Spannungsfelder des Kompetenzmanagements

Gefunden in einem Workshop von Oliver P. Müller aus dem Jahr 2006 zu Mitarbeiterwissen identifizieren, entwickeln und dauerhaft erhalten

Die etwas ältere Abbildung zeigt gut auf, welche Spannungsfelder bei einem modernen Kompetenzmanagement zu beachten sind:

Kompetenzträger: Hier geht es um die Ebenen Individuum, Gruppe und Organisation. Hinzufügen würde ich noch die Ebene Netzwerk.

Kompetenzart: Gemeint sind hier die Fachkompetenz, die Methodenkompetenz und die Sozial-/Persönlichkeitskompetenz . Wie Sie als Leser unseres Blogs wissen, gehe ich nach Erpenbeck/Heyse von Kompetenz als Selbstorganisationsdisposition aus.

Anwendungsrahmen: Dieser Aspekt bezieht sich auf die drei Dimensionen Identifikation, Verteilung und Entwicklung. Kompetenzen sind also nicht fix, sondern relational entwickelbar.

Durch die drei Spannungsfelder entsteht eine dreidimensionale Abbildung, die einen ersten Einblick in die Dynamik des gesamten Systems gibt.

Weiterhin ist zu beachten, dass Kompetenz auf der organisationalen Ebene eher aus der betriebswirtschaftlichen Perspektive, Ressource Based View, Kernkompetenzen usw.) und Kompetenz auf der individuellen Ebene eher aus der pädagogischen Perspektive (Selbstorganisiertes Lernen etc.) betrachtet wird. In einer Organisation sollte allerdings auf allen Ebenen ein stimmiges, einheitliches Verständnis von Kompetenz und Kompetenzmanagement vorhanden sein.

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

Organisation und Lernen – ein immer noch schwieriges Thema. Warum eigentlich?

Image by Gerd Altmann from Pixabay

Veränderungen in unserem Umfeld bedeuten, dass sich Gesellschaften, Organisationen und einzelne Personen anpassen müssen. Die lieb gewonnenen Routinen auf verschiedenen Ebenen verlieren immer öfter ihre Berechtigung und werden ersetzt. Anpassung bedeutet, dass wir Neues lernen müssen. Siehe dazu auch Reskilling 2030 des World Economic Forum.

Bei dem Wort “Lernen” denken viele an Schule oder Universitäten usw., doch ist Lernen eher als lebenslanger Prozess zu sehen. – auch in (Lernenden) Organisationen. Weiterhin haben sich die Schwerpunkte des Lernens in der letzten Zeit verschoben, denn in Zukunft kommt dem selbstorganisierten Lernen – auch mit Hilfe von Künstlicher Intelligenz – eine bedeutende Rolle zu.

Es ist für mich daher immer noch erstaunlich, wie wenig Organisationen über das Lernen von Mitarbeitern, von Teams, der gesamten Organisation und im Netzwerk wissen. Bezeichnend ist hier, dass das Lernen im beruflichen Kontext oftmals nur als reiner Kostenfaktor gesehen wird (Merkmal der klassischen industriellen Kosten- und Leistungsrechnung).

“In a 2020 BCG study of the learning capabilities of 120 large global companies, only 15% said they granted corporate learning the high priority it deserves. Skills are not linked to corporate strategy. The same BCG study shows that less than 15% of leaders believe that learning constitutes a core part of their company’s overall business strategy” (Quelle).

Das Corporate Learning sollte sich bewusst machen, dass Lernen, Kompetenzentwicklung und Erfolg einer Organisation zusammenhängen. Siehe dazu auch meinen Beitrag Wettbewerbsfähigkeit, Lernen, Kompetenz und Intelligenz hängen zusammen – aber wie?, den ich schon 2013 geschrieben hatte.

Warum wird in den Organisationen darauf zu wenig geachtet, obwohl doch viele Studien und Veröffentlichungen immer dringender auf diese Zusammenhänge hinweisen?

