Veröffentlicht am

Künstliche Intelligenz: Urteilskraft und die Kompetenz-Illusion

Speech bubbles, blank boards and signs held by voters with freedom of democracy and opinion. The review, say and voice of people in public news adds good comments to a diverse group.

In dem Beitrag Künstliche Intelligenz und die Kompetenz-Illusion habe ich ausführlich dargestellt, dass es bei der Frage zur Kompetenzentwicklung für die Nutzung Künstlicher Intelligenz nicht alleine darauf ankommen kann, dass sich alle Privatpersonen, Mitarbeiter in Organisationen und ganze Öffentliche Verwaltungen an die proprietären KI-Modelle wie ChatGPT, Gemini, Grok, Claude etc. anpassen.

Dabei werden die Menschen auf die Nutzung der KI-Systeme trainiert, und teilweise auch manipuliert. Eine so verstandene Kompetenzentwicklung ist zu eng definiert und zu sehr auf die KI-Modelle ausgerichtet.

Weiterhin kann die Nutzung von Künstlicher Intelligenz auch zu einer Art Kompetenz-Illusion führen. Dabei verbessert sich zwar die jeweilige Aufgabenleistung durch die Nutzung von Künstlicher Intelligenz, allerdings nicht das dauerhafte Lernen – es entsteht die Illusion einer Kompetenzentwicklung.

Daher sollte Kompetenz besser als Selbstorganisationsdisposition verstanden werden:
– Als Selbstorganisationsdispositionen verweisen Kompetenzen darauf, dass der Mensch der Welt handelnd gegenübersteht, nicht durch „Reize“ mechanisch zu „Verhalten“ determiniert.
– Als Selbstorganisationsdispositionen verweisen sie darauf, dass sie die Komplexität des Chaos’ zu reduzieren in der Lage sind.
– Als Selbstorganisationsdispositionen schließlich sind sie mehr oder weniger performanzoffen im Sinne des Erkennens und Gestaltens von Neuem.
Quelle: Arbeitsgemeinschaft Betriebliche Weiterbildungsforschung e. V./ Projekt Qualifikations-Entwicklungs-Management (2006:13)

Eine so verstandene Kompetenzentwicklung geht in Bezug auf Künstliche Intelligenz über die reine Nutzung des jeweiligen KI-Systems hinaus und stellt immer mehr die Urteilskraft des Menschen in den Mittelpunkt – seine Selbstbestimmtheit, seine mentale Souveränität.

Dazu hat Prof. Hoffmann im RKW Newsletter 07/2026 einen lesenswerten Expertenbeitrag verfasst: Die gefährlichste Bildungslücke im KI-Zeitalter ist Urteilskraft.

„Nicht mehr Wissensanhäufung entscheidet über Zukunftsfähigkeit, sondern Urteilskraft, Metakognition und die Fähigkeit, sich von der scheinbaren Souveränität der Maschine nicht verführen zu lassen“ (ebd.).

Siehe dazu auch

Lernen des Entscheidens statt Lernen von Wissen?

 Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk.

Veröffentlicht am

Skill shortage: Es fehlen Kompetenzen zu Open Source Software und Open Source Hardware

Das Bild ist mit Mistral AI generiert

Aktuell wird oft darüber gesprochen und geschrieben, dass alle Kompetenzen in der Nutzung von Künstlicher Intelligenz benötigen. Dabei setzen die Marktführer auf kostenlose Online-Kurse, die die Nutzer an die jeweiligen KI-Modelle adaptieren sollen. Die Nutzer passen sich dabei an die Logik des KI-Modells an, und entwickeln angepasste Kompetenzen.

Im nächsten Schritt wird diese Abhängigkeit (Pfadabhängigkeit) Schritt für Schritt monetarisiert – immerhin müssen ja die hohen Investitionen refinanziert werden. Wenn einzelne Personen oder Organisationen diesen Weg in den letzten Jahren eingeschlagen haben, sprechen sie nur noch von solchen, angepassten Kompetenzen. Siehe dazu auch Künstliche Intelligenz (KI): Lock-in und Switching Costs.

Kompetenzen zur Nutzung von Open Source Software oder Open Source Hardware sind damit weniger gemeint – überspitzt formuliert könnte man auch sagen, dass fast niemand daran denkt.

