Allgemein

Wie hoch ist meine persönliche KI-Kompetenz?

Allgemein, Digitalisierung, Künstliche Intelligenz No Comments

Diese Frage habe ich mittels das KI-Kompetenz-Audits der DHBW Heilbronn beantwortet. Das Ergebnis sehr ihr hier:

Das KI-Kompetenz-Audit entstand im Rahmen des Projekts KI-Campus Hub Baden-Württemberg, ein Projekt unter Leitung des Stifterverbandes mit Förderung der Dieter Schwarz Stiftung. Entwickelt wurde das Audit vom KI-Team der Bildungsforschung an der DHBW Heilbronn.

Probiert es doch auch einmal aus! Neben der grafischen Auswertung gibt es noch eine ausführliche schriftliche Bewertung mit Hinweisen auf passende Weiterbildungsmöglichkeiten aus dem Angebot des KI Campus. Der KI Campus Baden-Württemberg ist eine komplett kostenfreie Lernplattform mit einem vielfältigen und hochwertigen Angebot an Webinaren.

Übrigens: Das KI-Kompetenz-Audit gibt es auch für Unternehmen/Organisationen: Wie hoch ist die KI-Kompetenz meines Unternehmens?

Why starting a career is becoming harder with AI

AI, Allgemein, Knowledge Management No Comments
Why starting a career is becoming harder with AI
AI generated

In my last blog post, I explored a central insight from recent research: AI does not (yet) destroy jobs – but it reshapes them.
However, there is one group for whom the picture looks considerably less optimistic: early-career professionals. Here are some reasons why:

  1. The disappearing ‚first steps‘
    For decades, organisations relied on a relatively stable pattern: Entry-level employees handled rather routine tasks like research, documentation, data preparation etc. Doing this, over time, they developed judgment, contextual understanding, and professional intuition.
    Thus, this was never just “simple work.” It was learning infrastructure.
    Today, this infrastructure is eroding. Recent studies (e.g. McKinsey, Revelio, Stanford) show that precisely these tasks are increasingly being taken over by AI systems and that the demand for entry-level roles is declining sharply. While demand for experienced workers is holding steady or even increasing.
  2. A fundamental shift
    The challenge is not losing jobs. The challenge is not getting in. Entry-level roles are becoming fewer, more demanding, and less “forgiving”.
    In other words: The threshold for becoming productive is rising.
  3. From learning-by-doing to learning-by-design?
    Traditionally, organisations relied on a simple mechanism: People learn through doing – even if the work is imperfect. AI disrupts this mechanism in two ways:
    Task removal: The “practice field” disappears.
    Task delegation: Instead of doing the work, juniors supervise AI output.
    And here lies a paradox. Experimental research shows that heavy reliance on AI can actually impair skill development, particularly for novices: weaker conceptual understanding, reduced ability to diagnose errors, and less deep learning.
    So we are asking early-career professionals to start at a higher level with fewer opportunities to learn while relying on tools that may undermine their learning.
  4. The missing piece: Seniors because they work at home
    If entry-level work becomes more complex, the obvious answer is: more support from experienced colleagues. But this is exactly where the second major trend comes into play: remote and hybrid work.
    Research (e.g. Emma Harrington, University of Virginia and again Emma) shows:
    Remote work makes it harder to train and mentor junior employees. Physical proximity significantly increases feedback and learning. Career progression slows when mentoring is reduced.
    There is even evidence suggesting that a large share of rising youth unemployment can be linked to the spread of remote work.
    From a knowledge perspective, this is not surprising. Learning in organisations is not just about formal training, explicit knowledge, and documented processes. It is about informal feedback, observation, asking “quick questions”, being pulled into conversations. In short: tacit knowledge transfer. And tacit knowledge does not travel well over Teams.
  5. Double disruption
    If we combine both developments, a problematic dynamic emerges:
    AI removes beginner tasks, raises entry requirements, speeds up workflows. Remote work removes informal learning, reduces access to mentors, slows down capability building.
  6. A Knowledge Management blind spot
    From a KM perspective, this should ring alarm bells. Many organisations are currently focusing on AI tools, automation, efficiency gains, and knowledge repositories.
    But they are overlooking more fundamental questions: How do people develop the capability to work with knowledge in the first place? Where do juniors practice? Where do they make mistakes? Where do they receive feedback? Where do they observe experts at work?If these mechanisms are not redesigned, we risk creating a generation of workers who are highly tool-enabled but insufficiently experienced.
  7. Rethinking the entry phase
    Based on the emerging evidence, three areas seem critical:
    Deliberate learning design (structured learning tasks, well designed progression paths, combination of AI use with reflection)
    Reinvestment in mentoring with structured check-ins, conscious feedback loops, and visible expert work.
    Hybrid thinking (not just hybrid working), which means that if proximity matters for learning, then presence must be intentional. Thus, not “come to the office sometimes” but „come together when learning happens“.

