Pengetahuan ahli bertemu dengan kecerdasan buatan: Masa depan AI Jerman tidak akan ditentukan di pusat data, tetapi di bengkel kerja

AI dapat mempercepat terjadinya kesalahan – jika perusahaan kehilangan pengetahuan dari para spesialis mereka

Keunggulan Jerman yang menentukan di era AI mungkin terletak di tempat yang hampir tidak diduga siapa pun: bukan pada pusat data yang sangat besar atau model bahasa terbaru, tetapi pada pikiran dan tangan para spesialis berpengalaman. Pengetahuan mereka terletak pada keterampilan manual, mata yang terlatih, dan intuisi untuk mengenali kapan sebuah mesin tidak berfungsi dengan benar atau sebuah komponen perlu diperiksa lebih teliti. Hal ini jarang ditemukan dalam buku panduan – dan tidak bisa begitu saja ditiru.

Namun justru pengetahuan berdasarkan pengalaman inilah yang terancam hilang. Jutaan karyawan dari generasi baby boom mendekati masa pensiun, sementara banyak perusahaan kekurangan talenta muda. Pada saat yang sama, perusahaan memperkenalkan AI, yang dapat mempercepat proses dan mengenali pola, tetapi tanpa pengetahuan dari tenaga kerja, AI tersebut mungkin menangani masalah yang salah. Oleh karena itu, peluang Jerman tidak terletak pada posisi terdepan dalam perlombaan untuk model-model terbesar. Peluangnya terletak pada penggabungan keterampilan manusia dan kecerdasan buatan secara bermakna – dan mentransfer pengetahuan antar generasi ke kedua arah. Pertanyaan krusialnya adalah apakah usaha kecil dan menengah (UKM) masih memiliki cukup waktu untuk melakukan hal tersebut.

China meniru mesin-mesin itu dalam hitungan bulan. Jerman kehilangan pengetahuan berdasarkan pengalaman selama bertahun-tahun, dan hampir tidak ada yang menyadarinya

Mereka yang membicarakan tentang booming kecerdasan buatan biasanya fokus pada hal-hal yang terlihat. Mereka berbicara tentang pusat data, prosesor grafis, valuasi miliaran dolar, model bahasa, dan lengan robot yang menggenggam komponen dalam hitungan detik. Semua ini dapat difoto, ditampilkan dalam presentasi, dan tercermin dalam neraca keuangan. Tetapi apa yang benar-benar akan membuat sebuah perusahaan berharga dengan AI di masa depan terletak di suatu tempat yang tidak muncul dalam foto apa pun: pengetahuan berdasarkan pengalaman orang-orang yang telah bekerja dengan mesin, material, pelanggan, dan kesalahan selama beberapa dekade.

Sebuah mesin dapat direplikasi. Model AI dapat dikembangkan, dilatih, dan diadaptasi untuk kebutuhan spesifik. Namun, mengapa seorang inspektur berpengalaman memeriksa ulang titik tertentu selama pengujian penerimaan seringkali tidak dijelaskan dalam manual mana pun. Mungkin mereka pernah menyaksikan pengelasan gagal di tempat yang sama persis lima belas tahun yang lalu. Mungkin mereka mengenal pemasok yang toleransinya berbeda antara musim dingin dan musim panas. Mungkin mereka hanya dapat mendengar suara motor sebagai tanda peringatan bahwa ada sesuatu yang salah. Dalam situasi kritis, pengetahuan ini menentukan apakah perusahaan memperoleh keuntungan dari AI atau hanya membuat kesalahan yang mahal dengan lebih cepat.

Hal ini mengarah pada pertaruhan yang pada awalnya terdengar tidak masuk akal. Terutama di era AI, UKM Jerman dapat memiliki keunggulan struktural. Keunggulan ini bukan karena perangkat lunak yang lebih baik atau pusat data yang lebih besar, karena yang lain lebih unggul di kedua bidang tersebut. Keunggulan terletak pada institusi yang telah menyatukan kaum muda dan profesional berpengalaman di dalam perusahaan selama beberapa generasi. Namun, apakah pertaruhan ini akan membuahkan hasil bergantung pada dua pertanyaan: Apa yang diketahui satu generasi yang masih dapat dipelajari oleh generasi berikutnya? Dan siapa yang bersedia mendengarkan dari arah lain juga?

Ekonomi Pengetahuan yang Diam

Ilmu ekonomi memiliki istilah yang agak rumit untuk apa yang dimiliki oleh pekerja terampil berpengalaman, pengrajin ahli, dan insinyur: pengetahuan implisit. Ini merujuk pada keterampilan yang sulit atau bahkan tidak mungkin untuk diungkapkan dengan kata-kata. Riset pasar tenaga kerja telah lama membedakan antara pengetahuan eksplisit, yang dapat dituliskan, dikomunikasikan, dan dimasukkan ke dalam kurikulum, dan pengetahuan tacit, yang tertanam dalam keterampilan manual, pola persepsi, dan penilaian. Pengetahuan pengalaman dianggap sebagai bentuk pengetahuan prosedural yang sangat berkembang. Pengetahuan ini menghubungkan kedua tingkatan tersebut sedemikian rupa sehingga orang dapat dengan andal menyelesaikan tugas bahkan dalam kondisi informasi yang tidak lengkap, tekanan waktu, dan kondisi yang berubah.

