Lernkompetenz: Schritt für Schritt zum kompetenten Selbstlerner

Das Kompetenztableau zeigt zwischen den beiden Dimensionen “Selbstwirksamkeit” und “Kooperation” verschiedene Kompetenzen auf. In diesem Spannungsfeld sind Emotionale KompetenzSpirituelle Kompetenz (ohne Esoterik), Kommunikationskompetenz, Wissenskompetenz und Lernkompetenz eingebettet. Je besser diese Kompetenzen ausgeprägter sind, um so handlungsfähiger ist jemand im Sinne einer sachgemäßen Problemlösung.

“Die Lernkompetenz ist eine eher technische Fähigkeit. Sie umfasst die autodidaktischen Verfahren der Aufbereitung und systematischen Aneignung von Wissen und Können. Lern- und Memorierungstechniken gehören ebenso zu diesem Fähigkeitsbündel wie die Kenntnis unterschiedlicher Strategien zur schrittweisen Erschließung und Übung von Neuem. Zahlreiche Ratgeber und Trainings zum Selbsterlernen haben in den letzten Jahren diese Fähigkeiten gezielt in den Blick gerückt und den Einzelnen kleinschrittig zu absolvierende Wege zur Lernkompetenz aufgezeigt – gemäß dem Motto „Schritt für Schritt zum kompetenten Selbstlerner / zur kompetenten Selbstlernerin“. Menschen, die über Lernkompetenz verfügen, sind in der Lage, ihre Lernprozesse weitgehend selbständig zu planen. Sie haben die Besitzverhältnisse im Lehr-Lern-Prozess verstanden und wissen, dass das eigene Lernen ihnen gehört und nicht von anderen – gewissermaßen stellvertretend – verwaltet und gestaltet werden kann. Die Ownership der Lernenden entzieht der Inputpädagogik ihre Basis, und es wird sichtbar: ´Das Lehren ist nicht zu retten!´ (vgl. Arnold 2013c)” (Arnold 2017).

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

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Künstliche Intelligenz im Innovationsprozess von Organisationen

Quelle: AdobeStock_650993865

Innovationen sind für eine Gesellschaft, und hier speziell für marktorientierte Organisationen wichtig, um sich an ein verändertes Umfeld anzupassen (inkrementelle Innovationen), bzw. etwas ganz Neues auf den Markt zu bringen (disruptive Innovationen).

Organisationen können solche Innovationen in einem eher geschlossenen Innovationsprozess (Closed Innovation) oder in einem eher offenen Innovationsprozess (Open Innovation) entwickeln.

Darüber hinaus können die Innovationen von Menschen (People Driven) oder/und von Technologie (Data Driven) getrieben sein. Aktuell geht es in vielen Diskussionen darum, wie Künstliche Intelligenz (AI: Artificial Intelligence) und die damit verbundenen Trainingsdaten (LLM: Large Language Models) im Innovationsprozess genutzt werden können.

Im einfachsten Fall würde sich eine Organisation den Innovationsprozess ansehen, und in jedem Prozessschritt ein Standard-KI-Modell wie ChatGpt, Gemini, Bart usw. nutzen. Die folgende Tabelle stellt das grob für einen einfachen Innovationsprozess nach Rogers (2003) dar:

Opportunity identification and idea generationIdea evaluation and selectionConcept and solution developmentCommercialization launch phase
e.g. identifying user needs, scouting promising technologies, generating ideas;e.g. idea assessment, evaluatione.g. prototyping, concept testinge.g. marketing, sales, pricing
ChatGPT, Gemeni, etc.ChatGPT, Gemini, etc.ChatGPT, Gemini, etc.ChatGPT, Gemini, etc.
Eigene Darstellung

Dieser Ansatz könnte als One Size fits all interpretiert werden: Eine Standard-KI für alle Prozessschritte.

Dafür sprechen verschiedene Vorteile:
– Viele Mitarbeiter haben sich schon privat oder auch beruflich mit solchen Standard-KI-Modelle beschäftigt, wodurch eine relativ einfache Kompetenzentwicklung möglich ist.
– Die kommerziellen Anbieter treiben AI-Innovationen schnell voran, wodurch es fast “täglich” zu neuen Anwendungsmöglichkeiten kommt.
– Kommerzielle Anbieter vernetzen KI-Apps mit ihren anderen Systemen, wodurch es zu verbesserten integrierten Lösungen kommt.

