Ekspertviden møder kunstig intelligens: Tysklands AI-fremtid vil ikke blive afgjort i datacentret, men i værkstedet

AI kan accelerere fejl – hvis virksomheder mister deres specialisters viden

Tysklands afgørende fordel i AI-alderen ligger måske dér, hvor næsten ingen aner det: ikke i enorme datacentre eller de nyeste sprogmodeller, men i erfarne specialisters sind og hænder. Deres viden ligger i manuelle færdigheder, trænede øjne og intuitionen til at genkende, når en maskine ikke fungerer korrekt, eller en komponent skal undersøges nærmere. Det findes sjældent i en manual – og det kan ikke bare kopieres.

Men det er netop denne erfaringsbaserede viden, der er i fare for at gå tabt. Millioner af medarbejdere fra babyboom-generationen nærmer sig pensionering, mens mange virksomheder mangler unge talenter. Samtidig introducerer virksomheder kunstig intelligens, som kan accelerere processer og genkende mønstre, men uden arbejdsstyrkens viden arbejder den muligvis på det forkerte problem. Tysklands mulighed ligger derfor ikke nødvendigvis i at være i spidsen for kapløbet om de største modeller. Den ligger i at kombinere menneskelige færdigheder og kunstig intelligens meningsfuldt – og at videregive viden mellem generationer i begge retninger. Det afgørende spørgsmål er, om små og mellemstore virksomheder (SMV'er) stadig har tid nok til at gøre det.

Kina kopierer maskiner på måneder. Tyskland mister sin erfaringsmæssige viden over år, og næsten ingen bemærker det

De, der taler om boomet inden for kunstig intelligens, fokuserer normalt på det synlige. De taler om datacentre, grafikprocessorer, milliardværdiansættelser, sprogmodeller og robotarme, der opfanger komponenter på få sekunder. Alt dette kan fotograferes, vises i præsentationer og afspejles i balancer. Men det, der virkelig vil gøre en virksomhed værdifuld med AI i fremtiden, ligger et sted, der ikke fremgår af noget fotografi: den erfaringsmæssige viden fra folk, der har arbejdet med maskiner, materialer, kunder og fejl i årtier.

En maskine kan replikeres. En AI-model kan udvikles, trænes og tilpasses specifikke behov. Men hvorfor en erfaren inspektør kigger et ekstra kig på et bestemt punkt under accepttesten, forklares ofte ikke i nogen manual. Måske var de vidne til en svejsefejl på netop det sted for femten år siden. Måske kender de leverandøren, hvis tolerancer varierer mellem vinter og sommer. Måske kan de blot høre en motor lyde som et advarselstegn på, at noget er galt. I en kritisk situation afgør denne viden, om en virksomhed tjener på AI eller blot begår en dyr fejl hurtigere.

Dette fører til en satsning, der i starten lyder kontraintuitiv. Især i AI'ens tidsalder kan tyske SMV'er have en strukturel fordel. Dette skyldes ikke bedre software eller større datacentre, da andre er foran på begge områder. Fordelen ligger i en institution, der har samlet unge mennesker og erfarne fagfolk i virksomheden i generationer. Om denne satsning betaler sig, afhænger dog af to spørgsmål: Hvad ved én generation, som den næste stadig kan lære? Og hvem er også villig til at lytte i den anden retning?

Økonomien bag tavs viden

Økonomi har en noget besværlig betegnelse for, hvad erfarne faglærte arbejdere, håndværksmestre og ingeniører besidder: implicit viden. Dette refererer til færdigheder, der er vanskelige eller endda umulige at sætte ord på. Arbejdsmarkedsforskning har længe skelnet mellem eksplicit viden, som kan nedskrives, formidles og indarbejdes i læseplaner, og tavs viden, som er indlejret i manuelle færdigheder, perceptuelle mønstre og vurderinger. Erfaringsbaseret viden betragtes som en særlig højt udviklet form for proceduremæssig viden. Den forbinder begge niveauer på en sådan måde, at mennesker pålideligt kan løse opgaver, selv under ufuldstændig information, tidspres og skiftende forhold.

