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
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.
Als wir am 20.07.2006 mit dem ersten Blogbeitrag begonnen haben, war sofort das Ziel, Wissen mit anderen zu teilen. Wir haben uns damals schon direkt für die Open Source App WORDPRESS entschiedenen, mit der wir sehr gute Erfahrungen gemacht haben.
Einige unserer Kollegen und Partner waren skeptisch, denn es ist ja in der Gesellschaft oft üblich, Wissen zurückzuhalten und (kostenfrei) auf das Wissen anderer zurückzugreifen – ohne Quellen anzugeben.
Uns war es daher von vornherein wichtig, dass alle genutzten Informationen mit Quellen versehen sind, und wir ohne Werbebanner arbeiten. Diese Prinzipien haben wir über die Jahre konsequent umgesetzt. Selbstverständlich teilen wir auch Beiträge zielgruppenspezifisch in LinkedIn, X (Twitter) und Facebook.
Blogbeitrag 4.000 am 04.10.2024.
Wir können behaupten, dass es sich lohnt, Wissen zu teilen: In den Jahren von 2006 bis heute können wir einen deutlichen Anstieg bei den Seitenaufrufen und bei der Anzahl der Benutzer verzeichnen. Auch können wir sehen, dass die Benutzer durchschnittlich mehr Seiten aufrufen.
Das freut uns natürlich sehr und motiviert, weitere Blogbeiträge zu verschiedenen Themen zu schreiben. Schauen Sie sich doch einmal um! Ganz im Sinne unserer Marke:
Der neue Wissensbegriff deutet an, dass viele verschiedene Wissensfragmente zusammengeführt, und kontextspezifisch (domänenspezifisch) bewertet werden müssen. Diese Kompetenz – verstanden als Selbstorganisationsdisposition (Erpenbeck/Heyse 2007 und Erpenbeck/von Rosenstiel 2007) – kann als Wissenskompetenz bezeichnet werden.
“Wissenskompetenz schließlich umfasst die Fähigkeiten zur Recherche und Auswertung (Prüfung und Beurteilung) sowie zum Management, zur Einordnung und zum Mitteilen von Wissen und Informationen. Erst wer über diese Kompetenz verfügt, kann sich sicher und selbstlernend durch den Dschungel der Informationsflut und der sich beständig verändernden Wissensstände (insbesondere in der eigenen Domäne) bewegen. Die Wissenskompetenz kann als die eigentliche Schlüsselfähigkeit der modernen Wissensgesellschaften mit ihren sich extrem verkürzenden Halbwertzeiten des Wissens angesehen werden (vgl. Arbesman 2012)” (Arnold 2017:116).
In der Zwischenzeit zeigen uns die Möglichkeiten der Künstlichen Intelligenz, dass viele Arbeiten von entsprechenden Apps übernommen werden können. Die sozialen Dimensionen in der jeweiligen beruflichen Domäne mit ihren Vernetzungen und emotionalen Zuständen müssen von Menschen zusätzlich mit beachtet. und somit mit bewertet werden.
Nicht nur auf der individuellen Ebene (Mensch) spielt das eine Rolle. Hinzu kommen noch die Ebenen Gruppe (Team), Organisation und Netzwerk. Siehe dazu auch Kompetenzmanagement.
Das Umfeld von Gesellschaften, Organisationen und einzelnen Personen ändert sich permanent und sehr dynamisch. In allen Bereichen kommen daher Risiken und Chancen auf, mit denen sich Personen, Organisationen und Gesellschaften befassen müssen. Dabei ist zu beachten, ob Risiken in einem komplizierten Umfeld (1. Ordnung) oder in einem komplexen Umfeld (2. Ordnung) auftreten.
Manche Risiken entstehen in beiden Bereichen dadurch, dass bestimmtes Wissen nicht zur Verfügung steht. Die Frage ist dann: Wie gehe ich z.B. als Organisation mit Nicht-Wissen um? Risikomanagement kann insofern auch als das Management von Nicht-Wissen interpretiert werden. Thomas Baumann hat in einem Interview mit Oliver Steeger auf folgendes hingewiesen:
“Wir brauchen eine kluge Verbindung zu den Methoden und Erfahrungen des linearen Projektmanagements. Im Risikomanagement hat etwa die NASA mit dem „Integrated Risk and Knowledge Management Program“ (IRKM-P) eine Verbindung aufgezeigt vom Risikomanagement 1. Ordnung auf die Umgebung des Risikomanagements 2. Ordnung” (Baumann, T. (2014): „Unknown Unknowns“ bilden die Stolpersteine bei komplexen Projekten. Weshalb herkömmliche PM-Werkzeuge häufig bei komplexen Projekten versagen, in projektmanagementaktuell 5/2014).
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.
