Die Bedeutung der Wissensmessung für das Knowledge Management

Prof. Dr. Walther Umstätter

Einleitung

Er ist allgemein bekannt, der Satz der die Bedeutung des Knowledge Managements (KM) so klar hervorhebt wie kein anderer: "Wissen ist Macht." Er stammt, von Francis Bacon, und lautete eigentlich: "Nam et ipsa scientia potestas est." oder "Denn die Wissenschaft selbst ist Macht.". Bacon hatte großen Einfluss auf die Aufklärung und damit auch auf unsere heutige Wissenschaftsgesellschaft, die, und hier liegt der selbe Übersetzungsfehler von knowledge und science zu Wissen bzw. Wissenschaft vor, eigentlich keine Wissensgesellschaft ist. Denn diese Gesellschaft lebt weniger von dem noch immer geringen Wissen das sie schon hat, als vielmehr von dem Wissen das sie täglich neu produzieren und erwerben muss. Gerade darum wird das KM, das immer auf einem Wissenschaftsmanagement beruht, zum zentralen Thema unserer Gesellschaft. Wir gehen zur Zeit in eine Wissenschaftsgesellschaft hinein, in der schon heute immer mehr Menschen direkt oder indirekt von der Wissenschaft leben. Und wir tun dies mit einer Geschwindigkeit, die immer mehr Menschen, die dafür nicht ausgebildet sind, zwingt, aus dem Berufsleben auszusteigen.

Trotz der häufigen Wiederholung des Satzes "Wissen ist Macht", ist die Brisanz dieser zur Phrase gewordenen Aussage vielen Menschen sicher nicht immer klar. Wie groß die Macht der Wissenschaft ist, wurde vor einem halben Jahrhundert vielen Physikern schlagartig bewusst, als die erste Atombombe gezündet worden war. Danach gab es eine rege Diskussion, die aber heute schon wieder weitgehend vergessen ist. Es war die Diskussion darüber, dass Wissenschaftler eine Verantwortung tragen für das was sie tun. Sie haben wie alle Menschen nicht nur Wissen, sondern auch ein Bewusstsein, in dem sie über ihr Wissen zu reflektieren vermögen. Aus ihm ergibt sich die Verantwortung für ihr Handeln. Der Homo sapiens weiß nicht nur was er tut, er hat auch die Fähigkeit zu analysieren, warum er etwas tut.

Statt dessen bezweifeln zahlreiche Autoren heute, dass wir überhaupt wissen was Wissen ist. So schreibt D.A. Kemp in "The Nature of Knowledge", es sei "difficult and probably impossible to find a definition of knowledge which would be universally accepted by all philosophers". Und L. Fahey und L. Prosak, gehen im Internet mit ihren "Eleven Deadliest Sins of Knowledge Management," noch weiter, wenn sie behaupten, schon der Versuch "to measure knowledge." sei eine Todsünde. Teile der modernen Konwledge Manager scheinen damit weitgehend auf die Ergebnisse der Philosophie und der Geschichte zu verzichten.

Dagegen gilt nach F. Bacon: Richtig zu wissen bedeutet "durch Gründe zu wissen". Ähnlich sah es Hobbes (1588 - 1679), der feststellte: "Daher ist das Wissen, durch welches wir die Wahrheit einer Behauptung einsehen, die Kenntnis eines Gegenstandes aus seinen Ursachen und seiner Entstehung durch richtige Ableitung im Denken." Auch Descartes (1596 – 1650) verstand Wissen als "Erkenntnis der Wahrheit aus ihren ersten Ursachen.". Ebenso ist für Popper die eigentliche Frage des Wissens ob es wahr ist oder nicht. Er betrachtet "Wissen als eine bestimmte Art des Glaubens, nämlich als eine Art des Glaubens, die auf zureichenden Gründen beruht" (Popper, K., S.23; 1994). Für ihn, und dass ist zweifellos richtig, gibt es kein absolut sicheres Wissen. So schreibt er: "Das haben schon die Griechen gewußt .... »Die Götter haben sicheres Wissen - epistéme, die Menschen haben nur Meinungen - doxa.«" (Popper, K., S.142; 1994). Dabei bedeutet das griechische doxei auch so viel wie schließen bzw. Schlüsse ziehen. Wenn also Aristoteles mit Hilfe der Induktion zu der Auffassung gelangte, dass auch der Mensch beweisbares Wissen hat, so ist dies nach unserer heutigen Auffassung eine Frage der Wahrscheinlichkeitstheorie, die in vielen Fällen die hundert Prozent recht zuverlässig erreicht. "Die genaue Semantik des Wortes »Wissen« ist, das Wissen sicheres Wissen ist." (Popper, K., S.142; 1994).