Wenn es Europa mit der Digitalen Souveränität ernst meint, sollten wir allerdings gerade diese Kompetenzen fördern und entwickeln, da gerade Open Source zu mehr Resilienz auf den verschiedenen Ebenen führt. Aktuell gibt es allerdings nicht so viele Personen, die sich mit den Möglichkeiten von Open Source Software und Open Source Hardware auskennen (digital skill shortage).

„By aligning open source projects with structured upskilling programs, Europe can address its digital skills shortage and build a competitive workforce that supports its ambition for technological sovereignty. By fostering collaboration, investing in education, and ensuring sustainable funding, we can secure the future of open source as a driver of technological and scientific progress. With initiatives like Software Heritage and national policies advocating for open science, the foundation is set for a more inclusive and resilient open source ecosystem“ (Di Cosmo, 2026 Open Source and the Skill Shortage, in Eclipse Foundation, 2026).

Es liegt an uns die bestehenden Abhängigkeiten nach und nach zu reduzieren, um unseren eigenen, europäischen Weg bei der Nutzung von Technologie, speziell auch Künstlicher Intelligenz, zu entwickeln. Die erfolgreiche Geschichte von Open Source KI zeigt, wie dieser Weg aussehen kann. Digitale Souveränität: Europa, USA und China im Vergleich.

Veröffentlicht am

Künstliche Intelligenz und die Kompetenz-Illusion

Image by StockSnap from Pixabay

Kompetenzen zu entwickeln, und somit die Herausforderungen eines eines komplexen Umfeldes zu bewältigen, ist heute eine der wichtigsten Fähigkeiten. Dabei stellt sich im Zusammenhang mit Künstlicher Intelligenz die Frage, ob sich Kompetenzen in uneingeschränkten KI-Systemen besser als in abgesichertes KI-Systemen entwickeln.

„However, when later assessed, the students that relied on the unrestricted system underperformed, suggesting weaker long-term skill acquisition and an “illusion of competence”, in which task performance improved without durable learning. By contrast, the safeguarded tutoring system reduced the negative effects by using guided hints and stepwise reasoning that emulates effective instructional practices“ (UN, 2026).

In einem uneingeschränkten KI-System verbesserte sich zwar die Aufgabenbearbeitung, doch trat kein nachhaltiger Lernerfolg ein – es kam zu einer Kompetenz-Illusion. In einem abgesicherten Tutoren-System konnten diese Nachteile vermieden werden, sodass es zu einer Kompetenzentwicklung gekommen ist.

Ich halte die Unterscheidung zwischen einer durch KI erreichte Kompetenz-Illusion und einer nachhaltigen Kompetenzentwicklung für entscheidend. Seihe dazu auch Kompetenz und Kompetenzmanagement.

Veröffentlicht am

Multiple Intelligenzen Theorie erfasst die wesentlichen Dimensionen des zugrundeliegenden komplexen Systems

Image by StockSnap from Pixabay

Complex Problem Solving (CPS) unterscheidet sich erheblich von Simple Problem Solving (SPS). Beim einfachen Problemlösen (SPS) sind Ist- und Soll-Zustand gut beschreibbar. Durch planbares Vorgehen ist der Soll-Zustand dann mehr oder weniger gut erreichbar. Für CPS ist bei einem Menschen ein komplexes System von informationsverarbeitenden Prozessen erforderlich, denn komplexes Problemlösen (CPS) ist anders. Die Ausgangszustände sind nicht so eindeutig beschreibbar, der Weg zum Ziel ist vielfältig und das Ziel selbst ist unscharf (fuzzy). Bamberger und Wrona (2000:6) formulieren das so:

„Sie stellen Entscheidungen unter Unsicherheit dar und werden auch als sogenannte Multi-Kontext-Probleme derart bezeichnet, dass sie in unterschiedlichen, jeweils aktorspezifischen Kontexten definiert bzw. expliziert werden.“

Das theoretische Konstrukt Multiple Intelligenzen erfasst hier die wesentlichen Dimensionen dieses zugrundeliegenden (komplexen) Systems beim Menschen und geht damit über die biologischen Einschränkungen hinaus.

„This theoretical construct of multiple intelligences represents a framework that not only connects the biological constraints of human information processing to the world of culturally valued capabilities. In addition, it represents a particular compromise, balancing the need to deal with the richness and complexity of the underlying system against theoretical tractability, while still capturing the most important dimensions of the complex system“ (Cornell, Shearer and Gardner, 2003).

In der heute stark vernetzten Welt, kommt es immer mehr zu komplexen (nicht nur komplizierten) Problemstellungen. Insofern hat die Multiple Intelligenzen Theorie eine gute Passung zu dieser Entwicklung. Siehe dazu auch

Multiple Intelligenzen: Intelligenzprofile angemessen interpretieren

Wie hängen Multiple Intelligenzen und Fähigkeiten zusammen?

Was sind Eigenschaften von komplexen Aufgabenstellungen?

Veröffentlicht am

Lernen ist die Barriere für das Skalieren von Künstlicher Intelligenz

Wenn es um Künstliche Intelligenz geht, wird oft über die KI-Modelle, die technische und organisatorische Infrastruktur, oder auch über Regulation oder Talent (Kompetenzen) gesprochen.

Diese Punkte sollen helfen, KI-Systeme zu skalieren und dadurch besser und profitabler zu machen. Wenn es um die Skalierung von KI-Systemen geht, hat sich allerdings ein ganz anderer Bereich als Barriere entpuppt: Das Lernen.

„The core barrier to scaling is not infrastructure, regulation, or talent. It is learning. Most GenAI systems do not retain feedback, adapt to context, or improve over time“ (MIT NANDA 2025).

Die hier angesprochene Kritik richtet sich also darauf, dass die meisten GenAI Systeme kein Feedback speichern, sich nicht dem Kontext anpassen und sich nicht im Laufe der Zeit verbessern.

Natürlich gibt es GenAI-Systeme, die ein Feedback anbieten, doch geben nicht alle Nutzer ihr Feedback zu den Antworten, obwohl es manchmal ganz einfach mit „Daumen hoch“ oder „Daumen runter“ möglich ist.

Die Anpassung an den Kontext ist da schon für GenAI schwieriger, das es für das spezielle Erfahrungswissen (Expertise) viel mehr benötigt, als das, was GenAI aktuell anbietet. An diesen Stellen kommt der Mensch ins Spiel. Siehe dazu Rent a Human: KI-Agenten bieten Arbeit für Menschen an.

Natürlich verbessern sich die GenAI Systeme über die Zeit. Das machen sie, aufgrund ihrer vorliegenden Daten auch selbständig, selbstorganisiert, autopoietisch. GenAI-Systeme verbessern sich allerdings nur so lange selbst, bis ihr System infrage gestellt wird – dann ist Schluss. Allerdings sind die Daten, auf denen die Verbesserung basiert nicht so vollständig. Das wiederum bedeutet möglicherweise, dass auch die Verbesserung nicht optimal ist.

Wenn also Lernen der Flaschenhals beim Skalieren von GenAI ist, sollte sich jeder mit Lernen befassen. Ich bezweifle allerdings, dass diejenigen, die sich mit KI-Systemen und deren Nutzung in Organisationen befassen, etwas von Lernen verstehen. Siehe dazu auch

Künstliche Intelligenz macht Lebenslanges Lernen zur Pflicht.

Künstliche Intelligenz und Lernen.

Das Netzwerk vom Lernen.

Lernen des Entscheidens statt Lernen von Wissen?

Veröffentlicht am

Lernen des Entscheidens statt Lernen von Wissen?

Über Wissen, und den Umgang mit Wissen, habe ich schon sehr viele Beiträge geschrieben (Kategorie: Wissensmanagement). In diesem Beitrag soll es noch einmal um den Bezug zwischen Wissen und Handeln gehen.

Dabei kann Wissen nach Nico Stehr (2000:81) als Handlungsvermögen, als„ Fähigkeit zum sozialen Handeln“ definiert werden (Stehr 2000).

Andererseits entsteht durch Handeln auch Wissen. Siehe dazu auch Wissen und Handeln: Zur Problematik des trägen Wissens.

Durch neue Technologien, wie z.B., der Künstlichen Intelligenz, und die vielfältigen Vernetzungsmöglichkeiten in der heutigen Welt, entsteht eine große Fülle an Wissen und Nicht-Wissen, das wiederum zu sehr vielen Handlungsoptionen unter Unsicherheit führt.

Es wundert daher nicht, dass heute eine Kompetenz erforderlich ist, die hilft, unter Unsicherheit zu entscheiden. Es geht also nicht „nur“ um das Wissen, sondern auch um die richtige Entscheidung. Es deutet sich hier schon an,

„(…) dass das Lernen von Wissen weitgehend ersetzt werden müsste durch das Lernen des Entscheidens, das heißt: des Ausnutzens von Nichtwissen“ (Luhmann 2002: 198, zitiert in Kurtz, T. 2010).

Siehe dazu auch

Entscheidungen unter Unsicherheit: Schnelles Denken und Langsames Denken

Wie ist es möglich, in kritischen Situationen unter Zeitdruck Entscheidungen zu treffen?

Umgang mit Unschärfe und Unsicherheit

Veröffentlicht am

Soziale Kompetenz – eine Einordnung

Kanning, U. P. (2005): Soziale Kompetenzen. Göttingen: Hofgrefe.

In vielen Diskussionen verwenden Teilnehmer gleichlautende Begriffe, deren Bedeutungen allerdings unterschiedlich interpretiert werden. Weiterhin kann es vorkommen, dass Begriffe synonym verwendet werden, wodurch auch ein ziemliches Durcheinander entstehen kann.

In der Abbildung ist beispielsweise zu erkennen, dass der Oberbegriff Soziale Kompetenz, die Bereiche Soziale Intelligenz, Emotionale Intelligenz und auch Soziale Fertigkeiten umfasst – mit diesen Begriffen somit nicht gleichzusetzen ist.

Weiterhin können auch Emotionale Intelligenz und Emotionale Kompetenz unterschieden werden.

Ähnlich sieht es bei Persönlichkeitseigenschaften, -fähigkeiten und Kompetenzen aus.

Auch sollte bedacht werden, dass wir bei Intelligenz oft and den Intelligenz-Quotienten denken, was gerade in der Diskussion um Künstliche Intelligenz tückisch sein kann: OpenAI Model “o1” hat einen IQ von 120 – ein Kategorienfehler? Hier hat die Multiple Intelligenzen Theorie möglicherweise eine bessere Passung.

Siehe dazu auch Freund, R. (2011): Das Konzept der Multiplen Kompetenzen auf den Ebenen Individuum, Gruppe, Organisation und Netzwerk.

Veröffentlicht am

Sprechen wir über Inkompetenz und Sympathie

Casciaro/Lobo (2005): Der Nutzen Charmanter Inkompetenz. In: Harvard Business manager September 2005

Über Kompetenz, und dem Umgang mit Kompetenz (Kompetenzmanagement), gibt es in unserem Blog eine separate Kategorie, in der aktuell 762 Beiträge zu finden sind. Da es allerdings nicht nur kompetente Kolleginnen und Kollegen in Organisationen gibt, sondern auch viel Inkompetenz gibt, sollten wir natürlich auch darüber sprechen. Hinzu kommt allerdings auch noch eine andere Frage: Wie sympathisch ist mir der Kollege, oder die Kollegin?

Diese kurzen Überlegungen führen dann direkt zu der Abbildung, in der die beiden Achsen Kompetenz (niedrig-hoch) und sympathische Ausstrahlung (schwach-stark) zu finden sind. Im einfachsten Fall ergeben sich daraus die vier Bereiche:

Kompetenter FieslingWird meistens gemieden
Beliebte SpitzenkraftIst heiß begehrt
Inkompetenter FieslingWird strikt gemieden
Sympathischer DummkopfIst mäßig begehrt

In einer Studie wurde nun untersucht, wie sich Mitarbeiter bei einer möglichen Zusammenarbeit mit anderen entscheiden würden.

„Unsere Studien in vier sehr unterschiedlichen Organisationen haben eindeutig ergeben, dass die meisten Menschen lieber mit einem ,,sympathischen Dummkopf“ zusammenarbeiten als mit jemandem, der zwar kompetent aber nicht sympathisch ist, also mit einem „kompetenten Fiesling“ (Casciaro/Lobo 2005).

Zu beachten ist hier, dass es bei Kompetenz und Inkompetenz vorrangig um die fachliche und methodische Dimensionen geht. Betrachtet man Kompetenz etwas weiter als Selbstorganisationsdispositionen, zu denen nicht nur fachliche oder methodische, sondern auch soziale und persönliche Dimensionen gehören, müsste es eine Unterscheidung zwischen Kompetenz und Sympathie gar nicht geben. Siehe dazu auch

Freund, R. (2011): das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk.