Der Umgang mit Wissen wird heutzutage stark mit den neuen technologischen Möglichkeiten, wie der Künstlichen Intelligenz in Verbindung gebracht. Dabei spielen wissensbasierte Systeme als Teilgebiet der Künstlichen Intelligenz eine zentrale Rolle. Doch was macht so ein wissensbasiertes System aus? Dazu habe ich in einem aktuellen Glossar folgendes gefunden:
“Der Wesenskern wissensbasierter Systeme ist, dass sie eine explizite Repräsentation von Wissen besitzen, und dieses Wissen maßgeblich für das Verhalten des Systems ist. Dies wurde etwa im Jahr 1982 als sogenannte KR Hypothese (engl. knowlegde representation hypothesis) von Brian Smith formuliert (Smith 1982). Demnach beinhaltet ein (intelligentes) wissensbasiertes System eine Komponente, die das Wissen des Systems repräsentiert und Komponenten, in denen dieses Wissen das Verhalten des Systems maßgeblich beeinflusst. Wissensbasierte Systeme stellen ein Teilgebiet der Künstlichen Intelligenz dar. Eine frühe, aber gute Darstellung von wissensbasierten Systemen findet sich in (Davis 1986). Eine aktuelle Übersicht über Methoden und Systeme geben (Beierle und Kern-Isberner 2019). Einer der Vorzüge wissensbasierter Systeme ist, dass eine einfache Übertragung eines Systems auf einen neuen Anwendungsfall oder eine neue Domäne möglich ist. Dazu muss lediglich das Wissen im alten System durch das Wissen der neuen Domäne ausgetauscht werden. Die restlichen Systemkomponenten können unverändert bleiben. Außerdem kann durch die explizite Repräsentation des Wissens oft einfacher eine Form der Erklärbarkeit hergestellt werden (Meske et al. 2022). Die ist auch angesichts der Datenschutzgrundverordnung (Goodman und Flaxman 2017) und der KI-Regulierung der EU von zunehmender Bedeutung” (Richter et al. (2024): Glossar Künstliche Intelligenz für die interdisziplinär vernetzte Arbeitsforschung).
Etwas stutzig macht mich hier, dass es bei wissensbasierten Systemen so einfach möglich sein soll, Wissen auf eine andere Domäne (auf einen anderen Kontext) zu übertragen. Wenn man allerdings Wissen auf explizites Wissen reduziert, wird dieser Umstand klarer, denn in diesem Fall sind wissensbasierte Systeme im Kern Softwaresysteme, die mit expliziten Wissen umgehen (Quelle).
“Wissensmanagement (WM): Die Wiederverwendung von Wissen, insbesondere Projektwissen, ist im PM essentiell. Angewandte Techniken sind vor allem Information Retrieval (IR), Natural Language Processings, und Ontologien als Wissensspeicher. Kenntnisse aus diesen Wissensgebieten sind notwendig, da sie a) aus PM-Sicht dafür sorgen, dass die richtigen Daten identifiziert werden, b) dass die Daten aus Data Analytics-Sicht richtig erfasst und untersucht werden und c), dass die Daten aus Sicht des Wissensmanagements in einer Wissensstruktur für die Nachnutzung sauber bereitgestellt werden” (…) Die Verwendung von Ontologien als Speicher von Wissensobjekten und die integrierte Anwendung der Methode des Case-Based Reasoning eröffnet im genannten Kontext Potentiale für ein verbessertes Projektmanagement” (Kusturica, W. Laroque, C. (2024) in Bernert et al. (2024): KI in der Projektwirtschaft).
Die Autoren haben diesen Ansatz in dem Beitrag anhand eines Fallbeispiels ausführlich dargestellt.
Solche Zusammenhänge thematisieren wir auch in dem von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.
In Projekten werden viele Daten generiert und Informationen bearbeitet. Beides sind wichtige Bausteine einer Wissensbasis in projektorientierten Organisationen. Diese Wissensbasis baut sich zyklisch über die Projektabwicklung auf (Abbildung).
Die einzelnen Aktivitäten sind dabei die Wissensidentifikation, der Wissenserwerb, die Wissensentwicklung, die Wissensverteilung, die Wissensbewertung und die Wissensnutzung. Es ist deutlich zu erkennen, dass sich die Autorin an den Kernaktivitäten des Wissensmanagements orientiert hat (z.B. nach Probst et al.). Weiterhin zeigt die Abbildung, dass sich die jeweilige Wissensbasis über die Projekte P1 bis P4 immer weiter aufbaut.
“Ein Projekt beginnt zu einem definierten Zeitpunkt mit der Projektinitiierung. Es durchläuft verschiedene Phasen bis hin zum Projektabschluss bzw. zur Projektnachbereitung, in denen sich die in der Abbildung als Spirale dargestellte organisationale Wissensbasis stetig vergrößert. Jedes Projekt durchläuft die komplette Spirale unabhängig von den durchgeführten Projektphasen. Die Projektdauer kann von Projekt zu Projekt unterschiedlich sein, es werden jedoch immer alle Sektoren der Spirale durchlaufen. In den ersten drei Sektoren wird das für das Projekt erforderliche Wissen aus Bekanntem generiert, neu entwickelt und von außen erworben. In den folgenden drei Sektoren wird es dann selektiert, kommuniziert, dokumentiert, gespeichert und angewandt. Die Wissensbasis wächst kontinuierlich, sodass Folgeprojekte profitieren. Da in einem Unternehmen in der Regel mehrere Projekte gleichzeitig ablaufen und die Mitarbeiter zum Teil an mehreren Projekten arbeiten, ist der Übergang zwischen den einzelnen Projekten fließend” (Cüppers 2007).
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.
Translate »
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.OK