Secara ekonomi, pengetahuan ini luar biasa karena tiga alasan. Pertama, pengetahuan ini sulit dipasarkan. Tidak ada pasar tempat Anda dapat membeli insting seorang inspektur kualitas untuk titik-titik kritis. Paling-paling, Anda dapat mempekerjakan orang yang memilikinya, dan bahkan kemudian, transfer hanya berhasil jika lingkungan baru memungkinkan mereka untuk menerapkan keterampilan mereka. Kedua, pengetahuan ini sulit untuk ditiru. Gambar desain dapat direkonstruksi melalui rekayasa balik, fasilitas produksi dapat dibeli, dan perangkat lunak dapat diprogram ulang. Interaksi antara pengetahuan proses, pemahaman pelanggan, dan pengalaman dengan kesalahan yang berkembang dalam perusahaan yang sudah mapan sebagian besar menentang logika ini. Ketiga, pengetahuan ini akan hilang jika tidak diteruskan. Tidak seperti mesin yang dapat disimpan, pengetahuan berdasarkan pengalaman akan hilang bersama orang yang meninggalkan perusahaan.

Karakteristik inilah yang menjadi inti daya saing banyak perusahaan unggulan tersembunyi Jerman. Kepemimpinan pasar global mereka jarang didasarkan pada satu penemuan spektakuler. Hal itu didasarkan pada ribuan perbaikan kecil, pada toleransi manufaktur yang tidak dapat dicapai secara andal oleh perusahaan lain, dan pada kemampuan untuk menyelesaikan masalah pelanggan bahkan sebelum pelanggan dapat mengartikulasikannya. Ini adalah akumulasi pengetahuan berdasarkan pengalaman, yang tersebar di berbagai pikiran, tangan, dan departemen. Pengetahuan ini tidak tercantum dalam neraca keuangan. Tetapi siapa pun yang pernah menyaksikan sebuah perusahaan tiba-tiba dibanjiri keluhan setelah kepergian dua individu kunci, pasti tahu nilainya.

Mengapa AI juga mempercepat kesalahan?

Kecerdasan buatan pada dasarnya adalah sebuah penguat. Ia memproses data lebih cepat, mengenali pola dalam jumlah yang lebih besar, dan mengotomatiskan keputusan yang sebelumnya membutuhkan intervensi manusia. Inilah manfaatnya yang sangat besar. Tetapi ini juga merupakan risikonya, karena penguat tidak membedakan antara sinyal yang baik dan buruk. Model yang belajar dari data yang tidak lengkap atau terdistorsi tidak hanya meneruskan kelemahannya, tetapi juga memperkuatnya.

Dalam praktik industri sehari-hari, hal ini menjadi sangat nyata. Sistem inspeksi kualitas optik yang didukung AI dapat memeriksa jutaan komponen dalam waktu singkat. Tetapi jika tidak ada yang tahu pola cacat mana yang benar-benar kritis, sistem tersebut akan secara andal memeriksa hal-hal yang salah. Model bahasa dapat merumuskan penawaran, instruksi perawatan, dan laporan pengujian dalam hitungan detik. Jika model tersebut tidak mengetahui pertanyaan yang diajukan pelanggan yang menuntut selama pengujian penerimaan, model tersebut akan menghasilkan dokumen yang ditulis dengan lancar tetapi gagal pada saat yang krusial. Algoritma pemeliharaan prediktif dapat mengevaluasi data sensor. Tetapi jika algoritma tersebut tidak memiliki pengetahuan tentang penyimpangan mana yang tidak berbahaya dan mana yang menunjukkan kegagalan, algoritma tersebut akan menghasilkan alarm palsu atau rasa tenang yang menipu.

Oleh karena itu, penciptaan nilai sebenarnya tidak muncul pada model itu sendiri, tetapi pada kombinasi model dan pengetahuan ahli. Model-model dasar yang besar semakin banyak diproduksi secara massal. Model-model tersebut tersedia melalui antarmuka, harga per perhitungan semakin menurun, dan perbedaan kinerjanya semakin mengecil. Yang membedakan suatu perusahaan dari para pesaingnya adalah pertanyaan tentang pengetahuan apa yang dapat dimasukkan ke dalam sistem ini. Ini termasuk katalog kesalahan mana yang dipeliharanya, kriteria pengujian mana yang telah dirumuskannya, pengecualian mana yang dikenalinya, dan persyaratan pelanggan mana yang dipahaminya. Namun, data hanyalah setengah dari cerita. Yang krusial adalah penilaian yang menentukan data mana yang benar-benar penting.

