Szakértői tudás találkozik a mesterséges intelligenciával: Németország mesterséges intelligencia jövője nem az adatközpontban, hanem a műhelyben dől el

A mesterséges intelligencia felgyorsíthatja a hibákat – ha a vállalatok elveszítik szakembereik tudását

Németország döntő előnye a mesterséges intelligencia korában talán ott rejlik, ahol aligha gyanítja bárki: nem a hatalmas adatközpontokban vagy a legújabb nyelvi modellekben, hanem a tapasztalt szakemberek elméjében és kezében. Tudásuk a kézügyességben, a képzett szemekben és abban az intuícióban rejlik, hogy felismerjék, ha egy gép nem működik megfelelően, vagy egy alkatrész alaposabb vizsgálatot igényel. Ez ritkán található meg egy kézikönyvben – és nem is lehet egyszerűen lemásolni.

De pontosan ez a tapasztalati tudás az, ami az elveszés veszélyében van. A baby boom generáció több millió alkalmazottja közeledik a nyugdíjhoz, miközben sok vállalatnál hiány van a fiatal tehetségekből. Ugyanakkor a vállalatok bevezetik a mesterséges intelligenciát, amely felgyorsíthatja a folyamatokat és felismerheti a mintákat, de a munkaerő ismerete nélkül lehet, hogy a rossz problémán dolgozik. Németország lehetősége tehát nem feltétlenül abban rejlik, hogy a legnagyobb modellekért folytatott verseny élvonalában legyen. Abban rejlik, hogy értelmesen ötvözi az emberi készségeket és a mesterséges intelligenciát – és átadja a tudást a generációk között mindkét irányban. A döntő kérdés az, hogy a kis- és középvállalkozásoknak (kkv-knak) még mindig van-e elég idejük erre.

Kína hónapok alatt lemásolja a gépeket. Németország évek alatt elveszíti tapasztalati tudását, és ezt alig veszi észre bárki

Akik a mesterséges intelligencia fellendüléséről beszélnek, általában a láthatóra koncentrálnak. Adatközpontokról, grafikus processzorokról, milliárd dolláros értékelésekről, nyelvi modellekről és robotkarokról beszélnek, amelyek másodpercek alatt megragadják az alkatrészeket. Mindez lefényképezhető, bemutatható prezentációkban és tükröződhet a mérlegekben. De ami igazán értékessé tesz egy vállalatot a jövőben a mesterséges intelligencia segítségével, az valahol ott rejlik, ami egyetlen fényképen sem látszik: azoknak az embereknek a tapasztalati tudásában, akik évtizedek óta dolgoznak gépekkel, anyagokkal, ügyfelekkel és hibákkal.

Egy gép lemásolható. Egy MI-modell fejleszthető, betanítható és adaptálható az adott igényekhez. Azonban azt, hogy egy tapasztalt ellenőr miért nézi meg újra egy adott pontot az átvételi vizsgálat során, gyakran egyetlen kézikönyv sem magyarázza meg. Talán tizenöt évvel ezelőtt tanúi voltak egy hegesztési hibának pontosan azon a helyen. Talán ismerik a beszállítót, akinek a tűréshatárai télen és nyáron eltérnek. Talán egyszerűen csak hallják egy motor hangját, mint egy figyelmeztető jelet, hogy valami nincs rendben. Kritikus helyzetben ez a tudás határozza meg, hogy egy vállalat profitál-e a MI-ből, vagy csupán egy költséges hibát követ el gyorsabban.

Ez egy olyan kockázathoz vezet, ami elsőre ellentmondásosnak tűnik. Különösen a mesterséges intelligencia korában a német kkv-k strukturális előnnyel rendelkezhetnek. Ez nem a jobb szoftvereknek vagy a nagyobb adatközpontoknak köszönhető, mivel mások mindkét területen előrébb járnak. Az előny egy olyan intézményben rejlik, amely generációk óta összehozza a fiatalokat és a tapasztalt szakembereket a vállalaton belül. Az azonban, hogy ez a kockázat megtérül-e, két kérdéstől függ: Mit tud az egyik generáció, amit a következő még tanulhat? És ki hajlandó meghallgatni a másik irányban is?

A csendes tudás közgazdaságtana

A közgazdaságtanban egy kissé nehézkes kifejezéssel jelölik azt, amivel a tapasztalt szakmunkások, mesteremberek és mérnökök rendelkeznek: implicit tudás. Ez olyan készségekre utal, amelyeket nehéz vagy akár lehetetlen szavakba önteni. A munkaerőpiaci kutatások régóta különbséget tesznek az explicit tudás, amely leírható, közölhető és beépíthető a tantervekbe, és a hallgatólagos tudás között, amely a manuális készségekbe, az érzékelési mintákba és az ítéletekbe ágyazódik. A tapasztalati tudást az eljárási tudás különösen fejlett formájának tekintik. Mindkét szintet összekapcsolja olyan módon, hogy az emberek megbízhatóan meg tudják oldani a feladatokat még hiányos információk, időnyomás és változó körülmények között is.