So – who should be worried now?

In the last post, the answer was: It depends on the tasks. For early-career professionals, the answer becomes sharper: You should be concerned if your learning depends on routine tasks, passive observation, and implicit guidance. Because all three are under pressure.

Final thought

The first blog post asked: Who is afraid of AI? Who should be?
This follow-up suggests a different question: Who will still be able to learn how to work? Because the real long-term risk is not job loss. It is the quiet erosion of the pathways that create expertise. And that is, at its core, a knowledge management challenge.

Who is afraid of AI? Who should be?

AI, Allgemein, Knowledge Management No Comments

If you follow current debates, you might think that everyone should be afraid of AI.
Or no one. Or only “the others.”

A recent policy brief by the Kiel Institute for the World Economy takes a more differentiated – and refreshingly evidence-based – view.

Here some insights from a knowledge management perspective:

  1. Exposure is not the same as replacement:
    One of the most important clarifications in the study is also one that is often missing in discussions: “Exposure to AI … indicates the potential applicability of AI to an occupation’s tasks — it is not inherently a measure of substitution or complementarity.”
    In other words:
    Just because AI can do parts of your work does not mean it will replace you.
    For knowledge work, this is a crucial distinction. Even in organisations where AI is already deeply embedded it does not necessarily reduce headcount. Instead, we see shifts in how work is done and what kind of knowledge becomes critical.
  2. Surprise(?): High-skilled knowledge workers are most exposed
    The study shows a pattern that is different from previous economic transformations: Highly cognitive, non-physical, low-social-interaction jobs (e.g. analysts, developers, translators) are most exposed to AI. Whereas, jobs requiring manual skills or intensive interpersonal interaction are least exposed.
    It is not the “low-skilled” jobs that are immediately most affected – it is classic knowledge work.
    From a KM perspective, these are precisely the domains where structured knowledge, explicit processes, and codified expertise already exist – making them easier for AI to engage with. Or following Willkes definition of knowledge work it is the knowledge-intense work (not the actual knowledge work).
  3. No (immediate) job loss – but skill shifts
    The empirical results across Denmark, Portugal, and Sweden are remarkably consistent:
    – No significant negative effect on total employment
    – Clear shift towards higher-skilled work (“skill upgrading”)
    Firms exposed to AI “raise their high-to-low skill employment ratios” and reallocate toward high-skill white-collar jobs.
    This fits closely with what many of us observe in practice:
    Routine documentation is automated, analytical work is accelerated. But interpretation, integration, and contextualisation become more important.
    Or, in KM terms: We are moving from information processing to meaning-making (from explicit to tacit).
  4. The overlooked dimension: social and tacit knowledge
    A particularly interesting methodological choice in the study is the inclusion of social skills as a counterweight to AI exposure:
    Social tasks are assumed to be more difficult to automate. This aligns strongly with long-standing KM insights:
    Tacit knowledge is hard to codify.
    Social interaction is key to knowledge creation (think SECI…).
    Context and trust cannot easily be replicated by systems.
    If you connect this to earlier discussions on this blog (e.g. on knowledge transfer during offboarding or peer-based formats like Peer Assist), a clear conclusion emerges:
    What protects jobs is not the absence of AI—but the presence of social, contextual, and experiential knowledge work.
  5. Not all AI is the same – and that matters
    Another important nuance in the study: Different AI subdomains have different effects. In particular: Language modelling, speech recognition, reading comprehension show positive associations with employment across all skill groups.
    This is highly relevant for organisations currently introducing generative AI: These systems are not only automation tools – they are collaboration technologies. They amplify communication, documentation, and coordination – core KM processes, if used correctyl and not as a Google 2.0.