Meines Erachtens liegt es daran, dass viele Führungskräfte nichts von Lernen verstehen und auch keine entsprechende Kompetenzen entwickelt haben. Wie wäre es, wenn Führungskräfte einen Masterabschluss im Bereich Erwachsenenbildung nachweisen müssten? Ich habe meinen Masterabschluss im Bereich der Erwachsenenbildung beispielsweise an der TU Kaiserslautern erfolgreich abgeschlossen. Siehe dazu auch

Lernende Organisation oder Organisationales Lernen?

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

Wissen im Innovationsprozess analysieren

Eigene Darstellung; (c) Dr. Robert Freund

Wissen spielt im Innovationsprozess eine wichtige Rolle. Um dieses Wissen nutzen zu können, sollten Sie zunächst die verschiedenen Schritte des Innovationsprozesses notieren. In der Abbildung sehen Sie dazu ein Beispiel.

Anschließend können Sie zu den einzelnen Schritten die jeweils benötigte(n) Wissensdomäne(n) notieren. Siehe dazu ausführlicher

Fraunhofer IPK (2010): Standarddefinitionen für Wissensdomänen (PDF).

Weitere Spalten Ihrer Analyse sind dann noch Technologie (Wo findet man die Wissensdomänen in technischen Systemen?), Organisation (Wo findet man die Wissensdomänen in der Organisation?) und Mensch (Bei wem findet man dazu noch weitere Expertise – speziell implizites Wissen?).

Diese Vorgehensweise kann auch für andere Prozesse genutzt werden. Beispielsweise für Projektmanagement-Prozesse usw. . Der Ansatz ist relativ einfach und ist daher gerade für Kleine und Mittlere Unternehmen (KMU) geeignet.

Resilienz: Zwei wichtige Veröffentlichungen zum Thema

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.

Da sich das Umfeld von Personen, Organisationen und ganzen Gesellschaften turbulent ändert, kommt es darauf an, die sich daraus ergebenden komplexen Situationen zu bewältigen. Dabei kommt der Resilienz eine besondere Bedeutung zu.

Der Begriff wird allerdings in der Wissenschaft unterschiedlich interpretiert. In Bezug auf Menschen und deren Gemeinschaften, kann Resilienz als eine Art “Widerstandsfähigkeit” verstanden werden, ohne dadurch dauerhaft beeinträchtigt zu werden. (vgl. Nuber 2021). Die Autorin hat dazu sieben Säulen genannt:

“Ursula Nuber hat 2011 in einem wegweisenden Artikel sieben Säulen der Resilienz definiert: Optimismus, Akzeptanz, Lösungsorientierung, Opferrolle verlassen, Verantwortung übernehmen, Netzwerkorientierung und Zukunftsplanung. Wie die Praxis zeigt, ist das wahre Wunderwerkzeug dabei die Akzeptanz. Ein wichtiges Akzeptanzmodell stammt von Theo Wehner, der sich mit der psychischen Verarbeitung von Diskrepanzen zwischen Wunsch und Wirklichkeit beschäftigt hat” (Marx 2025, in projektmanagementaktuell 2/2025).

In dem Artikel von Susanne Marx werden auch die dazugehörenden Quellen genannt:

Nuber, U. (2011): Leben mit einer dicken Haut. Psychologie heute.

Wehner, T. e. (2015).:Organisationale Praktiken zum Lernen aus unerwarteten Ereignissen in Krankenhäusern. In H. G. M. Gartmeier, Fehler. Ihre Funktionen im Kontext individueller und gesellschaftlicher Entwicklung.

Es ist immer gut, wenn man sich bei einem Thema auf Primärliteratur bezieht, und sich nicht von populärwissenschaftlichen oder sogar pseudowissenschaftlichen Veröffentlichungen beeinflussen lässt. Siehe zu dem gesamten Thema auch:

Projektmanagement und Resilienz

Das Verständnis von Resilienz als Outcome

Ist Resilienz eine persönliche Eigenschaft oder Kapazität?

