Ekspertteadmised kohtuvad tehisintellektiga: Saksamaa tehisintellekti tulevik ei otsustata mitte andmekeskuses, vaid töökojas

Tehisintellekt võib kiirendada vigade teket – kui ettevõtted kaotavad oma spetsialistide teadmised

Saksamaa otsustav eelis tehisintellekti ajastul võib peituda seal, kus seda vaevalt keegi kahtlustab: mitte hiiglaslikes andmekeskustes või uusimates keelemudelites, vaid kogenud spetsialistide mõtetes ja kätes. Nende teadmised peituvad käelistes oskustes, treenitud silmades ja intuitsioonis, et ära tunda, millal masin ei tööta korralikult või vajab mõni komponent lähemat kontrolli. Seda leiab harva kasutusjuhendist – ja seda ei saa lihtsalt kopeerida.

Kuid just see kogemuslik teadmine on ohus kaduma minna. Miljonid beebibuumi põlvkonna töötajad lähenevad pensionile jäämisele, samas kui paljudel ettevõtetel on noorte talentide puudus. Samal ajal võtavad ettevõtted kasutusele tehisintellekti, mis suudab protsesse kiirendada ja mustreid ära tunda, kuid ilma tööjõu teadmisteta võib see töötada vale probleemi kallal. Seega ei seisne Saksamaa võimalus tingimata selles, et ta on suurimate mudelite võidujooksu esirinnas. See seisneb inimoskuste ja tehisintellekti sisukas ühendamises – ning teadmiste edastamises põlvkondade vahel mõlemas suunas. Oluline küsimus on, kas väikestel ja keskmise suurusega ettevõtetel (VKEdel) on selleks veel piisavalt aega.

Hiina kopeerib masinaid kuude jooksul. Saksamaa kaotab oma kogemustepagasi aastatega ja peaaegu keegi ei märka seda

Need, kes räägivad tehisintellekti buumist, keskenduvad tavaliselt nähtavale. Nad räägivad andmekeskustest, graafikaprotsessoritest, miljardite dollarite väärtusest, keelemudelitest ja robotkätest, mis haaravad komponente sekunditega. Kõike seda saab pildistada, esitlustes näidata ja bilanssides kajastada. Kuid see, mis teeb ettevõtte tulevikus tehisintellekti abil tõeliselt väärtuslikuks, peitub kusagil, mida ühelgi fotol ei ole: aastakümneid masinate, materjalide, klientide ja vigadega töötanud inimeste kogemuslik teadmine.

Masinat saab kopeerida. Tehisintellekti mudelit saab arendada, treenida ja kohandada vastavalt konkreetsetele vajadustele. Kuid sageli ei selgitata üheski käsiraamatus, miks kogenud inspektor vastuvõtukatsete ajal konkreetset punkti uuesti vaatab. Võib-olla nägid nad viisteist aastat tagasi täpselt selles kohas keevisõmbluse purunemist. Võib-olla tunnevad nad tarnijat, kelle tolerantsid talvel ja suvel erinevad. Võib-olla kuulevad nad lihtsalt mootori häält, mis on hoiatusmärk, et midagi on valesti. Kriitilises olukorras määrab see teadmine, kas ettevõte saab tehisintellektist kasu või teeb lihtsalt kiiremini kuluka vea.

See viib riskini, mis esmapilgul kõlab vastuoluliselt. Eriti tehisintellekti ajastul võivad Saksa VKEd omada struktuurilist eelist. See ei tulene paremast tarkvarast ega suurematest andmekeskustest, kuna teised on mõlemas valdkonnas ees. Eelis seisneb institutsioonis, mis on põlvkondade vältel ettevõttes kokku toonud noori ja kogenud spetsialiste. See, kas see risk tasub end ära, sõltub aga kahest küsimusest: mida teab üks põlvkond, mida järgmine veel õppida saab? Ja kes on valmis kuulama ka teist suunda?

Vaikse teadmise majandusteadus

Majandusteaduses on kogenud oskustööliste, meistrimeeste ja inseneride omanduse kohta mõnevõrra kohmakas termin: kaudne teadmine. See viitab oskustele, mida on raske või isegi võimatu sõnadesse panna. Tööturu-uuringud on pikka aega eristanud eksplitsiitset teadmist, mida saab kirja panna, edastada ja õppekavadesse lisada, ning vaikivat teadmist, mis on kinnistunud käelistesse oskustesse, tajumustritesse ja hinnangutesse. Kogemuslikku teadmist peetakse protseduuriliste teadmiste eriti kõrgelt arenenud vormiks. See ühendab mõlemat taset nii, et inimesed saavad ülesandeid usaldusväärselt lahendada isegi mittetäieliku teabe, ajalise surve ja muutuvate tingimuste korral.

Majanduslikult on see teadmine tähelepanuväärne kolmel põhjusel. Esiteks on see vaevalt turustatav. Puudub turg, kus saaks osta kvaliteediinspektori instinkti kriitiliste punktide jaoks. Parimal juhul saab palgata inimese, kellel see on, ja isegi siis õnnestub üleandmine ainult siis, kui uus keskkond võimaldab neil oma oskusi rakendada. Teiseks on seda raske kopeerida. Projekteerimisjooniseid saab rekonstrueerida pöördprojekteerimise abil, tootmisseadmeid saab osta ja tarkvara saab ümber programmeerida. Väljakujunenud ettevõttes tekkiv protsessiteadmiste, klientide arusaamise ja kogemuste koosmõju vigadega on suuresti vastuolus selle loogikaga. Kolmandaks lähevad need kaduma, kui neid edasi ei anta. Erinevalt masinast, mida saab hoiustada, kaovad kogemuslikud teadmised koos ettevõttest lahkuva inimesega.

Just see omadus on paljude Saksa varjatud tšempionide konkurentsivõime tuum. Nende globaalne turuliider ei põhine harva ühelainsale suurejoonelisele leiutisele. See põhineb tuhandetel väikestel täiustustel, tootmistolerantsidel, mida teised ei suuda usaldusväärselt saavutada, ja võimel lahendada klientide probleeme enne, kui klient neid isegi sõnastada saab. See on kogunenud kogemuslik teadmine, mis on jaotatud erinevate mõtete, käte ja osakondade vahel. See ei kajastu bilansis. Kuid igaüks, kes on kunagi näinud ettevõtet, mis pärast kahe võtmeisiku lahkumist ootamatult kaebuste tulva tekitab, teab selle väärtust.

Miks tehisintellekt kiirendab ka vigu

Tehisintellekt on sisuliselt võimendi. See töötleb andmeid kiiremini, tunneb ära mustreid suuremates kogustes ja automatiseerib otsuseid, mis varem nõudsid inimese sekkumist. See on selle tohutu eelis. Aga see on ka selle risk, sest võimendi ei tee vahet headel ja halbadel signaalidel. Mudel, mis õpib mittetäielikest või moonutatud andmetest, mitte ainult ei anna edasi oma nõrkusi, vaid võimendab neid veelgi.

Igapäevases tööstuspraktikas muutub see väga konkreetseks. Tehisintellektil põhinev optiline kvaliteedikontrollisüsteem suudab lühikese aja jooksul kontrollida miljoneid komponente. Aga kui keegi ei tea, millised defektimustrid on tõeliselt kriitilised, kontrollib see usaldusväärselt valesid asju. Keelemudel suudab sekunditega koostada pakkumisi, hooldusjuhiseid ja testiaruandeid. Kui see ei tea, milliseid küsimusi nõudlik klient vastuvõtutestimise ajal esitab, väljastab see sujuvalt kirjutatud dokumente, mis otsustaval hetkel ebaõnnestuvad. Ennustav hooldusalgoritm suudab hinnata andurite andmeid. Aga kui tal puudub teadmine, millised kõrvalekalded on ohutud ja millised viitavad rikkele, genereerib see kas valehäireid või petliku rahutunde.

Seega ei teki tegelik väärtuse loomine mitte mudelis endas, vaid mudeli ja ekspertteadmiste kombinatsioonis. Suuri, lihtsaid mudeleid toodetakse üha enam masstoodanguna. Need on saadaval liideste kaudu, arvutuse hind langeb ja nende jõudluserinevused vähenevad. Ettevõtet eristab konkurentidest küsimus, millist teadmist ta nendesse süsteemidesse sisestada saab. See hõlmab seda, milliseid veakatalooge ta haldab, milliseid testimiskriteeriume ta on formuleerinud, milliseid erandeid ta tunneb ära ja milliseid klientide nõudeid ta mõistab. Andmed on aga ainult pool lugu. Oluline on otsustusvõime, mis määrab, millised andmed tegelikult olulised on.

See viib ebamugava arusaamani kõigile neile, kes näevad tehisintellektis peamiselt võimalust kogenud töötajate pealt kokku hoida. Need, kes koondavad just tehisintellekti süsteemide juurutamise ajal protsessidest kõige sügavamalt aru saavad inimesed, jätavad need süsteemid ilma nende kõige olulisemast ressursist. Arvutus võib lühiajaliselt toimida, kuid keskpikas perspektiivis toob see kaasa kulukaid vigu.

Hiina põlvkondadevaheline lõhe õppetunnina

Vähesed näited illustreerivad põlvkondadevahelise teadmise olulist rolli riigi majandusarengus selgemini kui Hiina. Kultuurirevolutsiooni ajal seiskus kõrgharidus praktiliselt täielikult. Aastatel 1966–1969 ei võtnud ülikoolid vastu ühtegi uut tudengit. Aastatel 1970–1976 võeti vastu ainult poliitiliselt usaldusväärseteks peetud kandidaate. Alles 1977. aasta sügisel taaskehtestati pärast üheteistkümneaastast pausi üleriigiline ülikooli sisseastumiseksam Gaokao. Selle aasta kuulus talvine Gaokao sai pöördepunktiks terve põlvkonna jaoks.

Selle rebenemise tagajärjed olid tohutud. Üks põlvkond kaotas aastaid haridust, õpetajaid kiusati taga, teadmisi devalveeriti ja paljudes valdkondades ei antud neid edasi. Seega on veelgi hämmastavam see, mis edasi juhtus. Järgmine põlvkond ehitas vaid mõne aastakümnega üles tööstusmajanduse, mille tempo on majandusajaloos praktiliselt enneolematu. Igaüks, kes on viimase kahe aastakümne jooksul külastanud Hiina tööstuspiirkondi, on näinud, kuidas põllud muutusid tööstusparkideks ja tarnijad globaalseteks turuliidriteks. Tänapäeval on Hiina maailma suurim tööstusriik. Robotite tiheduse poolest tootmises on riik edestanud Saksamaad: umbes 470 tööstusrobotiga 10 000 töötaja kohta edestas see hiljuti Saksamaa Liitvabariiki ja Hiina tehastes töötab nüüd tublisti üle 1,7 miljoni tööstusroboti.

Ja nüüd arendab noor Hiina põlvkond tehisintellekti ning seda märkimisväärse eduga. Hiina keelemudelid on kiiresti järele jõudnud maailma juhtivatele tehnoloogiatele, sageli oluliselt vähemate ressurssidega kui nende Ameerika kolleegid. Nii kohtuvad ühes riigis kolm väga erineva taustaga põlvkonda: üks, kes koges mineviku murrangut, teine, kes asus industrialiseerimisele, ja kolmas, kes valdab digitehnoloogiaid kergusega.

See sisaldab õppetundi, mis ulatub Hiinast kaugemale. Kolme põlvkonna elamine samas riigis on demograafiline fakt. Nende teadmiste koondamine ühte ettevõttesse on organisatsiooniline väljakutse ja seejuures oluliselt keerulisem. Industrialiseerumispõlvkonna kogemuslikud teadmised ja noorema põlvkonna digitaalsed oskused ei sulandu automaatselt kokku. Need tuleb ühendada konkreetsetes töösuhetes – masina juures, testimisel, klientidega suhtlemisel.

Kui kiirus varjutab õppimist

Näide Shandongi provintsist illustreerib, kui konkreetne see väljakutse on. Rizhao sadamalinnas asuv suur sõidukite ja põllumajandusmasinate tootja, kus töötab umbes 10 000 inimest, viib läbi oma õpipoisiprogrammi. Ettevõtte direktor kirjeldas Rahvusvahelisele Tööorganisatsioonile probleemi, mis on tuttav paljudele tööstusettevõtetele: igapäevaste toimingute suur töökoormus jättis õpipoiste süstemaatiliseks koolitamiseks vähe aega. Tootmine muutus prioriteediks ja õppimine jäi teisejärguliseks.

See tähelepanek tabab närvi. Iroonilisel kombel võib just see tempo, mis ettevõtte tugevaks teeb, võtta talt aega oma oskusteabe edasiandmiseks. Kasvufaasis, kus iga masinatund on oluline ja tarnetähtajad on lühikesed, ilmneb kogenud oskustöölise õpipoisiga veedetud tund kulutegurina. Selle kasu ilmneb alles aastaid hiljem, kui õpipoiss lahendab iseseisvalt probleeme, väldib vigu ja juhendab teisi. Majanduslikust vaatenurgast on koolitus pikaajalise ja ebakindla tootlusega investeering, sest koolitatud töötaja võib ettevõttest igal ajal lahkuda. Seetõttu investeerivad lühiajalisele tulemuslikkusele tugevalt keskendunud turud süstemaatiliselt sellesse inimkapitali vormi vähe.

Hiina on probleemi tunnistanud. Valitsus on juba mitu aastat edendanud kaasaegse õpipoisiõppe süsteemi arendamist, mille eesmärk on paremini integreerida praktiline kogemus töökohal klassiruumis toimuva õppega, tuginedes otseselt Euroopa kogemustele. Rahvusvahelisel toel on värvatud pilootettevõtteid, välja töötatud koolitusstandardid ja struktureeritud koolitusetapid. Sellist süsteemi ei saa aga luua vaid mõne aastaga määrusega. See nõuab ettevõtteid, kes mõistavad koolitust oma põhiidentiteedi osana, pedagoogilise ja kutsekvalifikatsiooniga koolitajaid, tunnustatud kvalifikatsioone ning kutsehariduse sotsiaalset staatust, mis suudab konkureerida akadeemilise teega. Ühiskonnas, kus gaokao'd (õpipoisiõppe liik) ja ülikooliõpinguid on aastakümneid peetud kuldstandardiks, kujutab see endast kultuurilist nihet.

Xpert.Digital on Konrad Wolfenstein juhitav andmepõhine B2B tööstuskeskus. Ettevõte tegutseb tööstuspartneritele välise, peaaegu sisemise lahendusena, täites turunduse, sisu ja müügi operatiivseid lünki – ilma kliendipoolsete lisaressurssideta.

Lisateavet leiate siit:

• Peaaegu ettevõttesisene lahendus: kuidas Xpert.Digital täidab B2B turunduse ja müügi operatiivseid lünki – Smart Content-Driven Business

Saksa võrrand: demograafia kohtub digitaliseerimisega

Igaüks, kes sellest järeldab, et Saksamaa võib rahulikult istuda ja puhata, eksib rängalt. Saksa mudelil on küll eelis, kuid see on surve all, mille ulatust sageli alahinnatakse.

Saksa Majandusinstituudi (IW) arvutuste kohaselt jõuab 2036. aastaks pensioniikka ligi 19,5 miljonit beebibuumi põlvkonna esindajat. Samal ajal siseneb tööjõusse oluliselt vähem noori. Lõpptulemuseks on umbes 4,3 miljoni suurune tööjõupuudus. See on enamat kui lihtsalt statistiline arv. See tähendab, et järgmise kümne aasta jooksul läheb pensionile jäämise tõttu kaduma märkimisväärne osa Saksa ettevõtetes kogunenud kogemustest ja teadmistest. Eelkõige beebibuumi põlvkond esindab kõige kogenumat tööjõudu paljudes tehnilistes ametites, kvaliteedijuhtimises, hoolduses ja keeruliste kapitalikaupade müügis.

Olukord on ettevõtete tippjuhtide seas veelgi kriitilisem. Rohkem kui kolmandik keskmise suurusega ettevõtete omanikest on nüüd üle 60 aasta vanad ja veel viiendik on 55–59-aastased. Keskmine vanus on üle 54 aasta. 2029. aasta lõpuks plaanib umbes 109 000 väikese ja keskmise suurusega ettevõtte omanikku igal aastal oma ettevõtte uutele omanikele üle anda. Samal ajal plaanivad sajad tuhanded ettevõtjad oma ettevõtte sulgeda pärijate puudumise tõttu, selle asemel et omandiõigust üle anda. Iga ettevõtte sulgemisega kaovad lisaks töökohtadele ja tuludele ka teadmised klientide, protsesside ja nišiturgude kohta, mida ei ole kunagi võimalik täielikult rekonstrueerida.

Ka Saksamaa eelise alus on murenemas. Uute sõlmitud duaalse kutseõppe lepingute arv langes 2025. aastal veidi alla 476 000. See on tubli 10 000 vähem kui eelmisel aastal, mis on 2,1-protsendiline langus, mille peamiseks põhjuseks on ettevõttepõhiste lepingute vähenemine. Samal ajal jäävad paljud õpipoisikohad täitmata ja mõned noored ei leia sobivat töökohta. Pakkumise ja nõudluse ebakõla on kutsehariduspoliitikas korduv probleem.

Samamoodi kirju on pilt tehisintellekti kasutamise osas. 2025. aastal kasutas tehisintellekti tehnoloogiaid veidi üle veerandi vähemalt kümne töötajaga Saksamaa ettevõtetest, võrreldes viiendikuga eelmisel aastal. Kasvutempo on märkimisväärne. Suurte ja väikeste ettevõtete vaheline lõhe on aga märkimisväärne. Tehisintellekti kasutab üle poole vähemalt 250 töötajaga ettevõtetest, samas kui kümne kuni 49 töötajaga ettevõtete puhul pole see näitaja isegi veerand. Tehisintellekt levib praegu kõige aeglasemalt just seal, kus kogemuslik teadmine on eriti tihe ja haavatav – nimelt väikestes ja keskmise suurusega tööstusettevõtetes.

Seega on Saksa võrrand järgmine: suur hulk kogemuslikke teadmisi, kiiresti vähenev teadmiste omajate arv, noorte talentide arvu vähenemine ja VKEde kõhklev digitaliseerimine. Sellest võib saada konkurentsieelis, kuid ainult siis, kui on võimalik olemasolevaid teadmisi hallatava aja jooksul kindlustada, edasi anda ja uute tööriistadega kasutatavaks muuta.

Kolm põlvkonda ühe laua taga

Keskmise suurusega ettevõttes toimunud vestlus illustreerib, kuidas see väiksemas mastaabis välja näeb. Laua ümber istus kolm inimest kolmest põlvkonnast. Vanim, Dirk, on 67-aastane. Ta toob esile küsimused, mida klient võib hiljem esitada, vastuvõtutestimise käigus tekkinud vastuväited, kriitilised küsimused vastupidavuse kohta ja kogemused projektide tüüpilistest ebaõnnestumistest. Keskel istub 45-aastane mees, kellel on taust masinaehituses ja kvaliteedijuhtimises – keegi, kes tunneb protsesse, standardeid ja testimisloogikat. Noorim, Maxi, on 16-aastane. Tema ehitas ettevõtte tehisintellekti.

See olukord seab kahtluse alla sõnatu korra, mis tänapäevalgi paljudes ettevõtetes valitseb. Kui otsus selle kohta, kes kellele midagi selgitada saab, oleks põhinenud aastatepikkusel töökogemusel, oleks tehisintellekti arendaja olnud viimane, kes loa sai. Traditsioonilistes hierarhiates liigub teadmine ülevalt alla, kogenud inimeselt uustulnukale, meistrist õpipoisile. Maailmas, kus digitaalsed tööriistad arenevad kiiremini kui koolituseeskirju saab kohandada, ei ole see ühesuunaline tänav enam piisav.

Selle kolmnurga tõeline väärtus seisneb selles, et igaüks neist pakub midagi, mis teistel puudub. Kogenud inimene teab, millised küsimused on olulised, kuid ei pruugi osata neid süsteemiks tõlkida. Noorem põlvkond oskab süsteeme luua, kuid ei tea, millistele küsimustele nad peavad vastuseid otsima. Keskmine põlvkond ühendab need kaks maailma, struktureerides teadmised protsessideks, kriteeriumideks ja testimisprotseduurideks. Ainult selle koosmõju kaudu saab tekkida tehisintellekti rakendus, mis mitte ainult ei toimi tehniliselt, vaid peab vastu ka nõudliku kliendi nõudlikule kontrollile.

Inimressursside uurimine nimetab vastupidist trendi, kus nooremad inimesed tutvustavad vanematele inimestele uusi tehnoloogiaid, vastupidiseks mentorluseks. Tehisintellekti ajastul on see enamat kui lihtsalt personali arendamise tööriist. Sellest saab eeltingimus kogemuslike teadmiste integreerimiseks isegi digitaalsetesse süsteemidesse. See eeldab, et vanemad inimesed on valmis kuulama kuueteistaastast. See eeldab, et nooremad inimesed ei lükkaks 67-aastase küsimust tagasi kui tehnoloogilise arusaama puudumist, vaid pigem kui probleemi, mida nende süsteem pole veel lahendanud. Mõlemad on nõudlikumad, kui nad kõlavad, sest need puudutavad staatust, minapilti ja juurdunud rolle.

Duaalne kutseõpe kui alahinnatud tehisintellekti infrastruktuur

Siin tulebki mängu Saksamaa VKEde tugevus. Oma duaalse kutseõppe süsteemiga on Saksamaal institutsioon, mis saavutab just seda, mida paljud teised majandused ei suuda: see toob süstemaatiliselt noori ja kogenud spetsialiste mitme aasta jooksul ettevõtetesse kokku, juhindudes selgetest reeglitest. Õpipoisid õpivad mitte ainult kutsekoolis, vaid ka päris masinatel, töötades päris klientide tellimuste alusel inimeste juhendamisel, kes on oma ametit aastakümneid meisterdanud. Süsteemi tagavad kaubanduskojad, koolituseeskirjad ja eksamid ning vaatamata teatavale kriitikale on sellel sotsiaalne tunnustus, mida teised riigid kadestavad.

Seni on duaalset kutseõpet peetud peamiselt vahendiks oskustööliste kindlustamiseks ja noorte tööturule integreerimiseks. Tehisintellekti ajastul on see omandamas täiendavat, varem tähelepanuta jäetud funktsiooni: see toimib infrastruktuurina teadmiste edastamiseks põlvkondade vahel mõlemas suunas. Meistermeister saab näidata õpipoisile, kuidas defekti tuvastada. Õpipoiss saab näidata meistrimehele, kuidas need teadmised tulevad kogu töökojale kasuks tulevikus, sest ta teab, kuidas neid teadmiste andmebaasis struktureerida, tehisintellekti abilisele sisestada või digitaalseks kontrollaruandeks tõlkida.

See kahetine lähenemisviis muudab mudeli potentsiaalselt kogu Euroopa jaoks võimaluseks. Kontinent ei suuda tõenäoliselt edestada ei Ameerika Ühendriike ega Hiinat võidujooksus suurimate keelemudelite ja võimsaimate andmekeskuste pärast. Küll aga saab see arendada tugevusi seal, kus tehisintellekt kohtub tööstuspraktikaga: tootmises, kvaliteeditagamises, hoolduses, logistikas ja tehasetehnikas. Nendes valdkondades on tööjõu kogemuslik teadmine ülioluline ressurss ja Euroopal, eriti saksakeelsetel riikidel, kus on kutseõppe traditsioon, on neid teadmisi külluses.

Selle potentsiaali vallandamiseks peab aga duaalne kutseõpe arenema. Koolituseeskirjad, mis käsitlevad digitaalseid oskusi vaid kõrvalküsimusena, ei kajasta tegelikkust. Koolitajatel endil on vaja juurdepääsu tehisintellekti tööriistadele ja vabadust neid oma igapäevases koolituses kasutada. Ettevõtted peavad pakkuma praktikantidele ruume, kus nad saavad oma digitaalseid lahendusi arendada ja testida, selle asemel, et neid lihtsalt eelnevalt määratletud protsessidesse sobitada. Ja praktikantide roll peab muutuma pelgalt vastuvõtjast aktiivseks osalejaks. Euroopa tehisintellekti õigus kohustab ettevõtteid juba praegu tagama, et nende töötajatel oleksid piisavad tehisintellekti oskused. Duaalne kutseõpe oleks selle kohustuse täitmiseks ilmselge koht mitte bürokraatliku koormana, vaid investeeringuna.

Meistriteadmistest töötoa mälestusteni

Kuidas saab seda kontseptsiooni praktilistesse ärirakendustesse üle kanda? Kogemus näitab, et paljud teadmushalduse projektid ebaõnnestuvad, kuna need algavad liiga abstraktselt. Ostetakse tarkvara, luuakse wiki ja loodetakse, et kogenud töötajad panustavad oma teadmistega. See juhtub harva, sest vaikimisi teadmisi ei saa nupuvajutusega tekstiks muuta ja asjaosalistel pole oma igapäevatöös lihtsalt aega. Paljutõotavam lähenemisviis on see, mis keskendub konkreetsele tööle endale.

Esimene samm on ettevõttesiseste teadmussilode kindlakstegemine. Millistel töötajatel on teadmised, mida kellelgi teisel pole? Kes neist läheb järgmise viie aasta jooksul pensionile? Millistes protsessietappides tekivad kõige kulukamad vead ja kes teab, kuidas neid vältida? Selline teadmusbaasi riskianalüüs on enamiku keskmise suurusega ettevõtete jaoks uus, kuigi see on tulevase elujõulisuse jaoks sama oluline kui masinate või finantsolukorra hindamine.

Teine samm hõlmab selge missiooniga põlvkondadevaheliste tandemite või kolmikute moodustamist. Üldteadmiste edastamise asemel töötavad kogenud spetsialist ja noorem, digitaalselt taibukas kolleeg koos konkreetse probleemi kallal. Näiteks võivad nad välja töötada tehisintellekti assistendi konkreetse süsteemi tõrkeotsinguks, kliendi vastuvõtu testimiseks küsimustiku või digitaalse testiprotokolli, mis dokumenteerib tüüpilisi veamustreid fotode ja selgitustega. Teadmisi ei hinnata abstraktselt, vaid need tehakse nähtavaks dialoogi kaudu. Kogenud kolleeg selgitab, miks ta konkreetsele punktile suurt tähelepanu pöörab, ja noorem kolleeg esitab küsimusi, kuni selgub arusaadav reegel.

Kaasaegsed tehisintellekti tööriistad lihtsustavad seda protsessi oluliselt. Vestluste salvestisi saab automaatselt transkribeerida ja struktureerida. Töövoogude fotosid ja videoid saab siduda selgitustega. Kõnemudelid võimaldavad juurdepääsu ettevõtte dokumentidele, kaebuste aruannetele ja testiprotokollidele ning vastata töötajatele loomulikus keeles. Nii tekib järk-järgult töötoa mälestus, mis ei kogu tolmu kaustas, vaid on igapäevatöös kergesti kättesaadav. Nooremad töötajad esitavad digiassistendile, kes on õppinud kogenud kolleegidelt, küsimusi ja kogenud kolleegid näevad, et nende asjatundlikkus ulatub ka pärast pensionile jäämist.

Kolmas samm puudutab stiimuleid ja tunnustamist. Teadmiste edasiandmine võtab aega ning seda aega tuleb planeerida ja väärtustada. Ettevõtted, kes mõõdavad oma kõige kogenumaid töötajaid ainult tootmismahu järgi, ei suuda neid vaevalt oma teadmisi jagama panna. Shandongi kogemus kehtib siin samamoodi nagu Švaabimaal. Seal, kus igapäevane äritempo varjutab kõik muu, ei toimu teadmiste edasiandmist. Kasulikud on teadmusülekandeks ettenähtud kindlad ajalised eraldised, mentorluse rolli nähtav tunnustamine ja paindlikud pensionile jäämisele ülemineku mudelid, näiteks osalise tööajaga töö või konsultatsioonitegevus pärast pensionile jäämist. Need on eriti kättesaadavad võimalused väikestele ja keskmise suurusega ettevõtetele (VKEdele), kes sageli tunnevad oma kogenud töötajaid isiklikult.

Neljas samm on väljakujunenud teadmiste kvaliteedi tagamine. Kõik, mida kogenud töötaja õigeks peab, ei ole tegelikult õige. Mõned rusikareegelid pärinevad aegadest, mil kehtisid erinevad materjalid, masinad või standardid. Seetõttu tuleb töökoja kollektiivset mälu säilitada, üle vaadata ja ajakohastada. Ka siin võib abiks olla põlvkondadevaheline koostöö. Nooremad töötajad seavad kahtluse alla väljakujunenud tavad, vanemad töötajad selgitavad nende päritolu ja koos otsustatakse, mis peaks jääma.

Väitekirja piirid

Aus analüüs peab tunnistama ka selle hasartmängu nõrkusi. Esiteks ei ole Saksamaa edumaa kogemuslike teadmiste vallas kindel. Hiina on vaid mõne aastakümnega loonud tohutu tööstuskogemuste baasi. Põlvkond, mis selle industrialiseerimist juhtis, omab tohutuid protsessialaseid teadmisi ja pole kindel, et neid teadmisi edastatakse edasi vähem tõhusalt kui Saksamaa teadmisi. Lisaks värbavad Hiina ettevõtted aktiivselt Euroopast kogenud insenere ja Euroopa VKEde omandamised on aastaid samuti olnud teadmiste edasiandmise eesmärk. Kaudseid teadmisi on raske kopeerida, kuid need on kindlasti omandatavad.

Teiseks, narratiiv, mis tugineb peamiselt kogemuslikule teadmisele, võib alahinnata masinate õppimise kiirust. Kaasaegsed tehisintellekti süsteemid õpivad mustreid tohututest andmemahtudest, mida ükski inimene pole kunagi teadlikult sõnastanud. Mõnes pilditöötluse, protsesside optimeerimise ja materjaliuuringute valdkonnas ületavad nad juba kogenud spetsialiste. Need, kellel on miljoneid andurite andmepunkte ja kõrge automatiseerimise aste, mis on Hiina tehastes üha tavalisem, saavad osa kogemuslikust teadmisest asendada tohutu hulga andmetega. Seega ei kehti asendamatute ekspertteadmiste tees kõikjal. See on tugevam seal, kus tootmispartiid on väikesed, variante on palju ja klientide nõudmised on individuaalsed – just spetsiaalsete masinate tootmises, tehasetehnikas ja paljudes keskmise suurusega ettevõtete nišisektorites.

Kolmandaks seisab Saksamaa silmitsi probleemidega, mida ta ei suuda kompenseerida, olenemata sellest, kui hea on tema kutseõppesüsteem. Kõrged energiahinnad, pikad kinnitusprotsessid, nõrk investeerimishoog, avaliku halduse digitaliseerimise kõhklused ja digitehnoloogiate suhteliselt aeglane kasutuselevõtt väikeettevõtetes mõjutavad kõik riigi konkurentsivõimet. Õpipoisiõppe lepingute arvu vähenemine näitab, et duaalne süsteem ise on surve all. Eelis, mida ei kasutata, ei ole üldse eelis.

Neljandaks on oht rahuloluks. Nähtamatu kogemusliku teadmise narratiiv võib saada mugavaks ettekäändeks vajalike muudatuste edasilükkamiseks. Need, kes toetuvad oma tööjõu oskustele neid kaitsmata, digitaliseerimata ja arendamata, muudavad oma suurima eelise suurimaks riskiks. Sest kogemuslik teadmine, mis pensionile jäädes kaob, on pöördumatult kadunud.

Koopia või oskus: kumb kaob kiiremini?

Vaatamata neile vastuväidetele jääb põhiväide kehtima just seetõttu, et see sisaldab selget üleskutset tegutsemiseks. Tehisintellekti ajastul ei otsusta konkurentsi ainuüksi arvutusvõimsuse ja mudeli suuruse järgi. Märkimisväärselt otsustab see, millistel ettevõtetel ja majandustel õnnestub inimkogemust masinintellektiga ühendada. Parimad mudelid on kõigile kättesaadavad. Parimat ekspertiisi jääb napiks.

Selles konkurentsis on Saksamaal tõeline eelis. Tal on tihe võrgustik spetsialiseerunud keskmise suurusega ettevõtetest, millel on põhjalikud protsessialased teadmised, tõestatud süsteem, mis ühendab ettevõtte sees põlvkondi, ja traditsioon professionaalsete oskuste väärtustamisel ühiskonnas. Samal ajal saab aeg otsa. Järgmise kümne aasta jooksul lähevad pensionile miljonid kogenud spetsialistid, kümned tuhanded ettevõtted otsivad igal aastal järelkasvu ja õpipoisilepingute arv väheneb. Võimaluste aken olemasolevate teadmiste omandamiseks ja uute tööriistadega kombineerimiseks on piiratud.

See viib Saksamaa kui äritegevuse asukoha jaoks tõelise strateegilise küsimuseni. Hiina saab masinat kopeerida ja kiirusega, mis üllatab korduvalt Euroopa tootjaid. Saksamaa seevastu riskib oma oskusteabe vaikselt, aasta-aastalt, kaotamisega iga pensionile jäämisega, millega ei kaasne nõuetekohast üleandmist. Mõlemad on ohud. Teine on ohtlikum, sest see ei jõua pealkirjadesse ja kuna see on pöördumatu. Kopeeritud masinat saab paremaga ületada. Kaotatud oskusteavet saab taastada vaid suurte raskustega ja mittetäielikult.

Hea uudis on see, et lahendus ei pea peituma miljardite dollarite programmides või suurprojektides. See algab laua taga, kus 67-, 45- ja 16-aastane omavahel vestlevad. Igaüks panustab oma teadmistega ja kuulab teisi, olenemata sellest, kes on ettevõttes kõige kauem töötanud. Kui need vestlused toimuvad kümnetes tuhandetes ettevõtetes, mida süstemaatiliselt toetab moderniseeritud duaalne kutseõppe süsteem ja tehisintellekti tööriistad, mis muudavad teadmised nähtavaks ja kättesaadavaks, siis saab väikeste ja keskmise suurusega ettevõtete (VKEde) nähtamatust kapitalist konkurentsieelis, mida ükski tehas maailmas ei suuda lihtsalt korrata.

Seega ei ole panus Saksamaale panustamine nostalgiale, vanale heale töökojale ega mineviku vooruste üleolekule. See tugineb põlvkondade valmisolekule üksteiselt õppida mõlemas suunas. Igaüks, kes tahab selles võita, peab alustama täna, kui inimesed, kelle teadmised on kaalul, töötavad veel ettevõttes.

Tööstuslikus B2B-s tekivad jätkusuutlikud ärisuhted harva üleöö. Need arenevad samm-sammult – nähtavuse, professionaalse olulisuse, korduvate kokkupuutepunktide ja kasvava usalduse kaudu. Xpert.Digitali neljaastmeline mudel lahendab just selle probleemi: see pakub struktureeritud teed, mis algab hallatava sisenemispunktiga ja võib vajadusel areneda sügavamaks koostööks äriarenduses.

Selle mudeli puhul ei seata lootma valjuhäälsetele turunduslubadustele, vaid seab esiplaanile suhte. Ettevõtted alustavad selgelt määratletud ja kergesti arvutatavate meetmetega ning otsustavad seejärel oma kogemuste põhjal, kui kaugele nad soovivad koostööd laiendada. Selle häireteta usalduse loomise protsessi võtmetegur on see, et platvorm väldib täielikult tüütuid reklaame, seega jääb toimetuse fookus üksnes ettevõtete asjatundlikkusele.

Lisateavet leiate siit:

• Nähtavusest usalduseni: teie skaleeritav tee Xpert.Digitaliga

☑️ Meie ärikeel on inglise või saksa keel

☑️ UUS: Kirjavahetus teie emakeeles!

 

Mina ja minu meeskond oleme hea meelega teie käsutuses teie isikliku nõustajana.

Võite minuga ühendust võtta, täites siinse kontaktvormi wolfenstein@xpert.digital:või helistades mulle numbril +49 7348 4088 965. Minu e-posti aadress on

Ootan põnevusega meie ühist projekti.

 

 

☑️ VKEde tugi strateegia, konsultatsioonide, planeerimise ja rakendamise alal

☑️ Digitaalse strateegia loomine või ümberkorraldamine ja digitaliseerimine

☑️ Rahvusvaheliste müügiprotsesside laiendamine ja optimeerimine

☑️ Globaalsed ja digitaalsed B2B kauplemisplatvormid

☑️ Pioneer Äriarendus / Turundus / PR / Messid