Expertise ontmoet kunstmatige intelligentie: de toekomst van AI in Duitsland wordt niet in het datacenter, maar in de werkplaats bepaald

AI kan fouten versnellen – als bedrijven de kennis van hun specialisten verliezen

Het doorslaggevende voordeel van Duitsland in het AI-tijdperk ligt wellicht waar bijna niemand het verwacht: niet in enorme datacenters of de nieuwste taalmodellen, maar in de kennis en vaardigheden van ervaren specialisten. Hun kennis schuilt in handvaardigheid, een getraind oog en de intuïtie om te herkennen wanneer een machine niet goed functioneert of een onderdeel nader onderzoek behoeft. Die kennis vind je zelden in een handleiding – en kun je niet zomaar kopiëren.

Maar juist deze ervaringskennis dreigt verloren te gaan. Miljoenen werknemers uit de babyboomgeneratie naderen hun pensioen, terwijl veel bedrijven een tekort hebben aan jong talent. Tegelijkertijd introduceren bedrijven AI, die processen kan versnellen en patronen kan herkennen, maar zonder de kennis van het personeel kan deze technologie zich op het verkeerde probleem richten. De kans voor Duitsland ligt daarom niet per se in het vooroplopen in de race naar de grootste modellen. Die kans ligt in het zinvol combineren van menselijke vaardigheden en kunstmatige intelligentie – en het in beide richtingen overdragen van kennis tussen generaties. De cruciale vraag is of het mkb daar nog voldoende tijd voor heeft.

China kopieert machines in een paar maanden. Duitsland verliest zijn ervaringskennis in de loop der jaren, en vrijwel niemand merkt het

Wie het heeft over de opkomst van kunstmatige intelligentie, richt zich meestal op het zichtbare. Ze praten over datacenters, grafische processors, waarderingen van miljarden dollars, taalmodellen en robotarmen die componenten in seconden vastpakken. Dit alles kan worden gefotografeerd, in presentaties worden getoond en in balansen worden weergegeven. Maar wat een bedrijf in de toekomst echt waardevol zal maken met AI, ligt ergens dat niet op een foto te zien is: de ervaringskennis van mensen die al tientallen jaren met machines, materialen, klanten en fouten werken.

Een machine kan worden gerepliceerd. Een AI-model kan worden ontwikkeld, getraind en aangepast aan specifieke behoeften. Waarom een ​​ervaren inspecteur echter tijdens de acceptatietest een bepaald punt nogmaals bekijkt, wordt vaak niet in een handleiding uitgelegd. Misschien hebben ze vijftien jaar geleden een lasfout op precies die plek gezien. Misschien kennen ze de leverancier wiens toleranties verschillen tussen de winter en de zomer. Misschien horen ze simpelweg een motorgeluid als waarschuwingssignaal dat er iets mis is. In een kritieke situatie bepaalt deze kennis of een bedrijf profiteert van AI of juist sneller een kostbare fout maakt.

Dit leidt tot een gok die in eerste instantie contra-intuïtief lijkt. Vooral in het AI-tijdperk zouden Duitse mkb's een structureel voordeel kunnen hebben. Dit komt niet door betere software of grotere datacenters, want op beide gebieden lopen anderen al voor. Het voordeel schuilt in een organisatie die al generaties lang jonge mensen en ervaren professionals samenbrengt. Of deze gok zich uitbetaalt, hangt echter af van twee vragen: Wat weet de ene generatie dat de volgende nog kan leren? En wie is bereid om ook in de andere richting te luisteren?

De economie van stille kennis

De economie kent een ietwat omslachtige term voor wat ervaren vakmensen, meestervaklieden en ingenieurs bezitten: impliciete kennis. Dit verwijst naar vaardigheden die moeilijk, zo niet onmogelijk, in woorden te vatten zijn. Arbeidsmarktonderzoek maakt al lange tijd onderscheid tussen expliciete kennis, die kan worden opgeschreven, gecommuniceerd en in curricula kan worden opgenomen, en impliciete kennis, die is ingebed in handvaardigheden, perceptuele patronen en oordelen. Ervaringskennis wordt beschouwd als een bijzonder hoog ontwikkelde vorm van procedurele kennis. Het verbindt beide niveaus zodanig dat mensen taken betrouwbaar kunnen oplossen, zelfs met onvolledige informatie, tijdsdruk en veranderende omstandigheden.