Hal ini mengarah pada kesadaran yang tidak menyenangkan bagi semua orang yang terutama memandang AI sebagai cara untuk menghemat tenaga kerja berpengalaman. Mereka yang memberhentikan orang-orang dengan pemahaman terdalam tentang proses tepat ketika sistem AI diperkenalkan, justru merampas sumber daya terpenting dari sistem tersebut. Perhitungan ini mungkin berhasil dalam jangka pendek, tetapi dalam jangka menengah akan mengakibatkan kesalahan yang mahal.

Kesenjangan generasi di Tiongkok sebagai sebuah pelajaran

Beberapa contoh menggambarkan peran penting pengetahuan antar generasi dalam pembangunan ekonomi suatu negara dengan lebih jelas daripada Tiongkok. Selama Revolusi Kebudayaan, pendidikan tinggi praktis terhenti. Antara tahun 1966 dan 1969, universitas tidak menerima mahasiswa baru. Dari tahun 1970 hingga 1976, hanya pelamar yang dianggap dapat diandalkan secara politik yang diterima. Baru pada musim gugur tahun 1977 ujian masuk universitas nasional, Gaokao, diperkenalkan kembali setelah jeda sebelas tahun. Gaokao Musim Dingin yang terkenal pada tahun itu menjadi titik balik bagi seluruh generasi.

Konsekuensi dari keretakan ini sangat besar. Satu generasi kehilangan tahun-tahun pendidikan, guru dianiaya, pengetahuan diremehkan dan, di banyak bidang, tidak diwariskan. Maka, yang lebih menakjubkan lagi adalah apa yang terjadi selanjutnya. Generasi berikutnya membangun ekonomi industri hanya dalam beberapa dekade yang lajunya hampir tak tertandingi dalam sejarah ekonomi. Siapa pun yang telah mengunjungi lokasi industri Tiongkok dalam dua dekade terakhir telah menyaksikan bagaimana lahan pertanian diubah menjadi kawasan industri dan pemasok menjadi pemimpin pasar global. Saat ini, Tiongkok adalah negara industri terbesar di dunia. Dalam hal kepadatan robot di sektor manufaktur, negara ini telah melampaui Jerman: dengan sekitar 470 robot industri per 10.000 karyawan, baru-baru ini melampaui Republik Federal Jerman, dan lebih dari 1,7 juta robot industri kini beroperasi di pabrik-pabrik Tiongkok.

Dan kini generasi muda Tiongkok sedang mengembangkan kecerdasan buatan, dan dengan kesuksesan yang cukup besar. Model pembelajaran bahasa Mandarin dengan cepat mengejar teknologi terkemuka dunia, seringkali dengan sumber daya yang jauh lebih sedikit daripada rekan-rekan mereka di Amerika. Di satu negara, tiga generasi dengan latar belakang yang sangat berbeda bertemu: satu yang mengalami keretakan masa lalu, satu yang menghadapi industrialisasi, dan satu yang menguasai teknologi digital dengan mudah.

Ini mengandung pelajaran yang melampaui China. Memiliki tiga generasi di negara yang sama adalah fakta demografis. Menggabungkan pengetahuan mereka dalam satu perusahaan merupakan tantangan organisasi, dan tantangan yang jauh lebih sulit. Pengetahuan berdasarkan pengalaman dari generasi industrialisasi dan keterampilan digital dari generasi muda tidak secara otomatis menyatu. Keduanya harus digabungkan dalam hubungan kerja yang konkret—di mesin, dalam pengujian, dalam interaksi pelanggan.

Ketika kecepatan mengalahkan pembelajaran

Sebuah contoh dari provinsi Shandong menggambarkan betapa nyatanya tantangan ini. Sebuah perusahaan manufaktur besar kendaraan dan mesin pertanian di kota pelabuhan Rizhao, dengan sekitar 10.000 karyawan, menjalankan program magang sendiri. Direkturnya menjelaskan kepada Organisasi Buruh Internasional sebuah masalah yang familiar bagi banyak perusahaan industri: beban kerja yang tinggi dalam operasi sehari-hari menyisakan sedikit waktu untuk pelatihan sistematis bagi para peserta magang. Produksi menjadi prioritas, dan pembelajaran menjadi hal yang kurang diperhatikan.

Pengamatan ini sangat menyentuh. Ironisnya, kecepatan yang membuat sebuah perusahaan kuat justru dapat merampas waktu untuk mewariskan keahliannya. Dalam fase pertumbuhan di mana setiap jam mesin sangat berharga dan tenggat waktu pengiriman ketat, waktu yang dihabiskan seorang pekerja terampil berpengalaman bersama seorang magang tampak sebagai faktor biaya. Manfaatnya baru terlihat bertahun-tahun kemudian, ketika magang tersebut memecahkan masalah secara mandiri, menghindari kesalahan, dan membimbing orang lain. Secara ekonomi, pelatihan adalah investasi dengan jangka waktu panjang dan pengembalian yang tidak pasti, karena karyawan yang terlatih dapat meninggalkan perusahaan kapan saja. Oleh karena itu, pasar yang sangat berfokus pada kinerja jangka pendek secara sistematis kurang berinvestasi dalam bentuk modal manusia ini.