Wissen kann in moderner Diktion also eindeutig als begründete Information definiert werden. Dabei kann die Begründung in unterschiedlichem Maße gesichert, wahr oder bewiesen sein. Es kann sich auf wiederholte Erfahrung (Redundanzen) beziehen und auf logische Schlussfolgerungen. Während die Qualität einer Begründung nicht messbar ist, kann die Quantität ihrer Sicherheit durchaus bestimmt werden, indem man beispielsweise ihre Aussagen mit der Realität vergleicht. Es ist also nicht besonders schwierig und erst recht nicht unmöglich für Wissen eine Definition zu finden. Sie liegt seit langem vor. Seine Messbarkeit ergibt sich geradezu zwangsläufig aus der Informationstheorie.

Die Messbarkeit von Wissen

Wenn wir Wissen messen wollen müssen wir auf die Informationstheorie der vierziger Jahre zurückgreifen, wie sie von C. Shannon und W. Weaver aber auch von N. Wiener und anderen mitbegründet worden ist. Ihr liegt das bekannte Informationsmodell (Abb. 1) zugrunde, das aus der Nachrichtenübertragungstechnik der damaligen Zeit heraus entwickelt worden ist. Es war aber schon sehr bald klar, dass seine grundlegende Bedeutung viel weiter reichte. Sie erstreckt sich von der molekularen Systemebene, über die bakterielle bis hin zu der höheren Lebewesen und zur soziokulturellen Kommunikation des Menschen.

Abb. 1.: Informationsmodell von W. Weaver (S.7) und C. Shannon (S. 34)

 

Auf der Basis dieses Modells ließ sich Information durch die Gleichung

H = - S p_i x log p_i

so grundlegend definieren, dass Weaver schreiben konnte: "'information' turns out to be exactly that which is known in thermodynamics as entropy." (Shannon and Weaver S.12; 1963). Damit war ein Maß für eine Größe gefunden, die man schon damals als eine "suprem position among the laws of Nature." erkannte. Norbert Wiener setzte sie zur Verdeutlichung ihres Ranges an die Seite der fundamentalen Größen, Energie und Materie.

Der mittlere Informationsgehalt (H) ergibt sich damit aus der Summe (S) aller Wahrscheinlichkeiten (p_i) mit denen bestimmte Zeichen aus einem für Sender und Empfänger gemeinsamen Zeichensatz ausgewählt und ausgetauscht werden. Das negative Vorzeichen führt an dieser Stelle dazu, dass Information nur positiv sein kann. Die Multiplikation der Wahrscheinlichkeit mit dem Logarithmus der Wahrscheinlichkeit (der am sinnvollsten als logarithmus dualis verwendet wird) führt dazu, dass mit zunehmendem Zeichensatz der maximal mögliche Informationsgehalt (H_max) logarithmisch anwächst. Er verringert sich allerdings mit der enthaltenen Redundanz (R), die sich aus dem Verhältnis von

R =

ergibt. Redundanz ist somit der Anteil einer Nachricht (M = Message), den wir zur Berechnung der reinen Information eliminieren müssen. Aus diesem Grunde wird die Bedeutung der Redundanz weit unterschätzt. Sie ist unverzichtbar für die Sicherheit einer Information, für ihre rasche Wiedergewinnung, für ihre Archivierung und für die Informationslogistik in unserer Gesellschaft.

Da es völlig reine Information, ohne jede Redundanz, in der Realität äußerst selten gibt, und diese auch nicht erstrebenswert ist, weil die Information dann völlig unsicher wäre, haben wir es bei H_max in Wirklichkeit meist nur mit einer von Redundanz weitgehend gereinigten Information zu tun. Die klassische Redundanz ist eine Wiederholung, bei der bestimmte Zeichen überdurchschnittlich häufig benutzt werden. Bei zwischenmenschlicher Kommunikation nutzen wir solche Wiederholungen meist, um sicher zu stellen, dass sie den Empfänger auch wirklich erreichen. Redundanz dieser Art kann durch den Vergleich aller bereits empfangener Zeichenketten ermittelt werden. Sie beruht also auf einer einfachen Erinnerung, Wir können hier von einer a posteriori Redundanz sprechen. Ihr gegenüber handelt es sich beim Wissen, um die bisher vernachlässigte a priori Redundanz.