Økonomisk set er denne viden bemærkelsesværdig af tre grunde. For det første er den næppe omsættelig. Der er intet marked, hvor man kan købe en kvalitetsinspektørs instinkt for kritiske punkter. I bedste fald kan man ansætte den person, der besidder den, og selv da lykkes overførslen kun, hvis det nye miljø giver dem mulighed for at anvende deres færdigheder. For det andet er den vanskelig at kopiere. Designtegninger kan rekonstrueres gennem reverse engineering, produktionsfaciliteter kan købes, og software kan omprogrammeres. Samspillet mellem procesviden, kundeforståelse og erfaring med fejl, der udvikles i en etableret virksomhed, trodser i høj grad denne logik. For det tredje går den tabt, hvis den ikke videregives. I modsætning til en maskine, som kan gemmes væk, forsvinder erfaringsbaseret viden med den person, der forlader virksomheden.

Netop denne egenskab er kernen i konkurrenceevnen hos mange tyske skjulte mestre. Deres globale markedslederskab er sjældent baseret på en enkelt spektakulær opfindelse. Det er baseret på tusindvis af små forbedringer, på produktionstolerancer, som andre ikke pålideligt kan opnå, og på evnen til at løse kundernes problemer, før kunden overhovedet kan formulere dem. Dette er akkumuleret erfaringsmæssig viden, fordelt på tværs af hjerner, hænder og afdelinger. Den optræder ikke på balancen. Men enhver, der nogensinde har været vidne til, at en virksomhed pludselig genererer en strøm af klager efter to nøglepersoners afgang, kender dens værdi.

Hvorfor AI også accelererer fejl

Kunstig intelligens er i bund og grund en forstærker. Den behandler data hurtigere, genkender mønstre i større mængder og automatiserer beslutninger, der tidligere krævede menneskelig indgriben. Dette er dens enorme fordel. Men det er også dens risiko, fordi en forstærker ikke skelner mellem gode og dårlige signaler. En model, der lærer af ufuldstændige eller forvrængede data, videregiver ikke kun sine svagheder, den forstærker dem.

I den daglige industrielle praksis bliver dette meget konkret. Et AI-understøttet optisk kvalitetsinspektionssystem kan kontrollere millioner af komponenter på kort tid. Men hvis ingen ved, hvilke fejlmønstre der virkelig er kritiske, vil det pålideligt inspicere de forkerte ting. En sprogmodel kan formulere tilbud, vedligeholdelsesinstruktioner og testrapporter på få sekunder. Hvis den ikke kender de spørgsmål, en krævende kunde stiller under accepttest, leverer den problemfrit skrevne dokumenter, der fejler i det afgørende øjeblik. En prædiktiv vedligeholdelsesalgoritme kan evaluere sensordata. Men hvis den mangler viden om, hvilke afvigelser der er harmløse, og hvilke der indikerer en fejl, vil den enten generere falske alarmer eller en vildledende følelse af ro.

Den reelle værdiskabelse opstår derfor ikke i selve modellen, men i kombinationen af ​​modellen og ekspertviden. Store, grundlæggende modeller bliver i stigende grad masseproduceret. De er tilgængelige via grænseflader, prisen pr. beregning falder, og deres præstationsforskelle skrumper ind. Det, der adskiller en virksomhed fra sine konkurrenter, er spørgsmålet om, hvilken viden den kan indføre i disse systemer. Dette omfatter hvilke fejlkataloger den vedligeholder, hvilke testkriterier den har formuleret, hvilke undtagelser den genkender, og hvilke kundekrav den forstår. Data er dog kun halvdelen af ​​historien. Afgørende er den vurdering, der afgør, hvilke data der rent faktisk betyder noget.

Dette fører til en ubehagelig erkendelse for alle dem, der primært ser AI som et middel til at spare på erfarne medarbejdere. De, der afskediger de mennesker med den dybeste forståelse af processer, netop når AI-systemer introduceres, fratager disse systemer deres vigtigste ressource. Beregningen kan måske virke på kort sigt, men på mellemlang sigt vil den resultere i dyre fejl.