What does this mean for knowledge management?

If we step back, the findings point to a shift in the KM agenda.

From:

  • Capturing knowledge
  • Structuring information
  • Reducing redundancy

To:

  • Enabling skill development
  • Supporting AI-augmented workflows
  • Strengthening social knowledge processes

Or more provocatively:
The real risk is not that AI replaces knowledge workers.
The real risk is that organisations fail to redefine knowledge work.

So, who should be afraid?

The answer from the study is clear: It depends on the tasks you perform.

Be concerned if your work is:

  • Highly standardised
  • Easily codified
  • Low in social interaction

Be optimistic if your work involves:

  • Interpretation and judgment
  • Cross-context integration
  • Collaboration and sensemaking

However, AI does not primarily eliminate work. It reshapes the skill profile of work. Which is not a surprise, is it?
But what are the implications for knowledge management?

  • We need better ways to develop and transfer higher-order skills.
  • We need to redesign knowledge processes for human–AI collaboration.
  • And we need to take tacit and social knowledge more seriously than ever.

Because in the end, the question is: Who is prepared to work differently with knowledge?

And another question that arises from this is: What does this mean for young people entering the workforce?
To be continued.

Das Münchner Haus des Wissens

Allgemein, ISO 30401, Wissensmanagement, WM-Grundlagen No Comments

Wie im letzten Blogpost bereits berichtet, erstellen die Studierenden meiner Lehrveranstaltung Wissensmanagement-Modelle und -Strategien am Center for Advanced Studies der Dualen Hochschule Baden-Württemberg (DHBW) ein kurzes Erklärvideo oder ein Icon/ eine Visualisierung zu einem Konzept aus dem Wissensmanagement.

Maximilian Wendt ist dabei kreativ übers Ziel hinausgeschossen und hat anstelle einer einfachen Visualisierung gleich ein Modell für Wissensmanagement erstellt: sein Münchner Haus des Wissens (München, weil sich im oberen Stockwerk Anklänge an das Münchner Modell nach Reinmann finden). Andere Inspirationsquellen von Max finden sich im kleinen einleitenden Reim.

Auch dieses wunderbare Arbeitsergebnis dieser kleinen Studienaufgabe wollte ich euch nicht vorenthalten. Ich finde es sehr inspirierend. Vielen Dank, Max!

Good AI Practice in Drug Development (cont.)

Allgemein No Comments

In my previous post, I argued that the medical technology sector offers valuable lessons for building reliable AI systems—particularly through Good Machine Learning Practice (GMLP). With the “Guiding Principles of Good AI Practice in Drug Development”, jointly published by the European authority EMA and the US-american FDA in January 2026, this perspective is extended beyond medical devices.

These principles span the entire drug‑development lifecycle: preclinical research, clinical trials, and manufacturing. This expansion is not only regulatory in nature—it also has important implications for how organisations learn, govern knowledge, and stabilise expertise around AI.

Human‑centric by design: making responsibility explicit
The emphasis on human‑centric and ethical design reframes AI as a socio‑technical system rather than a purely technical artefact. Human oversight is no longer assumed; it is a design requirement.
From a KM perspective, this matters because it forces organisations to make responsibility, judgement, and decision authority explicit—and therefore learnable. Tacit assumptions about “what the system does” or “who decides in the end” no longer suffice. AI design becomes a vehicle for clarifying roles, expectations, and accountability structures that are central to organisational knowledge.