Gazdasági szempontból ez a tudás három okból is figyelemre méltó. Először is, aligha piacképes. Nincs olyan piac, ahol meg lehetne vásárolni egy minőségellenőr kritikus pontokra vonatkozó ösztönét. Legjobb esetben is fel lehet venni azt a személyt, aki rendelkezik vele, és még akkor is csak akkor sikerül az átadás, ha az új környezet lehetővé teszi számára, hogy alkalmazza a készségeit. Másodszor, nehéz lemásolni. A tervrajzok rekonstruálhatók visszafejtéssel, gyártóberendezések vásárolhatók, és szoftverek programozhatók újra. A folyamatismeret, az ügyfél-megértés és a hibákkal kapcsolatos tapasztalatok kölcsönhatása, amely egy már működő vállalaton belül kialakul, nagyrészt ellentmond ennek a logikának. Harmadszor, elveszik, ha nem adják tovább. Egy géppel ellentétben, amely tárolható, a tapasztalati tudás eltűnik azzal a személlyel, aki elhagyja a vállalatot.

Ez a jellemző számos német rejtett bajnok versenyképességének alapja. Globális piacvezető szerepük ritkán egyetlen látványos találmányon alapul. Több ezer apró fejlesztésen, olyan gyártási tűréshatárokon alapul, amelyeket mások nem tudnak megbízhatóan elérni, és azon a képességen, hogy az ügyfél problémáit még azelőtt megoldják, hogy az ügyfél egyáltalán megfogalmazhatná azokat. Ez felhalmozott tapasztalati tudás, amely eloszlik az elmék, a kezek és az osztályok között. Nem jelenik meg a mérlegben. De bárki, aki valaha is látott egy céget hirtelen panaszok özönét generálni két kulcsfontosságú személy távozása után, tudja, milyen értékes ez.

Miért gyorsítja fel a mesterséges intelligencia a hibákat is?

A mesterséges intelligencia lényegében egy erősítő. Gyorsabban dolgozza fel az adatokat, nagyobb mennyiségben ismeri fel a mintákat, és automatizálja azokat a döntéseket, amelyek korábban emberi beavatkozást igényeltek. Ez a hatalmas előnye. De ez a kockázata is, mivel az erősítő nem tesz különbséget a jó és a rossz jelek között. Egy olyan modell, amely hiányos vagy torzított adatokból tanul, nemcsak továbbadja a gyengeségeit, hanem felerősíti azokat.

A mindennapi ipari gyakorlatban ez nagyon is kézzelfoghatóvá válik. Egy mesterséges intelligenciával támogatott optikai minőségellenőrző rendszer rövid idő alatt több millió alkatrészt képes ellenőrizni. De ha senki sem tudja, mely hibaminták valóban kritikusak, akkor megbízhatóan a rossz dolgokat fogja megvizsgálni. Egy nyelvi modell másodpercek alatt képes ajánlatokat, karbantartási utasításokat és tesztjelentéseket megfogalmazni. Ha nem ismeri az igényes ügyfél által az átvételi tesztelés során feltett kérdéseket, akkor simán megírt dokumentumokat szállít, amelyek a döntő pillanatban hibát jeleznek. Egy prediktív karbantartási algoritmus képes kiértékelni az érzékelőadatokat. De ha nem tudja, mely eltérések ártalmatlanok és melyek jeleznek hibát, akkor vagy téves riasztásokat generál, vagy megtévesztő nyugalomérzetet kelt.

A valódi értékteremtés tehát nem magában a modellben, hanem a modell és a szakértői tudás kombinációjában keletkezik. A nagy, alapvető modellek egyre inkább tömeggyártásba kerülnek. Interfészeken keresztül érhetők el, a számításonkénti ár csökken, és a teljesítménybeli különbségek is csökkennek. Ami megkülönböztet egy vállalatot a versenytársaitól, az az, hogy milyen tudást tud betáplálni ezekbe a rendszerekbe. Ez magában foglalja, hogy mely hibakatalógusokat tartja karban, milyen tesztkritériumokat fogalmazott meg, milyen kivételeket ismer fel, és mely ügyféligényeket ért meg. Az adatok azonban csak a történet fele. A döntő fontosságú az ítélőképesség, amely meghatározza, hogy mely adatok számítanak valójában.

Ez kellemetlen felismeréshez vezet mindazok számára, akik elsősorban a tapasztalt munkaerő megspórolásának eszközének tekintik a mesterséges intelligenciát. Azok, akik éppen a MI-rendszerek bevezetésekor bocsátják el a folyamatokat legmélyebben ismerő embereket, megfosztják ezeket a rendszereket legfontosabb erőforrásuktól. A számítás rövid távon működhet, de középtávon költséges hibákhoz vezet.

Tanulságul szolgálhat Kína generációs szakadéka

Kevés példa illusztrálja jobban a generációk közötti tudás kulcsfontosságú szerepét egy ország gazdasági fejlődésében, mint Kína. A kulturális forradalom alatt a felsőoktatás gyakorlatilag leállt. 1966 és 1969 között az egyetemek nem vettek fel új hallgatókat. 1970 és 1976 között csak a politikailag megbízhatónak ítélt jelentkezőket vették fel. Csak 1977 őszén vezették be újra az országos egyetemi felvételi vizsgát, a Gaokaót, tizenegy év szünet után. Az abban az évben megrendezett híres téli Gaokao fordulóponttá vált egy egész generáció számára.

Ennek a szakításnak a következményei óriásiak voltak. Egy generáció éveknyi oktatást veszített, a tanárokat üldözték, a tudást leértékelték, és sok területen nem adták tovább. Annál megdöbbentőbb tehát, ami ezután történt. A következő generáció mindössze néhány évtized alatt olyan ipari gazdaságot épített fel, amelynek üteme gyakorlatilag páratlan a gazdaságtörténetben. Bárki, aki az elmúlt két évtizedben ellátogatott kínai ipari területekre, tanúja lehetett annak, hogyan alakultak át a mezők ipari parkokká, a beszállítók pedig globális piacvezetőkké. Ma Kína a világ legnagyobb ipari nemzete. A gyártásban használt robotok sűrűségét tekintve az ország megelőzte Németországot: 10 000 alkalmazottra vetítve körülbelül 470 ipari robottal a közelmúltban megelőzte a Szövetségi Köztársaságot, és ma már jóval több mint 1,7 millió ipari robot működik kínai gyárakban.

És most egy fiatal kínai generáció fejleszti a mesterséges intelligenciát, méghozzá jelentős sikerrel. A kínai nyelvi modellek gyorsan utolérték a világ vezető technológiáit, gyakran lényegesen kevesebb erőforrással, mint amerikai társaik. Egyetlen országban három, nagyon eltérő hátterű generáció találkozik így: az egyik, amelyik megtapasztalta a múlt törésvonalát, a másik, amelyik az iparosodással foglalkozott, és a harmadik, amelyik könnyedén elsajátítja a digitális technológiákat.

Ez egy Kínán túlmutató tanulságot rejt magában. Három generáció egy országban élése demográfiai tény. Tudásuk egyetlen vállalatnál való egyesítése szervezeti kihívást jelent, ráadásul lényegesen nehezebbet. Az iparosodás generációjának tapasztalati tudása és a fiatalabb generáció digitális készségei nem olvadnak össze automatikusan. Ezeket konkrét munkakapcsolatokban kell kombinálni – a gépeknél, a tesztelésben, az ügyfélkapcsolatokban.

Amikor a sebesség beárnyékolja a tanulást

Egy Shandong tartományból vett példa jól szemlélteti, mennyire kézzelfogható ez a kihívás. Egy Rizhao kikötővárosában található nagy jármű- és mezőgazdasági gépgyártó, körülbelül 10 000 alkalmazottat foglalkoztató vállalat saját tanulószerződéses programot működtet. Az igazgató a Nemzetközi Munkaügyi Szervezetnek egy olyan problémát írt le, amely sok ipari vállalat számára ismerős: a napi működés nagy munkaterhelése miatt kevés idő maradt a tanulók szisztematikus képzésére. A termelés került előtérbe, a tanulás pedig másodlagossá vált.

Ez a megfigyelés sérti a helyzetet. Ironikus módon pont az a tempó, ami egy vállalatot erőssé tesz, megfoszthatja attól az időtől, hogy átadja a szakértelmét. Egy olyan növekedési szakaszban, ahol minden gépóra számít, és a szállítási határidők szorosak, a tapasztalt szakmunkás által a tanulóval töltött óra költségtényezőként jelenik meg. Előnyei csak évekkel később válnak nyilvánvalóvá, amikor a tanuló önállóan oldja meg a problémákat, elkerüli a hibákat, és másokat mentorál. Gazdasági szempontból a képzés hosszú távú és bizonytalan megtérülésű befektetés, mivel a képzett alkalmazott bármikor elhagyhatja a vállalatot. A rövid távú teljesítményre erősen összpontosító piacok ezért szisztematikusan alulfinanszírozzák az emberi tőke ezen formáját.

Kína felismerte a problémát. A kormány évek óta szorgalmazza egy modern tanulószerződéses rendszer kidolgozását, amelynek célja a munkahelyi gyakorlati tapasztalatok jobb integrálása a tantermi oktatással, kifejezetten az európai tapasztalatokra támaszkodva. Nemzetközi támogatással kísérleti cégeket toboroztak, képzési szabványokat dolgoztak ki, és képzési szakaszokat strukturáltak. Egy ilyen rendszer azonban nem hozható létre rendeleti úton, néhány év alatt. Olyan vállalatokra van szükség, amelyek a képzést alapvető identitásuk részének tekintik, pedagógiai és szakmai képesítéssel rendelkező oktatókra, elismert képesítésekre, valamint a szakképzés olyan társadalmi státuszára, amely versenyképes tud lenni az akadémiai úttal. Egy olyan társadalomban, ahol a gaokao (egyfajta tanulószerződéses gyakorlat) és az egyetemi tanulmányok évtizedek óta az aranystandardnak számítanak, ez kulturális változást jelent.

A kvázi házon belüli megoldás: Hogyan hidalja át az Xpert.Digital a B2B marketing és értékesítés működési réseit – Okos, tartalomvezérelt üzlet - Kép: Xpert.Digital

Az Xpert.Digital egy adatvezérelt B2B iparági központ, amelyet Konrad Wolfenstein vezet. A vállalat külső, kvázi házon belüli megoldásként működik az ipari partnerek számára, áthidalva a marketing, a tartalom és az értékesítés működési hiányosságait – anélkül, hogy további erőforrásokat igényelne az ügyféloldalon.

További információ itt:

• A kvázi házon belüli megoldás: Hogyan hidalja át az Xpert.Digital a B2B marketing és értékesítés működési réseit – Smart Content-Driven Business

A német egyenlet: a demográfia találkozik a digitalizációval

Aki ebből arra a következtetésre jut, hogy Németország hátradőlhet és lazíthat, az súlyosan téved. A német modellnek van előnye, de nyomás alatt áll, amelynek mértékét gyakran alábecsülik.

A Német Gazdasági Intézet (IW) számításai szerint 2036-ra közel 19,5 millió baby boom generáció fogja elérni a nyugdíjkorhatárt. Ugyanakkor lényegesen kevesebb fiatal lép be a munkaerőpiacra. Ennek eredményeként körülbelül 4,3 millió fős munkaerőhiány alakul ki. Ez több mint egy statisztikai adat. Ez azt jelenti, hogy a következő tíz évben a német vállalatoknál felhalmozott tapasztalat és tudás jelentős része elveszik a nyugdíjba vonulás miatt. Különösen a baby boomerek képviselik a legtapasztaltabb munkaerőt számos műszaki szakmában, a minőségirányításban, a karbantartásban és az összetett tőkejavak értékesítésében.

A helyzet még kritikusabb a vállalatok élén. A középvállalkozások tulajdonosainak több mint egyharmada ma már 60 év feletti, további egyötödük pedig 55 és 59 év közötti. Az átlagéletkor 54 év felett van. 2029 végére évente mintegy 109 000 kis- és középvállalkozás tulajdonosa tervezi, hogy új tulajdonosnak adja át vállalkozását. Ugyanakkor több százezer vállalkozó tervezi vállalkozása bezárását utód hiányában, a tulajdonjog átruházása helyett. Minden bezáró vállalkozással nemcsak a munkahelyek és a bevételek tűnnek el, hanem az ügyfelekkel, a folyamatokkal és a réspiacokkal kapcsolatos ismeretek is, amelyeket soha nem lehet teljesen rekonstruálni.

Az az alap, amelyen Németország előnye nyugszik, szintén omladozik. Az újonnan megkötött duális szakképzési szerződések száma 2025-ben alig 476 000-re esett vissza. Ez jó 10 000-rel kevesebb, mint az előző évben, ami 2,1 százalékos csökkenést jelent, elsősorban a vállalati alapú szerződések számának csökkenése miatt. Ugyanakkor sok tanulószerződéses pozíció betöltetlen marad, és egyes fiatalok nem találnak megfelelő elhelyezést. A kínálat és a kereslet közötti eltérés visszatérő probléma a szakképzési politikában.

Hasonlóan vegyes a kép a mesterséges intelligencia használatának tekintetében. 2025-ben a legalább tíz alkalmazottat foglalkoztató német vállalatok valamivel több mint negyede használt mesterséges intelligencia technológiákat, szemben az előző évi egyötöddel. A növekedési ütem figyelemre méltó. A nagy- és kisvállalatok közötti különbség azonban jelentős. A legalább 250 alkalmazottat foglalkoztató vállalatok több mint fele használ mesterséges intelligenciát, míg a tíz-49 alkalmazottat foglalkoztató vállalatok esetében ez az arány még a negyedüknél sem éri el a határt. A mesterséges intelligencia jelenleg pontosan ott terjed el a leglassabban, ahol a tapasztalati tudás különösen sűrű és sebezhető – nevezetesen a kis- és középvállalkozásoknál.

A német egyenlet tehát a következő: nagy mennyiségű tapasztalati tudás, a tudás birtokosainak gyorsan csökkenő száma, a fiatal tehetségek számának csökkenése és a kkv-k digitalizációjának vonakodása. Ez versenyelőnnyé válhat, de csak akkor, ha a meglévő tudást kezelhető időkereten belül meg lehet szerezni, tovább lehet adni, és új eszközökkel használhatóvá lehet tenni.

Három generáció egy asztalnál

Egy közepes méretű vállalatnál lefolytatott beszélgetés jól szemlélteti, hogyan nézhet ki ez kisebb léptékben. Három ember ült az asztal körül, három generációból. A legidősebb, Dirk, 67 éves. Elhozza azokat a kérdéseket, amelyeket egy ügyfél később feltehet, az átvételi tesztelés során felmerült kifogásokat, a tartóssággal kapcsolatos kritikus kérdéseket, és a projektek tipikus kudarcaival kapcsolatos tapasztalatait. Középen egy 45 éves, gépészmérnöki és minőségirányítási háttérrel rendelkező személy ül – valaki, aki ismeri a folyamatokat, a szabványokat és a tesztelési logikát. A legfiatalabb, Maxi, 16 éves. Ő építette a vállalat mesterséges intelligenciáját.

Ez a helyzet megkérdőjelezi azt a kimondatlan rendet, amely ma is sok vállalatnál uralkodik. Ha a döntés arról, hogy ki kinek magyarázhat el valamit, a mesterséges intelligencia fejlesztője lett volna az utolsó, aki megkapta volna az engedélyt. A hagyományos hierarchiákban a tudás felülről lefelé áramlik, a tapasztalttól az újoncig, a mestertől a tanulóig. Egy olyan világban, ahol a digitális eszközök gyorsabban fejlődnek, mint ahogy a képzési szabályozások adaptálhatók, ez az egyirányú utca már nem elegendő.

Ennek a háromszögnek az igazi értéke abban rejlik, hogy mindegyik hoz valamit, ami a többiből hiányzik. A tapasztalt egyén tudja, mely kérdések fontosak, de lehet, hogy nem tudja azokat rendszerré alakítani. A fiatalabb generáció képes rendszereket építeni, de nem tudja, mely kérdésekre kell válaszolnia. A középső generáció hidat képez e két világ között, a tudást folyamatokká, kritériumokká és tesztelési eljárásokká strukturálja. Csak ezen kölcsönhatás révén jöhet létre egy olyan MI-alkalmazás, amely nemcsak technikailag működik, hanem ellenáll az igényes ügyfél vizsgálatának is.

A humánerőforrás-kutatás a fordított trendet, amelyben a fiatalabbak vezetik be az idősebbeket az új technológiákba, fordított mentorálásnak nevezi. A mesterséges intelligencia korában ez több lesz, mint pusztán személyzeti fejlesztési eszköz. Előfeltételévé válik annak, hogy a tapasztalati tudás egyáltalán integrálható legyen a digitális rendszerekbe. Ehhez az szükséges, hogy az idősebb emberek hajlandóak legyenek meghallgatni egy tizenhat évest. A fiatalabbak pedig nem a technológiai ismeretek hiányaként utasítsák el egy 67 éves kérdését, hanem inkább egy olyan probléma jelzéseként, amelyet a rendszerük még nem oldott meg. Mindkettő igényesebb, mint amilyennek hangzik, mert a státuszt, az önképet és a berögzült szerepeket érintik.

A duális szakképzés, mint alábecsült mesterséges intelligencia infrastruktúra

Itt mutatkozik meg a német kkv-k ereje. Duális szakképzési rendszerével Németország egy olyan intézménnyel rendelkezik, amely pontosan azt éri el, amit sok más gazdaság nem: szisztematikusan, több éven keresztül hozza össze a fiatalokat és a tapasztalt szakembereket vállalatoknál, egyértelmű szabályok szerint. A tanulók nemcsak a szakiskolában tanulnak, hanem valódi gépeken is, valódi vevői megrendelések alapján, olyan emberek irányítása alatt, akik évtizedek óta elsajátították szakmájukat. A rendszert a kereskedelmi kamarák, a képzési szabályok és a vizsgák biztosítják, és némi kritika ellenére olyan szintű társadalmi elismerésnek örvend, amelyet más országok irigyelnek.

Eddig a duális szakképzést elsősorban a képzett munkaerő biztosításának és a fiatalok munkaerőpiacra való integrálásának eszközeként tekintették. A mesterséges intelligencia korában egy további, korábban figyelmen kívül hagyott funkciót is felvesz: infrastruktúraként szolgál a generációk közötti tudásátadáshoz, mindkét irányban. A mesterember megmutathatja a tanulónak, hogyan azonosítson egy hibát. A tanuló megmutathatja a mesternek, hogy ez a tudás hogyan válik majd a holnapi egész műhely hasznára, mert tudja, hogyan strukturálja azt egy tudásadatbázisban, hogyan táplálja be egy mesterséges intelligencia asszisztensbe, vagy hogyan fordítsa le digitális ellenőrzési jelentéssé.

Ez a kettős megközelítés potenciális lehetőséget kínál a modellnek egész Európa számára. A kontinens valószínűleg nem fogja megelőzni sem az Egyesült Államokat, sem Kínát a legnagyobb nyelvi modellekért és a legerősebb adatközpontokért folytatott versenyben. Azonban erősséget fejleszthet ki ott, ahol a mesterséges intelligencia találkozik az ipari gyakorlattal: a gyártásban, a minőségbiztosításban, a karbantartásban, a logisztikában és az üzemtervezésben. Ezeken a területeken a munkaerő tapasztalati ismeretei a kulcsfontosságú erőforrás, és Európa, különösen a szakképzés hagyományaival rendelkező német ajkú országok, bőségesen rendelkeznek ezzel a tudással.

Ennek a potenciálnak a kiaknázásához azonban a duális szakképzésnek fejlődnie kell. Azok a képzési szabályozások, amelyek a digitális készségeket csak periférikus kérdésként kezelik, nem tükrözik a valóságot. Maguknak az oktatóknak is hozzá kell férniük a mesterséges intelligencia eszközeihez, és szabadon kell tudniuk azokat a napi képzésük során használni. A vállalatoknak olyan teret kell biztosítaniuk a tanulóknak, ahol saját digitális megoldásaikat fejleszthetik és tesztelhetik, ahelyett, hogy egyszerűen csak előre meghatározott folyamatokba illesztenék azokat. A tanuló szerepének pedig a puszta befogadóból az aktív résztvevővé kell válnia. Az európai mesterséges intelligencia törvény már most is kötelezi a vállalatokat arra, hogy biztosítsák alkalmazottaik megfelelő mesterséges intelligencia készségekkel való rendelkezését. A duális szakképzés kézenfekvő hely lenne ennek a kötelezettségnek a teljesítésére, nem bürokratikus teherként, hanem befektetésként.

A mesteri tudástól a műhelymemóriáig

Hogyan lehet ezt a koncepciót a gyakorlati üzleti alkalmazásokba átültetni? A tapasztalat azt mutatja, hogy sok tudásmenedzsment projekt azért bukik meg, mert túl elvontan indul. Szoftvert vásárolnak, létrehoznak egy wikit, és abban reménykednek, hogy tapasztalt alkalmazottak is hozzájárulnak a tudásukkal. Ez ritkán történik meg, mert a hallgatólagos tudás nem alakítható át szöveggé egy gombnyomással, és mert az érintetteknek egyszerűen nincs erre idejük a napi munkájuk során. Ígéretesebb megközelítés az, amely magára a konkrét munkára összpontosít.

Az első lépés a vállalaton belüli tudássilók azonosítása. Mely alkalmazottak rendelkeznek olyan tudással, amellyel senki más? Kik fognak közülük nyugdíjba vonulni a következő öt évben? Mely folyamatlépéseknél fordulnak elő a legköltségesebb hibák, és ki tudja, hogyan kerülje el ezeket? A tudásbázis ilyen kockázatelemzése újdonság a legtöbb középvállalkozás számára, annak ellenére, hogy a jövőbeni életképesség szempontjából ugyanolyan fontos, mint a gépek vagy a pénzügyi helyzet felmérése.

A második lépés a generációkon átívelő tandemek vagy triók létrehozása egyértelmű küldetéssel. Ahelyett, hogy egyszerűen átadnák az általános tudást, egy tapasztalt szakember és egy fiatalabb, digitálisan jártas kolléga együtt dolgoznak egy adott problémán. Kifejleszthetnek például egy MI-asszisztenst egy adott rendszer hibaelhárításához, egy kérdőívet az ügyfél-elfogadási teszteléshez, vagy egy digitális tesztprotokollt, amely a tipikus hibamintákat fényképekkel és magyarázatokkal dokumentálja. A tudást nem absztraktan mérik fel, hanem párbeszéd révén teszik láthatóvá. A tapasztalt kolléga elmagyarázza, miért figyel oda annyira egy adott pontra, a fiatalabb kolléga pedig addig tesz fel kérdéseket, amíg egy érthető szabály ki nem alakul.

A modern mesterséges intelligencia eszközök jelentősen leegyszerűsítik ezt a folyamatot. A beszélgetések felvételei automatikusan átírhatók és strukturálhatók. A munkafolyamatokról készült fényképek és videók magyarázatokkal összekapcsolhatók. A beszédmodellek hozzáférhetnek a vállalati dokumentumokhoz, panaszjelentésekhez és tesztprotokollokhoz, és természetes nyelven válaszolhatnak az alkalmazottaknak. Így fokozatosan kialakul egy műhelyemlék, amely nem porosodik egy mappában, hanem könnyen elérhető a mindennapi munkában. A fiatalabb alkalmazottak kérdéseket tesznek fel a tapasztalt kollégáktól tanult digitális asszisztensnek, és a tapasztalt kollégák látják, hogy szakértelmük a nyugdíjazáson túl is kiterjed.

A harmadik lépés az ösztönzésre és az elismerésre vonatkozik. A tudásátadás időt vesz igénybe, és ezt az időt meg kell tervezni és értékelni kell. Azok a vállalatok, amelyek a legtapasztaltabb alkalmazottaikat kizárólag a termelési teljesítmény alapján mérik, aligha fogják tudni rávenni őket a tudásuk megosztására. A Shandongból származó tapasztalatok itt is ugyanúgy érvényesek, mint Svábföldön. Ahol a napi üzleti tevékenység tempója mindent beárnyékol, nem történik tudásátadás. A tudásátadásra szánt fix időbeosztás, a mentori szerep látható megbecsülése és a nyugdíjba vonulás utáni átmenet rugalmas modelljei, mint például a részmunkaidős foglalkoztatás vagy a nyugdíjba vonulás utáni tanácsadói tevékenységek, mind előnyösek. Ezek különösen elérhető lehetőségek a kis- és középvállalkozások (kkv-k) számára, amelyek gyakran személyesen ismerik tapasztalt alkalmazottaikat.

A negyedik lépés a megalapozott tudás minőségbiztosítása. Nem minden, amit egy tapasztalt alkalmazott helyesnek tart, valójában helyes. Néhány ökölszabály olyan időkből származik, amikor más anyagok, gépek vagy szabványok voltak érvényben. Ezért egy műhely kollektív emlékezetét meg kell őrizni, felül kell vizsgálni és frissíteni kell. Itt is hasznos lehet a generációk közötti együttműködés. A fiatalabb alkalmazottak megkérdőjelezik a bevett gyakorlatokat, az idősebb alkalmazottak elmagyarázzák azok eredetét, és együtt eldöntik, hogy mi maradjon meg.

A tézis korlátai

Egy őszinte elemzésnek el kell ismernie e kockázatvállalás gyengeségeit is. Először is, Németország vezető szerepe a tapasztalati tudás terén nem magától értetődő. Kína mindössze néhány évtized alatt hatalmas ipari tapasztalati bázist épített ki. Az iparosítását vezető generáció hatalmas folyamatismerettel rendelkezik, és nem magától értetődő, hogy ezt a tudást kevésbé hatékonyan adják tovább, mint a német tudást. Továbbá a kínai vállalatok aktívan toboroznak tapasztalt mérnököket Európából, és az európai kkv-k felvásárlása évek óta szintén a tudásátadás célját szolgálja. Az implicit tudást nehéz lemásolni, de mindenképpen hajlamos a megszerzésre.

Másodszor, egy olyan narratíva, amely elsősorban a tapasztalati tudásra támaszkodik, alábecsülheti a gépek tanulási sebességét. A modern mesterséges intelligencia rendszerek hatalmas mennyiségű adatból tanulnak mintákat, amelyeket egyetlen ember sem fogalmazott meg tudatosan. A képfeldolgozás, a folyamatoptimalizálás és az anyagkutatás egyes területein már most is felülmúlják a tapasztalt szakembereket. Azok, akik több millió érzékelőadattal és magas fokú automatizálással rendelkeznek, ahogyan az egyre inkább megszokott a kínai gyárakban, a tapasztalati tudás egy részét hatalmas adatmennyiséggel tudják helyettesíteni. A pótolhatatlan szakértői tudás tézise tehát nem mindenhol igaz. Ott a legerősebb, ahol a gyártási sorozatok kicsik, a változatok számosak, és az ügyfelek igényei egyénre szabottak – pontosan a speciális célú gépgyártásban, az üzemtervezésben és a középvállalkozások számos niche szektorában.

Harmadszor, Németország olyan problémákkal küzd, amelyeket hiába jó a szakképzési rendszere, nem tud ellensúlyozni. A magas energiaárak, a hosszadalmas jóváhagyási eljárások, a gyenge beruházási lendület, a közigazgatás vonakodó digitalizációja és a digitális technológiák viszonylag lassú bevezetése a kisvállalkozásokban mind hatással vannak a versenyképességére. A tanulószerződések számának csökkenése azt mutatja, hogy maga a duális rendszer is nyomás alatt van. Egy kihasználatlan előny egyáltalán nem előny.

Negyedszer, fennáll az önelégültség veszélye. A láthatatlan tapasztalati tudás narratívája kényelmes ürügyként szolgálhat a szükséges változások elhalasztására. Azok, akik munkaerőjük készségeire támaszkodnak anélkül, hogy megvédenék, digitalizálnák és fejlesztenék azokat, legnagyobb előnyüket a legnagyobb kockázattá alakítják. Mivel a nyugdíjba vonuláskor eltűnő tapasztalati tudás visszafordíthatatlanul elveszik.

A másolat vagy a képesség: Melyik vész el gyorsabban?

Ezen ellenvetések ellenére az alapvető tézis továbbra is érvényes, pontosan azért, mert egyértelmű cselekvésre való felhívást tartalmaz. A mesterséges intelligencia korában a versenyt nem kizárólag a számítási teljesítmény és a modell mérete fogja eldönteni. Jelentős mértékben az fogja eldönteni, hogy mely vállalatoknak és gazdaságoknak sikerül az emberi tapasztalatot a gépi intelligenciával ötvözni. A legjobb modellek mindenki számára elérhetőek lesznek. A legjobb szakértelem továbbra is ritka lesz.

Ebben a versenyben Németország valódi előnyben van. Sűrű, specializált középvállalkozásokból álló hálózattal büszkélkedhet, amelyek mélyreható folyamatismerettel rendelkeznek, egy bevált rendszerrel, amely összehozza a generációkat a vállalaton belül, és a szakmai készségek társadalmi megbecsülésének hagyományával. Ugyanakkor az idő fogy. A következő tíz évben több millió tapasztalt szakember vonul nyugdíjba, évente több tízezer vállalat keres utódlást, és a tanulószerződések száma csökken. A meglévő tudás megszerzésének és új eszközökkel való kombinálásának lehetősége korlátozott.

Ez elvezet Németország, mint üzleti helyszín valódi stratégiai kérdéséhez. Kína képes lemásolni egy gépet, ráadásul olyan sebességgel, amely újra és újra meglepi az európai gyártókat. Németország ezzel szemben kockáztatja, hogy évről évre csendben elveszíti szakértelmét minden olyan nyugdíjba vonulással, amelyet nem kísér megfelelő átadás. Mindkettő fenyegetés. Az utóbbi veszélyesebb, mert nem kerül címlapokra, és mert visszafordíthatatlan. Egy lemásolt gépet egy jobb felülmúlhat. Az elveszett szakértelmet csak nagy nehézségek árán és hiányosan lehet újjáépíteni.

A jó hír az, hogy a megoldás nem kell, hogy milliárdos programokban vagy nagyszabású projektekben rejjen. Egy asztalnál kezdődik, ahol egy 67, egy 45 és egy 16 éves beszélget egymással. Mindegyikük hozzáteszi a szakértelmét, és mindegyikük meghallgatja a másikat, függetlenül attól, hogy ki a legrégebbi munkatársa a cégnek. Ha ezek a beszélgetések több tízezer vállalatnál zajlanak, szisztematikusan támogatva egy modernizált duális szakképzési rendszerrel és olyan mesterséges intelligencia eszközökkel, amelyek láthatóvá és hozzáférhetővé teszik a tudást, akkor a kis- és középvállalkozások (kkv-k) láthatatlan tőkéje olyan versenyelőnnyé válik, amelyet a világon egyetlen gyár sem tud egyszerűen lemásolni.

A Németországra tett fogadás tehát nem a nosztalgiára, a régi jó műhelyre vagy a múlt erényeinek felsőbbrendűségére való fogadás. Arra épül, hogy a generációk hajlandóak legyenek egymástól tanulni, mindkét irányban. Aki ezt meg akarja nyerni, annak ma kell kezdenie, amikor azok az emberek, akiknek a tudása kockán forog, még a vállalatnál dolgoznak.

A láthatóságtól a bizalomig: A skálázható út az Xpert.Digital segítségével - Kép: Xpert.Digital

Az ipari B2B szektorban a fenntartható üzleti kapcsolatok ritkán alakulnak ki egyik napról a másikra. Lépésről lépésre fejlődnek – a láthatóság, a szakmai relevancia, az ismétlődő kapcsolódási pontok és a növekvő bizalom révén. Az Xpert.Digital 4 szakaszos modellje pontosan ezt célozza meg: egy strukturált utat kínál, amely egy kezelhető belépési ponttal kezdődik, és szükség esetén mélyebb üzletfejlesztési együttműködéssé fejlődhet.

A hangzatos marketingígéretek helyett ez a modell a kapcsolatot helyezi előtérbe. A vállalatok világosan meghatározott, könnyen kiszámítható intézkedésekkel kezdik, majd saját tapasztalataik alapján döntik el, hogy meddig kívánják kiterjeszteni az együttműködést. A zavartalan bizalomépítési folyamat egyik kulcsfontosságú tényezője: A platform teljesen elkerüli a bosszantó reklámokat, így a szerkesztői fókusz kizárólag a vállalatok szakértelmére összpontosít.

További információ itt:

• A láthatóságtól a bizalomig: A skálázható út az Xpert.Digital segítségével

☑️ Üzleti nyelvünk az angol vagy a német

☑️ ÚJ: Levelezés az anyanyelveden!

Konrad Wolfenstein

Én és a csapatom örömmel állunk rendelkezésére személyes tanácsadóként.

Kapcsolatba léphetsz velem a kapcsolatfelvételi űrlap kitöltésével itt [email protected]:, vagy egyszerűen hívj a +49 7348 4088 965 telefonszámon. Az e-mail címem

Alig várom a közös projektünket.

☑️ KKV-támogatás a stratégiában, tanácsadásban, tervezésben és megvalósításban

☑️ Digitális stratégia létrehozása vagy átalakítása és digitalizáció

☑️ Nemzetközi értékesítési folyamatok bővítése és optimalizálása

☑️ Globális és digitális B2B kereskedési platformok

☑️ Pioneer Üzletfejlesztés / Marketing / PR / Vásárok