ידע מקצועי פוגש בינה מלאכותית: עתיד הבינה המלאכותית של גרמניה יוכרע לא במרכז הנתונים, אלא בסדנה

בינה מלאכותית יכולה להאיץ טעויות - אם חברות מאבדות את הידע של המומחים שלהן

ייתכן שהיתרון המכריע של גרמניה בעידן הבינה המלאכותית טמון במקום בו כמעט אף אחד לא חושד בו: לא במרכזי נתונים ענקיים או במודלי שפה חדישים, אלא במוחם ובידיהם של מומחים מנוסים. הידע שלהם טמון במיומנויות ידניות, בעיניים מיומנות ובאינטואיציה לזהות מתי מכונה אינה מתפקדת כראוי או שרכיב זקוק לבדיקה מדוקדקת יותר. לעתים רחוקות ניתן למצוא אותו במדריך - ואי אפשר פשוט להעתיק אותו.

אבל דווקא הידע החווייתי הזה הוא שנמצא בסכנת אובדן. מיליוני עובדים מדור הבייבי בום מתקרבים לפרישה, בעוד שלחברות רבות חסרים כישרונות צעירים. במקביל, חברות מציגות בינה מלאכותית, שיכולה להאיץ תהליכים ולזהות דפוסים, אך ללא ידיעת כוח העבודה, ייתכן שהיא עובדת על הבעיה הלא נכונה. לכן, ההזדמנות של גרמניה אינה טמונה בהכרח בהיותה בחזית המירוץ אחר המודלים הגדולים ביותר. היא טמונה בשילוב משמעותי של מיומנויות אנושיות ובינה מלאכותית - ובהעברת ידע בין דורות בשני הכיוונים. השאלה המכרעת היא האם לעסקים קטנים ובינוניים (SME) עדיין יש מספיק זמן לעשות זאת.

סין מעתיקת מכונות תוך חודשים. גרמניה מאבדת את הידע הניסיוןי שלה עם השנים, וכמעט אף אחד לא שם לב

אלו שמדברים על פריחת הבינה המלאכותית מתמקדים בדרך כלל במה שנראה לעין. הם מדברים על מרכזי נתונים, מעבדי גרפיקה, הערכות שווי של מיליארדי דולרים, מודלי שפה וזרועות רובוטיות שתופסות רכיבים תוך שניות. את כל זה ניתן לצלם, להציג במצגות ולשקף במאזנים. אבל מה שבאמת יהפוך חברה לבעלת ערך עם בינה מלאכותית בעתיד נמצא במקום שלא מופיע באף תמונה: הידע החווייתי של אנשים שעבדו עם מכונות, חומרים, לקוחות וטעויות במשך עשרות שנים.

ניתן לשכפל מכונה. ניתן לפתח, לאמן ולהתאים מודל בינה מלאכותית לצרכים ספציפיים. עם זאת, הסיבה שבגללה בודק מנוסה בוחן שוב נקודה מסוימת במהלך בדיקות קבלה לרוב אינה מוסברת באף מדריך. אולי הם היו עדים לכשל ריתוך באותו מקום בדיוק לפני חמש עשרה שנה. אולי הם מכירים את הספק, שסבולותיו שונות בין חורף לקיץ. אולי הם יכולים פשוט לשמוע מנוע נשמע כמו סימן אזהרה שמשהו לא בסדר. במצב קריטי, ידע זה קובע האם חברה מרוויחה מבינה מלאכותית או פשוט עושה טעות יקרה מהר יותר.

זה מוביל להימור שנשמע בתחילה לא אינטואיטיבי. במיוחד בעידן הבינה המלאכותית, לעסקים קטנים ובינוניים גרמניים יכול להיות יתרון מבני. זה לא נובע מתוכנה טובה יותר או ממרכזי נתונים גדולים יותר, שכן אחרים צעד אחד קדימה בשני התחומים. היתרון טמון במוסד שאיחד צעירים ואנשי מקצוע מנוסים בתוך החברה במשך דורות. האם הימור זה משתלם, עם זאת, תלוי בשתי שאלות: מה יודע דור אחד שהבא אחריו עוד יכול ללמוד? ומי מוכן להקשיב גם בכיוון השני?

הכלכלה של הידע השקט

לכלכלה יש מונח מסורבל למדי לתאר את מה שיש לעובדים מיומנים מנוסים, בעלי מלאכה ומהנדסים: ידע סמוי. הכוונה היא למיומנויות שקשה או אפילו בלתי אפשרי לבטא במילים. מחקר שוק העבודה מבחין זה מכבר בין ידע מפורש, שניתן לכתוב, להעביר ולשלב אותו בתוכניות לימודים, לבין ידע סמוי, המוטמע במיומנויות ידניות, דפוסי תפיסה ושיפוטים. ידע חווייתי נחשב לצורה מפותחת במיוחד של ידע פרוצדורלי. הוא מחבר את שתי הרמות באופן שאנשים יכולים לפתור משימות באופן אמין גם תחת מידע חלקי, לחץ זמן ותנאים משתנים.