Nehmen wir auf der Empfängerseite beispielsweise ein System an, das nicht nur aus seiner Erinnerung heraus Redundanzen wiedererkennt, sondern auf Grund seiner Erfahrung bzw. seiner Logik Informationen vorhersehen kann, so haben wir es eindeutig mit solchen a priori Redundanzen zu tun. Für das wissende Empfängersystem ist die eintreffende Nachricht erwartet und damit nicht neu. Dagegen wäre sie für den selben Empfänger ohne Wissen eindeutig Information. Solche Vorhersagen können nur für Nachrichten ermittelt werden, die strukturiert sind, Gesetzmäßigkeiten enthalten oder zumindest bedingte Wahrscheinlichkeiten, wie etwa Markov-Prozesse, erkennen lassen.

Damit können wir Wissen (K) dadurch messen, dass wir vergleichen, wie weit vorhergesagte Informationen mit wirklich empfangenen Informationen übereinstimmen.

K =

als Einheit dient zwangsläufig das Bit, als einziges bekanntes Maß für die Information. Diese Gleichung gilt um so zuverlässiger, je unwahrscheinlicher und je sicherer eine Vorhersage ist.

 

Auf den ersten Blick ist diese Erkenntnis nicht neu, da wir sie bereits anwenden seitdem es Prüfungen gibt. Dabei werden in solchen Prüfungen schon immer Fragen gestellt, in denen die Prüflinge die Aufgabe haben, die richtige Antwort zu geben. Diese Antwort entspricht also einer Vorhersage dessen, was der Prüfer als richtig erwartet. Damit die Prüflinge nicht nur auswendig gelerntes wiedergeben, versucht man einerseits auch nach Erklärungen bzw. Begründungen zu fragen und andererseits die Fragen so abzuwandeln, dass die Antworten nur aufgrund wirklichen Wissens rekonstruierbar sind. Trotzdem war es immer schwierig, zwischen Wissen und der einfach aus dem Gedächtnis abgerufenen Information zu unterscheiden.

Die heutigen digital arbeitenden Computer bieten uns nun ideale Messinstrumente zur Unterscheidung von Information, Rauschen und Redundanz. Damit können wir folglich auch Wissen weitaus exakter messen als wir es bislang vermochten. Die konventionelle Art dies zu tun war und ist eine Zensurenvergabe mit einer recht groben Skala. Sie stellt außerdem ein Maß dar, mit dem sicher nicht immer nur Wissen kalibriert wurde.
Dagegen können wir heute mit Hilfe einer Datenbank, in der Informationen auf einem bestimmten Gebiet gespeichert werden, die sich aus dem Wissen von Personen oder Expertensystemen ergeben, mit der jeweils dazugehörigen realen Information vergleichen. Wir prüfen also die durch Wissen vorhergesagte Informationen mit der wirklich empfangenen. Dabei ist allerdings ein grundsätzlicher Sockelbetrag abzuziehen, der durch Zufall richtig sein kann, da eine zufällig richtige Antwort in einer Prüfung auch kein Zeichen für Wissen ist. Auch dieser Sockelbetrag ist mit Hilfe der Computer recht gut wahrscheinlichkeitstheoretisch abschätzbar. Wenn wir beispielsweise die Frage haben: Werden die Verkaufszahlen unserer Firma steigen oder fallen? So haben wir in erster Näherung mit jeder Antwort eine fünfzigprozentige Wahrscheinlichkeit für eine richtige Antwort. Erst durch Wissen erhöht sich diese Wahrscheinlichkeit sprunghaft, wenn wir Gründe haben anzunehmen, dass beispielsweise ein Anstieg zu Weihnachten wahrscheinlicher ist.
An diesem Beispiel erkennen wir eine weitere interessante Problematik in der Messung von Wissen. Es ist die Zuordnung und Klassifikation von Information. Schon bei der Frage: Werden die Verkaufszahlen unserer Firma steigen, gleich bleiben oder fallen? Haben wir bei Unwissenheit nur noch eine dreißigprozentige Wahrscheinlichkeit für eine richtige Antwort. Je nach Definition dieser drei Klassen verschiebt sich die Wahrscheinlichkeit noch weiter, wenn wir gleichbleibend mit einer Toleranzgrenze von nur einem Prozent definieren.

