Das fand ich interessant. Vielleicht nicht nur aus persönlichen Gründen (s.o.), sondern auch deshalb, weil es so schön gegen die verbreitete Vorstellung verstößt, geistige Leistungsfähigkeit sei vor allem eine Frage der Jugend. Also habe ich mir die Studie selbst angeschaut.

Die fluide Intelligenz beschreibt unsere Fähigkeit, neue Probleme zu lösen, Muster zu erkennen und logisch zu schlussfolgern – ohne dafür auf bereits erworbenes Wissen zurückgreifen zu können. Die kristalline Intelligenz beruht dagegen auf Wissen und Erfahrung. Wortschatz, Fachwissen und das, was wir über Jahre gelernt und erlebt haben, gehören dazu.

Und diese beiden Fähigkeiten entwickeln sich im Laufe unseres Lebens sehr unterschiedlich: Die fluide Intelligenz erreicht ungefähr mit 20 Jahren ihren Höhepunkt und nimmt danach tendenziell ab. Andere Fähigkeiten entwickeln sich dagegen noch lange weiter. Dazu gehört die kristalline Intelligenz, aber beispielsweise auch emotionale Intelligenz oder finanzielles Wissen.

An dieser Stelle wird es interessant. Denn die Aussagen in der ZEIT sind zwar eingängig, verkürzen die Studie aber etwas.

Gilles Gignac von der University of Western Australia und Marcin Zajenkowski von der Universität Warschau haben für ihre 2025 in der Zeitschrift Intelligence veröffentlichte Studie nicht einfach fluide und kristalline Intelligenz miteinander verglichen. Sie haben Ergebnisse bereits veröffentlichter Untersuchungen zu einer ganzen Reihe von Fähigkeiten und Persönlichkeitsmerkmalen zusammengetragen und deren Entwicklung über das Erwachsenenleben betrachtet. Neben verschiedenen kognitiven Fähigkeiten flossen unter anderem Persönlichkeit, emotionale Intelligenz, finanzielle Kompetenz, moralisches Urteilsvermögen, kognitive Flexibilität, Empathie und die Widerstandsfähigkeit gegenüber bestimmten Denkfehlern ein. Daraus konstruierten die Forscher einen Cognitive-Personality Functioning Index, kurz CPFI. Und dieser zusammengesetzte Index erreicht tatsächlich ungefähr zwischen 55 und 60 Jahren seinen höchsten Wert.

Das bedeutet aber nicht: Mit 57 sind wir am intelligentesten. Es bedeutet vielmehr: Einige Fähigkeiten haben zu diesem Zeitpunkt bereits nachgelassen, während andere über Jahrzehnte gewachsen sind. In der Summe können sich diese unterschiedlichen Entwicklungen offenbar erstaunlich gut ergänzen.

Mit 25 können wir möglicherweise schneller neue Zusammenhänge erkennen als mit 57. Mit 57 verfügen wir dafür über drei Jahrzehnte zusätzliches Wissen und Erfahrung. Wir haben mehr Situationen erlebt. Wir können neue Probleme mit bereits bekannten vergleichen. Wir erkennen vielleicht schneller, welche Informationen wirklich wichtig sind. Und wir haben gelernt, welche Entscheidungen in der Vergangenheit funktioniert haben – und welche nicht.

Die Forscher gehen deshalb auch der Frage nach, was das für anspruchsvolle Entscheidungspositionen bedeutet. Ihre Schlussfolgerung ist allerdings vorsichtiger, als die griffige Zahl „57“ vermuten lässt: Menschen, die für Entscheidungen mit hohen Konsequenzen besonders gut geeignet sind, seien wahrscheinlich weder jünger als 40 noch älter als 65. Es geht also nicht um ein magisches Alter, in dem wir plötzlich optimale Entscheider sind. Es geht um ein Zusammenspiel unterschiedlicher Fähigkeiten.

Und an dieser Stelle stellt sich für mich eine weitere Frage, die in der Studie so noch gar nicht beantwortet wird: Was passiert mit diesem Verlauf, wenn wir Künstliche Intelligenz hinzunehmen?

Denn ausgerechnet bei einigen Fähigkeiten, die mit zunehmendem Alter nachlassen, kann KI uns unterstützen. Eine KI kann große Informationsmengen schnell durchsuchen, Alternativen generieren, Muster sichtbar machen, Argumente gegenüberstellen oder uns auf Widersprüche aufmerksam machen. Sie könnte damit einen Teil dessen kompensieren, was unsere fluide Intelligenz im Laufe des Lebens weniger gut leistet. Unser Erfahrungswissen kann sie dagegen nicht einfach ersetzen. Wissen besteht schließlich nicht nur aus gespeicherten Informationen. Es besteht auch daraus, Situationen erlebt, Konsequenzen erfahren und Zusammenhänge über Jahre verstanden zu haben.

Vielleicht liegt deshalb gerade hier eine der interessantesten Perspektiven für die Zusammenarbeit von Mensch und KI: Wir nutzen KI nicht, um unsere Erfahrung zu ersetzen. Wir nutzen sie, um unsere Erfahrung mit Fähigkeiten zu ergänzen, die uns zunehmend schwerer fallen. Dann könnte die eigentlich interessante Frage irgendwann nicht mehr lauten: In welchem Alter erreichen Menschen den Höhepunkt ihrer Leistungsfähigkeit? Sondern: Wie lange können wir diesen Höhepunkt halten, wenn menschliche Erfahrung und künstliche Intelligenz zusammenkommen?

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?

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.

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.

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.“

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.

Damit ist der WMOOC 2025 nun tatsächlich zu Ende. Aber nach dem WMOOC ist auch immer vor dem WMOOC: Der WMOOC 2026 startet am 3. Oktober 2026. Sei dabei!

In der Session werden die Grundlagen von Wikis erklärt und wie sie funktionieren. Ein Schwerpunkt liegt auf den allgemeinen Vorteilen offener Wikis, in denen alle Personen alles lesen und bearbeiten können. Danach geht es um typische Bedenken, die dabei häufig auftauchen, und darum, wie man darauf reagiert. Ergänzend werden Beispiele aus Enterprise-Wikis behandelt, die zeigen, wie solche Prinzipien in Organisationen umgesetzt werden können.

Tatsächlich nähert sich der WMOOC 2025 rasant seinem Ende: Nur noch zwei Live Sessions stehen aus, die ihr euch schon einmal vormerken könnt:

Am 15.12. um 16 Uhr wird uns Kai Hoffmann mit hinter die Kulissen des Wissensmanagements bei Schutz und Rettung der Stadt Zürich nehmen.
Und am 22.12. um 16 Uhr erläutert Johanna Boli wie es gelingen kann Wissensmanagement in ein bestehendes Qualitätsmanagement-System zu integrieren, und zwar mit Hilfe von KI.

Wie immer stehen die Live Sessions allen Interessierten offen, auch denen die (noch) nicht für den WMOOC registriert sind. Bei Interesse bitte einfach bei mir melden, dann schicke ich die Einwahldaten zu. Oder am besten gleich für den WMOOC Newsletter anmelden!

Ich werde mir – obwohl ich live dabei war – die Aufzeichnung gleich auch noch einmal ansehen. Da war so viel drin, das habe ich noch nicht alles verdaut, liebe Sabine!