Wir starten wie immer mit unserer Auftaktveranstaltung für WMOOC-Neulinge und Neugierige (erste Live Session):
Am Montag dem 5. Oktober um 16 Uhr : Einführung in den WMOOC (Ablauf, Organisatorisches, Neues im WMOOC 2026 usw.) mit Gabriele & Dirk. Wir freuen uns, wenn auch ihr live dabei sein könnt. Du bist nicht für den WMOOC registriert, möchtest aber trotzdem an der Session teilnehmen? Dann melde dich einfach bei mir!
Achtung: Diese Live Session wird nicht online gestellt, da es hauptsächlich ums Kennenlernen und Organisatorisches geht.

Vorschau auf unsere Live Sessions im ersten WMOOC-Modul, d. h. im Oktober:

Thema: Smartes objektbasiertes Lernen mit Dirk Liesch
Termin: Montag 12.10.2026 16 Uhr

Thema: Besser unterscheiden mit Chatbots mit Stefan Holtel
Termin: Montag 19.10.2026 16 Uhr

Thema: Vorausschauende Wissenssicherung mit der Transferampel mit Christian Keller und Gabriele Vollmar
Termin: Mittwoch 21.10.2026 11 Uhr

Tragt euch diese Termine ein! Auch wenn die meisten Live Sessions als Aufzeichnung zur Verfügung gestellt werden, ist es doch immer schöner selbst dabei zu sein und z. B. Fragen stellen zu können. Und auch die Referent:innen freut’s, wenn möglichst viele von Euch live dabei sind!

Alle, die für den WMOOC registriert sind, erhalten außerdem in jeder MOOC-Woche empfohlene Lernmaterialien für das Selbststudium und eine Arbeitsaufgabe, für die es über die Plattform einen Badge für das eigene ePortfolio gibt. Also schaut doch gerne mal beim WMOOC rein!

• 19.10. 16 Uhr: Stefan Holtel, Kurator für digitalen Wandel, zeigt uns in einer Live Demo, wie wir mittels Chatbots besser unterscheiden: Chatbots werden meist als schnelle Antwortmaschinen genutzt. Ihr größerer Nutzen für die tägliche Wissensarbeit könnte jedoch darin liegen, genauer zu unterscheiden: Was bedeutet eine unklare Anforderung eigentlich? Welche Annahmen bleiben unausgesprochen? Welche Zielkonflikte oder Perspektiven übersehen wir?
• 9.11. 17 Uhr: Maximilian Moore berichtet über ein Praxisprojekt zum Einsatz von KI für den Wissenstransfer beim Jobwechsel bei einem großen Chemie-Unternehmen.

Außerdem freuen wir uns über eine Session mit gleich vier Session Geber:innen – ein ganzes Autor:innen-Team:

• 20.11. 13 Uhr: Onboarding und Offboarding in der Öffentlichen Verwaltung. Grundlage das Vortrags ist eine Veröffentlichung der Gesellschaft für Wissensmanagement e.V.

Und nochmal erinnern möchte ich auch an die bereits publizierten Termine:

• 5.10. 16 Uhr: Wie immer starten Dirk und ich die Session-Serie mit einer kleinen Einführung in den WMOOC. Das ist vor allem für die Neulinge gedacht.
• 21.10. 11 Uhr: Christian Keller und ich stellen unser kleines Tool ‚Transferampel‚ vor und berichten darüber, wie dieses Tool die Verankerung eines systematischen Wissenssicherungsprozesses in der Organisation unterstützen kann.
• 4.11. 16 Uhr: Stefan Zillich stellt die aktuell hochbrisante Frage, „Wie robust sind unsere epistemischen Systeme?„
• 10.11. 17 Uhr: Angelika Mittelmann nimmt uns mit auf ihren Fitness-Parcours Persönliches Wissensmanagement
• 1.12. 16 Uhr: Pavel Kraus und Manfred Bornemann zeigen, wie mit ihrem KM Story Telling Canvas die Überzeugung des Top Managements in Sachen Wissensmanagement gelingt
• 8.12. 17 Uhr: Benjamin Nahkosteen führt uns entlang seines pragmatischen Leitfadens zur erfolgreichen wissensorientierten Führung

Wenn du über den WMOOC und die Live Sessions in den nächsten Wochen auf dem Laufenden gehalten werden möchtest, dann abonniere am besten unseren Newsletter. Oder registriere dich für den WMOOC und nutze neben den Live Sessions auch die Lerninhalte und Lernaufgaben entlang des 3-monatigen Curriculums.

Das habe ich jetzt geändert und das Modell direkter zugänglich gemacht, natürlich einschließlich einer Erläuterung. Hier findet ihr es nun (hoffentlich) ganz einfach.

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.

In diesem Semester haben Nils Weber und Maximilian Fetzer gemeinsam das Konzept der Unlearning Organisation visualisiert, und zwar im Gegensatz zur Forgetting Organisation. Das ist ihnen sehr gut gelungen, weshalb ich ihre Visualisierung hier gerne teile. Und weshalb ich nun auch gar nichts weiter zu den Konzepten Unlearning und Forgetting sage, weil sich dies aus dem Bild einfach erschließt.

Vielen Dank für die Erlaubnis zur Veröffentlichung, Nils und Max!

Im Workshop werden wir in kleinen Arbeitsgruppen konkret Profile für Personae, also fiktive Personen, mit Rollen im Wissensmanagement erarbeiten. Diese Personae könnt ihr selbst mitbringen oder auch eine von uns vorgeschlagene nutzen. Durch die konkrete Anwendung werdet ihr den Kompetenzkatalog und dessen praktische Anwendung intensiv kennenlernen. Und wir erhalten von euch wertvolle Rückmeldung zum Katalog, aber auch zu Berufsbildern und Anforderungen im weiten Feld des Wissensmanagement.

Der Workshop ist kostenfrei. Bei Interesse bitte einfach bei mir melden!

Als kleine Vorbereitung könnt ihr euch mithilfe von ein paar knappen Erklärvideos schon einmal in den Kompetenzkatalog ‚eindenken‘ – müsst ihr aber nicht.

Wir freuen uns auf eine intensive Beschäftigung und Auseinandersetzung mit ‚Kompetenzen für Wissensmanagement‘.

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.

Feel free to join.

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!