst reflexiv ist, und sozialwissenschaftliche Expertise erfordert.
„Ohne eine sozialwissenschaftliche Expertise kann eine solche selbstreflexive Führung auch in Lehr-Lern-Prozessen nicht gelingen. Soziale Systeme funktionieren nämlich nicht allein nach Maßgabe technisch-ökonomischer, sondern auch – und vielleicht sogar: vornehmlich – nach Maßgabe sozialer Mechanismen“ (Arnold 2017).
Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen, die wir an verschiedenen Standorten anbieten. Informationen zu unseren Blended Learning Lehrgängen und zu aktuellen Terminen finden Sie auf unserer Lernplattform.
Brödner, P.; Helmstädter, E.; Widmaier, B. (Hrsg.) (1999): Wissensteilung – Zur Dynamik von Innovation und kollektivem Lernen (Zur Einführung). München und Mering
Wissen wird situativ konstruiert (Konstruktivismus). Das bedeutet, dass beispielsweise die selben Daten und Information im Einkauf (Kontext 1) und im Verkauf (Kontext (2) zu anderen Wissenskonstruktionen führen können. Die Abbildung illustriert diese und folgende Zusammenhänge.
Noch schwieriger ist es für Experten ihr Wissen (Expertise, Expertenwissen) preiszugeben (Kontext 1 – berufliche Domäne 1) , denn es handelt sich dabei hauptsächlich um implizites Wissen (1).
Dieses implizite Wissen (1) wird dann mit Hilfe von Theorien, Modellen und Begriffen de-kontextualisiert und über das dann explizierbare Wissen in einen anderen Kontext (2) übertragen. Dort wird das explizite Wissen re-kontextualisiert und über Aneignung, Internalisierung und Lernen zu einem impliziten Wissen (2) und zu Können (2).
Die Entgrenzung des Wissens führt zu einem neuen Wissensbegriff und zu neuen Wissensformen, zu denen auch das “Google-Wissen” zählt. Darüber hinaus gibt es noch eine Wissensform, die sich eher in der Expertise zeigt, und sich daher von dem Google-Wissen unterscheidet.
„Dieses etabliert sich über seine Verankerung in überlieferten Wissensformen. Das Kohärenzwissen ist ein anknüpfendes Wissen. Es lebt von den vielfältigen Erklärungsversuchen, mit denen es sich vergleicht, denen es sich anschließt oder über die es hinausführt. Grundlegend ist die Vielfalt der Perspektiven, welche in dieses Wissen integriert sind und auch unauflösbare Widersprüche beinhaltet, die aufzulösen bislang nicht gelungen ist. Das Kohärenzwissen ist der Hort der Expertise. Es tritt in Fachbüchern, Lexika und Ausbildungs- oder Studienunterlagen zutage und ist dem Selbstlernen zugänglich. Um jedoch den Umgang mit Wiedersprüchen, Unsicherheiten oder gar Fehlern zu lernen, lohnt es sich Expertinnen und Experten bei solchem Umgang zu beobachten und mit ihnen in Kontakt zu treten. Diese Begegnungen haben wenig mit Unterricht, viel aber mit Interaktion, Nachfrage und Begleitung zu tun“ (Arnold 2017; Eigene Hervorhebungen).
Es ist in der heutigen Zeit wichtig, den Wissensbegriff, weitere Wissensformen und den jeweiligen Umgang mit den neuen Wissensformen zu thematisieren, denn letztendlich wird sich aus diesen Betrachtungen auch ein neues Wissensmanagement ableiten.
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