Wissen als Information erhöhter Qualität

Die Große Macht des Wissens und seine Qualität ergibt sich zwingend aus der richtigen Begründung der jeweiligen Informationen.

1. weil Wissen uns damit die Entscheidung von falscher und richtiger Information, beim Empfang der selben, bei Problemlösungen und bei unserm Handeln erlaubt.
2. weil eine solche Begründung dazu führt, dass wir Millionen von Einzelinformationen mit ein und der selben Theorie erklären können, ohne uns diese Informationen im einzelnen merken zu müssen. Damit ist eine geradezu unglaublich hohe Verdichtung von Information möglich.
3. weil Wissen uns die Möglichkeit gibt Vorhersagen zu machen, die uns damit eine, wenn auch begrenzte, so doch unverzichtbare Macht über die Zukunft verleiht.
4. weil uns Wissenschaft zu Problemlösungen und damit zu Wissen führt, das ungeahnte Energien freizusetzen vermag, kaum schätzbare Rohstoffeinsparungen ermöglicht oder auch ungeahnte Perspektiven und Märkte eröffnet.

 

Es stehen uns schon heute zahlreiche unterschiedlich leistungsfähige Computerprogramme zur Verfügung, um gezielt Probabilitäten und Redundanzen als solche zu erkennen. Da Redundanzen im Prinzip auch ein Problem der Kategorisierung sind, bei der ähnliche Informationen zu Äquivalenzklassen zusammengefasst werden können, kommt es hier teilweise nicht nur zu Datenkompressionen, sondern in gleichem Maße auch zu Abstraktionen. Entsprechendes gilt auch für das Rauschen, das durch sogenannte Rauschfilter unterdrückt werden kann. Auch dies ist eine Datenabstraktion, die je nach Intelligenz des Programms unterschiedlich leistungsfähig ist. Von besonderem Interesse sind in diesem Zusammenhang Programme zur Kompression bzw. Abstraktion von Filmsequenzen, wie wir sie beispielsweise bei JPEG-Formaten finden. Unter dem Aspekt der künstlichen Intelligenz können dabei Systeme mit leistungsfähigen Wissensbanken auch solche Filmsequenzen, die einer gewissen Gesetzmäßigkeit unterliegen, vorausberechnen. Das können Flugbahnen und Bewegungsabläufe von Objekten sein, Helligkeits- und Farbverschiebungen z.B. bei Einbruch der Dunkelheit etc.

Dieses Beispiel zeigt sehr schön, dass Wissen eine prinzipiell wahrscheinlichkeitstheoretische Erscheinung ist. Mit gezielter Programmierung von Computern zur Wissensmessung wird daher des KM über bedingte Wahrscheinlichkeiten berechenbarer. Als die wohl interessanteste Strategie zum Erwerb von Wissen kann dabei die Biogenetische Evolutionsstrategie angesehen werden. Sie ist die wohl eleganteste und effektivste Form der Informationskompression die wir kennen. Von der gigantischen Verdichtung von Information durch Wissen gewinnt man einen ersten Eindruck, wenn man sich ansieht, wie viel Wissen auf der Erbsubstanz von Lebewesen gespeichert ist und wie mikroskopisch klein diese in den Zellkernen erscheint. Darüber hinaus wird in diesen Zellkernen auch die Rolle der Redundanz überdeutlich, wenn man bedenkt, dass jede der Zellen den weitgehend identischen Informationsgehalt besitzt und darüber hinaus noch in den DNS-Strängen Redundanzen enthalten sind.