China telah menyadari masalah ini. Selama beberapa tahun, pemerintah telah mendorong pengembangan sistem magang modern yang bertujuan untuk mengintegrasikan pengalaman praktis di tempat kerja dengan pengajaran di kelas, secara eksplisit mengambil pengalaman dari Eropa. Dengan dukungan internasional, perusahaan percontohan telah direkrut, standar pelatihan dikembangkan, dan tahapan pelatihan disusun. Namun, sistem seperti itu tidak dapat diciptakan hanya dengan dekrit dalam beberapa tahun. Hal ini membutuhkan perusahaan yang memahami pelatihan sebagai bagian dari identitas inti mereka, pelatih dengan kualifikasi pedagogis dan profesional, kualifikasi yang diakui, dan kedudukan sosial untuk pendidikan kejuruan yang dapat bersaing dengan jalur akademis. Dalam masyarakat di mana Gaokao (sejenis magang) dan studi universitas telah dianggap sebagai standar emas selama beberapa dekade, ini merupakan pergeseran budaya.

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

Persamaan Jerman: Demografi bertemu digitalisasi

Siapa pun yang menyimpulkan dari hal ini bahwa Jerman dapat bersantai dan tidak berbuat apa-apa, sangatlah keliru. Model Jerman memiliki keunggulan, tetapi berada di bawah tekanan yang besarnya sering diremehkan.

Menurut perhitungan Institut Ekonomi Jerman (IW), hampir 19,5 juta orang dari generasi baby boom akan mencapai usia pensiun pada tahun 2036. Pada saat yang sama, jumlah anak muda yang memasuki dunia kerja jauh lebih sedikit. Hasil bersihnya adalah kekurangan tenaga kerja yang mengancam sekitar 4,3 juta orang. Ini lebih dari sekadar angka statistik. Artinya, dalam sepuluh tahun ke depan, sebagian besar pengalaman dan pengetahuan yang terakumulasi di perusahaan-perusahaan Jerman akan hilang karena pensiun. Generasi baby boom, khususnya, mewakili tenaga kerja yang paling berpengalaman di banyak profesi teknis, manajemen mutu, pemeliharaan, dan penjualan barang modal yang kompleks.

Situasinya bahkan lebih kritis di jajaran pimpinan perusahaan. Lebih dari sepertiga pemilik usaha menengah kini berusia di atas 60 tahun, dan seperlima lainnya berusia antara 55 dan 59 tahun. Usia rata-rata di atas 54 tahun. Pada akhir tahun 2029, sekitar 109.000 pemilik usaha kecil dan menengah berencana untuk menyerahkan bisnis mereka kepada pemilik baru setiap tahunnya. Pada saat yang sama, ratusan ribu pengusaha berencana untuk menutup bisnis mereka karena kurangnya penerus, daripada mentransfer kepemilikan. Dengan setiap bisnis yang tutup, bukan hanya lapangan kerja dan pendapatan yang hilang, tetapi juga pengetahuan tentang pelanggan, proses, dan pasar khusus yang tidak akan pernah dapat dibangun kembali sepenuhnya.

Landasan yang menjadi dasar keunggulan Jerman juga mulai runtuh. Jumlah kontrak pelatihan kejuruan ganda yang baru diselesaikan turun menjadi kurang dari 476.000 pada tahun 2025. Angka ini turun sekitar 10.000 dibandingkan tahun sebelumnya, atau penurunan sebesar 2,1 persen, terutama disebabkan oleh berkurangnya kontrak berbasis perusahaan. Pada saat yang sama, banyak posisi magang yang masih kosong, sementara sebagian anak muda tidak dapat menemukan penempatan yang sesuai. Ketidakseimbangan antara penawaran dan permintaan merupakan masalah yang berulang dalam kebijakan pendidikan kejuruan.

Gambaran serupa juga terlihat ketika membahas penggunaan kecerdasan buatan (AI). Hanya sedikit lebih dari seperempat perusahaan Jerman dengan setidaknya sepuluh karyawan yang menggunakan teknologi AI pada tahun 2025, dibandingkan dengan seperlima pada tahun sebelumnya. Tingkat pertumbuhannya luar biasa. Namun, kesenjangan antara perusahaan besar dan kecil cukup besar. Lebih dari setengah perusahaan dengan setidaknya 250 karyawan menggunakan AI, sedangkan untuk perusahaan dengan sepuluh hingga 49 karyawan, angkanya bahkan belum mencapai seperempat. AI saat ini paling lambat diterapkan di tempat di mana pengetahuan berdasarkan pengalaman sangat padat dan rentan – yaitu di perusahaan industri kecil dan menengah.

