Odborné znalosti se setkávají s umělou inteligencí: Budoucnost umělé inteligence v Německu se nebude rozhodovat v datovém centru, ale v dílně

Umělá inteligence může urychlit chyby – pokud firmy ztratí znalosti svých specialistů

Rozhodující výhoda Německa ve věku umělé inteligence může spočívat tam, kde ji sotva kdo tuší: ne v obrovských datových centrech nebo v nejnovějších jazykových modelech, ale v myslích a rukou zkušených specialistů. Jejich znalosti spočívají v manuálních dovednostech, vycvičeném zraku a intuici, která dokáže rozpoznat, kdy stroj nefunguje správně nebo kdy je třeba důkladněji prozkoumat součástku. V manuálu se to nachází jen zřídka – a nelze to jen tak okopírovat.

Právě tyto zkušenostní znalosti jsou však v ohrožení ztrátou. Miliony zaměstnanců z generace baby boomu se blíží důchodu, zatímco mnoha firmám chybí mladé talenty. Zároveň firmy zavádějí umělou inteligenci, která dokáže urychlit procesy a rozpoznávat vzorce, ale bez znalostí pracovní síly se může zabývat špatným problémem. Příležitost Německa tedy nespočívá nutně v tom, že bude v popředí závodu o největší modely. Spočívá ve smysluplném propojení lidských dovedností a umělé inteligence – a v předávání znalostí mezi generacemi v obou směrech. Zásadní otázkou je, zda na to mají malé a střední podniky (MSP) ještě dostatek času.

Čína kopíruje stroje během měsíců. Německo ztrácí své zkušenostní znalosti v průběhu let a sotva si toho kdo všimne

Ti, kdo mluví o boomu umělé inteligence, se obvykle zaměřují na viditelné. Mluví o datových centrech, grafických procesorech, miliardových oceněních, jazykových modelech a robotických ramenech, která uchopí komponenty během několika sekund. To vše lze vyfotografovat, ukázat v prezentacích a promítnout do rozvah. Ale to, co skutečně udělá z firmy s umělou inteligencí v budoucnu hodnotu, se skrývá někde, kde se na žádné fotografii neobjevuje: v prožitkových znalostech lidí, kteří po celá desetiletí pracovali se stroji, materiály, zákazníky a chybami.

Stroj lze replikovat. Model umělé inteligence lze vyvinout, natrénovat a přizpůsobit specifickým potřebám. Proč se však zkušený inspektor během přejímacích zkoušek na konkrétní bod podívá znovu, často není v žádné příručce vysvětleno. Možná byli svědky selhání svaru na tomto místě před patnácti lety. Možná znají dodavatele, jehož tolerance se mezi zimou a létem liší. Možná jednoduše slyší zvuk motoru jako varovný signál, že něco není v pořádku. V kritické situaci tato znalost určuje, zda společnost z umělé inteligence profituje, nebo jen rychleji udělá nákladnou chybu.

To vede k hazardu, který zpočátku zní neintuitivně. Zejména ve věku umělé inteligence by německé malé a střední podniky mohly mít strukturální výhodu. To není způsobeno lepším softwarem nebo většími datovými centry, protože ostatní jsou v obou oblastech napřed. Výhoda spočívá v instituci, která po generace sdružuje mladé lidi a zkušené profesionály v rámci firmy. Zda se tento hazard vyplatí, však závisí na dvou otázkách: Co ví jedna generace, co se ta další může ještě naučit? A kdo je ochoten naslouchat i opačným směrem?

Ekonomie tichého poznání

Ekonomie má poněkud těžkopádný termín pro to, co disponují zkušení kvalifikovaní pracovníci, mistři řemeslníci a inženýři: implicitní znalosti. Tím se rozumí dovednosti, které je obtížné nebo dokonce nemožné vyjádřit slovy. Výzkum trhu práce již dlouho rozlišuje mezi explicitními znalostmi, které lze zapsat, sdělit a začlenit do osnov, a implicitními znalostmi, které jsou zakotveny v manuálních dovednostech, percepčních vzorcích a úsudcích. Zkušené znalosti jsou považovány za obzvláště vysoce rozvinutou formu procedurálních znalostí. Spojují obě úrovně takovým způsobem, že lidé mohou spolehlivě řešit úkoly i za neúplných informací, časového tlaku a měnících se podmínek.