Es erscheint auf den ersten Blick durchaus exotisch, um nicht zu sagen absurd, wenn man feststellt, dass auch Pflanzen ein Wissen über diese ihre Umwelt haben. Natürlich haben sie kein Bewusstsein, geschweige denn ein menschliches Bewusstsein, aber ein biochemisch und genetisch gespeichertes Wissen über ihre Umwelt besitzen sie zweifellos, und sie können in die Zukunft sehen - ohne dass dies antropomorph verstanden werden darf. Dass man einer solchen Ansicht nicht sofort Glauben schenkt ist sicher nicht verwunderlich, um so erfreulicher ist es, dass kein geringerer als Sir Karl Popper (1994) auch zu dieser Auffassung gelangte, als er in seinem letzten Buch "Alles Leben ist Problemlösen" auf Seite 135 schrieb: "Also die Blumen >>wissen<< etwas über allgemeine Regelmäßigkeiten."
Diese Feststellung ist in unserem thematischen Zusammenhang hier deshalb bemerkenswert, weil man im "Knowledge Management Magazine", im Internet, die sicher nicht haltbare Meinung vertritt: "Knowledge only exists in a person's head." Eine solche Auffassung übergeht nicht nur die biologische Tatsache, dass alle Lebewesen so zuverlässig vorausschauend auf ihre Umwelt zu reagieren vermögen, dass ihre Art bereits Jahrmillionen überleben konnte, sie ignoriert auch die bereits existierenden Expertensysteme. Sie vernachlässigt insbesondere die Entwicklung verteilter Modelle und Theorien, wie sie zur Zeit auf der Basis von Computer-Supported-Collaborative-Work-Systems zur Konstruktion verteilter Wissensbanken und Ontologien entstehen. Die dabei noch offene Frage ist, mit welchen Lernstrategien man solchen Wissensbanken am günstigsten vorgeht. Dass sich die schon erwähnte Biogenetische Evolutionsstrategie anbietet ist insofern klar, weil sie bisher die einzige ist, von der wir definitiv wissen, dass sie über die Jahrmillionen hinweg erfolgreich zum menschlichen Wissen geführt hat.
Die Sammlung, Formalisierung und Anwendung von Wissen in Organisationen erfordert als erstes, dass wir erkennen, dass Wissenselemente im Gegensatz zu Informationen immer aus drei Komponenten bestehen.

1. Aus der Information die im Zentrum des Wissenselementes steht.
2. Aus der Begründung dieser Information.
3. Aus der darin enthaltenen Aussage, die immer eine gewisse Vorhersage darstellt.

Diese Vorhersage kann zeitlich rückbezüglich sein, und damit auch historisch bisher noch nicht bekannte Ereignisse erklären, sie kann interpolierend Vorgänge beschreiben, die bisher noch nicht bekannt oder verstanden waren und sie kann auch zeitlich vorauseilend zukünftige Ereignisse vorausbestimmen.

 

Nun sollte man annehmen, dass eine Information, die immer erst begründet werden muss um als Wissenselement zu dienen, nie zu einer Informationskompression führen kann. Da aber eine solche Begründung nicht nur eine Information, sondern eine Vielzahl von Informationen erklärt, kann sie durchaus zu einer fast unendlich starken Kompression führen.

Als Beispiel diene hier eine einfache Geradengleichung der Form y = x. Diese drei Byte umfassende Information vermag Tausend einzelne Bildpunkte auf einem Bildschirm darzustellen. Da diese Gleichung im eigentlichen Sinne eine unendlich lange Gerade beschreibt, enthält sie sogar die Information für unendlich viele solche Pixel. Die Gleichung in unserem Beispiel begründet sozusagen jeden y-Wert der Gerade aus dem dazugehörigen x-Wert. Sie macht somit aus vielen Einzelpunkten eine hochredundante Information, in der nur festgelegt ist: Gehe bei jedem Schritt nach rechts einen ebenso großen Schritt nach oben.

Darum kann es auch nicht sein, dass Wissen, als komprimierte Information, ebenso rasch wächst wie die Information, deren Zunahme wir recht genau kennen. Ein Blick in die Bibliotheken dieser Welt macht deutlich, dass die wissenschaftlichen Publikationen, zumindest seit dreihundert Jahren, etwa alle zwanzig Jahre den doppelten Umfang einnehmen. Am bekanntesten in diesem Zusammenhang ist die viel zitierte Untersuchung von de Solla Price und die ihr vorausgegangene Beobachtung von F. Rider. Die wissenschaftlichen Publikationen dieser Welt werden in erster Näherung von einer entsprechend wachsenden Zahl von Autoren produziert, die allerdings immer stärker zusammenarbeiten. So ist die Einzelautorschaft in der Biologie von rund 80% in den dreißiger Jahren unseres Jahrhunderts auf weniger als 10% in den neunziger Jahren gesunken. Das KM auf dem Gebiet wissenschaftlicher Publikationen verdoppelt sich also durchaus im Personal und im Platzbedarf der Bibliotheken, aber keinesfalls in der Menge an Wissen. Die Bibliotheken verzeichnen ja nicht nur das Wissen unserer Zeit, sie archivieren auch die Evolution dieses Wissens und darüber hinaus viele Informationen über die wir bis heute noch kein genaueres Wissen entwickeln konnten.