Oleh karena itu, persamaan di Jerman adalah sebagai berikut: sejumlah besar pengetahuan berdasarkan pengalaman, jumlah pemegangnya yang menyusut dengan cepat, jumlah talenta muda yang menurun, dan digitalisasi yang masih ragu-ragu di UKM. Hal ini dapat menjadi keunggulan kompetitif, tetapi hanya jika memungkinkan untuk mengamankan pengetahuan yang ada dalam jangka waktu yang dapat dikelola, meneruskannya, dan membuatnya dapat digunakan dengan alat-alat baru.

Tiga generasi di satu meja

Sebuah percakapan yang terjadi di sebuah perusahaan berukuran sedang menggambarkan bagaimana hal ini dapat terlihat dalam skala yang lebih kecil. Tiga orang dari tiga generasi duduk mengelilingi meja. Yang tertua, Dirk, berusia 67 tahun. Dia membawa pertanyaan-pertanyaan yang mungkin diajukan pelanggan di kemudian hari, keberatan yang muncul selama pengujian penerimaan, pertanyaan-pertanyaan penting tentang daya tahan, dan pengalaman tentang di mana proyek biasanya gagal. Di tengah duduk seorang berusia 45 tahun dengan latar belakang teknik mesin dan manajemen kualitas—seseorang yang mengetahui proses, standar, dan logika pengujian. Yang termuda, Maxi, berusia 16 tahun. Dia membangun AI perusahaan.

Situasi ini menantang tatanan tak tertulis yang masih berlaku di banyak perusahaan saat ini. Jika keputusan tentang siapa yang dapat menjelaskan sesuatu kepada siapa didasarkan pada masa kerja, pengembang AI akan menjadi orang terakhir yang mendapat persetujuan. Dalam hierarki tradisional, pengetahuan mengalir dari atas ke bawah, dari yang berpengalaman ke pendatang baru, dari master ke murid. Di dunia di mana alat digital berkembang lebih cepat daripada peraturan pelatihan yang dapat diadaptasi, jalan satu arah ini tidak lagi memadai.

Nilai sebenarnya dari segitiga ini terletak pada kenyataan bahwa masing-masing membawa sesuatu yang tidak dimiliki oleh yang lain. Individu yang berpengalaman tahu pertanyaan mana yang penting tetapi mungkin tidak mampu menerjemahkannya ke dalam sebuah sistem. Generasi muda dapat membangun sistem tetapi tidak tahu pertanyaan mana yang perlu mereka jawab. Generasi menengah menjembatani kesenjangan antara kedua dunia ini, menyusun pengetahuan ke dalam proses, kriteria, dan prosedur pengujian. Hanya melalui interaksi inilah aplikasi AI dapat muncul yang tidak hanya berfungsi secara teknis tetapi juga mampu bertahan dari pengawasan pelanggan yang menuntut.

Penelitian sumber daya manusia merujuk pada tren sebaliknya, di mana orang yang lebih muda memperkenalkan orang yang lebih tua pada teknologi baru, sebagai mentoring terbalik. Di era AI, ini menjadi lebih dari sekadar alat pengembangan personel. Ini menjadi prasyarat agar pengetahuan berdasarkan pengalaman dapat diintegrasikan ke dalam sistem digital. Hal ini mengharuskan orang yang lebih tua untuk bersedia mendengarkan seorang remaja berusia enam belas tahun. Hal ini mengharuskan orang yang lebih muda untuk tidak mengabaikan pertanyaan seorang berusia 67 tahun sebagai kurangnya pemahaman teknologi, tetapi lebih sebagai indikasi masalah yang belum dipecahkan oleh sistem mereka. Keduanya lebih menuntut daripada yang terlihat karena menyentuh status, citra diri, dan peran yang sudah mengakar.

Pelatihan kejuruan ganda sebagai infrastruktur AI yang diremehkan

Di sinilah kekuatan UKM Jerman berperan. Dengan sistem pelatihan kejuruan ganda, Jerman memiliki lembaga yang mencapai apa yang gagal dilakukan oleh banyak negara lain: secara sistematis menyatukan kaum muda dan profesional berpengalaman di perusahaan selama beberapa tahun, dipandu oleh aturan yang jelas. Peserta magang belajar tidak hanya di sekolah kejuruan tetapi juga pada mesin sungguhan, mengerjakan pesanan pelanggan nyata, di bawah bimbingan orang-orang yang telah menguasai keahlian mereka selama beberapa dekade. Sistem ini dijamin melalui kamar dagang, peraturan pelatihan, dan ujian, dan meskipun mendapat beberapa kritik, menikmati tingkat pengakuan sosial yang membuat negara lain iri.