Wie hängen “Menschenorientierung” und Resilienz einer Organisation zusammen?

Durchschnittliches Resilienzprofil der Ausgezeichneten des „Großen Preises des Mittelstandes“

Kritik an `Best Practices` für inter-organisationales Lernen

Von anderen Organisationen zu lernen, erscheint auf den ersten Blick eine wirkungsvolle Möglichkeit zu sein, organisationales Lernen zu unterstützen. Dabei ist Lernen der Prozess und Wissen das Ergebnis.

Betrachten wir in dem Zusammenhang die drei Möglichkeiten, Wissen zu artikulieren, zu kodifizieren und zu transformieren, so wird schnell deutlich, dass es schwierig ist, Wissen von einem Best Practice Unternehmen auf ein anderes Unternehmen zu übertragen.

“This leads to a discussion in organisational learning theory: that ‘best practices’ no longer represent ‘the golden standard’ to achieve successful learning across organisational boundaries. The logic is that best practices represent ‘false generalisations’ because best practices “(…) depend on the predictability and stability for the environment, and it is well known that the environment of alliances lacks both criteria” (Nielsen & Brix 2024).

Es ist dennoch erstaunlich, wie oft noch Best Practices verwendet werden. Durch das stark veränderte Umfeld haben sich manche Erkenntnisse aus der Vergangenheit (hier: Organisationale Lerntheorien) möglicherweise überholt.

Siehe dazu beispielsweise auch Wissensbilanz- Made in Germany: Macht Benchmarking Sinn? und Benchmarking im Projektmanagement: Vergleichbarkeit und Optimierungspotenzial.

Ambidextres Innovationsmanagement: Zwischen Exploration und Exploitation

Innovationsmanagement zwischen Steuerung und Zufall (Kaudela-Baum 2008:35)

In dem Beitrag Innovationsmanagement zwischen Steuerung und Zufall hatte ich schon einmal darauf hingewiesen, dass Organisationen gerade in Innovationsmanagement zwischen Steuerung und Zufall hin und her “pendeln” (siehe Abbildung).

Die gesamte Organisationen soll somit Routineprozesse (inkl. KVP: Kontinuierlicher Verbesserungsprozess / oder Kaizen) effizient gestalten (Exploitation), und andererseits in dem aktuell turbulenten Umfeld flexibel und dynamisch sein (Exploration). Dieses Sowohl-als-auch wird auch als Organisationale Ambidextrie bezeichnet. Siehe dazu ausführlich:

Lang-Koetz, C., Reischl, A., Fischer, S., Weber, S., Kusch, A. (2023). Ambidextrie und das hybride Vorgehen. In: Ambidextres Innovationsmanagement in KMU. Springer Gabler, Berlin, Heidelberg.

Natürlich erinnert das auch an die Hybride Wettbewerbsstrategie Mass Customization und an das Hybride Projektmanagement.

Welche betrieblichen Probleme können durch ein modernes Wissensmanagement gelöst werden?

Nicht alles, was in Organisationen so passiert, wird vom Management beachtet. Doch gibt es immer wiederkehrende betriebliche Probleme, die dann doch in den Fokus des Managements rücken. Oft kommen entsprechende Impulse/Hinweise aus den betriebswirtschaftlichen Kennzahlen, den KPIs. Die folgenden Punkte stellen dabei keine Rangfolge dar:

– Project teams exhibit slow progress due to insufficient collaboration among individuals or business units
– Frequent reinvention of solutions due to inefficient information retrieval or lack of oversight
– High rate of specialist retirements
– Prolonged onboarding time for new employees
– Need for upskilling through cross-domain knowledge or information transfer
– Lack of comprehensive oversight for effective action Increasing complexity in process coordination due to insufficient communication between administrative units
– Customers struggle to find answers independently, leading to excessive reliance on human support
– Inefficient information retrieval
– High turnover of knowledge workers
Source: Kraus & Bornemann (2024)

Die Autoren argumentieren in ihrem Paper (Konferenzbeitrag), dass ein modernes Wissensmanagement dazu beitragen kann, die Aufmerksamkeit des Managements (C-Level) zu gewinnen, und dazu beiträgt, die genannten Probleme zu lösen / zu verbessern.