Veröffentlicht am

Künstliche Intelligenz macht Lebenslanges Lernen zur Pflicht

In den letzten Jahrhunderten hat sich angedeutet, dass einmal Erlerntes immer wieder aktualisiert werden musste (Abbildung). In manchen Bereichen kommt es auch vor, dass das Erlernte gar nicht mehr benötigt wurde, und Mitarbeiter von Unternehmen ganz neue Themen lernen mussten.

Diese Entwicklung nimmt nun mit den Möglichkeiten der Künstlichen Intelligenz noch einmal Fahrt auf. Klassische Abschlüssen und Zertifikate können durchaus schnell an Wert verlieren. Die Beratungsgesellschaft McKinsey verkündet sogar das Ende der klassischen Ausbildung – ganz im Sinne des Lebenslangen Lernens. In einem Artikel dazu findet man folgenden Kommentar:

„Für Arbeitnehmer bedeutet dies, dass die eigene Lernfähigkeit zum wichtigsten Kapital wird, während Unternehmen ihre Personalstrategien grundlegend neu ausrichten müssen, um in einer KI-getriebenen Umgebung wettbewerbsfähig zu bleiben“ (Niels Matthiesen, Golem vom 07.01.2025).

Organisationen müssen verstehen, wie ihre Mitarbeiter, wie Teams (Projektteams), die gesamte Organisation und ihr Netzwerk lernen – ganz im Sinne einer Lernenden Organisation.

Dabei stellt sich natürlich gleich die Frage, ob Organisationen überhaupt etwas über Lernen wissen. Wie in der Abbildung zu erkennen ist, geht es in Zukunft nicht mehr um Sicherheitslernen, sondern um Unsicherheitslernen, was eine Kompetenzstärkung bedeutet.

Führungskräfte ermöglichen dabei Lernprozesse. Genau das ist die Aufgabe der Erwachsenenbildung. Führungskräfte sollten daher wissen, was unter moderner Erwachsenenbildung zu verstehen ist.

Siehe dazu auch Agiles Lernen und selbstorganisierte Kompetenzentwicklung.

Veröffentlicht am

Generative Künstliche Intelligenz und generative Kompetenzentwicklung

Klassische Kompetenzentwicklung versteht Kompetenz nach Erpenbeck und Heyse als Selbstorganisationsdisposition, die entwickelt werden kann und sollte. Mit dem Aufkommen von Künstlicher Intelligenz kommt auch immer stärker der Ruf nach einer entsprechenden Kompetenz auf – einer Digitalen Kompetenz oder auch KI-Kompetenz. Dabei sollte unter Künstlicher Intelligenz und Generativer Künstlicher Intelligenz unterschieden werden.

„Der Begriff generativ bedeutet bei künstlicher Intelligenz (KI), dass KI-Systeme aus Eingaben mittels generativer Modelle und gespeicherter Lerndaten neue Ergebnisse/Ausgaben wie Texte, Sprachaussagen, Vertonungen, Bilder oder Videos erzeugen“ (Quelle: Wikipedia).

Es handelt sich bei Generativer Intelligenz (GenAI) also auch um eine Art von Kreativität, die entsteht und die beispielsweise von Menschen bewertet werden kann, bzw. sollte. Es wundert daher nicht, dass vorgeschlagen wird, so eine „evaluative Kreativität“ – und in dem Zusammenhang auch generative Kompetenzen – zu entwickeln:

„Entwickle Deine evaluative Kreativität, entwickle Deine generativen Kompetenzen. (…) Generative Kompetenzen: die Fähigkeit, sich in neuen Technologien kreativ und selbstorganisiert mit einer klaren Wertorientierung zu bewegen“ (Erpenbeck und Sauter 2025).

Bemerkenswert ist hier, dass es nicht nur darum geht, mit KI-Modellen sebstorganisiert umgehen zu können, sondern auch wichtig ist, dass das mit einer klaren Wertorientierung erfolgen soll.

Dabei stellt sich gleich die Frage: Welche Werte kaufe ich mir denn ein, wenn ich ein KI-Modell der US-amerikanischen Tech-Konzerne oder KI-Modelle chinesischer Anbieter nutze? Siehe dazu auch Mit proprietärer Künstlicher Intelligenz (KI) kauft man sich auch die Denkwelt der Eigentümer ein.