Kinas generationskløft som en lektie

Få eksempler illustrerer den afgørende rolle, som viden på tværs af generationer spiller i et lands økonomiske udvikling, tydeligere end i Kina. Under Kulturrevolutionen gik de højere uddannelser praktisk talt i stå. Mellem 1966 og 1969 optog universiteterne ingen nye studerende. Fra 1970 til 1976 blev kun ansøgere, der blev anset for politisk pålidelige, optaget. Det var først i efteråret 1977, at den landsdækkende adgangsprøve til universiteter, Gaokao, blev genindført efter en elleve års pause. Den berømte vinter-Gaokao det år blev et vendepunkt for en hel generation.

Konsekvenserne af dette brud var enorme. En generation mistede års uddannelse, lærere blev forfulgt, viden blev devalueret og på mange områder ikke givet videre. Endnu mere forbløffende er derfor, hvad der skete derefter. Den følgende generation opbyggede en industriel økonomi på blot få årtier, hvis tempo er nærmest uden sidestykke i den økonomiske historie. Enhver, der har besøgt kinesiske industriområder i de sidste to årtier, har været vidne til, hvordan marker blev forvandlet til industriparker og leverandører til globale markedsledere. I dag er Kina verdens største industrination. Med hensyn til robottæthed i fremstillingsindustrien har landet overhalet Tyskland: med omkring 470 industrirobotter pr. 10.000 ansatte har det for nylig overgået Forbundsrepublikken, og langt over 1,7 millioner industrirobotter opererer nu i kinesiske fabrikker.

Og nu udvikler en ung kinesisk generation kunstig intelligens, og med betydelig succes. Kinesiske sprogmodeller har hurtigt indhentet verdens førende teknologier, ofte med betydeligt færre ressourcer end deres amerikanske modparter. I et enkelt land mødes tre generationer med meget forskellige baggrunde således: en der oplevede fortidens brud, en der tacklede industrialiseringen, og en der mestrer digitale teknologier med lethed.

Dette indeholder en lektie, der rækker ud over Kina. At have tre generationer i samme land er en demografisk kendsgerning. At samle deres viden i én virksomhed er en organisatorisk udfordring, og en betydeligt vanskeligere en af ​​slagsen. Industrialiseringsgenerationens erfaringsbaserede viden og den yngre generations digitale færdigheder smelter ikke automatisk sammen. De skal kombineres i konkrete arbejdsrelationer – ved maskinen, i test, i kundeinteraktioner.

Når hastighed overskygger læring

Et eksempel fra Shandong-provinsen illustrerer, hvor konkret denne udfordring er. En stor producent af køretøjer og landbrugsmaskiner i havnebyen Rizhao, en virksomhed med omkring 10.000 ansatte, driver sit eget lærlingeprogram. Virksomhedens direktør beskrev et problem, der er kendt af mange industrivirksomheder, over for Den Internationale Arbejdsorganisation: den høje arbejdsbyrde i den daglige drift gav kun lidt tid til systematisk uddannelse af lærlinge. Produktion blev prioriteret, og læring blev en eftertanke.

Denne observation rammer en nerve. Ironisk nok kan netop det tempo, der gør en virksomhed stærk, fratage den tiden til at videregive sin ekspertise. I en vækstfase, hvor hver eneste maskintime tæller, og leveringsfristerne er stramme, fremstår den time, en erfaren faglært medarbejder bruger med en lærling, som en omkostningsfaktor. Fordelen bliver først tydelig år senere, når lærlingen løser problemer selvstændigt, undgår fejl og vejleder andre. Økonomisk set er uddannelse en investering med en langsigtet horisont og usikkert afkast, fordi den uddannede medarbejder kan forlade virksomheden når som helst. Markeder, der er stærkt fokuseret på kortsigtede resultater, underinvesterer derfor systematisk i denne form for menneskelig kapital.

Kina har erkendt problemet. Regeringen har i flere år skubbet fremad med udviklingen af ​​et moderne lærlingesystem, der sigter mod bedre at integrere praktisk erfaring på arbejdspladsen med klasseundervisning, eksplicit med inspiration fra Europa. Med international støtte er der blevet rekrutteret pilotvirksomheder, udviklet uddannelsesstandarder og struktureret uddannelsesfaser. Et sådant system kan dog ikke skabes ved dekret på blot et par år. Det kræver virksomheder, der forstår uddannelse som en del af deres kerneidentitet, undervisere med pædagogiske og faglige kvalifikationer, anerkendte kvalifikationer og en social status for erhvervsuddannelse, der kan konkurrere med den akademiske vej. I et samfund, hvor Gaokao (en type lærlingeuddannelse) og universitetsstudier har været betragtet som guldstandarden i årtier, repræsenterer dette et kulturskifte.

Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business - Billede: Xpert.Digital

Xpert.Digital er et datadrevet B2B-industricenter ledet af Konrad Wolfenstein . Virksomheden fungerer som en ekstern, nærmest intern løsning for industrielle partnere og lukker operationelle huller i marketing, indhold og salg – uden at kræve yderligere ressourcer fra klientsiden.

Mere information her:

• Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business

Den tyske ligning: Demografi møder digitalisering

Enhver, der ud fra dette konkluderer, at Tyskland kan læne sig tilbage og slappe af, tager grueligt fejl. Den tyske model har en fordel, men den er under pres, hvis omfang ofte undervurderes.

Ifølge beregninger fra det tyske økonomiske institut (IW) vil næsten 19,5 millioner mennesker fra babyboom-generationen nå pensionsalderen i 2036. Samtidig træder betydeligt færre unge ind på arbejdsmarkedet. Nettoresultatet er en truende mangel på arbejdskraft på omkring 4,3 millioner. Dette er mere end blot et statistisk tal. Det betyder, at en betydelig del af den akkumulerede erfaring og viden i tyske virksomheder i løbet af de næste ti år vil gå tabt til pensionering. Babyboomere repræsenterer især den mest erfarne arbejdsstyrke inden for mange tekniske erhverv, kvalitetsstyring, vedligeholdelse og salg af komplekse kapitalgoder.

Situationen er endnu mere kritisk i toppen af ​​virksomheder. Mere end en tredjedel af ejerne af mellemstore virksomheder er nu over 60 år gamle, og en anden femtedel er mellem 55 og 59 år. Gennemsnitsalderen er over 54. Ved udgangen af ​​2029 planlægger omkring 109.000 ejere af små og mellemstore virksomheder at overdrage deres virksomheder til nye ejere hvert år. Samtidig planlægger hundredtusindvis af iværksættere at lukke deres virksomheder på grund af mangel på efterfølgere i stedet for at overføre ejerskabet. Med hver virksomhed, der lukker, forsvinder ikke kun arbejdspladser og omsætning, men også viden om kunder, processer og nichemarkeder, som aldrig kan rekonstrueres fuldt ud.

Fundamentet, som Tysklands fordel hviler på, smuldrer også. Antallet af nyindgåede dobbelte erhvervsuddannelseskontrakter faldt til lige under 476.000 i 2025. Det er godt 10.000 færre end året før, et fald på 2,1 procent, primært drevet af færre virksomhedsbaserede kontrakter. Samtidig er mange lærlingestillinger fortsat ubesatte, mens nogle unge ikke kan finde en passende praktikplads. Misforholdet mellem udbud og efterspørgsel er et tilbagevendende problem i erhvervsuddannelsespolitikken.

Billedet er tilsvarende blandet, når det kommer til brugen af ​​kunstig intelligens. Lidt over en fjerdedel af tyske virksomheder med mindst ti ansatte brugte AI-teknologier i 2025, sammenlignet med en femtedel året før. Vækstraten er bemærkelsesværdig. Forskellen mellem store og små virksomheder er dog betydelig. Mere end halvdelen af ​​virksomhederne med mindst 250 ansatte bruger AI, mens det for virksomheder med ti til 49 ansatte ikke engang er en fjerdedel. AI vinder i øjeblikket langsomst indpas netop der, hvor erfaringsbaseret viden er særligt tæt og sårbar – nemlig i små og mellemstore industrivirksomheder.

Den tyske ligning er derfor denne: en stor mængde erfaringsbaseret viden, et hastigt faldende antal indehavere, et faldende antal unge talenter og tøvende digitalisering i SMV'er. Dette kan blive en konkurrencefordel, men kun hvis det er muligt at sikre den eksisterende viden inden for en overkommelig tidsramme, videregive den og gøre den brugbar med nye værktøjer.

Tre generationer ved ét bord

En samtale, der fandt sted i en mellemstor virksomhed, illustrerer, hvordan dette kan se ud i mindre skala. Tre personer fra tre generationer sad omkring bordet. Den ældste, Dirk, er 67 år gammel. Han fremfører de spørgsmål, en kunde senere måtte stille, de indvendinger, der rejses under accepttest, de kritiske spørgsmål om holdbarhed og erfaringen med, hvor projekter typisk mislykkes. I midten sidder en 45-årig med en baggrund inden for maskinteknik og kvalitetsstyring – en person, der kender processer, standarder og testlogikker. Den yngste, Maxi, er 16 år gammel. Han byggede virksomhedens AI.

Denne situation udfordrer en uudtalt orden, der stadig hersker i mange virksomheder i dag. Hvis beslutningen om, hvem der kunne forklare noget til hvem, havde været baseret på mange års erfaring, ville AI-udvikleren have været den sidste til at få grønt lys. I traditionelle hierarkier flyder viden fra top til bund, fra den erfarne til den nye, fra mesteren til lærlingen. I en verden, hvor digitale værktøjer udvikler sig hurtigere, end uddannelsesregler kan tilpasses, er denne ensrettede gade ikke længere tilstrækkelig.

Den sande værdi af denne trekant ligger i, at hver især bidrager med noget, som de andre mangler. Den erfarne person ved, hvilke spørgsmål der er vigtige, men er måske ikke i stand til at omsætte dem til et system. Den yngre generation kan bygge systemer, men ved ikke, hvilke spørgsmål de skal besvare. Mellemgenerationen bygger bro mellem disse to verdener og strukturerer viden i processer, kriterier og testprocedurer. Kun gennem dette samspil kan der opstå en AI-applikation, der ikke kun fungerer teknisk, men også modstår en krævende kundes granskning.

Forskning i menneskelige ressourcer refererer til den omvendte tendens, hvor yngre mennesker introducerer ældre mennesker til nye teknologier, som omvendt mentoring. I AI's tidsalder bliver dette mere end blot et værktøj til personaleudvikling. Det bliver en forudsætning for, at erfaringsbaseret viden overhovedet kan integreres i digitale systemer. Dette kræver, at ældre mennesker er villige til at lytte til en sekstenårig. Det kræver, at yngre mennesker ikke afviser en 67-årigs spørgsmål som manglende teknologisk forståelse, men snarere som en indikation af et problem, deres system endnu ikke har løst. Begge dele er mere krævende, end de lyder, fordi de berører status, selvbillede og indgroede roller.

Dobbelt erhvervsuddannelse som en undervurderet AI-infrastruktur

Det er her, styrken hos Tysklands SMV'er kommer i spil. Med sit dobbelte erhvervsuddannelsessystem har Tyskland en institution, der opnår præcis det, som mange andre økonomier ikke formår: den samler systematisk unge og erfarne fagfolk i virksomheder over flere år, styret af klare regler. Lærlinge lærer ikke kun på erhvervsskoler, men også på rigtige maskiner, hvor de arbejder på rigtige kundeordrer, under vejledning af folk, der har mestret deres håndværk i årtier. Systemet er sikret gennem handelskamre, uddannelsesregler og eksamener, og på trods af en del kritik nyder det et niveau af social anerkendelse, som andre lande misunder.

Indtil nu er dobbelt erhvervsuddannelse primært blevet betragtet som et værktøj til at sikre faglærte medarbejdere og integrere unge på arbejdsmarkedet. I AI'ens tidsalder får den en yderligere, tidligere overset funktion: den fungerer som en infrastruktur for videnoverførsel mellem generationer i begge retninger. Mesteren kan vise lærlingen, hvordan man identificerer en mangel. Lærlingen kan vise mesteren, hvordan denne viden vil gavne hele værkstedet i morgen, fordi han ved, hvordan man strukturerer den i en vidensdatabase, indlæser den i en AI-assistent eller oversætter den til en digital inspektionsrapport.

Denne dobbelte tilgang gør modellen potentielt til en mulighed for hele Europa. Kontinentet vil sandsynligvis ikke overgå hverken USA eller Kina i kapløbet om de største sprogmodeller og de mest kraftfulde datacentre. Det kan dog udvikle styrke, hvor AI møder industriel praksis: inden for produktion, kvalitetssikring, vedligeholdelse, logistik og anlægsteknik. Inden for disse områder er arbejdsstyrkens erfaringsbaserede viden den afgørende ressource, og Europa, især de tysktalende lande med deres tradition for erhvervsuddannelse, besidder denne viden i overflod.

For at frigøre dette potentiale skal den dobbelte erhvervsuddannelse dog udvikles. Uddannelsesregler, der kun behandler digitale færdigheder som et perifert problem, afspejler ikke virkeligheden. Underviserne selv har brug for adgang til AI-værktøjer og friheden til at bruge dem i deres daglige træning. Virksomheder skal give lærlinge rum, hvor de kan udvikle og teste deres egne digitale løsninger, i stedet for blot at indpasse dem i foruddefinerede processer. Og lærlingens rolle skal skifte fra blot modtager til aktiv deltager. Europæisk AI-lovgivning forpligter allerede virksomheder til at sikre, at deres medarbejdere har tilstrækkelige AI-færdigheder. Dobbelt erhvervsuddannelse ville være et oplagt sted at opfylde denne forpligtelse, ikke som en bureaukratisk byrde, men som en investering.

Fra mesterviden til værkstedshukommelse

Hvordan kan dette koncept omsættes til praktiske forretningsanvendelser? Erfaring viser, at mange vidensstyringsprojekter mislykkes, fordi de starter for abstrakt. Software købes, en wiki oprettes, og håbet er, at erfarne medarbejdere vil bidrage med deres viden. Dette sker sjældent, fordi tavs viden ikke kan omdannes til tekst med et tryk på en knap, og fordi de involverede simpelthen ikke har tiden i deres daglige arbejde. En mere lovende tilgang er en, der fokuserer på selve det konkrete arbejde.

Et første skridt er at identificere videnssiloerne i virksomheden. Hvilke medarbejdere besidder viden, som ingen andre har? Hvem af dem går på pension inden for de næste fem år? På hvilke procestrin opstår de mest omkostningsfulde fejl, og hvem ved, hvordan man undgår dem? En sådan risikoanalyse af vidensbasen er ny for de fleste mellemstore virksomheder, selvom den er lige så vigtig for den fremtidige levedygtighed som en vurdering af maskiner eller den økonomiske situation.

Et andet trin involverer dannelse af tværgenerationelle tandems eller trioer med en klar mission. I stedet for blot at videregive generel viden, arbejder en erfaren professionel og en yngre, digitalt kyndig kollega sammen om et specifikt problem. De kan for eksempel udvikle en AI-assistent til fejlfinding af et bestemt system, et spørgeskema til kundeaccepttest eller en digital testprotokol, der dokumenterer typiske fejlmønstre med fotos og forklaringer. Videnen vurderes ikke abstrakt, men synliggøres snarere gennem dialog. Den erfarne kollega forklarer, hvorfor de er meget opmærksomme på et bestemt punkt, og den yngre kollega stiller spørgsmål, indtil en forståelig regel dukker op.

Moderne AI-værktøjer forenkler denne proces betydeligt. Optagelser af samtaler kan automatisk transskriberes og struktureres. Fotos og videoer af arbejdsgange kan forbindes med forklaringer. Talemodeller kan tilgå virksomhedsdokumenter, klagerapporter og testprotokoller og svare medarbejdere i naturligt sprog. På denne måde opstår gradvist en værkstedshukommelse, der ikke samler støv i en mappe, men er let tilgængelig i det daglige arbejde. Yngre medarbejdere stiller den digitale assistent, som har lært af erfarne kolleger, spørgsmål, og de erfarne kolleger ser, at deres ekspertise rækker ud over pensionering.

Et tredje trin vedrører incitamenter og anerkendelse. Videnoverførsel tager tid, og denne tid skal planlægges og værdsættes. Virksomheder, der udelukkende måler deres mest erfarne medarbejdere på produktionsoutput, vil næppe have succes med at få dem til at dele deres viden. Erfaringerne fra Shandong gælder her, ligesom de gør i Schwaben. Hvor tempoet i den daglige drift overskygger alt andet, finder der ingen videnoverførsel sted. Faste tidsallokeringer til videnoverførsel, synlig anerkendelse af mentorrollen og fleksible modeller for overgangen til pensionering, såsom deltidsarbejde eller konsulentaktiviteter efter pensionering, er alle gavnlige. Disse er særligt tilgængelige muligheder for små og mellemstore virksomheder (SMV'er), som ofte kender deres erfarne medarbejdere personligt.

Et fjerde trin er kvalitetssikring af etableret viden. Ikke alt, hvad en erfaren medarbejder anser for korrekt, er faktisk korrekt. Nogle tommelfingerregler stammer fra tider, hvor forskellige materialer, maskiner eller standarder var på plads. Derfor skal et værksteds kollektive hukommelse vedligeholdes, gennemgås og opdateres. Også her kan samarbejde på tværs af generationer være nyttigt. Yngre medarbejdere sætter spørgsmålstegn ved etablerede praksisser, ældre medarbejdere forklarer deres oprindelse, og sammen beslutter de, hvad der skal forblive.

Afhandlingens begrænsninger

En ærlig analyse må også anerkende svaghederne ved dette sats. For det første er Tysklands førende viden inden for erfaringsbaseret viden ikke en given ting. Kina har opbygget en enorm base af industriel erfaring på blot få årtier. Den generation, der stod i spidsen for industrialiseringen, besidder enorm procesviden, og det er ikke en given ting, at denne viden vil blive videregivet mindre effektivt end tysk viden. Desuden rekrutterer kinesiske virksomheder aktivt erfarne ingeniører fra Europa, og opkøb af europæiske SMV'er har i årevis også tjent som videnoverførsel. Implicit viden er vanskelig at kopiere, men bestemt modtagelig for tilegnelse.

For det andet kan en fortælling, der primært er baseret på erfaringsbaseret viden, undervurdere den hastighed, hvormed maskiner lærer. Moderne AI-systemer lærer mønstre fra enorme mængder data, som intet menneske nogensinde bevidst har formuleret. Inden for nogle områder inden for billedbehandling, procesoptimering og materialeforskning overgår de allerede erfarne fagfolk. De, der besidder millioner af sensordatapunkter og en høj grad af automatisering, som det i stigende grad er standard i kinesiske fabrikker, kan erstatte en del erfaringsbaseret viden med store mængder data. Tesen om uerstattelig ekspertviden holder derfor ikke stik alle steder. Den er stærkest, hvor produktionsserierne er små, varianterne er talrige, og kundernes krav er individualiserede – netop inden for fremstilling af specialmaskiner, anlægsteknik og mange nichesektorer inden for mellemstore virksomheder.

For det tredje står Tyskland over for problemer, som uanset hvor godt dets erhvervsuddannelsessystem er, ikke kan kompensere for. Høje energipriser, langvarige godkendelsesprocesser, svag investeringsmomentum, tøvende digitalisering af den offentlige forvaltning og en forholdsvis langsom implementering af digitale teknologier i små virksomheder påvirker alle dets konkurrenceevne. Det faldende antal lærlingekontrakter viser, at selve det duale system er under pres. En fordel, der ikke udnyttes, er slet ingen fordel.

For det fjerde er der en fare for selvtilfredshed. Fortællingen om usynlig erfaringsbaseret viden kan blive en bekvem undskyldning for at udsætte nødvendige ændringer. De, der er afhængige af deres arbejdsstyrkes færdigheder uden at beskytte, digitalisere og udvikle dem, forvandler deres største fordel til deres største risiko. Fordi erfaringsbaseret viden, der forsvinder ved pensionering, går uigenkaldeligt tabt.

Kopien eller færdigheden: Hvad går hurtigst tabt?

Trods disse indvendinger er den grundlæggende tese fortsat gyldig, netop fordi den indeholder en klar opfordring til handling. Konkurrencen i AI-alderen vil ikke udelukkende blive afgjort af computerkraft og modelstørrelse. I væsentlig grad vil det blive afgjort af, hvilke virksomheder og økonomier der formår at kombinere menneskelig erfaring med maskinintelligens. De bedste modeller vil være tilgængelige for alle. Den bedste ekspertise vil forblive mangelvare.