Nun ist die Verdopplungsrate der Literatur noch keine Garantie dafür, dass auch die Information in gleichem Maße wächst. Auch die Tatsache, dass seit langem in erster Näherung ein Mannjahr an wissenschaftlicher Arbeit in einer Publikation steckt, ist dafür noch kein Beweis. Trotzdem muss man zumindest statistisch davon ausgehen, dass eine durchschnittliche wissenschaftliche Publikation, in ihren zehn Seiten, mit etwa zehn Zitaten einen gewissen Anteil an Neuigkeit (Information), an Redundanz (Wiederholung) und auch an Rauschen (Unverständlichem) enthält. Ohne den informativen Teil wird er normalerweise vom Verlag nicht angenommen, ohne den Teil an Redundanz in den Zitaten und in der Diskussion kann er vor der Fachwelt ebenfalls nicht bestehen und ohne das unvermeidliche informationstheoretische Rauschen ist er bei unserem begrenzten Wissen sicher auch nicht produzierbar.

Ziel wirklich wissenschaftlicher Publikationen ist es allerdings Aussagen zu finden, die unsere Welt verständlicher machen, die sie entweder besser, exakter oder im Sinne Occams razor einfacher begründen. Besonders bemerkenswert ist dabei, dass das Maß an Wissen mit jeder richtig vorhergesagten Information steigt und wir dieses somit zu maximieren versuchen, dass aber die Menge an Information, die wir brauchen um unser Wissen zu speichern möglichst minimiert wird. Damit haben wir über die Jahrtausende hinweg erreicht, dass wir die Abläufe in unserer Umwelt, in Natur, Gesellschaft und Wirtschaft immer weiter gezielt beeinflussen können. Dabei haben heutige Generationen in bestimmten Bereichen weitaus tiefere Einblicke in die Zusammenhänge dieser unserer Umwelt, ohne dass wir so sehr viel mehr lernen als unsere Vorfahren. Dies gelingt uns, indem wir nicht wie unsere Vorfahren große Informationsmengen auswendig lernen, sondern indem wir uns zunehmend auf den Erwerb von Wissen konzentrieren. Auch darin macht sich die große Bedeutung der Informationskompression durch Wissen deutlich.

Es gibt zwei Gründe anzunehmen, dass das Wissen in dieser Welt endlich ist, auch wenn die Information unendlich ist. Der erste Grund liegt in der bereits angesprochenen Informationskompression, die allerdings noch nichts darüber aussagt, ob sich unser Wissen nur langsam verdoppelt, linear ansteigt oder gegen eine Sättigung strebt. Der zweite Grund liegt in der Informationsabstraktion. Unser Wissen kann unmöglich die gesamte Information, die wir in dieser Welt finden verständlich machen. Es vermag immer nur den Teil zu erklären, der auch erklärbar ist und damit gewissen Regelhaftigkeiten unterliegt. Alles andere ist und bleibt Risiko. Dieses Risiko muss nicht immer Gefahr bedeuten, es ist auch eine Chance. Außerdem erfordert Wissen, wie wir bereits sahen, immer eine Klassifikation der Information, die auch eine Abstraktion bedeutet.

Im Extrem können wir diese Welt mit einem Bit beschreiben: Es gibt das Sein und das Nichtsein. Damit werden alle Informationen die wir erhalten diesen beiden Kategorien zugeordnet. Ein solches Wissen über diese Welt ist aber im höchsten Maße unscharf. Wir können daher den Schluss ziehen, dass unser Wissen in Abhängigkeit der Abstraktion und der damit verbundenen Kategorienbildung endlich ist. Zusammenfassend lässt sich sagen: Wissen zeichnet sich gegenüber unbegründeter Information durch seine erhöhte Qualität in der Informationsdichte, in seiner Berechenbarkeit, in der Zuverlässigkeit und im damit verbundenen Machtpotential aus.