Economisch gezien is deze kennis om drie redenen opmerkelijk. Ten eerste is ze nauwelijks verhandelbaar. Er bestaat geen markt waar je het instinct van een kwaliteitsinspecteur voor kritieke punten kunt kopen. Je kunt hoogstens iemand aannemen die deze kennis bezit, en zelfs dan slaagt de overdracht alleen als de nieuwe omgeving het mogelijk maakt om de vaardigheden toe te passen. Ten tweede is het moeilijk te kopiëren. Ontwerptekeningen kunnen worden gereconstrueerd door middel van reverse engineering, productiefaciliteiten kunnen worden gekocht en software kan worden geherprogrammeerd. De wisselwerking tussen proceskennis, klantinzicht en ervaring met fouten die zich binnen een gevestigd bedrijf ontwikkelt, tart deze logica grotendeels. Ten derde gaat de kennis verloren als deze niet wordt doorgegeven. In tegenstelling tot een machine, die kan worden opgeslagen, verdwijnt ervaringskennis met de persoon die het bedrijf verlaat.

Juist deze eigenschap vormt de kern van het concurrentievermogen van veel Duitse 'verborgen kampioenen'. Hun wereldwijde marktleiderschap is zelden gebaseerd op één spectaculaire uitvinding. Het is gebaseerd op duizenden kleine verbeteringen, op productietoleranties die anderen niet betrouwbaar kunnen bereiken, en op het vermogen om klantproblemen op te lossen voordat de klant ze zelfs maar kan formuleren. Dit is opgebouwde ervaringskennis, verspreid over verschillende afdelingen en in verschillende disciplines. Het verschijnt niet op de balans. Maar iedereen die ooit heeft meegemaakt dat een bedrijf plotseling overspoeld wordt met klachten na het vertrek van twee sleutelpersonen, weet hoe waardevol dit is.

Waarom AI ook fouten versnelt

Kunstmatige intelligentie is in wezen een versterker. Het verwerkt data sneller, herkent patronen in grotere hoeveelheden en automatiseert beslissingen die voorheen menselijke tussenkomst vereisten. Dit is het enorme voordeel. Maar het is tegelijkertijd ook het risico, omdat een versterker geen onderscheid maakt tussen goede en slechte signalen. Een model dat leert van onvolledige of vervormde data geeft niet alleen zijn zwakke punten door, maar versterkt ze ook.

In de dagelijkse industriële praktijk wordt dit heel concreet. Een door AI ondersteund optisch kwaliteitsinspectiesysteem kan miljoenen componenten in korte tijd controleren. Maar als niemand weet welke defectpatronen echt kritiek zijn, zal het systeem consequent de verkeerde onderdelen inspecteren. Een taalmodel kan binnen enkele seconden offertes, onderhoudsinstructies en testrapporten opstellen. Als het de vragen van een veeleisende klant tijdens de acceptatietest niet kent, levert het vloeiend geschreven documenten af ​​die op het cruciale moment tekortschieten. Een voorspellend onderhoudsalgoritme kan sensorgegevens analyseren. Maar als het niet weet welke afwijkingen onschadelijk zijn en welke op een storing wijzen, zal het ofwel valse alarmen genereren, ofwel een misleidend gevoel van rust geven.

De werkelijke waardecreatie ontstaat daarom niet in het model zelf, maar in de combinatie van het model en expertise. Grote, eenvoudige modellen worden steeds vaker massaal geproduceerd. Ze zijn beschikbaar via interfaces, de prijs per berekening daalt en de prestatieverschillen worden kleiner. Wat een bedrijf onderscheidt van zijn concurrenten, is de vraag welke kennis het in deze systemen kan inbrengen. Dit omvat welke foutencatalogi het bijhoudt, welke testcriteria het heeft geformuleerd, welke uitzonderingen het erkent en welke klantbehoeften het begrijpt. Data vormen echter slechts de helft van het verhaal. Cruciaal is het oordeel dat bepaalt welke data er daadwerkelijk toe doet.

Dit leidt tot een onaangename constatering voor iedereen die AI vooral ziet als een middel om te besparen op ervaren werknemers. Degenen die juist de mensen met de diepste kennis van processen ontslaan op het moment dat AI-systemen worden geïntroduceerd, ontnemen deze systemen hun belangrijkste hulpbron. De berekening mag dan op korte termijn werken, maar op middellange termijn zal het leiden tot kostbare fouten.