מבחינה כלכלית, ידע זה יוצא דופן משלוש סיבות. ראשית, הוא כמעט ולא ניתן לשיווק. אין שוק שבו ניתן לקנות את האינסטינקט של בודק איכות לנקודות קריטיות. במקרה הטוב, ניתן להעסיק את האדם שמחזיק בו, וגם אז, ההעברה מצליחה רק אם הסביבה החדשה מאפשרת לו ליישם את כישוריו. שנית, קשה להעתיק אותו. ניתן לשחזר שרטוטי עיצוב באמצעות הנדסה הפוכה, ניתן לרכוש מתקני ייצור וניתן לתכנת מחדש תוכנה. יחסי הגומלין בין ידע תהליכים, הבנת לקוחות וניסיון עם טעויות שמתפתחים בתוך חברה מבוססת סותרים במידה רבה את ההיגיון הזה. שלישית, הוא אובד אם לא מועבר הלאה. בניגוד למכונה, שניתן לאחסן אותה, ידע חווייתי נעלם עם האדם שעוזב את החברה.

מאפיין זה הוא לב ליבת התחרותיות של אלופי גרמניה הנסתרים רבים. מנהיגותם בשוק העולמית כמעט ולא מבוססת על המצאה מרהיבה אחת. היא מבוססת על אלפי שיפורים קטנים, על סבולות ייצור שאחרים אינם יכולים להשיג באופן אמין, ועל היכולת לפתור בעיות של לקוחות עוד לפני שהלקוח יכול לבטא אותן. זהו ידע חווייתי שנצבר, המפוזר על פני מוחות, ידיים ומחלקות. הוא אינו מופיע במאזן. אבל כל מי שאי פעם ראה חברה מייצרת פתאום שטף של תלונות לאחר עזיבתם של שני אנשים מרכזיים, יודע את ערכו.

מדוע בינה מלאכותית גם מאיצה שגיאות

בינה מלאכותית היא למעשה מגבר. היא מעבדת נתונים מהר יותר, מזהה דפוסים בכמויות גדולות יותר, ומאפשרת אוטומציה של החלטות שבעבר דרשו התערבות אנושית. זהו היתרון העצום שלה. אבל זהו גם הסיכון שלה, כי מגבר אינו מבחין בין אותות טובים לרעים. מודל שלומד מנתונים לא שלמים או מעוותים לא רק מעביר את חולשותיו הלאה, הוא גם מגביר אותן.

בפרקטיקה התעשייתית היומיומית, זה הופך להיות מאוד קונקרטי. מערכת בדיקת איכות אופטית הנתמכת על ידי בינה מלאכותית יכולה לבדוק מיליוני רכיבים בזמן קצר. אבל אם אף אחד לא יודע אילו דפוסי פגמים הם באמת קריטיים, היא תבדוק באופן אמין את הדברים הלא נכונים. מודל שפה יכול לנסח הצעות מחיר, הוראות תחזוקה ודוחות בדיקה תוך שניות. אם הוא לא יודע את השאלות שלקוח תובעני שואל במהלך בדיקות קבלה, הוא מספק מסמכים כתובים בצורה חלקה שנכשלים ברגע המכריע. אלגוריתם תחזוקה חזויה יכול להעריך נתוני חיישנים. אבל אם חסר לו הידע לגבי אילו סטיות אינן מזיקות ואילו מצביעות על כשל, הוא ייצור אזעקות שווא או תחושת רוגע מטעה.

לכן, יצירת הערך האמיתית אינה נובעת מהמודל עצמו, אלא בשילוב של המודל וידע מומחה. מודלים גדולים ובסיסיים הופכים לייצור המוני יותר ויותר. הם זמינים דרך ממשקים, המחיר לחישוב יורד, והבדלי הביצועים שלהם מצטמצמים. מה שמייחד חברה ממתחרותיה הוא השאלה איזה ידע היא יכולה להזין למערכות אלו. זה כולל אילו קטלוגי שגיאות היא מתחזקת, אילו קריטריוני בדיקה היא ניסחה, אילו חריגים היא מכירה, ואילו דרישות לקוחות היא מבינה. ​​עם זאת, נתונים הם רק חצי מהסיפור. מכריע הוא השיפוט שקובע אילו נתונים באמת חשובים.

זה מוביל לתובנה לא נוחה עבור כל מי שרואים בבינה מלאכותית בעיקר אמצעי לחיסכון בעובדים מנוסים. אלו שמפטרים את האנשים עם ההבנה העמוקה ביותר של תהליכים דווקא כאשר מערכות בינה מלאכותית מוכנסות לפועל, מונעים מהמערכות הללו את המשאב החשוב ביותר שלהן. החישוב אולי יעבוד בטווח הקצר, אך בטווח הבינוני הוא יביא לטעויות יקרות.

הפער הדורי של סין כלקח

דוגמאות מעטות ממחישות את התפקיד המכריע של ידע בין-דורי בהתפתחות הכלכלית של מדינה בצורה ברורה יותר מסין. במהלך המהפכה התרבותית, ההשכלה הגבוהה כמעט נעצרה. בין השנים 1966 ו-1969, אוניברסיטאות לא קיבלו סטודנטים חדשים. בין השנים 1970 ל-1976, התקבלו רק מועמדים שנחשבו אמינים פוליטית. רק בסתיו 1977 הוחזרה בחינת הכניסה לאוניברסיטה הארצית, הגאוקאו, לאחר הפסקה של אחת עשרה שנים. גאוקאו החורף המפורסם של אותה שנה הפך לנקודת מפנה עבור דור שלם.

ההשלכות של קרע זה היו עצומות. דור איבד שנים של חינוך, מורים נרדפו, ידע פוחת מערכו, ובתחומים רבים, לא הועבר הלאה. מדהים עוד יותר, אם כן, מה שקרה לאחר מכן. הדור הבא בנה כלכלה תעשייתית תוך עשורים ספורים בלבד, שקצבה כמעט חסר תקדים בהיסטוריה הכלכלית. כל מי שביקר באתרי תעשייה סיניים בשני העשורים האחרונים ראה כיצד שדות הפכו לפארקי תעשייה וספקים למובילי שוק עולמיים. כיום, סין היא מדינת התעשייה הגדולה בעולם. מבחינת צפיפות הרובוטים בייצור, המדינה עקפה את גרמניה: עם כ-470 רובוטים תעשייתיים לכל 10,000 עובדים, היא עקפה לאחרונה את הרפובליקה הפדרלית, וכיום פועלים הרבה מעל 1.7 מיליון רובוטים תעשייתיים במפעלים סיניים.

ועכשיו דור סיני צעיר מפתח בינה מלאכותית, ובהצלחה ניכרת. מודלים של שפה סינית הדביקו במהירות את הטכנולוגיות המובילות בעולם, לעתים קרובות עם פחות משאבים משמעותית מאשר עמיתיהם האמריקאים. במדינה אחת, שלושה דורות בעלי רקע שונה מאוד מתכנסים: אחד שחווה את שבר העבר, אחד שהתמודד עם התיעוש, ואחד ששולט בטכנולוגיות דיגיטליות בקלות.

יש כאן לקח שמשתרע מעבר לסין. שלושה דורות באותה מדינה הם עובדה דמוגרפית. איחוד הידע שלהם בחברה אחת הוא אתגר ארגוני, וקשה הרבה יותר. הידע החווייתי של דור המתועש והמיומנויות הדיגיטליות של הדור הצעיר לא מתמזגים אוטומטית. יש לשלב אותם ביחסי עבודה קונקרטיים - מול המכונה, בבדיקות, באינטראקציות עם לקוחות.

כאשר מהירות מאפילה על הלמידה

דוגמה ממחוז שאנדונג ממחישה עד כמה אתגר זה קונקרטי. יצרנית גדולה של כלי רכב ומכונות חקלאיות בעיר הנמל ריז'או, חברה המעסיקה כ-10,000 עובדים, מפעילה תוכנית התמחות משלה. מנהלה תיאר לארגון העבודה הבינלאומי בעיה המוכרת לחברות תעשייתיות רבות: עומס העבודה הגבוה של הפעילות היומיומית הותיר מעט זמן להכשרה שיטתית של מתמחים. הייצור קיבל עדיפות, והלמידה הפכה למחשבה שלאחר מעשה.

התצפית הזו פוגעת בעצב. באופן אירוני, דווקא הקצב שהופך חברה לחזקה יכול למנוע ממנה את הזמן להעביר את המומחיות שלה הלאה. בשלב צמיחה שבו כל שעת מכונה חשובה ולוחות הזמנים הדוקים, השעה שעובד מיומן מנוסה מבלה עם שוליה נראית כגורם עלות. התועלת שלה מתבררת רק שנים לאחר מכן, כאשר השוליה פותר בעיות באופן עצמאי, נמנע מטעויות ומנחה אחרים. מבחינה כלכלית, הכשרה היא השקעה עם אופק ארוך טווח ותשואות לא ודאיות, מכיוון שהעובד המיומן יכול לעזוב את החברה בכל עת. שווקים המתמקדים מאוד בביצועים לטווח קצר משקיעים פחות מדי באופן שיטתי בצורה זו של הון אנושי.

סין הכירה בבעיה. במשך מספר שנים, הממשלה מקדמת את פיתוחה של מערכת חניכות מודרנית שמטרתה לשלב טוב יותר את הניסיון המעשי במקום העבודה עם הוראה בכיתה, תוך הסתמכות מפורשת על ניסיון מאירופה. בתמיכה בינלאומית, גויסו חברות פיילוט, פותחו סטנדרטים להכשרה ושלבי הכשרה נבנו. עם זאת, מערכת כזו לא יכולה להיווצר באמצעות צו תוך מספר שנים בלבד. היא דורשת חברות שמבינות הכשרה כחלק מזהותן המרכזית, מאמנים בעלי כישורים פדגוגיים ומקצועיים, כישורים מוכרים ומעמד חברתי לחינוך מקצועי שיכול להתחרות במסלול האקדמי. בחברה שבה הגאוקאו (סוג של חניכות) ולימודים אוניברסיטאיים נחשבים לסטנדרט הזהב במשך עשרות שנים, זה מייצג שינוי תרבותי.