Sampai sekarang, pelatihan kejuruan ganda terutama dipandang sebagai alat untuk mengamankan pekerja terampil dan mengintegrasikan kaum muda ke dalam pasar kerja. Di era AI, pelatihan ini memperoleh fungsi tambahan yang sebelumnya diabaikan: ia berfungsi sebagai infrastruktur untuk transfer pengetahuan antar generasi, dalam kedua arah. Pengrajin ahli dapat menunjukkan kepada magang cara mengidentifikasi cacat. Magang dapat menunjukkan kepada pengrajin ahli bagaimana pengetahuan ini akan bermanfaat bagi seluruh bengkel di masa mendatang, karena ia tahu cara menyusunnya dalam basis data pengetahuan, memasukkannya ke dalam asisten AI, atau menerjemahkannya ke dalam laporan inspeksi digital.

Pendekatan ganda ini menjadikan model tersebut berpotensi menjadi peluang bagi seluruh Eropa. Benua ini kemungkinan besar tidak akan melampaui Amerika Serikat atau Tiongkok dalam persaingan untuk model bahasa terbesar dan pusat data terkuat. Namun, Eropa dapat mengembangkan kekuatan di bidang di mana AI bertemu dengan praktik industri: di bidang manufaktur, jaminan kualitas, pemeliharaan, logistik, dan teknik pabrik. Di bidang-bidang ini, pengetahuan pengalaman tenaga kerja merupakan sumber daya yang sangat penting, dan Eropa, terutama negara-negara berbahasa Jerman dengan tradisi pelatihan kejuruan mereka, memiliki pengetahuan ini dalam jumlah yang melimpah.

Namun, untuk membuka potensi ini, pelatihan kejuruan ganda harus berevolusi. Regulasi pelatihan yang hanya memperlakukan keterampilan digital sebagai isu sampingan gagal mencerminkan realitas. Para pelatih sendiri membutuhkan akses ke alat AI dan kebebasan untuk menggunakannya dalam pelatihan sehari-hari mereka. Perusahaan harus menyediakan ruang bagi peserta magang untuk mengembangkan dan menguji solusi digital mereka sendiri, alih-alih hanya menyesuaikannya ke dalam proses yang telah ditentukan. Dan peran peserta magang harus bergeser dari sekadar penerima menjadi peserta aktif. Hukum AI Eropa telah mewajibkan perusahaan untuk memastikan karyawan mereka memiliki keterampilan AI yang memadai. Pelatihan kejuruan ganda akan menjadi tempat yang tepat untuk memenuhi kewajiban ini, bukan sebagai beban birokrasi, tetapi sebagai investasi.

Dari pengetahuan ahli hingga memori bengkel

Bagaimana konsep ini dapat diterjemahkan ke dalam aplikasi bisnis praktis? Pengalaman menunjukkan bahwa banyak proyek manajemen pengetahuan gagal karena dimulai terlalu abstrak. Perangkat lunak dibeli, wiki dibuat, dan harapannya adalah karyawan berpengalaman akan menyumbangkan pengetahuan mereka. Hal ini jarang terjadi karena pengetahuan tacit tidak dapat diubah menjadi teks hanya dengan menekan tombol, dan karena mereka yang terlibat tidak memiliki waktu dalam pekerjaan sehari-hari mereka. Pendekatan yang lebih menjanjikan adalah pendekatan yang berfokus pada pekerjaan konkret itu sendiri.

Langkah pertama adalah mengidentifikasi silo pengetahuan di dalam perusahaan. Karyawan mana yang memiliki pengetahuan yang tidak dimiliki orang lain? Siapa di antara mereka yang akan pensiun dalam lima tahun ke depan? Pada tahapan proses mana kesalahan paling mahal terjadi, dan siapa yang tahu cara menghindarinya? Analisis risiko basis pengetahuan seperti ini masih baru bagi sebagian besar bisnis menengah, meskipun sama pentingnya untuk kelangsungan hidup di masa depan seperti penilaian mesin atau situasi keuangan.

Langkah kedua melibatkan pembentukan tim atau trio antar generasi dengan misi yang jelas. Alih-alih sekadar mewariskan pengetahuan umum, seorang profesional berpengalaman dan seorang kolega yang lebih muda dan melek digital bekerja sama untuk memecahkan masalah tertentu. Misalnya, mereka dapat mengembangkan asisten AI untuk memecahkan masalah pada sistem tertentu, kuesioner untuk pengujian penerimaan pelanggan, atau protokol pengujian digital yang mendokumentasikan pola kesalahan umum dengan foto dan penjelasan. Pengetahuan tersebut tidak dinilai secara abstrak, tetapi divisualisasikan melalui dialog. Kolega yang berpengalaman menjelaskan mengapa mereka memberikan perhatian khusus pada poin tertentu, dan kolega yang lebih muda mengajukan pertanyaan hingga muncul aturan yang mudah dipahami.

Alat AI modern secara signifikan menyederhanakan proses ini. Rekaman percakapan dapat ditranskripsikan dan disusun secara otomatis. Foto dan video alur kerja dapat dihubungkan dengan penjelasan. Model ucapan dapat mengakses dokumen perusahaan, laporan keluhan, dan protokol pengujian, serta merespons karyawan dalam bahasa alami. Dengan cara ini, memori lokakarya secara bertahap muncul, yang tidak hanya tersimpan di dalam folder tetapi selalu tersedia dalam pekerjaan sehari-hari. Karyawan yang lebih muda mengajukan pertanyaan kepada asisten digital, yang telah belajar dari kolega yang berpengalaman, dan kolega yang berpengalaman melihat bahwa keahlian mereka melampaui masa pensiun.

Langkah ketiga berkaitan dengan insentif dan pengakuan. Transfer pengetahuan membutuhkan waktu, dan waktu ini harus direncanakan dan dihargai. Perusahaan yang hanya mengukur karyawan paling berpengalaman mereka berdasarkan hasil produksi hampir tidak akan berhasil membuat mereka berbagi pengetahuan. Pengalaman dari Shandong berlaku di sini seperti halnya di Swabia. Di mana kecepatan bisnis sehari-hari menutupi segalanya, tidak ada transfer pengetahuan yang terjadi. Alokasi waktu tetap untuk transfer pengetahuan, apresiasi yang terlihat terhadap peran mentoring, dan model fleksibel untuk transisi ke masa pensiun, seperti pekerjaan paruh waktu atau kegiatan konsultasi setelah pensiun, semuanya bermanfaat. Ini adalah pilihan yang sangat mudah diakses untuk usaha kecil dan menengah (UKM), yang sering kali mengenal karyawan berpengalaman mereka secara pribadi.

Langkah keempat adalah jaminan mutu dari pengetahuan yang sudah mapan. Tidak semua hal yang dianggap benar oleh karyawan berpengalaman sebenarnya benar. Beberapa aturan praktis berasal dari masa ketika bahan, mesin, atau standar yang berbeda masih berlaku. Oleh karena itu, memori kolektif bengkel harus dipelihara, ditinjau, dan diperbarui. Di sini, kolaborasi antar generasi juga dapat membantu. Karyawan yang lebih muda mempertanyakan praktik yang sudah mapan, karyawan yang lebih tua menjelaskan asal-usulnya, dan bersama-sama mereka memutuskan apa yang harus dipertahankan.

Batasan tesis

Analisis yang jujur ​​juga harus mengakui kelemahan dari pertaruhan ini. Pertama, keunggulan Jerman dalam pengetahuan pengalaman bukanlah suatu kepastian. China telah membangun basis pengalaman industri yang luas hanya dalam beberapa dekade. Generasi yang mempelopori industrialisasinya memiliki pengetahuan proses yang sangat besar, dan bukan suatu kepastian bahwa pengetahuan ini akan diturunkan kurang efektif dibandingkan pengetahuan Jerman. Lebih lanjut, perusahaan-perusahaan China secara aktif merekrut insinyur berpengalaman dari Eropa, dan akuisisi UKM Eropa selama bertahun-tahun juga telah berfungsi sebagai sarana transfer pengetahuan. Pengetahuan implisit sulit untuk ditiru, tetapi tentu saja rentan terhadap akuisisi.

Kedua, narasi yang terutama bergantung pada pengetahuan berdasarkan pengalaman mungkin meremehkan kecepatan belajar mesin. Sistem AI modern mempelajari pola dari sejumlah besar data yang belum pernah dirumuskan secara sadar oleh manusia. Di beberapa bidang pemrosesan gambar, optimasi proses, dan penelitian material, mereka telah melampaui para profesional berpengalaman. Mereka yang memiliki jutaan titik data sensor dan tingkat otomatisasi yang tinggi, seperti yang semakin menjadi standar di pabrik-pabrik Tiongkok, dapat menggantikan sebagian pengetahuan berdasarkan pengalaman dengan volume data yang sangat besar. Oleh karena itu, tesis tentang pengetahuan ahli yang tak tergantikan tidak berlaku di mana-mana. Tesis ini paling kuat di tempat produksi berskala kecil, varian produk banyak, dan kebutuhan pelanggan bersifat individual—tepatnya di bidang manufaktur mesin khusus, teknik pabrik, dan banyak sektor khusus bisnis menengah.

Ketiga, Jerman menghadapi masalah yang, sebaik apa pun sistem pelatihan kejuruan yang dimilikinya, tidak dapat diatasi. Harga energi yang tinggi, proses persetujuan yang panjang, momentum investasi yang lemah, digitalisasi administrasi publik yang masih ragu-ragu, dan adopsi teknologi digital yang relatif lambat di usaha kecil semuanya berdampak pada daya saingnya. Menurunnya jumlah kontrak magang menunjukkan bahwa sistem ganda itu sendiri berada di bawah tekanan. Keunggulan yang tidak dimanfaatkan bukanlah keunggulan sama sekali.

Keempat, ada bahaya sikap berpuas diri. Narasi tentang pengetahuan pengalaman yang tak terlihat dapat menjadi alasan yang mudah untuk menunda perubahan yang diperlukan. Mereka yang mengandalkan keterampilan tenaga kerja mereka tanpa melindungi, mendigitalisasi, dan mengembangkannya mengubah keunggulan terbesar mereka menjadi risiko terbesar mereka. Karena pengetahuan pengalaman yang hilang saat pensiun akan hilang selamanya.

Kemampuan meniru atau keterampilan: Mana yang lebih cepat hilang?

Terlepas dari keberatan-keberatan ini, tesis fundamental tetap valid, justru karena mengandung seruan yang jelas untuk bertindak. Persaingan di era AI tidak akan ditentukan semata-mata oleh daya komputasi dan ukuran model. Sebagian besar, persaingan akan ditentukan oleh perusahaan dan ekonomi mana yang berhasil menggabungkan pengalaman manusia dengan kecerdasan mesin. Model terbaik akan tersedia untuk semua orang. Keahlian terbaik akan tetap langka.

Dalam persaingan ini, Jerman memiliki keunggulan nyata. Negara ini memiliki jaringan padat perusahaan menengah yang terspesialisasi dengan pengetahuan proses yang mendalam, sistem yang terbukti menyatukan berbagai generasi di dalam perusahaan, dan tradisi menghargai keterampilan profesional di masyarakat. Pada saat yang sama, waktu semakin menipis. Dalam sepuluh tahun ke depan, jutaan profesional berpengalaman akan pensiun, puluhan ribu perusahaan mencari pengganti setiap tahun, dan jumlah kontrak magang semakin menurun. Peluang untuk mengamankan pengetahuan yang ada dan menggabungkannya dengan alat-alat baru sangat terbatas.

Hal ini mengarah pada pertanyaan strategis sebenarnya bagi Jerman sebagai lokasi bisnis. China dapat meniru sebuah mesin, dan dengan kecepatan yang berulang kali mengejutkan para produsen Eropa. Jerman, di sisi lain, berisiko kehilangan keahliannya secara diam-diam, tahun demi tahun, dengan setiap pensiun yang tidak disertai dengan serah terima yang tepat. Keduanya merupakan ancaman. Ancaman kedua lebih berbahaya karena tidak menjadi berita utama dan karena tidak dapat diubah. Mesin yang ditiru dapat dilampaui oleh mesin yang lebih baik. Keahlian yang hilang hanya dapat dibangun kembali dengan sangat sulit dan tidak lengkap.

Kabar baiknya adalah solusi tidak harus terletak pada program miliaran dolar atau proyek berskala besar. Solusi dimulai di meja tempat seorang berusia 67 tahun, seorang berusia 45 tahun, dan seorang berusia 16 tahun saling berbicara. Masing-masing menyumbangkan keahliannya, dan masing-masing mendengarkan yang lain, terlepas dari siapa yang telah bekerja di perusahaan tersebut paling lama. Jika percakapan ini terjadi di puluhan ribu perusahaan, yang secara sistematis didukung oleh sistem pelatihan kejuruan ganda yang dimodernisasi dan alat AI yang membuat pengetahuan terlihat dan mudah diakses, maka modal tak terlihat dari usaha kecil dan menengah (UKM) akan menjadi keunggulan kompetitif yang tidak dapat ditiru begitu saja oleh pabrik mana pun di dunia.

Oleh karena itu, taruhan pada Jerman bukanlah taruhan pada nostalgia, pada bengkel lama yang bagus, atau pada keunggulan nilai-nilai masa lalu. Taruhan ini bergantung pada kesediaan generasi untuk saling belajar, dari kedua arah. Siapa pun yang ingin memenangkan ini harus mulai hari ini, selagi orang-orang yang pengetahuannya dipertaruhkan masih bekerja di perusahaan.

Dalam bisnis B2B industri, hubungan bisnis yang berkelanjutan jarang muncul dalam semalam. Hubungan tersebut berkembang selangkah demi selangkah – melalui visibilitas, relevansi profesional, titik kontak yang berulang, dan kepercayaan yang tumbuh. Model 4 tahap Xpert.Digital menjawab hal ini secara tepat: Model ini menawarkan jalur terstruktur yang dimulai dengan titik masuk yang mudah dikelola dan dapat berkembang menjadi kolaborasi yang lebih dalam dalam pengembangan bisnis jika diperlukan.

Alih-alih mengandalkan janji pemasaran yang bombastis, model ini menempatkan hubungan sebagai prioritas utama. Perusahaan memulai dengan ukuran yang jelas dan mudah dihitung, kemudian memutuskan, berdasarkan pengalaman mereka sendiri, sejauh mana mereka ingin memperluas kolaborasi. Faktor kunci untuk proses membangun kepercayaan yang tidak terganggu ini: Platform sepenuhnya menghindari iklan yang mengganggu, sehingga fokus editorial tetap semata-mata pada keahlian perusahaan.

Informasi selengkapnya di sini:

• Dari visibilitas hingga kepercayaan: Jalur skalabel Anda dengan Xpert.Digital

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

 

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini wolfenstein@xpert.digital:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

 

 

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang