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“This leads to a discussion in organisational learning theory: that ‘best practices’ no longer represent ‘the golden standard’ to achieve successful learning across organisational boundaries.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.
Künstliche Intelligenz wird unseren individuellen Alltag, Unternehmen/Organisationen und letztendlich die gesamte Gesellschaft in verschiedenen Anwendungsformen immer stärker beeinflussen.
Dabei deutet sich in den Unternehmen/Organisationen eine interessante Entwicklung an.
Organisationen waren in den letzten 100 Jahren der Industrialisierung darauf fokussiert, ihre Prozesse (oftmals Routineprozesse) immer weiter zu optimieren, effektiver und effizienter zu machen. Diese Prozesslandschaften haben dann zu den bekannten Qualitätsmanagement-Systemen oder auch Projektmanagement-Systemen geführt. Gerade im Projektmanagement hat sich diese Vorgehensweise (Vorgehensmodelle) bei Projekten im Entwicklungsbereichen (Innovationen) zu einer Arbeitsform (Vorgehensmodell) entwickelt, die eher produktorientiert ist. Paradebeispiel dafür ist das Scrum-Framework mit den zu erzielenden Increments am Ende des Sprints oder das Minimum Viable Product (MVP), das wir aus dem Lean Start-up-Ansatz kennen.
Dieser Trend wird aktuell durch Künstliche Intelligenz scheinbar wieder umgekehrt. Wie kommt das?
Schauen wir uns einmal an, wie stark Künstliche Intelligenz den gesamten Lebenszyklus der Software-Entwicklung beeinflusst, so können wir erahnen, dass die Zyklen, in denen ein (Software-)Ergebnis (Increment, MVP) produziert werden kann, immer kürzer werden. Möglicherweise so kurz, dass es sich gar nicht mehr lohnt, den gesamten Scrum-Zyklus mit den vorgesehenen Artefakten und Events durchzuführen, und es zu einem kontinuierlichen Fluss an Ergebnissen (Produkten) kommt. In meinem Beitrag Künstliche Intelligenz: Wird Scrum durch den permanenten Fluss an Produkten zu Kanban? hatte ich das schon einmal angedeutet. Es freut mich daher, dass der Gedanke durchaus auch von anderen Autoren vertreten wird:
“Der Fokus essenzieller Design- und Architekturentscheidungen verschiebt sich in der Digitalisierung genau wie einst in der Industrialisierung von der Produktentwicklung hin zur Prozessentwicklung. Hier schließt sich auch der Kreis zu Scrum, denn zwei der wichtigsten Scrum-Pioniere Hirotaka Takeuchiund Ikujiro Nonaka kamen ursprünglich aus industriellen Produktions- und Innovationskontexten, nicht aus der Softwareentwicklung” (Immich, T.(2025): KI-Agenten Teil 2: Von der Produktentwicklung zur Prozessoptimierung, in Heise Online vom 27.05.2025).
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.
Immer mehr Arbeiten sind wissensintensiv und unterscheiden sich somit von anderen Arbeitsweisen in Organisationen. Dabei gibt es oftmals einen branchenspezifischen Mix an Arbeit (BMAS 2015):
Arbeiten 1.0 bezeichnet die beginnende Industriegesellschaft und die ersten Organisationen von Arbeitern.
Arbeiten 2.0 ist die beginnende Massenproduktion und die Anfänge des Wohlfahrtsstaats am Ende des 19. Jahrhunderts.
Arbeiten 3.0 umfasst die Zeit der Konsolidierung des Sozialstaats und der Arbeitnehmerrechte auf Grundlage der sozialen Marktwirtschaft.
Arbeiten 4.0 wird vernetzter, digitaler und flexibler sein. Wie die zukünftige Arbeitswelt im Einzelnen aussehen wird, ist noch offen. Seit Beginn des 21. Jahrhundert stehen wir vor einem erneuten grundlegenden Wandel der Produktionsweise.