Information Management versus Knowledge Management

In der Qualität der Information liegt ein wichtiger Grund dafür, warum Wissen auch Finanziell meist viel mehr Wert ist als unbegründete Information. Das heute so viel diskutierte Qualitätsmanagement verwandelt damit das herkömmliche Information Management (IM) zum eigentlichen KM.

KM ist allerdings ein Modewort bzw. eine sogenannte "buzz phrase" geworden, die in Managementzeitschriften, in Computerbüchern und auch in Bibliothekskreisen seit einigen Jahren die Runde macht. Sie ist der Versuch einen neuen Ansatz zu finden, dem sogenannten information overload einerseits zu begegnen und damit andererseits das IM, das meist ein Information Recources Management ist, weiter zu entwickeln.

Die Wurzeln des IM liegen zweifellos im Bibliothekswesen bzw. in der Dokumentation. Sie steuert schon seit Jahrzehnten Informationsflüsse, indem Dokumente mit Indexierungen versehen werden. Damit haben diese Dokumente einerseits Adressaten und sind andererseits bei bestimmten Problemlösungen gezielt abrufbar. Soweit es sich um publizierte Dokumente handelt, und nur solches Wissen ist urheberrechtlich bzw. patentrechtlich geschützt, spielen auch heute noch die Bibliotheken die zentrale Rolle in der Informationslogistik. Sie sorgt dafür, dass die richtige Information, in der richtigen Form, am richtigen Ort, in ausreichender Redundanz zu ökonomisch vertretbaren Kosten verfügbar gehalten wird. In dieser wichtigen Informationslogistik hatten die Bibliotheken seit Jahrhunderten eine zentrale Aufgabe. Speziell die Wissenschaftlichen Bibliotheken betrieben bewusst oder unbewusst ein eigenes KM. Dass man dies bislang nicht so nannte, hat zwei einfache Gründe.

1. Gab es nur eine dominante Dokumentenform, das Buch.
2. Gab es für diese Form der Informationsspeicherung nur eine optimale Logistik, in der möglichst alle Bücher dieser Welt um ein zentrales Nachweissystem, den Katalog mit seinen Indices gruppiert wurden.

 

Diese klassische Informationslogistik verliert heute weitgehend ihre Bedeutung durch die digitale Konvergenz, in der das Buch zwar als Ausgabemedium seine Bedeutung behält, aber als Archivmedium schon weitgehend verloren hat. Die Digitale Bibliothek gewinnt damit an Einfluss auf das moderne KM. Dabei bildet interessanterweise beim Department of Defense die XML Technologie neuerdings die Basis für die Logistics eXtensible Mark-up Language (LXML). Das Ziel dieses Programms ist zu zeigen, dass die Informationslogistik durch XML verbessert werden kann.

Das IM der achtziger Jahre reichte von der Nutzung einfacher Datenbanken in Bibliotheken über das records management der Onlinedokumentationen bis hin zum InfoMap von Burk und Horton, in dem eine möglichst vollständige Verfügbarkeit aller corporate information resources angestrebt wurde. Auch das sich daraus entwickelnde knowledge mapping bezieht sich meist auf die Verteilung der Information in einer Organisation. Andererseits wird es auch oft gebraucht im Zusammenhang mit der Strukturierung bzw. der Darstellung von Wissen.

Den großen Aufschwung erlebte das IM durch den Paperwork Reduction Act (PRA) der amerikanischen Regierung 1980, der die Einführung von Information Resources Managern festlegte, und damit auch die Bedeutung der digitalen Archivierung erhöhte. Im selben Jahr rief die englische Premierministerin Margaret Thatcher das year of information aus. Dem Kanzler der Bundesrepublik Deutschland, Helmut Schmidt, warf das europäische Ausland damals einen gewissen Mangel an Interesse an der modernen Informationsgesellschaft vor. Dagegen mündete die Entwicklung in den USA der späten achtziger Jahre in die breite Anwendung der Standard Generalized Markup Language (SGML) mit der allgemein bekannten und verbreiteten Hypertext Markup Language (HTML) des Internets und der Extensible Markup Language (XML). Der PRA wurde 1986 ergänzt und 1995 neu aufgelegt um die 100 Mrd. Dollar für Druckerzeugnisse der Regierung weiter zu vermindern und die Nutzung effizienter zu machen.

Mit dem information resources management etablierte sich auch zunehmend die bereits in den siebziger Jahren diskutierte Idee, dass Information eine wichtige Resource ist, was oft irreführend mit dem Wort Rohstoff ins Deutsche übersetzt wurde. Es war damit rasch klar, dass auch moderne Informationsquellen einer sorgfältigen Verwaltung unter professioneller Leitung bedürfen. Das KM ist ebenso wie das IM, in drei Wissenschaftsbereichen etwa gleichzeitig und unabhängig voneinander entstanden. Damit gehen drei recht unterschiedliche Aspekte in diesen Begriff ein. So sieht

1. das Bibliotheks- und Dokumentationswesen die Wissensverwaltung in erster Linie unter dem Gesichtspunkt der Informationslogistik, Klassifikation und der Organisation von Wissen, zur Speicherung und zur Wiedergewinnung aller Informationen, die von Wissenschaft und Technik publiziert werden, was auch zu der Auffassung des Philosophen John Deweys führte "knowledge is classification."
2. die Informatik die Wissensverwaltung seit der Entdeckung der künstlichen Intelligenz, in der sich beispielsweise in Expertensystemen Wissen automatisch verarbeiten, aber in Zukunft auch neu erzeugen lässt. In den Wissensbanken ist Wissen Information die so organisiert ist, dass Inferenzmaschinen daraus begründete Schlüsse ziehen können, wie es sonst nur Experten zu tun vermögen.
3. die Wirtschaft die Wissensverwaltung in erster Linie unter dem Gesichtspunkt der ökonomischen Nutzbarkeit von Wissen. Die zunehmende Erfahrung, dass Wissen als Ressource zu unglaublichen Energiefreisetzungen, zu Rohstoffeinsparungen oder auch zu neuen Finanzmärkten führen kann, um nur einige Beispiele zu nennen, hat hier ein entsprechendes Interesse am KM geweckt.

Wir befinden uns im anakolutischen Informationsdilemma das J. Naisbitt, (1985) mit den Worten: "Wir ertrinken in Information und hungern nach Wissen." Charakterisierte. Trotzdem ist in vielen Bereichen das KM eigentlich nichts anderes als der Versuch, das IM zu verbessern. Wenn beispielsweise T. Davenport von der University of Texas, das KM als den "systematic process of finding, selecting, organizing, distilling and presenting information in a way that improves an employee's comprehension of a specific area of interest." definiert, so wird dies deutlich. Demgegenüber ist wirkliches Wissen in seiner messbaren Form weit mehr.

Zur Vermarktung von Wissen und Information

Dass die Vermarktung von Wissen weitaus profitabler sein muss, als die von Information liegt nach dem gesagten auf der Hand. So wahr es schon immer ein Problem, wenn fehlerhafte oder auch irreführende Information zum Kauf angeboten wurde, dass sich die Käufer über den Mangel an Qualität beklagten. Auch die Verwechslung mit Redundanz bzw. Rauschen war höchst ärgerlich, wenn man beispielsweise eine sogenannte Information erhielt, die man schon hatte oder eine solche, die weitgehend inhaltsleer war. Hinzu kommt, dass Verleger immer häufiger behaupten Information zu verkaufen, aber gleichzeitig darauf bestehen, das Urheberrecht zu behalten. Auch sie bieten damit Kopie eines Originals in hohen Auflagezahlen an, was somit einer klassischen Redundanz entspricht.

Berechtigterweise wurde bisher der Preis für die Menge an Information selten in Bänden, Seiten oder Bits berechnet. Auch im Bereich der Wissensmessung ist es nicht sinnvoll den Preis an der Quantität des Wissens zu orientieren. Hier gelten wie überall, die Evaluationen des freien Marktes. Die Messung von Wissen hat ebenso wenig mit ihrem Preis zu tun, wie die Länge, die Höhe oder der Geschwindigkeit eines Autos mit dessen Preis.

Was wir allerdings durchaus kalkulieren müssen sind die Produktionskosten. Das gilt sowohl für Autos wie auch für Wissen. Dabei beginnt die Wissenschaft im Rahmen der sogenannten Big Science immer stärker Produktionswege der Industrie zu beschreiten. Sie beginnt ein professionelles Management der Wissenschaft, das genau genommen vom Management des bereits vorhandenen Wissens unterschieden werden muss.

---

Last update: 18.10.1999 © by Walther Umstaetter