Siehe dazu Ein neuer Wissensbegriff und meine vielen Blogbeiträge zum Thema.

Buyl et al. (2024): Large Language Models Reflect the Ideology of their Creators

In dem Blogbeitrag Digitale Souveränität: Europa, USA und China im Vergleich wird deutlich gemacht, dass Europa, die USA und China unterschiedliche Ansätze bei dem Thema Digitale Souveränität haben. Diese grundsätzlichen Unterschiede zeigen sich auch in den vielen Large Language Models (Trainingsdatenbanken), die für KI-Anwendungen benötigt werden.

Es wundert daher nicht, dass in dem Paper Buyl et al. (2024): Large Language Models Reflect The Ideology of their Creators folgende Punkte hervorgehoben werden:

“The ideology of an LLM varies with the prompting language.”

In dem Paper geht es um die beiden Sprachen Englisch und Chinesisch für Prompts, bei denen sich bei den Ergebnissen Unterschiede gezeigt haben.

“An LLM’s ideology aligns with the region where it was created.”

Die Region spielt für die LLMs eine wichtige Rolle. China und die USA dominieren hier den Markt.

“Ideologies also vary between western LLMs.”

Doch auch bei den “westlichen LLMs” zeigen sich Unterschiede, die natürlich jeweils Einfluss auf die Ergebnisse haben, und somit auch manipulativ sein können.

Die Studie zeigt wieder einmal, dass es für einzelne Personen, Gruppen, Organisationen oder auch Gesellschaften in Europa wichtig ist, LLMs zu nutzen, die die europäischen Sprachen unterstützen, und deren Trainingsdaten frei zur Verfügung stehen. Das gibt es nicht? Doch das gibt es – siehe dazu

Open Source AI: Nun gibt es endlich eine Definition – und damit interessante Erkenntnisse zu OpenAI und Co.

Open Source AI-Models for Europe: Teuken 7B – Training on >50% non English Data.

Open Source AI: Common Corpus als größte offene Trainingsdatenbank veröffentlicht.

Open Source: Nextcloud-Assistent und Künstliche Intelligenz (KI).

Henry Chesbrough über die Zukunft von Open Innovation

Wenn es um Open Innovation geht, wird meistens die Veröffentlichung von Henry Chesbrough aus dem Jahr 2003 genannt: Open Innovation: The New Imperative for Creating and Profiting from Technology.

Dabei stellt Chesbrough dar, wie sich der bisher geschlossene Innovationsprozess (Closed Innovation) immer mehr öffnet. indem Organisationen für den dazugehörenden Wissensfluss (neue) technologische Möglichkeiten einsetzen (Abbildung). Darüber hinaus hatte Chesbrough bei seiner Veröffentlichung seinen Fokus auf Großunternehmen gelegt, und entsprechende Beispiele beschrieben. Nach mehr als 20 Jahren hat Henry Chesbrough nun einen sehr lesenswerten Artikel veröffentlicht:

Chesbrogh, H. (2024): Open Innovation: Accomplishments and Prospects for the Next 20 Years, in: California Management Review, Volume 67, Issue 1, November 2024, Pages 164-180 | Link

Der Beitrag zeichnet die Entwicklungslinien von Open Innovation für Organisationen noch einmal nach, und ordnet diese ein. Ich habe hier absichtlich “für Organisationen” ergänzt, da das Verständnis von Open Innovation nach Chesbrough auf ein offeneres Business Model von Organisationen abzielt.

Dieser Hinweis ist deshalb wichtig, da es auch eine andere Perspektive auf Open Innovation gibt, und zwar die von Eric von Hippel. Siehe dazu von Hippel, E. (2005): Democratizing Innovation und von Hippel, E. (2017): Free Innovation. Dieser Blick ist eher Bottom-Up gerichtet, da er davon ausgeht, dass jeder Mensch in seinem täglichen Umfeld Möglichkeiten sieht, innovativ zu sein. Mit Hilfe neuer Technologien wird es fast jedem möglich sein, Innovationen zu entwickeln und anzubieten – entweder kommerziell oder frei nutzbar für andere Menschen.

Abschließend möchte ich Open Innovation auch noch mit den größeren gesellschaftlichen Entwicklungen der Modernisierung in Verbindung bringen. ein Ergebnis von Entgrenzungstendenzen, die sich aus der Reflexiven Modernisierung ergeben haben. Dabei handelt es sich um einen Strukturbruch zwischen einfacher und reflexiver Modernisierung.

Siehe dazu auch meine verschiedenen Veröffentlichungen zu Open Innovation, beispielsweise

Freund, R. (2016): Cognitive Computing and Managing Complexity in Open Innovation Model. Bellemare, J., Carrier, S., Piller, F. T. (Eds.): Managing Complexity. Proceedings of the 8th World Conference on Mass Customization, Personalization, and Co-Creation (MCPC 2015), Montreal, Canada, October 20th-22th, 2015, pp. 249-262 | Springer

Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften

Adobe: AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.

Die bekannten KI-Anwendungen (AI Apps) wie ChatGPT, Gemini usw. dominieren den Markt und setzen durch schnelle Neuerungen (Updates) Standards bei der Performance. Solche Angebote können als closed-source Large Language Models (LLMs) bezeichnet werden. Die Nutzung wird dabei durch wenig Transparenz bei den verwendeten Daten und durch immer mehr kostenpflichtige Angebote “erkauft”.

Diese schnelle Abhängigkeit von der jeweiligen Funktionsweise der verwendeten KI-Apps führt bei einem Wechsel – beispielsweise zu Open Source AI – zu erhöhten Switching Costs. Diesen Effekt nutzen die kommerziellen Anbieter, um ihr Geschäftsmodell weiter zu etablieren und zu kommerzialisieren.

Open Source AI (Definition) bedeutet u.a. die Transparenz bei den Trainingsdaten zu schaffen, und den Zugang für jeden zu ermöglichen. Meine Auffassung ist, dass Open Source AI in Zukunft für Privatpersonen, Organisationen und demokratische Gesellschaften besser ist. Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich.

Diese Ansicht wird auch von wissenschaftlichen Forschungen zu dem Thema gestützt. Eine aktuelle Veröffentlichung von Manchanda et al. (2024) beschreibt die Zusammenhänge wie folgt:

Closed-source LLMs continue to lead in performance, leveraging proprietary datasets and significant computational investments to excel in tasks requiring advanced generative abilities, multi-step reasoning, and broad generalization. However, their success comes at the cost of limited transparency and restricted accessibility, which creates challenges for external validation and replication.

The closed-source approach also consolidates resources and technological power within a few institutions. In so doing, it poses barriers to equitable AI development and raising concerns about reproducibility of outcomes and organizational accountability. By contrast, open-source LLMs emphasize accessibility and collaborative development. While these models often trail closed-source systems in absolute performance, they have made significant progress in narrowing the gap through methods such as Low-Rank Adaptation (LoRA) and quantization. These strategies enable efficient, competitive outcomes even in resource-constrained environments. By utilizing diverse datasets across languages and contexts, open-sourcemodels demonstrate their capacity to address realworld challenges with inclusivity. This democratic ethos has already empowered researchers and developers globally, and is likely to continue to do so” (Manchanda et al 2024).

Siehe dazu ausführlicher

Open Source AI Definition

Open Source AI-Models for Europe: Teuken 7B – Training on >50% non English Data

Open Source AI: Common Corpus als größte offene Trainingsdatenbank veröffentlicht