I denne konkurrence har Tyskland en reel fordel. Landet kan prale af et tæt netværk af specialiserede mellemstore virksomheder med dybdegående proceskendskab, et gennemprøvet system, der bringer generationer sammen i virksomheden, og en tradition for at værdsætte professionelle færdigheder i samfundet. Samtidig er tiden ved at løbe ud. I de næste ti år vil millioner af erfarne fagfolk gå på pension, titusindvis af virksomheder søger hvert år efterfølger, og antallet af lærlingekontrakter er faldende. Mulighederne for at sikre eksisterende viden og kombinere den med nye værktøjer er begrænsede.

Dette fører til det virkelige strategiske spørgsmål for Tyskland som forretningssted. Kina kan kopiere en maskine, og med en hastighed der gentagne gange overrasker europæiske producenter. Tyskland risikerer derimod at miste sin ekspertise stille og roligt, år efter år, med hver pensionering, der ikke ledsages af en ordentlig overdragelse. Begge dele er trusler. Den anden er farligere, fordi den ikke skaber overskrifter, og fordi den er uoprettelig. En kopieret maskine kan overgås af en bedre. Tabt ekspertise kan kun genopbygges med stor besvær og ufuldstændigt.

Den gode nyhed er, at løsningen ikke behøver at ligge i milliardprogrammer eller storskalaprojekter. Det begynder ved et bord, hvor en 67-årig, en 45-årig og en 16-årig taler med hinanden. Hver især bidrager med deres ekspertise, og hver især lytter til de andre, uanset hvem der har været længst i virksomheden. Hvis disse samtaler finder sted i titusindvis af virksomheder, systematisk understøttet af et moderniseret dobbelt erhvervsuddannelsessystem og AI-værktøjer, der gør viden synlig og tilgængelig, så vil den usynlige kapital i små og mellemstore virksomheder (SMV'er) blive en konkurrencefordel, som ingen fabrik i verden blot kan kopiere.

Satsningen på Tyskland er derfor ikke en satsning på nostalgi, på det gode gamle værksted eller på tidligere dyders overlegenhed. Den afhænger af, at generationerne er villige til at lære af hinanden, i begge retninger. Enhver, der vil vinde dette, skal starte i dag, mens de mennesker, hvis viden står på spil, stadig arbejder i virksomheden.

Fra synlighed til tillid: Din skalerbare vej med Xpert.Digital - Billede: Xpert.Digital

Inden for industriel B2B opstår bæredygtige forretningsrelationer sjældent natten over. De udvikles trin for trin – gennem synlighed, professionel relevans, tilbagevendende kontaktpunkter og voksende tillid. Xpert.Digitals 4-trinsmodel adresserer netop dette: Den tilbyder en struktureret vej, der starter med et håndterbart indgangspunkt og kan udvikle sig til et dybere samarbejde inden for forretningsudvikling, hvis det er nødvendigt.

I stedet for at stole på højlydte marketingløfter sætter denne model relationen i forgrunden. Virksomheder starter med klart definerede, let beregnelige målinger og beslutter derefter, baseret på deres egen erfaring, hvor langt de vil udvide samarbejdet. En nøglefaktor for denne uforstyrrede tillidsopbyggende proces: Platformen undgår fuldstændigt irriterende reklamer, så det redaktionelle fokus forbliver udelukkende på virksomhedernes ekspertise.

Mere information her:

• Fra synlighed til tillid: Din skalerbare vej med Xpert.Digital

☑️ Vores forretningssprog er engelsk eller tysk

☑️ NYT: Korrespondance på dit modersmål!

Konrad Wolfenstein

Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen her [email protected]:eller blot ringe til mig på +49 7348 4088 965. Min e-mailadresse er

Jeg glæder mig til vores fælles projekt.

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering

☑️ Udvidelse og optimering af internationale salgsprocesser

☑️ Globale og digitale B2B-handelsplatforme

☑️ Pioner inden for forretningsudvikling / marketing / PR / messer