Z ekonomického hlediska jsou tyto znalosti pozoruhodné ze tří důvodů. Zaprvé, jsou těžko prodejné. Neexistuje trh, kde byste si mohli koupit instinkt inspektora kvality pro kritické body. V nejlepším případě si můžete najmout osobu, která je má, a i tehdy je přenos úspěšný pouze tehdy, pokud nové prostředí umožňuje uplatnit jejich dovednosti. Zadruhé, je obtížné je kopírovat. Konstrukční výkresy lze rekonstruovat pomocí reverzního inženýrství, lze zakoupit výrobní zařízení a lze přeprogramovat software. Souhra znalostí procesů, porozumění zákazníkům a zkušeností s chybami, která se vyvíjí v zavedené společnosti, této logice do značné míry odporuje. Zatřetí, pokud se nepředávají dál, ztratí se. Na rozdíl od stroje, který lze uložit, zkušenostní znalosti mizí s osobou, která společnost opouští.

Právě tato charakteristika je jádrem konkurenceschopnosti mnoha německých skrytých šampionů. Jejich globální vedoucí postavení na trhu se zřídka zakládá na jediném velkolepém vynálezu. Je založeno na tisících malých vylepšení, na výrobních tolerancích, kterých jiní nemohou spolehlivě dosáhnout, a na schopnosti řešit problémy zákazníků dříve, než je zákazník vůbec dokáže formulovat. Jedná se o nashromážděné zkušenostní znalosti, rozložené mezi mysli, ruce a oddělení. Neobjevují se v rozvaze. Ale každý, kdo někdy byl svědkem toho, jak společnost po odchodu dvou klíčových osobností náhle vygenerovala záplavu stížností, zná její hodnotu.

Proč umělá inteligence také urychluje chyby

Umělá inteligence je v podstatě zesilovač. Zpracovává data rychleji, rozpoznává vzory ve větším množství a automatizuje rozhodnutí, která dříve vyžadovala lidský zásah. To je její obrovská výhoda. Je to ale také její riziko, protože zesilovač nerozlišuje mezi dobrými a špatnými signály. Model, který se učí z neúplných nebo zkreslených dat, nejen předává své slabiny, ale také je zesiluje.

V každodenní průmyslové praxi se to stává velmi konkrétním. Optický systém kontroly kvality podporovaný umělou inteligencí dokáže zkontrolovat miliony součástek v krátkém čase. Pokud ale nikdo neví, které vzorce vad jsou skutečně kritické, systém spolehlivě zkontroluje ty nesprávné věci. Jazykový model dokáže formulovat nabídky, pokyny k údržbě a zkušební protokoly během několika sekund. Pokud nezná otázky, které si náročný zákazník klade během akceptačních zkoušek, dodá hladce napsané dokumenty, které v klíčovém okamžiku selžou. Prediktivní algoritmus údržby dokáže vyhodnotit data ze senzorů. Pokud mu ale chybí znalost toho, které odchylky jsou neškodné a které signalizují poruchu, bude buď generovat falešné poplachy, nebo klamný pocit klidu.

Skutečná tvorba hodnoty tedy nevzniká v samotném modelu, ale v kombinaci modelu a expertních znalostí. Velké, základní modely se stále častěji vyrábějí masově. Jsou dostupné prostřednictvím rozhraní, cena za výpočet klesá a rozdíly ve výkonu se zmenšují. To, co odlišuje společnost od jejích konkurentů, je otázka, jaké znalosti může do těchto systémů vložit. Patří sem i to, jaké katalogy chyb udržuje, jaká testovací kritéria formulovala, jaké výjimky rozpoznává a jakým požadavkům zákazníků rozumí. Data jsou však jen polovina příběhu. Klíčový je úsudek, který určuje, na kterých datech skutečně záleží.

To vede k nepříjemnému poznání pro všechny, kteří vnímají umělou inteligenci primárně jako prostředek k úspoře na zkušených pracovnících. Ti, kdo propouštějí lidi s nejhlubším porozuměním procesům právě v době zavádění systémů umělé inteligence, připravují tyto systémy o jejich nejdůležitější zdroj. Výpočet může fungovat krátkodobě, ale ve střednědobém horizontu povede k nákladným chybám.