Die heutige Wissensarbeit unterscheidet sich in vielen Dimensionen von klassischer Routinearbeit in der Industriegesellschaft.
Die Abbildung zeigt verschiedene Typen von Arbeit, die in einem Fragebogen abgefragt werden können. In der Darstellung ist zu erkennen, dass in diesem Beispiel sequenzielles Arbeiten und standardisierte Abläufe eher niedrig bewertet werden – also kaum Bestandteil der Arbeit sind. Demgegenüber sind alle anderen Arbeitstypen sehr stark (hoch) ausgeprägt. Das deutet auf wissensintensive Arbeit hin.
„Wissensmanagement-Mindmap“ von Martin Harnisch, Sonja Kaiser, Dirk Liesch, Florian Schmuhl, Gabriele Vollmar, Sabine Wax, lizenziert unter CC BY 4.0
In einer Arbeitsgruppe der Gesellschaft für Wissensmanagement e.V. (GfWM) wurde 2024 ein umfangreiches Mindmap zu Wissensmanagement erstellt. In der Abbildung ist die Quelle und die Lizenz zur Nutzung genannt.
“Die Wissensmanagement-Mindmap soll einen systematischen Überblick über die wesentlichen Handlungsfelder, Modelle, Methoden und Tools im Bereich des Wissensmanagements geben” (ebd.).
Die Mindmap ist auf der Website der GfWM in verschiedenen Dateiformaten zu finden, die mit Angabe der Quelle genutzt werden können.
Einerseits ist es gut, einen Überblick zu den vielfältigen Themenbereichen des Wissensmanagements zu erhalten. Andererseits weisen die Autoren berechtigt darauf hin, dass dieses Mindmap keinen Anspruch auf Vollständigkeit hat. Wenn da allerdings noch viele weitere “Äste” hinzukommen, wirkt das Mindmap weniger hilfreich und “erschlägt” möglicherweise den Interessenten.
Insofern frage ich mich, ob es nicht besser wäre einen Einstig zu wählen, der sich aus den jeweiligen Situationen, Kontexten, Domänen ergibt. Solche “Ankerpunkte” konkretisieren den Umgang mit Wissen, und führen in einem Bottom-Up-Ansatz zur Entdeckung der vielfältigen Möglichkeiten des Wissensmanagements – speziell abgestimmt auf die einzelne Person, die Gruppe, die Organisation und/oder das Netzwerk.
Umgesetzt werden kann das heute mit KI- Agenten (AI Agents).
An dieser Stelle möchte ich mich nicht an den bekannten Modellen aus Europa orientieren, sondern auch einmal nach Asien schauen. Die APO (Asian Productivity Organization) beispielsweise orientiert sich an den folgenden 5 Aktivitäten, die den europäischen Modellen allerdings sehr ähneln : Identifying the Knowledge – Creating Knowledge – Storing Knowledge – Sharing Knowledge – Applying Knowledge. Die APO (2020) schlägt für den Schritt “Creating knowledge” (Wissen schaffen) vor, folgende Methoden/Tools zu nutzen:
Brainstorming Learnings and Ideas Capture Learning Reviews After Action Reviews Collaborative Physical Workspaces Knowledge Café Communities of Practice Knowledge Bases (Wikis, etc.) Blogs Video Communication and Webinars Advanced Search Building Knowledge Clusters Expertise Locator/Who’s Who Collaborative Virtual Workspaces Mentor/Mentee Scheme Knowledge Portal Video Sharing
Wissen im Unternehmen ist in allen Prozessen einer Organisation relevant. Manchmal findet man Wissen in Form von Daten und Informationen in IT-Systemen, manchmal ist spezielles Wissen an Personen gebunden.
Solche Schlüsselpersonen werden immer wieder kontaktiert, doch gibt es oftmals keinen Überblick darüber, was solche Schlüsselpersonen ausmacht. In einer Veröffentlichung wurden nun Merkmalscluster für Schlüsselpersonen in Kleinen und mittleren Unternehmen (KMU) ermittelt, die in der genannten Quelle detaillierter dargestellt werden:
Exklusives Wissen – Spezialisierte )Unternehmens-) Kenntnisse und Erfahrungen – Mangelnde Bereitschaft/Möglichkeit Wissen zu teilen
Spezielle Kompetenzen – Stark ausgeprägte soziale Kompetenzen. – Stark ausgeprägte Fach-Kompetenzen
Vernetzung und Beziehung – Interne fachübergreifende Beziehungen – Starke Beziehung zu Geschäftspartner:innen
Es gibt verschiedene Wissensmanagement-Modelle, die sich ähneln, allerdings auch unterscheiden. Das Modell von Probst/Raub/Romhardt, das SEKI-Modell, das Münchener Modell, das Fraunhofer-Referenzmodell, das EU-Modell, und das Geschäftsprozessorientierte Wissensmanagement sollen hier nur beispielhaft genannt werden. Die Wissensmanagement-Modelle, die von 4, 5 oder 6 Wissensmanagement-Kernaktivitäten ausgehen, sollen hier weiter betrachtet werden.
An dieser Stelle möchte ich mich nicht an den bekannten Modellen aus Europa orientieren, sondern auch einmal nach Asien schauen. Die APO (Asian Productivity Organization) beispielsweise orientiert sich an den folgenden 5 Aktivitäten, die den europäischen Modellen allerdings sehr ähneln : Identifying the Knowledge – Creating Knowledge – Storing Knowledge – Sharing Knowledge – Applying Knowledge. Die APO (2020) schlägt für den ersten Schritt “Indentifying the knowledge” (Wissen identifizieren) vor, folgende Methoden/Tools zu nutzen:
APO Knowledge Assessment Tool Knowledge Café Communities of Practice Advanced Search Tools Building Knowledge Clusters Expertise Locator/Who’s Who Collaborative Virtual Workspaces Knowledge Mapping KM Maturity Model Mentor/Mentee Scheme
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?
Auf vielen Webseiten von Unternehmen wird angegeben, dass alle Mitarbeiter mit ihrem Wissen zum Erfolg beitragen. Doch gibt es hier eine Asymmetrie bei der jeweiligen Wertschätzung, die dazu führt, dass das Wissen den sogenannten Führungskräfte weitaus höher bewertet wird (in Form des Gehalts), als das Wissen der Mitarbeiter, die im direkten Kundenkontakt die Wertschöpfung erbringen. Etwas überspitzt könnte man es so ausdrücken: Je weiter ein Mitarbeiter vom Kunden entfernt ist, umso hoher sein Gehalt. Konsequenterweise erhalten diese Mitarbeiter relativ geringe Gehälter. Dazu habe ich folgenden Text gefunden:
“Empfangspersonal, Kassierer und Sacharbeiter stehen auf der niedrigsten Stufe im Unternehmen und werden am schlechtesten bezahlt, wissen aber sehr viel über die Kunden und haben einen großen Einfluss auf die Kundenzufriedenheit, die Umsätze und den Gewinn. Und doch werden sie nur sehr selten von den Führungskräften nach ihrer Meinung zu den Produkten des Unternehmens und deren Qualität gefragt, weil jene das Wissen dieser Mitarbeiter unterschätzen” (Seifter, H.; Economy, P. (2001:67): Das virtuose Unternehmen. Aktivieren Sie das Potenzial Ihrer Mitarbeiter mit der Methode des Orpheus Chamber Orchestra, des einzigen dirigentenlosen Orchester.
Das sollte die Unternehmen nachdenklich stimmen, denn die Entlohnungssysteme der Industriegesellschaft passen möglicherweise nicht mehr in eine wissensorientierte Gesellschaft. Ein modernes Wissensmanagement kann in den Unternehmen diese Zusammenhänge aufzeigen.
Translate »
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.OK