AI systems as part of the GxP (Good Practices in Pharma) knowledge landscape
The explicit requirement for GxP compliance positions AI systems firmly within the organisation’s regulated knowledge infrastructure.
For AI‑enabled computerized systems, e.g. analytical decision‑support systems, this implies:

  • structured data governance as a shared organisational memory (not just a technical safeguard)
  • quality management across the entire AI lifecycle, turning development, deployment, monitoring, and change into learning loops rather than isolated events

In KM terms, AI is treated as institutionalised knowledge—codified, governed, audited, and continuously maintained.

Proportionate validation as organisational sense‑making
The call for risk‑based, proportionate validation once again supports a move away from schematic compliance towards contextual judgement.
This aligns closely with organisational learning: validation becomes an ongoing process of sense‑making about risk, impact, and uncertainty, rather than a checklist exercise. Different AI systems require different depths of scrutiny—not because standards are weakened, but because learning is situated.

Performance beyond metrics: learning in use
By extending performance evaluation beyond isolated model metrics to include human–AI interaction, the principles acknowledge an old KM insight: systems only reveal their quality in practice.
Interpretability and explainability are not technical luxuries; they are prerequisites for:

  • shared understanding
  • justified trust
  • reflective use

An AI system that cannot be meaningfully explained cannot become part of an organisation’s collective knowledge—no matter how accurate it is.

Plain language and monitoring: sustaining knowledge over time
Two further aspects strengthen the learning dimension.
First, the requirement for plain‑language communication treats understanding as a quality attribute. Knowledge about AI functionality, limits, and changes must be accessible—not only to experts, but to users and, where relevant, patients.
Second, the focus on continuous monitoring and data drift reinforces the idea that AI systems are never “finished”. They evolve with their context. Managing them therefore means learning over time, detecting change, and deliberately updating both models and organisational understanding.

My conclusion:
Seen through a KM lens, the EMA–FDA principles do more than regulate AI. They provide a framework for embedding AI into organisational learning structures – through transparency, lifecycle thinking, and explicit responsibility. Reliable AI, in this sense, is not primarily a technical achievement. It is the outcome of organisations that are able to learn about their systems, their data, and their own practices—continuously and collectively.

KI, Kant und metakognitive Faulheit

Allgemein, Digitalisierung, Künstliche Intelligenz, Wissensarbeit No Comments
KI, Kant und metakognitive Faulheit
erstellt mit Midjourney

Das Schöne an KI ist doch, dass wir anstrengende geistige Tätigkeiten an diese auslagern können. Eben nicht nur das Suchen nach Informationen, sondern – zu mehr oder weniger großen Anteilen – das Kreativ Sein, das Analysieren, das Problemlösen, das Nachdenken, kurz das Wissensarbeiten. Einige aktuelle Studien zeigen nun, dass Personen, die KI in dieser Form als ‚Mitdenker‘ nutzen, dazu neigen, ihre Arbeit, die mit der signifikanten Hilfe von KI entstanden ist, seltener zu prüfen und zu hinterfragen. Die Autoren einer dieser Studien (Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance) nennen dies „metakognitive Faulheit“.

Als Erwachsene können wir entscheiden, welche geistigen Prozesse wir an eine KI auslagern und wo wir uns bewusst dieser Faulheit widersetzen. Dazu nutzen wir unseren kritischen Verstand. Doch wie steht es um Kinder und Jugendliche, deren Mut sich des eigenen Verstandes zu bedienen – das Kantsche ’sapere aude‘ – gar nicht erst entwickelt wird, weil sie die anstrengende Reibung, die ein entsprechender Lernprozess bedeutet, vermeiden können?

Und was macht diese Entwicklung mit unserer Gesellschaft?

Unsere liberalen Demokratien beruhen auf mündigen Bürgern und Bürgerinnen, wie sie die Philosophen der Aufklärung beschreiben. Also Menschen, die sich ihres Verstandes bedienen und die Meinungen kritisch hinterfragen, auch ihre eigene. Wer nicht selbst denkt, wird alles glauben.

Und das, was wir da denken lassen, wird immer homogener, denn schließlich beruht generative KI auf Statistik und Wahrscheinlichkeit. „In großem Maßstab wird das, was als statistisches Musterlernen beginnt, zu einer generativen Kraft, die zentrale Tendenzen bevorzugt (…)“, so der Informatiker Zhivar Sourati.

Das Risiko, vor dem unsere Gesellschaften stehen, ist nicht die imaginäre Super-KI, die irgendwann die Weltherrschaft an sich reißt. Es ist unser selbst gewählter Weg in eine vor-aufklärerische Unmündigkeit – aus schierer Bequemlichkeit. Warum nur muss ich seit einiger Zeit immer wieder an den Animationsfilm Wall-E denken?

Vielleicht etwas pathetisch, aber ich ende mit einem hochaktuellen 300 Jahre alten Zitat:
„Aufklärung ist der Ausgang des Menschen aus seiner selbstverschuldeten Unmündigkeit. Unmündigkeit ist das Unvermögen, sich seines Verstandes ohne Leitung eines anderen zu bedienen. Selbstverschuldet ist diese Unmündigkeit, wenn die Ursache derselben nicht am Mangel des Verstandes, sondern der Entschließung und des Mutes liegt, sich seiner ohne Leitung eines anderen zu bedienen. Sapere aude! Habe Mut, dich deines eigenen Verstandes zu bedienen! ist also der Wahlspruch der Aufklärung.“

Die KI denkt

Allgemein, Digitalisierung, Künstliche Intelligenz, Wissensarbeit No Comments
Die KI denkt
erstellt mit Midjourney

Kürzlich habe ich in der Frankfurter Sonntagszeitung Folgendes gelesen: „Die KI [Claude Code] (…) kann jetzt einen Workflow von vier Schritten eigenständig abarbeiten: lesen, also unstrukturierte Informationen aufnehmen; denken, also domänenspezifisches Wissen anwenden; schreiben, also strukturierte Ergebnisse produzieren; verifizieren, also das Ergebnis mit mit vorgegebenen Standards abgleichen. In der Wissensökonomie gibt es nicht viele Berufe, die sich nicht auf diese vier Bausteine herunterbrechen lassen.“

Natürlich hat mich die Aussage zum Denken der KI nun selbst ins Nachdenken gebracht. Findet hier tatsächlich ein Denkprozess und eine Anwendung von Wissen statt – was ja voraussetzt, dass eine KI über Wissen verfügt.

Laut Philosophischem Wörterbuch von Georgi Schischkoff werden unter ‚Denken‘ alle (psychologischen) Vorgänge zusammengefasst, die aus einer inneren Beschäftigung mit Vorstellungen, Erinnerungen und Begriffen eine Erkenntnis zu formen versuchen. Martin Heidegger beschreibt das Denken gar als einen Weg. Das zu-Denkende entzieht sich dem Menschen und zieht ihn mit. Weil sich das zu-Denkende dem Menschen entzieht und sich von ihm abwendet, nimmt es ihn in Anspruch. 

Das kann mit dem Denken der KI nicht gemeint sein. Was also passiert, wenn eine KI „denkt“?
Hier verarbeitet das Modell die Informationen aus dem „Lesen“-Schritt und führt mehrere interne Teilprozesse aus:

  • Problemstruktur erkennen (Welche Aufgabe ist gestellt? Welche Informationen sind relevant?)
  • Hypothesen bilden durch statistisches Abwägen von Mustern aus Trainingsdaten
  • Lösungsstrategie planen (sinnvolle Schritte planen vor dem Schreiben)
  • Kontext verknüpfen durch die Kombination mehrerer Informationsquellen wie vorherige Nachrichten, bekannte Muster usw.

Das Denken einer KI bedeutet also interne Berechnungsschritte, probabilistische Planung, logische Strukturierung der Antwort. Das hat nichts zu tun mit Verstehen, Bewusstsein und intentionaler Überlegung, was das menschliche Denken kennzeichnet. Auch wird im eigentlichen Sinne kein „domänenspezifisches Wissen angewandt“, sondern die KI nutzt korrelationsbasierte Muster aus domänenspezifischen Trainingsdaten. Wir reden also von statistischer Generalisierung, nicht von Wissensanwendung.

Trotzdem ähnelt der Vier-Schritte-Workflow, mit dem bei modernen KI-Agenten typische Schwächen von Sprachmodellen, wie z. B. das Halluzinieren, reduziert werden, dem menschlichen Arbeitsablauf beim Problemlösen (z. B. nach Newell & Simon). Dadurch wird die KI vom reinen Textgenerierer zum Problemlöser.

Doch unser menschliches Denken ist soviel mehr als analytisches Problemlösen. Es ist auch zweckfreies Philosophieren, Träumen, Spintisieren… Ich denke, wir sollten uns angewöhnen, die technische Funktionsweise einer KI nicht mit menschlichen Begriffen wie ‚Denken‘ oder ‚Wissen‘ zu beschreiben, sondern angemessene technische Begrifflichkeiten dafür finden. Denn eine zunehmende Vermenschlichung von KI birgt das Risiko der abnehmenden kritischen Distanz. Und eine Vermenschlichung führt dazu, dass einer Technik Eigenschaften zugeschrieben werden, z. B. moralisches Verhalten, die für eine realistische Einschätzung technologischer Folgen letztlich irrelevant sind. Und den Blick ablenken von den verantwortlichen Menschen hinter der KI.

WMOOC-Kursbuch: neue Inhalte

Allgemein, MOOC, Persönliches Wissensmanagement No Comments
WMOOC-Kursbuch: neue Inhalte
WMOOC Kursbuch

Unser Wissensmanagement MOOC 2025 ist zwar beendet und der WMOOC 2026 noch in weiter Ferne (Start am 3. Oktober!), aber unser Wissen bleibt trotzdem in Bewegung:

Es gibt einige neue Inhalte im Kursbuch, auf die wir auch gerne aufmerksam machen möchten:

  • Transferampel
    Egal, ob personenbezogen oder themenzentriert, die Transferampel unterstützt sowohl Führungskräfte als auch Mitarbeitende dabei, mit Wissenssicherungund Wissenstransfer an den richtigen Stellen anzusetzen und die ohnehin knappen Ressourcen, vor allem zeitliche, mit größtmöglicher Wirkung einzusetzen.
  • Modell für das Persönliche Wissensmanagement von Reinmann und Eppler
    Ein bisschen theoretischer Unterbau zum Persönlichen Wissensmanagement.
  • Methodenwahl für das Persönliche Wissensmanagement
    Aufbauend auf dem Modell (s.o.) ein Anforderungsraster für die Methodenwahl, ebenfalls Reinmann und Eppler.

Unser Wissen entwickelt sich stetig weiter und gerne teilen wir das mit euch – auch außerhalb des MOOCs! 

Wissensmanagement im Studium: ein Werkzeugkasten

Allgemein, GfWM, Lernen, Persönliches Wissensmanagement, Wissensarbeit No Comments
Wissensmanagement im Studium: ein Werkzeugkasten
Handreichung

Gerne möchte ich auf die gelungene Handreichung Wissensmanagement im (Promotions)Studium hinweisen, die in den letzten Monaten durch eine Fachgruppe der GfWM erarbeitet wurde. Diese Gruppe durfte ich von außen ein klein wenig mit meiner Expertise in diesem Thema unterstützen. Das Arbeitsergebnis liegt nun vor und ist – nicht nur für Studierende – absolut lesenswert.