הפתרון הכמעט-פנים-ארגוני: כיצד Xpert.Digital סוגרת פערים תפעוליים בשיווק ומכירות B2B – עסק חכם מונחה תוכן - תמונה: Xpert.Digital

Xpert.Digital הוא מרכז תעשייתי B2B מונחה נתונים בראשות Konrad Wolfenstein . החברה משמשת כפתרון חיצוני, מעין פנימי, עבור שותפים תעשייתיים, וסוגרת פערים תפעוליים בשיווק, תוכן ומכירות - מבלי לדרוש משאבים נוספים מצד הלקוח.

מידע נוסף כאן:

• הפתרון הכמעט-פנים-ארגוני: כיצד Xpert.Digital סוגרת פערים תפעוליים בשיווק ומכירות B2B – עסקים חכמים מונעי תוכן

המשוואה הגרמנית: דמוגרפיה פוגשת דיגיטציה

כל מי שמסיק מכך שגרמניה יכולה לשבת ולהירגע טועה בגדול. למודל הגרמני יש יתרון, אך הוא נמצא תחת לחץ שעוצמתו לרוב אינה מוערכת כראוי.

על פי חישובים של המכון הכלכלי הגרמני (IW), כמעט 19.5 מיליון איש מדור הבייבי בום יגיעו לגיל פרישה עד 2036. במקביל, פחות צעירים נכנסים לשוק העבודה באופן משמעותי. התוצאה הסופית היא מחסור מתקרב בכוח אדם של כ-4.3 מיליון. זהו יותר מנתון סטטיסטי בלבד. משמעות הדבר היא שבעשר השנים הקרובות, חלק ניכר מהניסיון והידע שנצברו בחברות גרמניות יאבדו לפרישה. דור הבייבי בום, בפרט, מייצג את כוח העבודה המנוסה ביותר במקצועות טכניים רבים, ניהול איכות, תחזוקה ומכירות של מוצרי הון מורכבים.

המצב קריטי אף יותר בצמרת החברות. יותר משליש מבעלי העסקים הבינוניים הם כיום מעל גיל 60, וחמישית נוספת הם בין הגילאים 55 ל-59. הגיל הממוצע הוא מעל 54. עד סוף שנת 2029, כ-109,000 בעלי עסקים קטנים ובינוניים מתכננים למסור את עסקיהם לבעלים חדשים מדי שנה. במקביל, מאות אלפי יזמים מתכננים לסגור את עסקיהם עקב מחסור ביורשים, במקום להעביר את הבעלות. עם כל עסק שנסגר, לא רק מקומות עבודה והכנסות נעלמים, אלא גם ידע על לקוחות, תהליכים ושווקי נישה שלעולם לא ניתן יהיה לשקם במלואם.

גם היסודות שעליהם נשען יתרונה של גרמניה מתפוררים. מספר חוזי ההכשרה המקצועית הכפולים שנחתמו לאחרונה ירד לקצת פחות מ-476,000 בשנת 2025. זהו מספר נמוך של 10,000 לעומת השנה הקודמת, ירידה של 2.1 אחוזים, הנובעת בעיקר מפחות חוזים מבוססי חברה. במקביל, משרות חניכות רבות נותרות לא מאוישות, בעוד שחלק מהצעירים אינם מוצאים מקום מתאים. חוסר ההתאמה בין היצע לביקוש הוא נושא חוזר במדיניות החינוך המקצועי.

התמונה מעורבת באופן דומה בכל הנוגע לשימוש בבינה מלאכותית. קצת יותר מרבע מהחברות הגרמניות עם לפחות עשרה עובדים השתמשו בטכנולוגיות בינה מלאכותית בשנת 2025, בהשוואה לחמישית בשנה הקודמת. קצב הצמיחה יוצא דופן. עם זאת, הפער בין חברות גדולות לקטנות ניכר. יותר ממחצית החברות עם לפחות 250 עובדים משתמשות בטכנולוגיות בינה מלאכותית, בעוד שבחברות עם עשרה עד 49 עובדים, מדובר אפילו לא ברבע. בינה מלאכותית משתלטת כיום בצורה האיטית ביותר דווקא במקומות שבהם ידע חווייתי צפוף ופגיע במיוחד - כלומר במפעלים תעשייתיים קטנים ובינוניים.

המשוואה הגרמנית, אם כן, היא כזו: גוף גדול של ידע חווייתי, מספר הולך ופוחת של בעליו, מספר הולך ופוחת של כישרונות צעירים, ודיגיטציה מהוססת בעסקים קטנים ובינוניים. דבר זה יכול להפוך ליתרון תחרותי, אך רק אם ניתן לאבטח את הידע הקיים במסגרת זמן ניתנת לניהול, להעבירו הלאה ולהפוך אותו לשימושי בעזרת כלים חדשים.

שלושה דורות סביב שולחן אחד

שיחה שהתקיימה בחברה בינונית ממחישה כיצד זה יכול להיראות בקנה מידה קטן יותר. שלושה אנשים משלושה דורות ישבו סביב השולחן. המבוגר ביותר, דירק, בן 67. הוא מביא את השאלות שלקוח עשוי לשאול מאוחר יותר, את ההתנגדויות שהועלו במהלך מבחני קבלה, את השאלות הקריטיות לגבי עמידות, ואת הניסיון של היכן פרויקטים בדרך כלל נכשלים. באמצע יושב בן 45 עם רקע בהנדסת מכונות וניהול איכות - מישהו שמכיר תהליכים, סטנדרטים ולוגיקת בדיקות. הצעיר ביותר, מקסי, בן 16. הוא בנה את הבינה המלאכותית של החברה.

מצב זה מאתגר סדר לא מדובר שעדיין שורר בחברות רבות כיום. אם ההחלטה מי יכול להסביר משהו למי הייתה מבוססת על שנות שירות, מפתח הבינה המלאכותית היה האחרון לקבל את האישור. בהיררכיות מסורתיות, הידע זורם מלמעלה למטה, מהמנוסה לחדש, מהמאסטר לשוליה. בעולם שבו כלים דיגיטליים מתפתחים מהר יותר ממה שניתן להתאים את תקנות ההכשרה, רחוב חד-סטרי זה כבר אינו מספיק.

הערך האמיתי של משולש זה טמון בעובדה שכל אחד מהם מביא משהו שחסר לאחרים. האדם המנוסה יודע אילו שאלות חשובות אך ייתכן שלא יוכל לתרגם אותן למערכת. הדור הצעיר יכול לבנות מערכות אך אינו יודע על אילו שאלות הוא צריך לענות. דור הביניים מגשר על הפער בין שני העולמות הללו, מבנה ידע לתהליכים, קריטריונים ונהלי בדיקה. רק באמצעות יחסי גומלין אלה יכולה לצמוח יישום בינה מלאכותית שלא רק מתפקד טכנית אלא גם עומד בביקורת של לקוח תובעני.

מחקר משאבי אנוש מתייחס למגמה ההפוכה, שבה צעירים מציגים טכנולוגיות חדשות לאנשים מבוגרים, כ"חונכות הפוכה". בעידן הבינה המלאכותית, זה הופך ליותר מסתם כלי לפיתוח כוח אדם. זה הופך לתנאי הכרחי לשילוב ידע חווייתי במערכות דיגיטליות. זה דורש מאנשים מבוגרים להיות מוכנים להקשיב לאדם בן שש עשרה. זה דורש מאנשים צעירים לא לפטור את שאלתו של אדם בן 67 כחוסר הבנה טכנולוגית, אלא כאינדיקציה לבעיה שהמערכת שלהם עדיין לא פתרה. שניהם תובעניים יותר ממה שהם נשמעים משום שהם נוגעים במעמד, דימוי עצמי ותפקידים מושרשים.

הכשרה מקצועית כפולה כתשתית בינה מלאכותית שלא מוערכת מספיק

כאן בא לידי ביטוי כוחן של העסקים הקטנים והקטנים בגרמניה. עם מערכת הכשרה מקצועית כפולה, לגרמניה יש מוסד שמשיג בדיוק את מה שכלכלות רבות אחרות לא מצליחות לעשות: היא מאחדת באופן שיטתי צעירים ואנשי מקצוע מנוסים בחברות במשך מספר שנים, בהנחיית כללים ברורים. חניכים לומדים לא רק בבתי ספר מקצועיים אלא גם על מכונות אמיתיות, עובדים על הזמנות אמיתיות מלקוחות, בהדרכתם של אנשים ששולטים במלאכתם במשך עשרות שנים. המערכת מאובטחת באמצעות לשכות מסחר, תקנות הכשרה ובחינות, ולמרות ביקורת מסוימת, נהנית מרמת הכרה חברתית שמדינות אחרות מקנאות בה.

עד כה, הכשרה מקצועית כפולה נתפסה בעיקר ככלי להבטחת עובדים מיומנים ולשילוב צעירים בשוק העבודה. בעידן הבינה המלאכותית, היא מקבלת תפקיד נוסף, שלא זכה לתשומת לב רבה בעבר: היא משמשת כתשתית להעברת ידע בין דורות, בשני הכיוונים. אמן המלאכות יכול להראות לשוליה כיצד לזהות פגם. השוליה יכול להראות לאמן המלאכות כיצד ידע זה יועיל לכל הסדנה מחר, משום שהוא יודע כיצד לבנות אותו במסד נתונים של ידע, להזין אותו לעוזר בינה מלאכותית, או לתרגם אותו לדוח בדיקה דיגיטלי.

גישה כפולה זו הופכת את המודל להזדמנות פוטנציאלית עבור אירופה כולה. סביר להניח שהיבשת לא תעקוף את ארצות הברית או סין במרוץ למודלים השפה הגדולים ביותר ולמרכזי הנתונים החזקים ביותר. עם זאת, היא יכולה לפתח כוח במקומות שבהם בינה מלאכותית פוגשת את הפרקטיקה התעשייתית: בייצור, אבטחת איכות, תחזוקה, לוגיסטיקה והנדסת מפעלים. בתחומים אלה, הידע החווייתי של כוח העבודה הוא המשאב המכריע, ואירופה, ובמיוחד המדינות דוברות גרמנית בעלות מסורת ההכשרה המקצועית שלהן, מחזיקה בידע זה בשפע.

עם זאת, כדי לממש פוטנציאל זה, הכשרה מקצועית כפולה חייבת להתפתח. תקנות הכשרה המתייחסות למיומנויות דיגיטליות רק כנושא שולי אינן משקפות את המציאות. המאמנים עצמם זקוקים לגישה לכלי בינה מלאכותית ולחופש להשתמש בהם בהכשרתם היומיומית. חברות חייבות לספק לחניכים מרחבים שבהם הם יכולים לפתח ולבחון פתרונות דיגיטליים משלהם, במקום פשוט להתאים אותם לתהליכים מוגדרים מראש. ותפקידו של החניך חייב לעבור ממקבל בלבד למשתתף פעיל. חוק הבינה המלאכותית האירופי כבר מחייב חברות להבטיח שלעובדיהן יהיו מיומנויות בינה מלאכותית מספיקות. הכשרה מקצועית כפולה תהיה מקום ברור למילוי חובה זו לא כנטל בירוקרטי, אלא כהשקעה.

מידיעת מאסטר לזיכרון סדנה

כיצד ניתן לתרגם את המושג הזה ליישומים עסקיים מעשיים? הניסיון מראה שפרויקטים רבים של ניהול ידע נכשלים משום שהם מתחילים בצורה מופשטת מדי. תוכנה נרכשת, ויקי מוקם, והתקווה היא שעובדים מנוסים יתרמו מהידע שלהם. זה קורה לעיתים רחוקות משום שידע סמוי לא ניתן להמיר לטקסט בלחיצת כפתור, ומשום שלמעורבים פשוט אין זמן לעבודה היומיומית שלהם. גישה מבטיחה יותר היא גישה המתמקדת בעבודה הקונקרטית עצמה.

צעד ראשון הוא לזהות את מאגרי הידע בתוך החברה. אילו עובדים מחזיקים בידע שאין לאף אחד אחר? מי מהם יפרוש בחמש השנים הקרובות? באילו שלבי תהליך מתרחשות השגיאות היקרות ביותר, ומי יודע כיצד להימנע מהן? ניתוח סיכונים כזה של בסיס הידע הוא חדש עבור רוב העסקים הבינוניים, למרות שהוא חשוב לא פחות לכדאיות עתידית כמו הערכת מכונות או מצב פיננסי.

שלב שני כרוך ביצירת קבוצות או שלישיות בין-דוריות עם משימה ברורה. במקום פשוט להעביר ידע כללי, איש מקצוע מנוסה ועמית צעיר יותר, בעל ידע דיגיטלי, עובדים יחד על בעיה ספציפית. הם עשויים, למשל, לפתח עוזר בינה מלאכותית לפתרון בעיות במערכת מסוימת, שאלון לבדיקות קבלה של לקוחות, או פרוטוקול בדיקה דיגיטלי המתעד דפוסי שגיאה אופייניים עם תמונות והסברים. הידע אינו מוערך באופן מופשט, אלא הופך לגלוי באמצעות דיאלוג. העמית המנוסה מסביר מדוע הוא מקדיש תשומת לב רבה לנקודה מסוימת, והעמית הצעיר יותר שואל שאלות עד שמתגלה כלל מובן.

כלי בינה מלאכותית מודרניים מפשטים משמעותית את התהליך הזה. ניתן לתמלל ולבנות הקלטות של שיחות באופן אוטומטי. ניתן לקשר תמונות וסרטונים של תהליכי עבודה עם הסברים. מודלים של דיבור יכולים לגשת למסמכי חברה, דוחות תלונות ופרוטוקולי בדיקה, ולהגיב לעובדים בשפה טבעית. בדרך זו, נוצר בהדרגה זיכרון של סדנה, כזה שאינו צובר אבק בתיקייה אלא זמין בקלות בעבודה היומיומית. עובדים צעירים יותר שואלים את העוזר הדיגיטלי, שלמד מעמיתים מנוסים, שאלות, והעמיתים המנוסים רואים שהמומחיות שלהם חורגת מעבר לפנסיה.

שלב שלישי נוגע לתמריצים ולהכרה. העברת ידע דורשת זמן, וזמן זה חייב להיות מתוכנן ומוערך. חברות המודדות את עובדיהן המנוסים ביותר אך ורק לפי תפוקת הייצור, כמעט ולא יצליחו לגרום להם לחלוק את הידע שלהם. הניסיון משאנדונג חל כאן בדיוק כפי שהוא חל בשוואביה. היכן שקצב העסקים היומיומי מאפיל על כל השאר, לא מתרחשת העברת ידע. הקצאות זמן קבועות להעברת ידע, הערכה נראית לעין של תפקיד החונכות ומודלים גמישים למעבר לפרישה, כגון עבודה במשרה חלקית או פעילויות ייעוץ לאחר הפרישה, כולם מועילים. אלו אפשרויות נגישות במיוחד עבור עסקים קטנים ובינוניים (SME), שלעתים קרובות מכירים את עובדיהם המנוסים באופן אישי.

שלב רביעי הוא אבטחת איכות של ידע מבוסס. לא כל מה שעובד מנוסה מחשיב כנכון הוא אכן נכון. חלק מכללי האצבע מקורם בזמנים שבהם היו קיימים חומרים, מכונות או סטנדרטים שונים. לכן, יש לשמור, לסקור ולעדכן את הזיכרון הקולקטיבי של סדנה. גם כאן, שיתוף פעולה בין-דורי יכול להיות מועיל. עובדים צעירים יותר מטילים ספק בפרקטיקות מבוססות, עובדים מבוגרים יותר מסבירים את מקורותיהן, ויחד הם מחליטים מה צריך להישאר.

גבולות התזה

ניתוח כנה חייב להכיר גם בחולשות של הימור זה. ראשית, ההובלה של גרמניה בידע חווייתי אינה מובנת מאליה. סין בנתה בסיס עצום של ניסיון תעשייתי תוך עשורים ספורים בלבד. הדור שהוביל את התיעוש שלה מחזיק בידע תהליכי עצום, ואין זה מובן מאליו שידע זה יועבר הלאה בצורה פחות יעילה מאשר ידע גרמני. יתר על כן, חברות סיניות מגייסות באופן פעיל מהנדסים מנוסים מאירופה, ורכישות של עסקים קטנים ובינוניים אירופאים משרתות במשך שנים גם את מטרת העברת הידע. ידע מרומז קשה להעתקה, אך בהחלט רגיש לרכישה.

שנית, נרטיב שמסתמך בעיקר על ידע חווייתי עלול לזלזל במהירות שבה מכונות לומדות. מערכות בינה מלאכותית מודרניות לומדות דפוסים מכמויות עצומות של נתונים שאף אדם מעולם לא ניסח במודע. בתחומים מסוימים של עיבוד תמונה, אופטימיזציה של תהליכים ומחקר חומרים, הן כבר עולות על אנשי מקצוע מנוסים. אלו המחזיקים במיליוני נקודות נתונים של חיישנים וברמה גבוהה של אוטומציה, כפי שהופך לסטנדרט יותר ויותר במפעלים סיניים, יכולים להחליף חלק מהידע החווייתי בכמויות עצומות של נתונים. לכן, התזה של ידע מומחה שאין לו תחליף אינה נכונה בכל מקום. היא חזקה ביותר כאשר סדרות הייצור קטנות, הווריאציות רבות ודרישות הלקוח הן אינדיבידואליות - דווקא בייצור מכונות למטרות מיוחדות, הנדסת מפעלים ובמגזרי נישה רבים של עסקים בינוניים.

שלישית, גרמניה מתמודדת עם בעיות שלא משנה כמה טובה מערכת ההכשרה המקצועית שלה, היא אינה יכולה לפצות עליהן. מחירי אנרגיה גבוהים, תהליכי אישור ארוכים, תנופת השקעות חלשה, דיגיטציה מהוססת של המנהל הציבורי ואימוץ איטי יחסית של טכנולוגיות דיגיטליות בעסקים קטנים - כולם משפיעים על התחרותיות שלה. הירידה במספר חוזי החניכות מדגימה שהמערכת הדואלית עצמה נמצאת תחת לחץ. יתרון שאינו מנוצל אינו יתרון כלל.

רביעית, קיימת סכנה של שאננות. הנרטיב של ידע חווייתי בלתי נראה יכול להפוך לתירוץ נוח לדחיית שינויים הכרחיים. אלו המסתמכים על כישורי כוח העבודה שלהם מבלי לשמור עליהם, להפוך אותם לדיגיטליים ולפתח אותם, הופכים את היתרון הגדול ביותר שלהם לסיכון הגדול ביותר שלהם. משום שידע חווייתי שנעלם עם הפרישה הולך לאיבוד באופן בלתי הפיך.

העותק או המיומנות: מה הולך לאיבוד מהר יותר?

למרות התנגדויות אלו, התזה הבסיסית נותרה תקפה, דווקא משום שהיא מכילה קריאה ברורה לפעולה. התחרות בעידן הבינה המלאכותית לא תוכרע אך ורק על ידי כוח מחשוב וגודל המודל. במידה ניכרת, היא תוכרע על ידי אילו חברות וכלכלות יצליחו לשלב ניסיון אנושי עם אינטליגנציה של מכונה. המודלים הטובים ביותר יהיו זמינים לכולם. המומחיות הטובה ביותר תישאר נדירה.

בתחרות זו, לגרמניה יש יתרון ממשי. היא מתגאה ברשת צפופה של חברות בינוניות מתמחות בעלות ידע מעמיק בתהליכים, מערכת מוכחת המאחדת דורות בתוך החברה, ומסורת של הערכת כישורים מקצועיים בחברה. במקביל, הזמן אוזל. בעשר השנים הבאות, מיליוני אנשי מקצוע מנוסים יפרשו לגמלאות, עשרות אלפי חברות יחפשו ירושה מדי שנה, ומספר חוזי ההתמחות הולך ופוחת. חלון ההזדמנויות לאבטח ידע קיים ולשלב אותו עם כלים חדשים מוגבל.

זה מוביל לשאלה האסטרטגית האמיתית עבור גרמניה כמקום עסקי. סין יכולה להעתיק מכונה, ובקצב שמפתיע שוב ושוב יצרנים אירופאים. גרמניה, לעומת זאת, מסתכנת באיבוד המומחיות שלה בשקט, שנה אחר שנה, עם כל פרישה שאינה מלווה במסירה ראויה. שניהם איום. השני מסוכן יותר משום שהוא לא מגיע לכותרות ומשום שהוא בלתי הפיך. מכונה מועתקת יכולה להיות עוקפת במכונה טובה יותר. מומחיות שאבדה ניתנת לבנייה מחדש רק בקושי רב ובצורה לא שלמה.

החדשות הטובות הן שהפתרון לא חייב להיות טמון בתוכניות של מיליארדי דולרים או בפרויקטים בקנה מידה גדול. זה מתחיל בשולחן שבו בן 67, בן 45 ואדם בן 16 מדברים זה עם זה. כל אחד תורם את המומחיות שלו, וכל אחד מקשיב לאחרים, ללא קשר למי נמצא בחברה הכי הרבה זמן. אם השיחות הללו יתקיימו בעשרות אלפי חברות, נתמכות באופן שיטתי על ידי מערכת הכשרה מקצועית כפולה מודרנית וכלי בינה מלאכותית שהופכים את הידע לגלוי ונגיש, אז ההון הבלתי נראה של עסקים קטנים ובינוניים (SME) יהפוך ליתרון תחרותי שאף מפעל בעולם לא יוכל לשכפל בפשטות.

ההימור על גרמניה אינו הימור על נוסטלגיה, על הסדנה הישנה והטובה, או על עליונותן של מעלות העבר. הוא מסתמך על נכונות הדורות ללמוד זה מזה, בשני הכיוונים. כל מי שרוצה לנצח בכך חייב להתחיל היום, בזמן שהאנשים שידיעותיהם מונח על כף המאזניים עדיין עובדים בחברה.

מנראות לאמון: הנתיב הניתן להרחבה שלך עם Xpert.Digital - תמונה: Xpert.Digital

ב-B2B תעשייתי, קשרים עסקיים בני קיימא לעיתים רחוקות נוצרים בן לילה. הם מתפתחים צעד אחר צעד - באמצעות נראות, רלוונטיות מקצועית, נקודות מגע חוזרות ואמון גובר. מודל 4 השלבים של Xpert.Digital מטפל בדיוק בזה: הוא מציע נתיב מובנה שמתחיל בנקודת כניסה ניתנת לניהול ויכול להתפתח לשיתוף פעולה מעמיק יותר בפיתוח עסקי במידת הצורך.

במקום להסתמך על הבטחות שיווקיות קולניות, מודל זה שם את מערכת היחסים בחזית. חברות מתחילות עם מדדים מוגדרים בבירור וניתנים לחישוב בקלות, ולאחר מכן מחליטות, בהתבסס על ניסיונן האישי, עד כמה הן רוצות להרחיב את שיתוף הפעולה. גורם מפתח לתהליך בניית האמון הבלתי מופרע הזה: הפלטפורמה נמנעת לחלוטין ממודעות פרסום מעצבנות, כך שהמוקד העריכה נשאר אך ורק על המומחיות של החברות.

מידע נוסף כאן:

• מנראות לאמון: הנתיב הניתן להרחבה שלך עם Xpert.Digital

☑️ שפת העסקים שלנו היא אנגלית או גרמנית

☑️ חדש: התכתבות בשפת האם שלך!

Konrad Wolfenstein

אני והצוות שלי שמחים לעמוד לרשותכם כיועצים האישיים שלכם.

ניתן ליצור איתי קשר על ידי מילוי טופס יצירת הקשר כאן [email protected]:או פשוט להתקשר אליי למספר 49 7348 4088 965+. כתובת הדוא"ל שלי היא

אני מצפה בקוצר רוח לפרויקט המשותף שלנו.

☑️ תמיכה לעסקים קטנים ובינוניים באסטרטגיה, ייעוץ, תכנון ויישום

☑️ יצירה או התאמה מחדש של האסטרטגיה הדיגיטלית והדיגיטציה

☑️ הרחבה ואופטימיזציה של תהליכי מכירה בינלאומיים

☑️ פלטפורמות מסחר B2B גלובליות ודיגיטליות

☑️ פיתוח עסקי חלוצי / שיווק / יחסי ציבור / ירידי סחר