Es gibt allerdings auch erhebliche Nachteile:
– Möglicherweise werden auch andere Organisationen/Wettbewerber so einen Ansatz wählen, sodass kaum ein grundlegendes Alleinstellungsmerkmal erzielt werden kann.
– Kritisch ist auch heute noch, ob es sich bei den verwendeten Trainingsdaten (Large Language Models) nicht um Urheberrechtsverletzungen handelt. Etliche Klagen sind anhängig.
– Weiterhin können die für Innovationen formulierte Prompts und Dateien durchaus auch als Trainingsdaten verwendet werden.
– Die LLM sind nicht transparent und für alle zugänglich, also sie sind keine Open Source AI, auch wenn das von den kommerziell betriebenen KI-Modellen immer wieder suggeriert wird.
– Organisationen sind anhängig von den Innovationsschritten der kommerziellen Anbieter.
– Die Trainingsdatenbanken (Large Language Models) werden immer größer und damit natürlich auch teurer.
– Nicht zuletzt ist unklar, wie sich die Kosten für die kommerzielle Nutzung der KI-Apps in Zukunft entwickeln werden – eine gerade für kleine und mittlere Unternehmen (KMU) nicht zu unterschätzende Komponente.

Gerade kleine und mittlere Unternehmen (KMU) sollten die genannten Vorteile und Nachteile abwägen und überlegen, wie sie Künstliche Intelligenz in ihrem Innovationsprozess nutzen wollen.

In unserem Blog werde ich in der nächsten Zeit weitere Möglichkeiten aufzeigen.

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

Digital Kaizen essentiell für Kleine und mittlere Unternehmen (KMU)

Quelle: APO (2024)

Viele kleine und mittlere Unternehmen (KMU) müssen im Gegensatz zu Großunternehmen viel genauer auf ihre Vorhanden Ressourcen achten. Um die Produktivität zu verbessern setzen viele KMU daher auf Kaizen, oder in deutsch: Kontinuierlicher Verbesserungsprozess (KVP). Dabei spielt der Einfallsreichtum der Mitarbeiter eine wichtige Rolle.

Auch in KMU wird darüber hinaus auch die Digitalisierung immer stärker genutzt, sodass es in Zukunft darauf ankommen wird, ein für das jeweilige Unternehmen abgestimmte Vorgehensweise zu entwickeln. Dabei kommt es auf die Balance zwischen dem Einfallsreichtum der Mitarbeiter, den digitalen Technologien und von Digital Kaizen an.

“Traditionally, kaizen has significantly contributed to improving productivity in small SMEs. This is because one aspect of kaizen is to increase productivity through human ingenuity while reducing investment. As the importance of digital technology is increasingly recognized alongside the advancement of AI, human ingenuity or the kaizen mindset is becoming more and more important, not less. In other words, the Digital Kaizen concept is essential for SMEs that need to curb their investments” (APO 2024).

Siehe dazu auch Digital Transformation: Kein Erfolg ohne Digital Kaizen?

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Projekt “RECHT-TESTBED”: Verträge in Zeiten von Künstlicher Intelligenz rechtssicher gestalten

Website: https://rtb.public.apps.sele.iml.fraunhofer.de/home

Auch im Vertragsmanagement wird immer mehr digitalisiert und automatisiert. Die Automatisierung nutzt dabei immer mehr mit den Möglichkeiten der Künstlichen Intelligenz.

“Bereits heute lässt der US-amerikanische Einzelhandelsriese Walmart den Einkauf testweise von einem Chatbot erledigen” (Fraunhofer Magazin 4/2024 | PDF). Hier verhandeln also Software -Agenten den jeweiligen Preis.

Bei immer stärkeren Nutzung von Künstlicher Intelligenz im Vertragsmanagement kommt man auch zu folgender Frage,: Ist ein Vertrag rechtssicher ist, wenn er von Künstlicher Intelligenz unterzeichnet wurde? Das Projekt RECHT-TESTBED soll helfen, hier etwas Klarheit zu erhalten. In dem vom Fraunhofer Institut entwickelten Online-Portal können Interessenten Ein Szenario auswählen, das Szenario und ein Experiment konfigurieren, sowie das Experiment starten.

Ich muss allerdings anmerken, dass verschiedene Elemente nicht richtig funktionieren, und es teilweise zu einer Fehlermeldung kommt (Stand: 23.12.2024). Schade, denn ich halte so eine Online-Möglichkeit für sinnvoll. Gerade für Kleine und mittlere Unternehmen (KMU) kann diese Plattform hilfreich sein.

Um noch einmal auf die gestellte Frage zurückzukommen: “Ob vom Menschen oder von Künstlicher Intelligenz unterzeichnet – Vertrag ist Vertrag. Damit können automatisch geschlossene Verträge als rechtssicher gelten” Fraunhofer Magazin 4/2024. Bei dem Artikel wurde ein fiktiver Gerichtsprozess beschrieben, in dem es dann zu dieser Entscheidung gekommen ist.

Kommunikationskompetenz bedeutet nicht die vordergründig-mechanische Befolgung bestimmter Regeln

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.

Wie in dem Kompetenztableau dargestellt, entsteht die Handlungsfähigkeit in komplexen Problemlösungssituationen durch mehrere Kompetenzdimensionen. Eine davon ist die Kommunikationskompetenz, die an dieser Stelle noch einmal ausführlicher dargestellt werden soll:

“Die Kommunikationskompetenz beschreibt die Fähigkeiten, sich in kooperativen und kommunikativen Prozessen zielgerichtet sowie möglichst konfliktfrei und wirksam zu verhalten. Über solche Fähigkeiten verfügt man in aller Regel nicht qua Erfahrungslernen, vielmehr setzten sie einen distanzierten Blick auf das Wesen der Kommunikation sowie ein Verständnis der unterschiedlichen Dimensionen des kommunikativen Handelns voraus. Die Weiterentwicklung und Optimierung des eigenen Kommunikationsverhaltes bedarf zudem der Erprobung sowie der Übung in Feedback-Kontexten. Kommunikative Kompetenz reift durch Selbstdistanz, Selbstbeobachtung und Selbstreflexion sowie Wirksamkeitserleben, nicht durch die vordergründig-mechanische Befolgung bestimmter Regeln” (Arnold 2017).

Wie am Ende erwähnt, sollte man sich nicht so sehr auf die vielen Ratgeber zur Kommunikation verlassen, sondern darauf vertrauen, dass Kommunikationskompetenz mit der Zeit reift – sich entwickelt.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

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

Creating Knowledge: Welche Tools sind geeignet?

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

Es ist gut, bei der Vielzahl von Möglichkeiten, eine erste Orientierung zu haben, die selbständig weiterentwickelt, und mit den neuen Möglichkeiten der Künstlichen Intelligenz ergänzt werden kann. Siehe dazu beispielsweise auch Künstliche Intelligenz: Vorwissen, Wissenszuwachsvorhersage, Wissenszuwachs und Markov-Ketten.

Künstliche Intelligenz: Von AI Agenten und Multi Agenten Systemen

WEF (2024): Navigating the AI Frontier. A Primer on the Evolution and Impact of AI Agents

Aktuell drehen sich die Diskussionen bei der Nutzung von Künstlicher Intelligenz (AI: Artificial Intelligence) hauptsächlich noch um die genutzten LLM: Large Language Models (Trainingsdatenbanken), und darum, ob diese eher closed-source oder open-source sein sollten. Wie in der Abbildung zu sehen ist, zeichnet sich darüber hinaus schon ein weiterer großer Trend ab: AI Agenten.

“Based on the definition of the International Organization for Standardization, an AI agent can be broadly defined as an entity that senses percepts (sound, text, image, pressure etc.) using sensors and responds (using effectors) to its environment. AI agents generally have the autonomy (defined as the ability to operate independently and make decisions without constant human intervention) and authority (defined as the granted permissions and access rights to perform specific actions within defined boundaries) to take actions to achieve a set of specified goals, thereby modifying their environment” (WEF 2024).

Neben den Large Language Models (LLM) kommen somit bei AI Agenten u.a. auch noch Daten von Sensoren und möglicherweise menschliches Feedback hinzu. Daraus ergeben sich ganz neue Möglichkeiten bei komplexen Problemlösunmgsprozessen.

Natürlich können AI Agenten Typen unterschieden werden, beispielsweise in deterministic und non-deterministic etc. Auch kann ein AI Agenten System aus ganz verschiedenen AI Agenten entstehen. Diese wenigen Hinweise zeigen schon auf, welche vielversprechenden neuen Möglichkeiten/Anwendungen sich ergeben können. Natürlich immer unter der Prämisse der Transparenz und Offenheit, um Missbrauch zu verhindern. Es liegt für mich daher auf der Hand. sich mit Open Source AI Agenten zu befassen.