Generační propast v Číně jako ponaučení

Jen málo příkladů ilustruje klíčovou roli mezigeneračních znalostí v ekonomickém rozvoji země jasněji než Čína. Během Kulturní revoluce se vysokoškolské vzdělávání prakticky zastavilo. Mezi lety 1966 a 1969 univerzity nepřijímaly žádné nové studenty. Od roku 1970 do roku 1976 byli přijímáni pouze uchazeči považovaní za politicky spolehlivé. Až na podzim roku 1977 byla po jedenáctileté přestávce znovu zavedena celostátní přijímací zkouška na univerzity, Gaokao. Slavná Zimní Gaokao z tohoto roku se stala zlomovým bodem pro celou generaci.

Důsledky tohoto rozkolu byly obrovské. Generace ztratila roky vzdělání, učitelé byli pronásledováni, znalosti byly znehodnoceny a v mnoha oblastech nebyly předávány dál. O to úžasnější je tedy to, co se stalo potom. Následující generace vybudovala během pouhých několika desetiletí průmyslovou ekonomiku, jejíž tempo je v ekonomické historii prakticky bezkonkurenční. Každý, kdo v posledních dvou desetiletích navštívil čínské průmyslové areály, byl svědkem toho, jak se pole proměnila v průmyslové parky a dodavatelé v globální lídry na trhu. Dnes je Čína největším průmyslovým národem světa. Co se týče hustoty robotů ve výrobě, země předběhla Německo: s přibližně 470 průmyslovými roboty na 10 000 zaměstnanců nedávno předstihla Spolkovou republiku a v čínských továrnách nyní pracuje více než 1,7 milionu průmyslových robotů.

A nyní mladá čínská generace vyvíjí umělou inteligenci, a to se značným úspěchem. Čínské jazykové modely rychle dohnaly přední světové technologie, často s výrazně menšími zdroji než jejich americké protějšky. V jedné zemi se tak sbíhají tři generace s velmi odlišným zázemím: jedna, která zažila rozchod s minulostí, jedna, která se vypořádala s industrializací, a jedna, která s lehkostí zvládá digitální technologie.

Toto obsahuje ponaučení, které sahá i za hranice Číny. Mít tři generace v jedné zemi je demografický fakt. Sloučení jejich znalostí v jedné společnosti je organizační výzvou, a to ještě mnohem obtížnější. Zkušené znalosti industrializační generace a digitální dovednosti mladší generace se automaticky neslučují. Musí být kombinovány v konkrétních pracovních vztazích – u stroje, při testování, v interakcích se zákazníky.

Když rychlost zastíní učení

Příklad z provincie Šan-tung ilustruje, jak konkrétní je tato výzva. Velký výrobce vozidel a zemědělských strojů v přístavním městě Rizhao, společnost s přibližně 10 000 zaměstnanci, provozuje vlastní učňovský program. Jeho ředitel popsal Mezinárodní organizaci práce problém, který je známý mnoha průmyslovým společnostem: vysoká pracovní zátěž každodenního provozu ponechávala málo času na systematické školení učňů. Výroba dostala přednost a učení se stalo druhořadým tématem.

Toto pozorování se dotýká citlivého místa. Je ironií, že právě tempo, které dělá společnost silnou, ji může připravit o čas na předávání jejích odborných znalostí. Ve fázi růstu, kde se počítá každá strojová hodina a dodací lhůty jsou krátké, se hodina, kterou zkušený kvalifikovaný pracovník stráví s učněm, jeví jako nákladový faktor. Její přínos se projeví až o několik let později, když učeň řeší problémy samostatně, vyhýbá se chybám a mentoruje ostatní. Z ekonomického hlediska je vzdělávání investicí s dlouhodobým horizontem a nejistou návratností, protože vyškolený zaměstnanec může společnost kdykoli opustit. Trhy silně zaměřené na krátkodobou výkonnost proto systematicky nedostatečně investují do této formy lidského kapitálu.

Čína si tento problém uvědomila. Vláda již několik let prosazuje vývoj moderního systému učňovského vzdělávání, jehož cílem je lépe integrovat praktické zkušenosti na pracovišti s výukou ve třídě, a to výslovně s využitím zkušeností z Evropy. S mezinárodní podporou byly najat pilotní firmy, vyvinuty standardy odborné přípravy a strukturovány fáze odborné přípravy. Takový systém však nelze vytvořit dekretem během několika let. Vyžaduje firmy, které chápou odbornou přípravu jako součást své základní identity, školitele s pedagogickou a odbornou kvalifikací, uznávanými kvalifikacemi a společenským postavením v oblasti odborného vzdělávání, které může konkurovat akademické dráze. Ve společnosti, kde je Gaokao (typ učňovské přípravy) a univerzitní studium po celá desetiletí považováno za zlatý standard, to představuje kulturní posun.

Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business - Obrázek: Xpert.Digital

Xpert.Digital je datově orientované B2B centrum pro průmysl, které vede Konrad Wolfenstein . Společnost funguje jako externí, kvazi-interní řešení pro průmyslové partnery a odstraňuje provozní mezery v marketingu, obsahu a prodeji – aniž by vyžadovala další zdroje na straně klienta.

Více informací zde:

• Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business

Německá rovnice: Demografie se setkává s digitalizací

Každý, kdo z toho vyvozuje, že Německo si může sednout a odpočívat, se hluboce mýlí. Německý model má výhodu, ale je pod tlakem, jehož rozsah je často podceňován.

Podle výpočtů Německého ekonomického institutu (IW) dosáhne do roku 2036 důchodového věku téměř 19,5 milionu lidí z generace baby boomu. Zároveň se na trhu práce dostává výrazně méně mladých lidí. Čistým výsledkem je hrozící nedostatek pracovních sil ve výši přibližně 4,3 milionu. To je více než jen statistické číslo. Znamená to, že v příštích deseti letech bude v důchodu ztracena podstatná část nashromážděných zkušeností a znalostí v německých firmách. Zejména generace baby boomu představuje nejzkušenější pracovní sílu v mnoha technických profesích, řízení kvality, údržbě a prodeji složitých investičních statků.

Situace je ještě kritickější na vrcholu firem. Více než třetina majitelů středních podniků je nyní starší 60 let a další pětina je ve věku 55 až 59 let. Průměrný věk je přes 54 let. Do konce roku 2029 plánuje každý rok předat své podniky novým majitelům přibližně 109 000 majitelů malých a středních podniků. Zároveň statisíce podnikatelů plánují své podniky ukončit kvůli nedostatku nástupců, spíše než aby převedli vlastnictví. S každým uzavřením podniku mizí nejen pracovní místa a příjmy, ale také znalosti o zákaznících, procesech a specializovaných trzích, které už nikdy nelze plně obnovit.

Základ, na kterém spočívá německá výhoda, se také hroutí. Počet nově uzavřených smluv o duálním odborném vzdělávání klesl v roce 2025 na necelých 476 000. To je o dobrých 10 000 méně než v předchozím roce, což představuje pokles o 2,1 procenta, a to především kvůli menšímu počtu firemních smluv. Zároveň zůstává mnoho učňovských míst neobsazeno a někteří mladí lidé si nemohou najít vhodné uplatnění. Nesoulad mezi nabídkou a poptávkou je v politice odborného vzdělávání opakujícím se problémem.

Podobně smíšená situace je i v oblasti využívání umělé inteligence. V roce 2025 technologie umělé inteligence používala něco málo přes čtvrtinu německých firem s alespoň deseti zaměstnanci, v předchozím roce to byla pětina. Tempo růstu je pozoruhodné. Rozdíl mezi velkými a malými společnostmi je však značný. Více než polovina firem s alespoň 250 zaměstnanci využívá umělou inteligenci, zatímco u firem s deseti až 49 zaměstnanci to není ani čtvrtina. Umělá inteligence se v současnosti prosazuje nejpomaleji právě tam, kde jsou zkušenostní znalosti obzvláště husté a zranitelné – konkrétně v malých a středních průmyslových podnicích.

Německá rovnice tedy zní takto: velké množství zkušenostních znalostí, rapidně klesající počet jejich nositelů, klesající počet mladých talentů a váhavá digitalizace v malých a středních podnicích. To se může stát konkurenční výhodou, ale pouze pokud je možné stávající znalosti zajistit v zvládnutelném časovém rámci, předat je dál a zpřístupnit je novým nástrojům.

Tři generace u jednoho stolu

Konverzace, která proběhla ve středně velké firmě, ilustruje, jak to může vypadat v menším měřítku. U stolu seděli tři lidé ze tří generací. Nejstarší, Dirk, má 67 let. Přináší otázky, které by zákazník mohl později položit, námitky vznesené během akceptačních zkoušek, kritické dotazy ohledně trvanlivosti a zkušenosti s tím, kde projekty obvykle selhávají. Uprostřed sedí 45letý muž se vzděláním ve strojírenství a managementu kvality – někdo, kdo zná procesy, standardy a logiku testování. Nejmladšímu, Maximu, je 16 let. Vytvořil umělou inteligenci firmy.

Tato situace zpochybňuje nevyslovený řád, který v mnoha firmách dodnes panuje. Pokud by rozhodnutí o tom, kdo komu něco vysvětlí, vycházelo z let praxe, vývojář umělé inteligence by byl poslední, kdo by dostal zelenou. V tradičních hierarchiích tečou znalosti shora dolů, od zkušeného k nováčkovi, od mistra k učni. Ve světě, kde se digitální nástroje vyvíjejí rychleji, než se stihnou přizpůsobit předpisy pro vzdělávání, tato jednosměrná ulice již nestačí.

Skutečná hodnota tohoto trojúhelníku spočívá v tom, že každý z nich přináší něco, co ostatním chybí. Zkušený jedinec ví, které otázky jsou důležité, ale nemusí být schopen je převést do systému. Mladší generace dokáže vytvářet systémy, ale neví, na které otázky je třeba odpovědět. Střední generace překlenuje propast mezi těmito dvěma světy a strukturuje znalosti do procesů, kritérií a testovacích postupů. Pouze díky této souhře může vzniknout aplikace umělé inteligence, která nejen technicky funguje, ale také obstojí v důkladném zkoumání náročného zákazníka.

Výzkum v oblasti lidských zdrojů označuje opačný trend, kdy mladší lidé seznamují starší lidi s novými technologiemi, jako obrácený mentoring. Ve věku umělé inteligence se to stává více než jen nástrojem rozvoje personálu. Stává se to předpokladem pro integraci zážitkových znalostí do digitálních systémů. To vyžaduje, aby starší lidé byli ochotni naslouchat šestnáctiletému člověku. Vyžaduje to, aby mladší lidé neodmítali otázku 67letého člověka jako nedostatek technologického porozumění, ale spíše jako náznak problému, který jejich systém dosud nevyřešil. Obojí je náročnější, než se zdá, protože se dotýká statusu, sebeobrazu a zakořeněných rolí.

Duální odborné vzdělávání jako podceňovaná infrastruktura umělé inteligence

Právě zde se projevuje síla německých malých a středních podniků. Díky svému duálnímu systému odborného vzdělávání má Německo instituci, která dosahuje přesně toho, co se mnoha jiným ekonomikám nedaří: systematicky spojuje mladé lidi a zkušené profesionály ve firmách po několik let, přičemž se řídí jasnými pravidly. Učni se učí nejen v odborných školách, ale také na skutečných strojích, pracují na skutečných zákaznických objednávkách, pod vedením lidí, kteří své řemeslo ovládají po celá desetiletí. Systém je zajištěn prostřednictvím obchodních komor, předpisů pro vzdělávání a zkoušek a navzdory určité kritice se těší takové společenské uznání, kterou mu ostatní země závidí.

Duální profesní vzdělávání bylo doposud vnímáno především jako nástroj pro zajištění kvalifikovaných pracovníků a integraci mladých lidí na trh práce. Ve věku umělé inteligence získává další, dříve přehlíženou funkci: slouží jako infrastruktura pro přenos znalostí mezi generacemi, a to v obou směrech. Mistr řemeslník může učni ukázat, jak identifikovat vadu. Učeň může mistrovi ukázat, jak tyto znalosti zítra prospějí celé dílně, protože ví, jak je strukturovat ve znalostní databázi, vložit je do asistenta umělé inteligence nebo je převést do digitální inspekční zprávy.

Díky tomuto dvojímu přístupu se model může stát potenciální příležitostí pro celou Evropu. Je nepravděpodobné, že by kontinent předběhl Spojené státy ani Čínu v závodě o největší jazykové modely a nejvýkonnější datová centra. Může však rozvinout sílu tam, kde se umělá inteligence setkává s průmyslovou praxí: ve výrobě, zajišťování kvality, údržbě, logistice a strojírenství. V těchto oblastech jsou klíčovým zdrojem zkušenostní znalosti pracovní síly a Evropa, zejména německy mluvící země s tradicí odborného vzdělávání, tyto znalosti disponuje v hojné míře.

Aby se však tento potenciál uvolnil, musí se duální odborné vzdělávání vyvíjet. Předpisy pro vzdělávání, které vnímají digitální dovednosti pouze jako okrajovou záležitost, neodrážejí realitu. Samotní školitelé potřebují přístup k nástrojům umělé inteligence a svobodu je používat ve svém každodenním vzdělávání. Firmy musí učňům poskytnout prostor, kde si mohou vyvíjet a testovat svá vlastní digitální řešení, místo aby je jednoduše začleňovali do předem definovaných procesů. A role učně se musí změnit z pouhého příjemce na aktivního účastníka. Evropské právo v oblasti umělé inteligence již nyní zavazuje společnosti k zajištění dostatečných dovedností v oblasti umělé inteligence pro jejich zaměstnance. Duální odborné vzdělávání by bylo zřejmým místem pro splnění této povinnosti nikoli jako byrokratické zátěže, ale jako investice.

Od mistrovských znalostí k dílenským vzpomínkám

Jak lze tento koncept převést do praktických obchodních aplikací? Zkušenosti ukazují, že mnoho projektů managementu znalostí selhává, protože začínají příliš abstraktně. Zakoupí se software, vytvoří se wiki a doufá se, že zkušení zaměstnanci přispějí svými znalostmi. To se stává jen zřídka, protože implicitní znalosti nelze převést do textu stisknutím tlačítka a protože zúčastnění na to prostě nemají čas ve své každodenní práci. Slibnějším přístupem je ten, který se zaměřuje na samotnou konkrétní práci.

Prvním krokem je identifikace znalostních center ve společnosti. Kteří zaměstnanci disponují znalostmi, které nikdo jiný nemá? Kteří z nich odejdou v příštích pěti letech do důchodu? Ve kterých procesních krocích dochází k nejnákladnějším chybám a kdo ví, jak se jim vyhnout? Taková analýza rizik znalostní báze je pro většinu středních podniků nová, i když je pro budoucí životaschopnost stejně důležitá jako posouzení strojního vybavení nebo finanční situace.

Druhým krokem je vytvoření mezigeneračních tandemů nebo trií s jasným posláním. Místo pouhého předávání obecných znalostí spolupracuje zkušený profesionál a mladší, digitálně zdatný kolega na konkrétním problému. Mohou například vyvinout asistenta s umělou inteligencí pro řešení problémů s konkrétním systémem, dotazník pro testování akceptace zákazníkem nebo protokol digitálního testování, který dokumentuje typické chybové vzorce s fotografiemi a vysvětleními. Znalosti se nehodnotí abstraktně, ale spíše se zviditelňují prostřednictvím dialogu. Zkušený kolega vysvětluje, proč věnuje konkrétnímu bodu velkou pozornost, a mladší kolega klade otázky, dokud se neobjeví srozumitelné pravidlo.

Moderní nástroje umělé inteligence tento proces výrazně zjednodušují. Záznamy konverzací lze automaticky přepisovat a strukturovat. Fotografie a videa pracovních postupů lze propojit s vysvětleními. Řečové modely umožňují přístup k firemním dokumentům, zprávám o stížnostech a testovacím protokolům a odpovídat zaměstnancům v přirozeném jazyce. Tímto způsobem se postupně vytváří vzpomínka na dílnu, která nezapadá do složky, ale je snadno dostupná v každodenní práci. Mladší zaměstnanci kladou digitálnímu asistentovi, který se učil od zkušených kolegů, otázky a zkušení kolegové vidí, že jejich odbornost sahá i za důchod.

Třetí krok se týká pobídek a uznání. Předávání znalostí vyžaduje čas a tento čas je nutné plánovat a vážit si ho. Firmy, které měří své nejzkušenější zaměstnance pouze podle produkce, jen stěží uspějí v tom, aby se o své znalosti podělili. Zkušenosti ze Šan-tungu platí zde stejně jako ve Švábsku. Tam, kde tempo každodenního podnikání zastiňuje vše ostatní, nedochází k žádnému přenosu znalostí. Pevně ​​stanovené časové alokace pro přenos znalostí, viditelné ocenění mentorské role a flexibilní modely přechodu do důchodu, jako je práce na částečný úvazek nebo konzultační činnost po odchodu do důchodu, to vše je výhodné. Jedná se o obzvláště dostupné možnosti pro malé a střední podniky (MSP), které své zkušené zaměstnance často osobně znají.

Čtvrtým krokem je zajištění kvality zavedených znalostí. Ne vše, co zkušený zaměstnanec považuje za správné, je skutečně správné. Některá empirická pravidla pocházejí z dob, kdy byly zavedeny jiné materiály, stroje nebo normy. Proto je nutné udržovat, revidovat a aktualizovat kolektivní paměť dílny. I zde může být užitečná mezigenerační spolupráce. Mladší zaměstnanci zpochybňují zavedené postupy, starší zaměstnanci vysvětlují jejich původ a společně rozhodují, co by mělo zůstat.

Meze práce

Poctivá analýza musí také uznat slabiny tohoto sázkového plánu. Zaprvé, vedení Německa v oblasti zkušenostních znalostí není samozřejmostí. Čína si za pouhých několik desetiletí vybudovala rozsáhlou základnu průmyslových zkušeností. Generace, která stála v čele její industrializace, disponuje obrovskými znalostmi procesů a není samozřejmostí, že tyto znalosti budou předávány méně efektivně než německé znalosti. Čínské společnosti navíc aktivně nabírají zkušené inženýry z Evropy a akvizice evropských malých a středních podniků již léta slouží také k přenosu znalostí. Implicitní znalosti se obtížně kopírují, ale rozhodně je lze snadno získat.

Za druhé, narativ, který se opírá primárně o zkušenostní znalosti, může podceňovat rychlost, s jakou se stroje učí. Moderní systémy umělé inteligence se učí vzory z obrovského množství dat, které žádný člověk nikdy vědomě neformuloval. V některých oblastech zpracování obrazu, optimalizace procesů a výzkumu materiálů již překonávají zkušené profesionály. Ti, kteří disponují miliony datových bodů ze senzorů a vysokým stupněm automatizace, jak je v čínských továrnách stále častěji standardem, mohou nahradit některé zkušenostní znalosti pouhým objemem dat. Teze o nenahraditelných expertních znalostech proto neplatí všude. Nejsilněji platí tam, kde jsou výrobní série malé, varianty četné a požadavky zákazníků individualizované – zejména ve výrobě jednoúčelových strojů, strojírenství a mnoha specializovaných odvětvích středních podniků.

Za třetí, Německo čelí problémům, které bez ohledu na to, jak dobrý je jeho systém odborného vzdělávání, nedokáže kompenzovat. Vysoké ceny energií, zdlouhavé schvalovací procesy, slabá investiční dynamika, váhavá digitalizace veřejné správy a poměrně pomalé zavádění digitálních technologií v malých podnicích, to vše ovlivňuje jeho konkurenceschopnost. Klesající počet učňovských smluv ukazuje, že samotný duální systém je pod tlakem. Výhoda, která není využita, není žádnou výhodou.

Za čtvrté, existuje nebezpečí uspokojení se s realitou. Vyprávění o neviditelných zkušenostních znalostech se může stát pohodlnou výmluvou pro odkládání nezbytných změn. Ti, kdo se spoléhají na dovednosti svých zaměstnanců, aniž by je chránili, digitalizovali a rozvíjeli, proměňují svou největší výhodu ve své největší riziko. Protože zkušenostní znalosti, které s odchodem do důchodu zmizí, jsou nenávratně ztraceny.

Text, nebo dovednost: Co se ztratí rychleji?

Navzdory těmto námitkám zůstává základní teze platná, a to právě proto, že obsahuje jasnou výzvu k akci. Konkurence ve věku umělé inteligence nebude určena pouze výpočetním výkonem a velikostí modelu. Do značné míry bude rozhodnuto o tom, které společnosti a ekonomiky uspějí v kombinaci lidské zkušenosti se strojovou inteligencí. Nejlepší modely budou dostupné všem. Nejlepší odborné znalosti zůstanou vzácné.

V této konkurenci má Německo skutečnou výhodu. Může se pochlubit hustou sítí specializovaných středně velkých podniků s hlubokými znalostmi procesů, osvědčeným systémem, který v rámci firmy spojuje generace, a tradicí oceňování odborných dovedností ve společnosti. Zároveň se čas krátí. V příštích deseti letech odejdou do důchodu miliony zkušených profesionálů, desetitisíce podniků každoročně hledají nástupce a počet učňovských smluv klesá. Možnosti udržet si stávající znalosti a zkombinovat je s novými nástroji jsou omezené.

To vede ke skutečné strategické otázce pro Německo jakožto místo podnikání. Čína může kopírovat stroj, a to rychlostí, která opakovaně překvapuje evropské výrobce. Německo na druhou stranu riskuje, že s každým vyřazením z provozu, které není doprovázeno řádným předáním, tiše, rok co rok, ztratí svou odbornost. Obojí je hrozbou. Druhá je nebezpečnější, protože se nedostane na titulní stránky novin a protože je nevratná. Kopírovaný stroj může být překonán lepším. Ztracenou odbornost lze obnovit jen s velkými obtížemi a neúplně.

Dobrou zprávou je, že řešení nemusí spočívat v miliardových programech nebo rozsáhlých projektech. Začíná u stolu, kde spolu hovoří 67letý, 45letý a 16letý člověk. Každý přispívá svými odbornými znalostmi a naslouchá ostatním, bez ohledu na to, kdo ve firmě pracuje nejdéle. Pokud se tyto rozhovory budou odehrávat v desítkách tisíc firem, systematicky podporovaných modernizovaným systémem duálního odborného vzdělávání a nástroji umělé inteligence, které zviditelňují a zpřístupňují znalosti, pak se neviditelný kapitál malých a středních podniků (MSP) stane konkurenční výhodou, kterou žádná továrna na světě nedokáže jen tak replikovat.

Sázka na Německo tedy není sázkou na nostalgii, na starou dobrou dílnu ani na nadřazenost minulých ctností. Spoléhá na ochotu generací učit se jedna od druhé, a to v obou směrech. Každý, kdo chce v tomto ohledu vyhrát, musí začít dnes, dokud ve firmě stále pracují lidé, jejichž znalosti jsou v sázce.

Od viditelnosti k důvěře: Vaše škálovatelná cesta s Xpert.Digital - Obrázek: Xpert.Digital

V průmyslovém B2B segmentu se udržitelné obchodní vztahy zřídkakdy objevují přes noc. Rozvíjejí se krok za krokem – prostřednictvím viditelnosti, profesní relevance, opakujících se kontaktních bodů a rostoucí důvěry. Čtyřfázový model Xpert.Digital přesně toto řeší: Nabízí strukturovanou cestu, která začíná zvládnutelným vstupním bodem a v případě potřeby se může rozvinout do hlubší spolupráce v oblasti rozvoje podnikání.

Místo spoléhání se na hlasité marketingové sliby staví tento model do popředí vztah. Firmy začínají s jasně definovanými, snadno vypočítatelnými kritérii a poté se na základě vlastních zkušeností rozhodnou, jak dalece chtějí spolupráci rozšířit. Klíčovým faktorem pro tento nerušený proces budování důvěry je, že se platforma zcela vyhýbá otravným reklamám, takže redakční zaměření zůstává výhradně na odbornosti firem.

Více informací zde:

• Od viditelnosti k důvěře: Vaše škálovatelná cesta s Xpert.Digital

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem rodném jazyce!

Konrad Wolfenstein

Já a můj tým jsme rádi, že vám můžeme být k dispozici jako váš osobní poradce.

Můžete mě kontaktovat vyplněním kontaktního formuláře zde [email protected]:nebo mi jednoduše zavolat na číslo +49 7348 4088 965. Moje e-mailová adresa je

Těším se na náš společný projekt.

☑️ Podpora malých a středních podniků v oblasti strategie, poradenství, plánování a implementace

☑️ Vytvoření nebo restrukturalizace digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální B2B obchodní platformy

☑️ Průkopnický rozvoj podnikání / Marketing / PR / Veletrhy