De generatiekloof in China als les

Weinig voorbeelden illustreren de cruciale rol van kennisoverdracht tussen generaties in de economische ontwikkeling van een land zo duidelijk als China. Tijdens de Culturele Revolutie kwam het hoger onderwijs vrijwel volledig tot stilstand. Tussen 1966 en 1969 namen universiteiten geen nieuwe studenten meer aan. Van 1970 tot 1976 werden alleen kandidaten toegelaten die als politiek betrouwbaar werden beschouwd. Pas in de herfst van 1977 werd het landelijke toelatingsexamen voor de universiteit, de Gaokao, na een onderbreking van elf jaar opnieuw ingevoerd. De beroemde Winter Gaokao van dat jaar werd een keerpunt voor een hele generatie.

De gevolgen van deze breuk waren enorm. Een generatie verloor jaren onderwijs, leraren werden vervolgd, kennis werd gedevalueerd en in veel gevallen niet doorgegeven. Des te verbazingwekkender is dan ook wat er daarna gebeurde. De volgende generatie bouwde in slechts enkele decennia een industriële economie op waarvan het tempo vrijwel ongeëvenaard is in de economische geschiedenis. Iedereen die de afgelopen twintig jaar Chinese industrieterreinen heeft bezocht, heeft gezien hoe velden werden omgevormd tot industrieparken en toeleveranciers tot wereldmarktleiders. China is tegenwoordig 's werelds grootste industrienatie. Wat betreft robotdichtheid in de productie heeft het land Duitsland ingehaald: met ongeveer 470 industriële robots per 10.000 werknemers heeft het onlangs de Bondsrepubliek overtroffen, en er zijn nu ruim 1,7 miljoen industriële robots actief in Chinese fabrieken.

En nu ontwikkelt een jonge Chinese generatie kunstmatige intelligentie, met aanzienlijk succes. Chinese taalmodellen hebben snel de meest geavanceerde technologieën ter wereld ingehaald, vaak met aanzienlijk minder middelen dan hun Amerikaanse tegenhangers. In één land komen zo drie generaties met zeer verschillende achtergronden samen: een generatie die de breuk met het verleden heeft meegemaakt, een generatie die de industrialisatie heeft doorstaan ​​en een generatie die digitale technologieën met gemak beheerst.

Dit bevat een les die verder reikt dan China. Het samenbrengen van drie generaties in hetzelfde land is een demografisch feit. Hun kennis bundelen binnen één bedrijf is een organisatorische uitdaging, en een aanzienlijk complexere bovendien. De ervaringskennis van de industrialisatiegeneratie en de digitale vaardigheden van de jongere generatie vloeien niet vanzelf samen. Ze moeten worden gecombineerd in concrete werkrelaties – aan de machine, tijdens het testen, in de interactie met klanten.

Wanneer snelheid belangrijker is dan leren

Een voorbeeld uit de provincie Shandong illustreert hoe concreet deze uitdaging is. Een grote fabrikant van voertuigen en landbouwmachines in de havenstad Rizhao, een bedrijf met ongeveer 10.000 werknemers, heeft een eigen leerprogramma. De directeur beschreef aan de Internationale Arbeidsorganisatie een probleem dat veel industriële bedrijven kennen: de hoge werkdruk van de dagelijkse werkzaamheden liet weinig tijd over voor de systematische opleiding van leerlingen. Productie kreeg voorrang en leren werd een bijzaak.

Deze constatering raakt een gevoelige snaar. Ironisch genoeg kan juist het tempo dat een bedrijf sterk maakt, ervoor zorgen dat het geen tijd heeft om zijn expertise over te dragen. In een groeifase waarin elk machine-uur telt en levertijden krap zijn, lijkt het uur dat een ervaren vakman met een leerling doorbrengt een kostenpost. Het nut ervan wordt pas jaren later duidelijk, wanneer de leerling zelfstandig problemen oplost, fouten vermijdt en anderen begeleidt. Economisch gezien is training een investering met een lange termijn en onzekere opbrengsten, omdat de getrainde werknemer het bedrijf op elk moment kan verlaten. Markten die sterk gericht zijn op prestaties op de korte termijn investeren daarom stelselmatig te weinig in deze vorm van menselijk kapitaal.

China heeft het probleem erkend. De overheid werkt al jaren aan de ontwikkeling van een modern leerlingstelsel dat praktijkervaring op de werkplek beter integreert met klassikaal onderwijs, waarbij expliciet gebruik wordt gemaakt van Europese ervaringen. Met internationale steun zijn pilotbedrijven geselecteerd, opleidingsnormen ontwikkeld en opleidingsfasen gestructureerd. Een dergelijk systeem kan echter niet zomaar in een paar jaar tijd per decreet worden ingevoerd. Het vereist bedrijven die opleiding als een essentieel onderdeel van hun identiteit beschouwen, opleiders met pedagogische en professionele kwalificaties, erkende kwalificaties en een maatschappelijke status voor beroepsonderwijs die kan concurreren met de academische weg. In een samenleving waar de Gaokao (een vorm van leerlingstelsel) en universitaire studies decennialang als de gouden standaard werden beschouwd, vertegenwoordigt dit een culturele verschuiving.

De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering - Afbeelding: Xpert.Digital

Xpert.Digital is een datagedreven B2B-branchehub onder leiding van Konrad Wolfenstein . Het bedrijf fungeert als een externe, quasi-interne oplossing voor industriële partners en dicht operationele lacunes in marketing, content en sales – zonder dat de klant extra middelen nodig heeft.

Meer informatie vindt u hier:

• De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering

De Duitse formule: demografie ontmoet digitalisering

Wie hieruit concludeert dat Duitsland achterover kan leunen en ontspannen, vergist zich ernstig. Het Duitse model heeft een voordeel, maar staat onder druk waarvan de omvang vaak wordt onderschat.

Volgens berekeningen van het Duitse Economisch Instituut (IW) zullen in 2036 bijna 19,5 miljoen mensen uit de babyboomgeneratie de pensioenleeftijd bereiken. Tegelijkertijd stromen er aanzienlijk minder jongeren de arbeidsmarkt op. Het nettoresultaat is een dreigend tekort aan arbeidskrachten van circa 4,3 miljoen. Dit is meer dan alleen een statistisch cijfer. Het betekent dat in de komende tien jaar een aanzienlijk deel van de opgebouwde ervaring en kennis binnen Duitse bedrijven verloren gaat door pensionering. Met name babyboomers vormen de meest ervaren beroepsgroep in veel technische beroepen, kwaliteitsmanagement, onderhoud en de verkoop van complexe kapitaalgoederen.

De situatie is nog nijpender aan de top van bedrijven. Meer dan een derde van de eigenaren van middelgrote bedrijven is nu ouder dan 60 jaar, en nog eens een vijfde is tussen de 55 en 59 jaar. De gemiddelde leeftijd ligt boven de 54. Naar verwachting zullen jaarlijks zo'n 109.000 eigenaren van kleine en middelgrote ondernemingen hun bedrijf tegen eind 2029 overdragen aan nieuwe eigenaren. Tegelijkertijd overwegen honderdduizenden ondernemers hun bedrijf te sluiten vanwege een gebrek aan opvolgers, in plaats van het over te dragen. Met elk bedrijf dat sluit, verdwijnen niet alleen banen en inkomsten, maar ook kennis over klanten, processen en nichemarkten die nooit volledig opnieuw opgebouwd kan worden.

Het fundament waarop Duitslands concurrentievoordeel rust, brokkelt eveneens af. Het aantal nieuw afgesloten duale beroepsopleidingscontracten daalde in 2025 tot net onder de 476.000. Dat zijn er ruim 10.000 minder dan het jaar ervoor, een daling van 2,1 procent, voornamelijk veroorzaakt door een afname van het aantal contracten bij bedrijven. Tegelijkertijd blijven veel leerwerkplekken onvervuld, terwijl sommige jongeren geen geschikte stageplaats kunnen vinden. De discrepantie tussen vraag en aanbod is een terugkerend probleem in het beroepsonderwijsbeleid.

Het beeld is eveneens gemengd als het gaat om het gebruik van kunstmatige intelligentie. Iets meer dan een kwart van de Duitse bedrijven met minstens tien werknemers maakte in 2025 gebruik van AI-technologieën, vergeleken met een vijfde het jaar ervoor. De groei is opmerkelijk. De kloof tussen grote en kleine bedrijven is echter aanzienlijk. Meer dan de helft van de bedrijven met minstens 250 werknemers gebruikt AI, terwijl dit bij bedrijven met tien tot 49 werknemers nog geen kwart is. AI wint momenteel het langzaamst terrein juist daar waar ervaringskennis bijzonder waardevol en kwetsbaar is – met name bij kleine en middelgrote industriële ondernemingen.

De Duitse vergelijking is daarom als volgt: een grote hoeveelheid ervaringskennis, een snel afnemend aantal kennisdragers, een dalend aantal jong talent en een aarzelende digitalisering binnen het mkb. Dit kan een concurrentievoordeel opleveren, maar alleen als het mogelijk is de bestaande kennis binnen een beheersbaar tijdsbestek te behouden, over te dragen en bruikbaar te maken met nieuwe tools.

Drie generaties aan één tafel

Een gesprek dat plaatsvond in een middelgroot bedrijf illustreert hoe dit er op kleinere schaal uit kan zien. Drie mensen uit drie verschillende generaties zaten rond de tafel. De oudste, Dirk, is 67 jaar. Hij brengt de vragen mee die een klant later zou kunnen stellen, de bezwaren die tijdens de acceptatietests naar voren komen, de kritische vragen over duurzaamheid en de ervaring met waar projecten doorgaans mislukken. In het midden zit een 45-jarige met een achtergrond in werktuigbouwkunde en kwaliteitsmanagement – ​​iemand die processen, normen en testmethoden kent. De jongste, Maxi, is 16 jaar. Hij heeft de AI van het bedrijf ontwikkeld.

Deze situatie stelt een ongeschreven orde ter discussie die nog steeds in veel bedrijven heerst. Als de beslissing over wie iets aan wie mocht uitleggen gebaseerd was op dienstjaren, zou de AI-ontwikkelaar als laatste aan de beurt zijn geweest. In traditionele hiërarchieën stroomt kennis van boven naar beneden, van de ervaren naar de nieuwkomer, van de meester naar de leerling. In een wereld waarin digitale tools sneller evolueren dan de opleidingsvoorschriften kunnen worden aangepast, is deze eenrichtingsstroom niet langer toereikend.

De ware waarde van deze driehoek schuilt in het feit dat elk van hen iets bijdraagt ​​wat de anderen missen. De ervaren persoon weet welke vragen belangrijk zijn, maar kan deze mogelijk niet vertalen naar een systeem. De jongere generatie kan systemen bouwen, maar weet niet welke vragen ze moeten beantwoorden. De middelste generatie overbrugt de kloof tussen deze twee werelden door kennis te structureren in processen, criteria en testprocedures. Alleen door deze wisselwerking kan een AI-toepassing ontstaan ​​die niet alleen technisch functioneert, maar ook de kritische blik van een veeleisende klant kan doorstaan.

Onderzoek naar personeelsmanagement verwijst naar de omgekeerde trend, waarbij jongere mensen oudere mensen kennis laten maken met nieuwe technologieën, als omgekeerd mentorschap. In het tijdperk van AI is dit meer dan alleen een instrument voor personeelsontwikkeling. Het is een voorwaarde geworden om ervaringskennis überhaupt in digitale systemen te kunnen integreren. Dit vereist dat oudere mensen bereid zijn te luisteren naar een zestienjarige. Het vereist dat jongere mensen de vraag van een 67-jarige niet afdoen als een gebrek aan technologisch inzicht, maar als een indicatie van een probleem dat hun systeem nog niet heeft opgelost. Beide situaties zijn veeleisender dan ze lijken, omdat ze raken aan status, zelfbeeld en ingesleten rollen.

Duale beroepsopleiding als onderschatte AI-infrastructuur

Hier komt de kracht van het Duitse mkb tot uiting. Met zijn duale beroepsopleidingssysteem beschikt Duitsland over een institutie die precies datgene bereikt waar veel andere economieën niet in slagen: het brengt jongeren en ervaren professionals systematisch samen in bedrijven, gedurende meerdere jaren en onder duidelijke regels. Leerlingen leren niet alleen op de vakschool, maar ook aan de hand van echte machines, werkend aan echte klantopdrachten, onder begeleiding van mensen die hun vak al decennia beheersen. Het systeem wordt gewaarborgd door kamers van koophandel, opleidingsvoorschriften en examens, en geniet, ondanks enige kritiek, een maatschappelijke erkenning waar andere landen jaloers op zijn.

Tot nu toe werd duale beroepsopleiding vooral gezien als een instrument om geschoolde arbeidskrachten te garanderen en jongeren in de arbeidsmarkt te integreren. In het AI-tijdperk krijgt het een extra, voorheen over het hoofd geziene functie: het dient als infrastructuur voor kennisoverdracht tussen generaties, in beide richtingen. De meestervakman kan de leerling laten zien hoe een defect te herkennen is. De leerling kan de meestervakman laten zien hoe deze kennis de hele werkplaats morgen ten goede komt, omdat hij weet hoe hij de kennis in een database kan structureren, aan een AI-assistent kan invoeren of kan vertalen naar een digitaal inspectierapport.

Deze dubbele aanpak maakt het model potentieel een kans voor heel Europa. Het continent zal de Verenigde Staten of China waarschijnlijk niet voorbijstreven in de race om de grootste taalmodellen en de krachtigste datacenters. Het kan echter wel sterk worden waar AI de industriële praktijk raakt: in de productie, kwaliteitscontrole, onderhoud, logistiek en installatietechniek. Op deze gebieden is de ervaringskennis van het personeel de cruciale hulpbron, en Europa, met name de Duitstalige landen met hun traditie van beroepsopleiding, beschikt over deze kennis in overvloed.

Om dit potentieel te ontsluiten, moet de duale beroepsopleiding echter evolueren. Opleidingsvoorschriften die digitale vaardigheden slechts als een bijzaak beschouwen, sluiten niet aan bij de realiteit. Opleiders moeten zelf toegang hebben tot AI-tools en de vrijheid om deze in hun dagelijkse trainingen te gebruiken. Bedrijven moeten leerlingen de ruimte bieden om hun eigen digitale oplossingen te ontwikkelen en te testen, in plaats van ze simpelweg in te passen in vooraf gedefinieerde processen. En de rol van de leerling moet verschuiven van louter ontvanger naar actieve deelnemer. De Europese AI-wetgeving verplicht bedrijven al om ervoor te zorgen dat hun werknemers over voldoende AI-vaardigheden beschikken. De duale beroepsopleiding zou een voor de hand liggende manier zijn om aan deze verplichting te voldoen, niet als een bureaucratische last, maar als een investering.

Van meesterkennis tot workshopherinneringen

Hoe kan dit concept worden vertaald naar praktische zakelijke toepassingen? De ervaring leert dat veel kennismanagementprojecten mislukken omdat ze te abstract beginnen. Software wordt aangeschaft, een wiki wordt opgezet en de hoop is dat ervaren medewerkers hun kennis zullen bijdragen. Dit gebeurt zelden, omdat impliciete kennis niet met één druk op de knop in tekst kan worden omgezet, en omdat de betrokkenen er simpelweg geen tijd voor hebben in hun dagelijkse werk. Een veelbelovendere aanpak is er een die zich richt op het concrete werk zelf.

Een eerste stap is het identificeren van de kennissilo's binnen het bedrijf. Welke medewerkers beschikken over kennis die niemand anders heeft? Wie van hen gaat de komende vijf jaar met pensioen? Bij welke processtappen doen zich de meest kostbare fouten voor en wie weet hoe deze te voorkomen? Zo'n risicoanalyse van de kennisbasis is nieuw voor de meeste middelgrote bedrijven, terwijl het net zo belangrijk is voor de toekomstige levensvatbaarheid als een beoordeling van de machines of de financiële situatie.

Een tweede stap omvat het vormen van intergenerationele duo's of trio's met een duidelijke missie. In plaats van simpelweg algemene kennis over te dragen, werken een ervaren professional en een jongere, digitaal onderlegde collega samen aan een specifiek probleem. Ze kunnen bijvoorbeeld een AI-assistent ontwikkelen voor het oplossen van problemen met een bepaald systeem, een vragenlijst voor klantacceptatietesten, of een digitaal testprotocol dat typische foutpatronen documenteert met foto's en uitleg. De kennis wordt niet abstract beoordeeld, maar zichtbaar gemaakt door middel van dialoog. De ervaren collega legt uit waarom hij of zij extra aandacht besteedt aan een bepaald punt, en de jongere collega stelt vragen totdat er een begrijpelijke regel ontstaat.

Moderne AI-tools vereenvoudigen dit proces aanzienlijk. Gesprekken kunnen automatisch worden getranscribeerd en gestructureerd. Foto's en video's van werkprocessen kunnen worden gekoppeld aan toelichtingen. Spraakmodellen hebben toegang tot bedrijfsdocumenten, klachtenrapporten en testprotocollen en kunnen medewerkers in natuurlijke taal antwoorden. Zo ontstaat er geleidelijk een soort werkplaatsgeheugen, dat niet stof verzamelt in een map, maar direct beschikbaar is in het dagelijks werk. Jongere medewerkers stellen vragen aan de digitale assistent, die heeft geleerd van ervaren collega's, en de ervaren collega's zien dat hun expertise ook na hun pensioen nog van pas komt.

Een derde stap betreft stimulansen en erkenning. Kennisoverdracht kost tijd, en deze tijd moet worden ingepland en gewaardeerd. Bedrijven die hun meest ervaren werknemers uitsluitend beoordelen op basis van productie zullen er nauwelijks in slagen hen hun kennis te laten delen. De ervaring in Shandong is hier net zo relevant als in Zwaben. Waar het tempo van de dagelijkse gang van zaken alles overschaduwt, vindt er geen kennisoverdracht plaats. Vaste tijdsbesteding voor kennisoverdracht, zichtbare waardering voor de mentorrol en flexibele modellen voor de overgang naar pensionering, zoals deeltijdwerk of consultancy na pensionering, zijn allemaal gunstig. Deze opties zijn met name toegankelijk voor kleine en middelgrote ondernemingen (kmo's), die hun ervaren werknemers vaak persoonlijk kennen.

Een vierde stap is kwaliteitsborging van de gevestigde kennis. Niet alles wat een ervaren medewerker als juist beschouwt, is ook daadwerkelijk juist. Sommige vuistregels stammen uit tijden waarin andere materialen, machines of normen werden gebruikt. Daarom moet het collectieve geheugen van een werkplaats worden onderhouden, herzien en bijgewerkt. Ook hier kan samenwerking tussen generaties nuttig zijn. Jongere medewerkers stellen gevestigde werkwijzen ter discussie, oudere medewerkers leggen de oorsprong ervan uit en samen beslissen ze wat behouden moet blijven.

De beperkingen van de these

Een eerlijke analyse moet ook de zwakke punten van deze gok erkennen. Ten eerste is de voorsprong van Duitsland op het gebied van ervaringskennis geen vanzelfsprekendheid. China heeft in slechts enkele decennia een enorme basis aan industriële ervaring opgebouwd. De generatie die de industrialisatie heeft aangevoerd, beschikt over een enorme proceskennis, en het is niet vanzelfsprekend dat deze kennis minder effectief zal worden doorgegeven dan de Duitse kennis. Bovendien werven Chinese bedrijven actief ervaren ingenieurs uit Europa, en de overname van Europese mkb's dient al jaren ook het doel van kennisoverdracht. Impliciete kennis is moeilijk te kopiëren, maar zeker wel vatbaar voor verwerving.

Ten tweede kan een verhaal dat voornamelijk op ervaringskennis is gebaseerd, de snelheid waarmee machines leren onderschatten. Moderne AI-systemen leren patronen uit enorme hoeveelheden data die geen mens ooit bewust heeft geformuleerd. Op sommige gebieden, zoals beeldverwerking, procesoptimalisatie en materiaalonderzoek, overtreffen ze ervaren professionals al. Degenen die beschikken over miljoenen sensorgegevens en een hoge mate van automatisering, zoals steeds vaker het geval is in Chinese fabrieken, kunnen een deel van de ervaringskennis vervangen door de enorme hoeveelheden data. De stelling dat expertise onvervangbaar is, gaat daarom niet overal op. Deze stelling is het sterkst waar de productieaantallen klein zijn, er veel varianten zijn en de klantbehoeften individueel zijn – precies in de machinebouw voor specifieke doeleinden, de installatietechniek en veel nichesectoren van middelgrote bedrijven.

Ten derde kampt Duitsland met problemen die, hoe goed het beroepsopleidingssysteem ook is, niet kunnen worden gecompenseerd. Hoge energieprijzen, langdurige goedkeuringsprocedures, een zwakke investeringsdynamiek, aarzelende digitalisering van de overheid en een relatief trage adoptie van digitale technologieën in het kleinbedrijf hebben allemaal een negatieve invloed op het concurrentievermogen. Het dalende aantal leerwerktrajecten laat zien dat het duale systeem zelf onder druk staat. Een voordeel dat niet wordt benut, is geen voordeel.

Ten vierde bestaat het gevaar van zelfgenoegzaamheid. Het verhaal van onzichtbare ervaringskennis kan een handig excuus worden om noodzakelijke veranderingen uit te stellen. Wie vertrouwt op de vaardigheden van zijn personeel zonder deze te beschermen, te digitaliseren en verder te ontwikkelen, verandert zijn grootste voordeel in zijn grootste risico. Want ervaringskennis die verdwijnt bij pensionering is onherroepelijk verloren.

Het kopiëren of de vaardigheid: wat gaat er sneller verloren?

Ondanks deze bezwaren blijft de fundamentele these geldig, juist omdat ze een duidelijke oproep tot actie bevat. Concurrentie in het AI-tijdperk zal niet alleen worden bepaald door rekenkracht en modelgrootte. In belangrijke mate zal het worden bepaald door welke bedrijven en economieën erin slagen menselijke ervaring te combineren met machine-intelligentie. De beste modellen zullen voor iedereen beschikbaar zijn. De beste expertise zal schaars blijven.

In deze concurrentiestrijd heeft Duitsland een duidelijk voordeel. Het land beschikt over een dicht netwerk van gespecialiseerde middelgrote bedrijven met diepgaande proceskennis, een beproefd systeem dat generaties binnen het bedrijf verbindt en een traditie van waardering voor professionele vaardigheden in de samenleving. Tegelijkertijd dringt de tijd. In de komende tien jaar gaan miljoenen ervaren professionals met pensioen, zoeken tienduizenden bedrijven jaarlijks naar opvolgers en neemt het aantal leerwerkplekken af. De mogelijkheid om bestaande kennis te behouden en te combineren met nieuwe instrumenten is beperkt.

Dit brengt ons bij de fundamentele strategische vraag voor Duitsland als vestigingsplaats voor bedrijven. China kan een machine kopiëren, en wel in een tempo dat Europese fabrikanten keer op keer verbaast. Duitsland daarentegen loopt het risico zijn expertise stilletjes te verliezen, jaar na jaar, bij elke pensionering die niet gepaard gaat met een goede overdracht. Beide vormen een bedreiging. De tweede is gevaarlijker omdat die geen krantenkoppen haalt en omdat ze onomkeerbaar is. Een gekopieerde machine kan worden overtroffen door een betere. Verloren expertise kan slechts met grote moeite en onvolledig worden hersteld.

Het goede nieuws is dat de oplossing niet hoeft te liggen in programma's van miljarden dollars of grootschalige projecten. Het begint aan een tafel waar een 67-jarige, een 45-jarige en een 16-jarige met elkaar praten. Ieder draagt ​​zijn of haar expertise bij en luistert naar de anderen, ongeacht wie het langst bij het bedrijf werkt. Als deze gesprekken plaatsvinden in tienduizenden bedrijven, systematisch ondersteund door een gemoderniseerd duale beroepsopleiding en AI-tools die kennis zichtbaar en toegankelijk maken, dan wordt het onzichtbare kapitaal van kleine en middelgrote ondernemingen (mkb's) een concurrentievoordeel dat geen enkele fabriek ter wereld zomaar kan kopiëren.

De inzet op Duitsland is daarom geen inzet op nostalgie, op de goede oude werkplaats of op de superioriteit van vroegere deugden. Het gaat erom dat de generaties bereid zijn van elkaar te leren, in beide richtingen. Wie dit wil winnen, moet daar vandaag mee beginnen, zolang de mensen wier kennis op het spel staat nog in het bedrijf werken.

Van inzicht naar vertrouwen: uw schaalbare traject met Xpert.Digital - Afbeelding: Xpert.Digital

In de industriële B2B-sector ontstaan ​​duurzame zakelijke relaties zelden van de ene op de andere dag. Ze ontwikkelen zich stap voor stap – door zichtbaarheid, professionele relevantie, terugkerende contactmomenten en groeiend vertrouwen. Het 4-stappenmodel van Xpert.Digital speelt hier precies op in: het biedt een gestructureerd traject dat begint met een beheersbaar instapmoment en, indien nodig, kan uitgroeien tot een diepere samenwerking in de bedrijfsontwikkeling.

In plaats van te vertrouwen op luide marketingbeloftes, plaatst dit model de relatie centraal. Bedrijven beginnen met duidelijk gedefinieerde, eenvoudig meetbare indicatoren en bepalen vervolgens, op basis van hun eigen ervaring, hoe ver ze de samenwerking willen uitbreiden. Een belangrijke factor voor dit ongestoorde proces van vertrouwensopbouw: het platform vermijdt volledig storende advertenties, waardoor de redactionele focus volledig op de expertise van de bedrijven blijft.

Meer informatie vindt u hier:

• Van inzicht naar vertrouwen: uw schaalbare traject met Xpert.Digital

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

Konrad Wolfenstein

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen [email protected]:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen