Wiedza ekspercka spotyka się ze sztuczną inteligencją: przyszłość sztucznej inteligencji w Niemczech rozstrzygnie się nie w centrum danych, lecz w warsztacie

Sztuczna inteligencja może przyspieszać błędy – jeśli firmy tracą wiedzę swoich specjalistów

Zdecydowana przewaga Niemiec w erze sztucznej inteligencji może leżeć tam, gdzie mało kto się jej spodziewa: nie w ogromnych centrach danych czy najnowszych modelach językowych, ale w umysłach i rękach doświadczonych specjalistów. Ich wiedza opiera się na umiejętnościach manualnych, wyćwiczonym oku i intuicji pozwalającej rozpoznać, kiedy maszyna nie działa prawidłowo lub jaki komponent wymaga dokładniejszej inspekcji. Rzadko można ją znaleźć w instrukcji obsługi – i nie da się jej po prostu skopiować.

Ale to właśnie ta wiedza oparta na doświadczeniu jest zagrożona utratą. Miliony pracowników z pokolenia wyżu demograficznego zbliżają się do emerytury, podczas gdy wielu firmom brakuje młodych talentów. Jednocześnie firmy wprowadzają sztuczną inteligencję, która może przyspieszać procesy i rozpoznawać wzorce, ale bez wiedzy pracowników może rozwiązywać niewłaściwy problem. Szansa dla Niemiec nie leży zatem koniecznie w byciu liderem w wyścigu o największe modele. Polega ona na sensownym łączeniu umiejętności ludzkich ze sztuczną inteligencją – oraz przekazywaniu wiedzy między pokoleniami w obu kierunkach. Kluczowe pytanie brzmi, czy małe i średnie przedsiębiorstwa (MŚP) mają jeszcze wystarczająco dużo czasu, aby to zrobić.

Chiny kopiują maszyny w ciągu miesięcy. Niemcy tracą swoją wiedzę empiryczną latami i prawie nikt tego nie zauważa

Ci, którzy mówią o boomie sztucznej inteligencji, zazwyczaj skupiają się na tym, co widoczne. Mówią o centrach danych, procesorach graficznych, wycenach liczonych w miliardach dolarów, modelach językowych i ramionach robotów, które chwytają komponenty w ciągu kilku sekund. Wszystko to można sfotografować, pokazać w prezentacjach i odzwierciedlić w bilansach. Ale to, co naprawdę sprawi, że firma z AI będzie w przyszłości wartościowa, leży w czymś, czego nie widać na żadnym zdjęciu: w doświadczeniu ludzi, którzy przez dekady pracowali z maszynami, materiałami, klientami i błędami.

Maszynę można powielić. Model sztucznej inteligencji można opracować, wytrenować i dostosować do konkretnych potrzeb. Jednak powód, dla którego doświadczony inspektor ponownie przygląda się konkretnemu punktowi podczas testów odbiorczych, często nie jest wyjaśniony w żadnym podręczniku. Być może piętnaście lat temu był świadkiem awarii spoiny w tym samym miejscu. Być może zna dostawcę, którego tolerancje różnią się w zimie i lecie. Być może po prostu słyszy dźwięk silnika, który jest sygnałem ostrzegawczym, że coś jest nie tak. W krytycznej sytuacji ta wiedza decyduje o tym, czy firma czerpie korzyści z SI, czy po prostu szybciej popełnia kosztowny błąd.

Prowadzi to do ryzyka, które początkowo wydaje się sprzeczne z intuicją. Zwłaszcza w dobie sztucznej inteligencji niemieckie MŚP mogą mieć przewagę strukturalną. Nie wynika to z lepszego oprogramowania ani większych centrów danych, ponieważ inni przodują w obu tych obszarach. Przewaga leży w instytucji, która od pokoleń łączy młodych ludzi i doświadczonych specjalistów w firmie. To, czy to ryzyko się opłaci, zależy jednak od dwóch pytań: co jedno pokolenie wie, czego kolejne może się jeszcze nauczyć? I kto jest gotów słuchać również w drugą stronę?

Ekonomia wiedzy cichej

W ekonomii istnieje dość niezręczny termin określający to, co posiadają doświadczeni wykwalifikowani pracownicy, mistrzowie rzemiosła i inżynierowie: wiedza ukryta. Odnosi się ona do umiejętności, które trudno, a nawet niemożliwe jest ujęcie ich w słowa. Badania rynku pracy od dawna rozróżniają wiedzę jawną, którą można zapisać, przekazać i włączyć do programów nauczania, oraz wiedzę ukrytą, osadzoną w umiejętnościach manualnych, wzorcach percepcyjnych i osądach. Wiedza oparta na doświadczeniu jest uważana za szczególnie rozwiniętą formę wiedzy proceduralnej. Łączy ona oba poziomy w taki sposób, że ludzie mogą niezawodnie rozwiązywać zadania nawet w warunkach niepełnych informacji, presji czasu i zmieniających się warunków.

Z ekonomicznego punktu widzenia ta wiedza jest niezwykła z trzech powodów. Po pierwsze, jest trudno dostępna. Nie ma rynku, na którym można kupić instynkt inspektora jakości do punktów krytycznych. W najlepszym razie można zatrudnić osobę, która go posiada, a nawet wtedy transfer będzie skuteczny tylko wtedy, gdy nowe środowisko pozwoli jej zastosować swoje umiejętności. Po drugie, jest trudna do skopiowania. Rysunki projektowe można zrekonstruować poprzez inżynierię wsteczną, można kupić zakłady produkcyjne, a oprogramowanie można przeprogramować. Wzajemne oddziaływanie wiedzy o procesach, zrozumienia klienta i doświadczenia z błędami, które rozwija się w ugruntowanej firmie, w dużej mierze przeczy tej logice. Po trzecie, jest tracona, jeśli nie zostanie przekazana dalej. W przeciwieństwie do maszyny, którą można schować, wiedza oparta na doświadczeniu znika wraz z osobą, która odchodzi z firmy.

Ta właśnie cecha stanowi sedno konkurencyjności wielu niemieckich, ukrytych liderów. Ich globalna pozycja lidera na rynku rzadko opiera się na jednym spektakularnym wynalazku. Opiera się na tysiącach drobnych usprawnień, na tolerancjach produkcyjnych, których inni nie są w stanie niezawodnie osiągnąć, oraz na umiejętności rozwiązywania problemów klientów, zanim klient zdąży je sformułować. To skumulowana wiedza oparta na doświadczeniu, rozproszona po umysłach, rękach i działach. Nie pojawia się w bilansie. Ale każdy, kto kiedykolwiek był świadkiem nagłego zalewu skarg w firmie po odejściu dwóch kluczowych osób, wie, jak wiele to znaczy.

Dlaczego sztuczna inteligencja również przyspiesza błędy

Sztuczna inteligencja to w istocie wzmacniacz. Przetwarza dane szybciej, rozpoznaje wzorce w większych ilościach i automatyzuje decyzje, które wcześniej wymagały interwencji człowieka. To jej ogromna zaleta. Ale to również ryzyko, ponieważ wzmacniacz nie odróżnia dobrych sygnałów od złych. Model, który uczy się na podstawie niekompletnych lub zniekształconych danych, nie tylko przekazuje swoje słabości, ale je wzmacnia.

W codziennej praktyce przemysłowej staje się to bardzo konkretne. Optyczny system kontroli jakości wspomagany sztuczną inteligencją może sprawdzić miliony komponentów w krótkim czasie. Ale jeśli nikt nie wie, które wzorce defektów są naprawdę krytyczne, niezawodnie sprawdzi niewłaściwe elementy. Model językowy może formułować oferty, instrukcje konserwacji i raporty z testów w ciągu kilku sekund. Jeśli nie zna pytań, które wymagający klient zadaje podczas testów odbiorczych, dostarcza płynnie napisane dokumenty, które zawodzą w kluczowym momencie. Algorytm konserwacji predykcyjnej może analizować dane z czujników. Ale jeśli nie wie, które odchylenia są niegroźne, a które wskazują na awarię, będzie generował fałszywe alarmy lub złudne poczucie spokoju.

Prawdziwa wartość nie powstaje zatem w samym modelu, ale w jego połączeniu z wiedzą ekspercką. Duże, podstawowe modele stają się coraz bardziej masowo produkowane. Są dostępne za pośrednictwem interfejsów, cena za obliczenia spada, a różnice w ich wydajności maleją. Tym, co wyróżnia firmę na tle konkurencji, jest pytanie o to, jaką wiedzę może ona przekazać do tych systemów. Obejmuje to, jakie katalogi błędów prowadzi, jakie sformułowała kryteria testowe, jakie rozpoznaje wyjątki i jakie wymagania klientów rozumie. Dane to jednak tylko połowa historii. Kluczowa jest ocena, która określa, które dane są rzeczywiście istotne.

Prowadzi to do niewygodnej konkluzji dla wszystkich, którzy postrzegają sztuczną inteligencję przede wszystkim jako sposób na oszczędzanie na doświadczonych pracownikach. Ci, którzy zwalniają osoby o najgłębszej wiedzy o procesach właśnie w momencie wprowadzania systemów sztucznej inteligencji, pozbawiają te systemy ich najważniejszego zasobu. Takie kalkulacje mogą być trafne w krótkiej perspektywie, ale w perspektywie średnioterminowej doprowadzą do kosztownych błędów.

Podział pokoleniowy w Chinach jako lekcja

Niewiele przykładów ilustruje kluczową rolę wiedzy międzypokoleniowej w rozwoju gospodarczym kraju lepiej niż Chiny. Podczas rewolucji kulturalnej szkolnictwo wyższe praktycznie stanęło w miejscu. W latach 1966–1969 uniwersytety nie przyjmowały żadnych nowych studentów. W latach 1970–1976 przyjmowano jedynie kandydatów uznanych za politycznie wiarygodnych. Dopiero jesienią 1977 roku, po jedenastoletniej przerwie, przywrócono ogólnokrajowy egzamin wstępny na uniwersytet, Gaokao. Słynny zimowy Gaokao z tego roku stał się punktem zwrotnym dla całego pokolenia.

Konsekwencje tego zerwania były ogromne. Pokolenie straciło lata edukacji, nauczyciele byli prześladowani, wiedza została zdewaluowana i w wielu dziedzinach nie była przekazywana dalej. Tym bardziej zdumiewające jest to, co wydarzyło się później. Następne pokolenie zbudowało gospodarkę przemysłową w ciągu zaledwie kilku dekad, której tempo jest praktycznie bezprecedensowe w historii gospodarki. Każdy, kto odwiedził chińskie ośrodki przemysłowe w ciągu ostatnich dwóch dekad, był świadkiem, jak pola uprawne przekształcały się w parki przemysłowe, a dostawcy w światowych liderów rynkowych. Dziś Chiny są największym krajem przemysłowym na świecie. Pod względem gęstości robotyzacji w przemyśle kraj ten wyprzedził Niemcy: z około 470 robotami przemysłowymi na 10 000 pracowników, niedawno prześcignął Republikę Federalną, a w chińskich fabrykach pracuje obecnie ponad 1,7 miliona robotów przemysłowych.

A teraz młode pokolenie Chińczyków rozwija sztuczną inteligencję, i to z dużym sukcesem. Chińskie modele językowe szybko dogoniły wiodące technologie światowe, często dysponując znacznie mniejszymi zasobami niż ich amerykańscy odpowiednicy. W ten sposób w jednym kraju spotykają się trzy pokolenia o bardzo odmiennym pochodzeniu: jedno, które doświadczyło przełomu, drugie, które zmierzyło się z industrializacją, i trzecie, które z łatwością opanowało technologie cyfrowe.

Zawiera to lekcję wykraczającą poza Chiny. Fakt demograficzny, że trzy pokolenia mieszkają w tym samym kraju, jest faktem. Połączenie ich wiedzy w jednej firmie stanowi wyzwanie organizacyjne, i to znacznie trudniejsze. Wiedza oparta na doświadczeniu pokolenia industrializacji i umiejętności cyfrowe młodszego pokolenia nie łączą się automatycznie. Muszą się one łączyć w konkretnych relacjach roboczych – przy maszynie, w testach, w interakcjach z klientami.

Kiedy szybkość przyćmiewa naukę

Przykład z prowincji Szantung ilustruje, jak konkretne jest to wyzwanie. Duży producent pojazdów i maszyn rolniczych w mieście portowym Rizhao, firma zatrudniająca około 10 000 pracowników, prowadzi własny program praktyk zawodowych. Jej dyrektor opisał Międzynarodowej Organizacji Pracy problem znany wielu firmom przemysłowym: duże obciążenie codziennymi zadaniami pozostawiało niewiele czasu na systematyczne szkolenie praktykantów. Produkcja miała priorytet, a nauka zeszła na dalszy plan.

Ta obserwacja trafia w czuły punkt. Paradoksalnie, to właśnie tempo, które czyni firmę silną, może pozbawić ją czasu na przekazanie swojej wiedzy i doświadczenia. W fazie wzrostu, gdzie liczy się każda godzina pracy maszyny, a terminy dostaw są napięte, godzina spędzona przez doświadczonego pracownika z praktykantem wydaje się czynnikiem kosztowym. Korzyści z tego płynące stają się widoczne dopiero po latach, gdy praktykant samodzielnie rozwiązuje problemy, unika błędów i udziela wskazówek innym. Z ekonomicznego punktu widzenia szkolenie to inwestycja o długoterminowym horyzoncie czasowym i niepewnych zyskach, ponieważ przeszkolony pracownik może odejść z firmy w dowolnym momencie. Rynki silnie skoncentrowane na krótkoterminowych wynikach systematycznie niedoinwestowują tę formę kapitału ludzkiego.

Chiny dostrzegły ten problem. Od kilku lat rząd dąży do rozwoju nowoczesnego systemu praktyk zawodowych, który ma na celu lepszą integrację praktycznego doświadczenia w miejscu pracy z nauką w klasie, wyraźnie czerpiąc z doświadczeń europejskich. Dzięki międzynarodowemu wsparciu zrekrutowano firmy pilotażowe, opracowano standardy szkoleń i ustrukturyzowano etapy szkolenia. Jednak takiego systemu nie da się stworzyć dekretem w ciągu zaledwie kilku lat. Wymaga on firm, które rozumieją szkolenia jako część swojej tożsamości, trenerów z kwalifikacjami pedagogicznymi i zawodowymi, uznawanymi kwalifikacjami oraz pozycji społecznej dla kształcenia zawodowego, która może konkurować ze ścieżką akademicką. W społeczeństwie, w którym gaokao (rodzaj praktyk zawodowych) i studia uniwersyteckie od dziesięcioleci uważane są za złoty standard, stanowi to zmianę kulturową.

Xpert.Digital to branżowy hub B2B oparty na danych, kierowany przez Konrad Wolfenstein . Firma działa jako zewnętrzne, quasi-wewnętrzne rozwiązanie dla partnerów przemysłowych, eliminując luki operacyjne w obszarze marketingu, treści i sprzedaży – bez konieczności angażowania dodatkowych zasobów po stronie klienta.

Więcej informacji tutaj:

• Rozwiązanie quasi-in-house: Jak Xpert.Digital niweluje luki operacyjne w marketingu i sprzedaży B2B – Smart Content-Driven Business

Niemieckie równanie: demografia spotyka się z cyfryzacją

Każdy, kto wyciąga z tego wniosek, że Niemcy mogą sobie pozwolić na relaks, jest w błędzie. Model niemiecki ma przewagę, ale znajduje się pod presją, której skala jest często niedoceniana.

Według obliczeń Niemieckiego Instytutu Ekonomicznego (IW), do 2036 roku wiek emerytalny osiągnie prawie 19,5 miliona osób z pokolenia wyżu demograficznego. Jednocześnie znacznie mniej młodych ludzi wchodzi na rynek pracy. W rezultacie grozi nam niedobór siły roboczej, sięgający około 4,3 miliona osób. To nie tylko statystyka. Oznacza to, że w ciągu najbliższych dziesięciu lat znaczna część zgromadzonego doświadczenia i wiedzy w niemieckich firmach zostanie utracona w wyniku przejścia na emeryturę. W szczególności osoby z pokolenia wyżu demograficznego stanowią najbardziej doświadczoną siłę roboczą w wielu zawodach technicznych, zarządzaniu jakością, utrzymaniu ruchu i sprzedaży złożonych dóbr inwestycyjnych.

Sytuacja jest jeszcze bardziej krytyczna na najwyższych szczeblach firm. Ponad jedna trzecia właścicieli średnich przedsiębiorstw ma obecnie ponad 60 lat, a kolejna piąta ma od 55 do 59 lat. Średnia wieku wynosi ponad 54 lata. Do końca 2029 roku około 109 000 właścicieli małych i średnich przedsiębiorstw planuje co roku przekazywać swoje firmy nowym właścicielom. Jednocześnie setki tysięcy przedsiębiorców planuje zamknąć swoje firmy z powodu braku następców, zamiast przenosić własność. Z każdym zamykanym przedsiębiorstwem znikają nie tylko miejsca pracy i przychody, ale także wiedza o klientach, procesach i niszach rynkowych, których nigdy nie da się w pełni odbudować.

Fundament, na którym opiera się przewaga Niemiec, również się kruszy. Liczba nowo zawartych umów o podwójnym szkoleniu zawodowym spadła do niecałych 476 000 w 2025 roku. To o dobre 10 000 mniej niż w roku poprzednim, co stanowi spadek o 2,1%, spowodowany głównie mniejszą liczbą umów zawieranych przez firmy. Jednocześnie wiele miejsc pracy w ramach praktyk zawodowych pozostaje nieobsadzonych, a niektórzy młodzi ludzie nie mogą znaleźć odpowiedniego miejsca pracy. Nierównowaga między podażą a popytem to powracający problem w polityce kształcenia zawodowego.

Podobnie niejednoznaczny obraz przedstawia się w kontekście wykorzystania sztucznej inteligencji. Nieco ponad jedna czwarta niemieckich firm zatrudniających co najmniej dziesięciu pracowników korzystała z technologii AI w 2025 roku, w porównaniu z jedną piątą w roku poprzednim. Tempo wzrostu jest imponujące. Jednak różnica między dużymi a małymi firmami jest znaczna. Ponad połowa firm zatrudniających co najmniej 250 pracowników korzysta z AI, podczas gdy w przypadku firm zatrudniających od dziesięciu do 49 pracowników ten odsetek nie przekracza jednej czwartej. Obecnie AI rozwija się najwolniej właśnie tam, gdzie wiedza oparta na doświadczeniu jest szczególnie gęsta i podatna na ataki – a mianowicie w małych i średnich przedsiębiorstwach przemysłowych.

Niemieckie równanie wygląda zatem następująco: ogromny zasób wiedzy opartej na doświadczeniu, szybko malejąca liczba jej posiadaczy, malejąca liczba młodych talentów i niepewna cyfryzacja w MŚP. To może stać się przewagą konkurencyjną, ale tylko wtedy, gdy uda się zabezpieczyć istniejącą wiedzę w rozsądnym czasie, przekazać ją dalej i uczynić użyteczną z nowymi narzędziami.

Trzy pokolenia przy jednym stole

Rozmowa, która odbyła się w średniej wielkości firmie, ilustruje, jak to może wyglądać w mniejszej skali. Przy stole zasiadły trzy osoby z trzech pokoleń. Najstarszy, Dirk, ma 67 lat. Omawia pytania, które klient może później zadać, zastrzeżenia zgłaszane podczas testów akceptacyjnych, krytyczne pytania dotyczące trwałości i doświadczenia związane z typowymi niepowodzeniami projektów. W środku siedzi 45-latek z doświadczeniem w inżynierii mechanicznej i zarządzaniu jakością – ktoś, kto zna procesy, standardy i logikę testowania. Najmłodszy, Maxi, ma 16 lat. Zbudował sztuczną inteligencję firmy.

Ta sytuacja podważa niewypowiedziany porządek, który wciąż panuje w wielu firmach. Gdyby decyzja o tym, kto komu coś objaśnia, opierała się na latach doświadczenia, programista AI byłby ostatnim, który dostałby zielone światło. W tradycyjnych hierarchiach wiedza przepływa z góry na dół, od doświadczonego do nowicjusza, od mistrza do ucznia. W świecie, w którym narzędzia cyfrowe ewoluują szybciej, niż można dostosować przepisy dotyczące szkoleń, ta jednokierunkowa droga już nie wystarcza.

Prawdziwa wartość tego trójkąta tkwi w tym, że każdy z nich wnosi coś, czego brakuje pozostałym. Doświadczona osoba wie, które pytania są ważne, ale może nie być w stanie przełożyć ich na system. Młodsze pokolenie potrafi budować systemy, ale nie wie, na które pytania musi odpowiedzieć. Pokolenie średnie łączy te dwa światy, strukturyzując wiedzę w procesy, kryteria i procedury testowe. Tylko dzięki tej interakcji może powstać aplikacja AI, która nie tylko działa technicznie, ale także wytrzyma krytykę wymagającego klienta.

Badania nad zasobami ludzkimi odnoszą się do odwrotnego trendu, w którym młodsi ludzie wprowadzają starszych w świat nowych technologii, jako odwrotny mentoring. W dobie sztucznej inteligencji staje się to czymś więcej niż tylko narzędziem rozwoju personelu. Staje się warunkiem wstępnym integracji wiedzy opartej na doświadczeniu z systemami cyfrowymi. Wymaga to od osób starszych gotowości do słuchania szesnastolatka. Wymaga to od młodych, aby nie odrzucali pytania 67-latka jako braku zrozumienia technologii, ale raczej jako wskazówki na problem, którego ich system jeszcze nie rozwiązał. Oba te podejścia są bardziej wymagające, niż się wydaje, ponieważ dotyczą statusu, wizerunku własnego i zakorzenionych ról.

Dualne kształcenie zawodowe jako niedoceniana infrastruktura AI

To właśnie tutaj ujawnia się siła niemieckich MŚP. Dzięki dualnemu systemowi kształcenia zawodowego Niemcy posiadają instytucję, która osiąga dokładnie to, czego brakuje wielu innym gospodarkom: systematycznie, przez wiele lat, w firmach łączy młodych ludzi i doświadczonych specjalistów, kierując się jasnymi zasadami. Praktykanci uczą się nie tylko w szkołach zawodowych, ale także na prawdziwych maszynach, pracując nad prawdziwymi zamówieniami klientów, pod okiem osób, które doskonalą swój fach od dziesięcioleci. System ten jest wspierany przez izby handlowe, regulaminy szkoleń i egzaminy, i pomimo pewnych krytyk, cieszy się uznaniem społecznym, którego inne kraje mogą im pozazdrościć.

Do tej pory dualne kształcenie zawodowe postrzegano przede wszystkim jako narzędzie do pozyskiwania wykwalifikowanych pracowników i integracji młodych ludzi na rynku pracy. W dobie sztucznej inteligencji zyskuje ono dodatkową, wcześniej pomijaną funkcję: stanowi infrastrukturę transferu wiedzy między pokoleniami, w obu kierunkach. Mistrz rzemieślniczy może pokazać uczniowi, jak zidentyfikować wadę. Uczeń może pokazać mistrzowi rzemieślniczemu, jak ta wiedza przyniesie korzyści całemu warsztatowi w przyszłości, ponieważ wie, jak ją ustrukturyzować w bazie wiedzy, wprowadzić do asystenta AI lub przełożyć na cyfrowy raport z inspekcji.

To dwutorowe podejście sprawia, że ​​model ten potencjalnie stanowi szansę dla całej Europy. Kontynent prawdopodobnie nie wyprzedzi ani Stanów Zjednoczonych, ani Chin w wyścigu o największe modele językowe i najpotężniejsze centra danych. Może jednak rozwinąć swoją siłę tam, gdzie sztuczna inteligencja spotyka się z praktyką przemysłową: w produkcji, zapewnianiu jakości, utrzymaniu ruchu, logistyce i inżynierii zakładów. W tych dziedzinach wiedza oparta na doświadczeniu pracowników jest kluczowym zasobem, a Europa, a zwłaszcza kraje niemieckojęzyczne z ich tradycją kształcenia zawodowego, posiadają tę wiedzę w obfitości.

Aby jednak wykorzystać ten potencjał, dualne kształcenie zawodowe musi ewoluować. Przepisy dotyczące szkoleń, które traktują umiejętności cyfrowe jedynie jako kwestię marginalną, nie odzwierciedlają rzeczywistości. Sami trenerzy potrzebują dostępu do narzędzi sztucznej inteligencji i swobody korzystania z nich w codziennym kształceniu. Firmy muszą zapewnić praktykantom przestrzeń do rozwijania i testowania własnych rozwiązań cyfrowych, zamiast po prostu dostosowywać je do predefiniowanych procesów. Rola praktykanta musi zmienić się z odbiorcy na aktywnego uczestnika. Europejskie prawo dotyczące sztucznej inteligencji nakłada już na firmy obowiązek zapewnienia swoim pracownikom odpowiednich umiejętności w zakresie sztucznej inteligencji. Dualne kształcenie zawodowe byłoby oczywistym sposobem na wypełnienie tego obowiązku, nie jako obciążenie biurokratyczne, ale jako inwestycja.

Od wiedzy mistrzowskiej do pamięci warsztatowej

Jak przełożyć tę koncepcję na praktyczne zastosowania biznesowe? Doświadczenie pokazuje, że wiele projektów zarządzania wiedzą kończy się porażką, ponieważ zaczynają się zbyt abstrakcyjnie. Kupuje się oprogramowanie, tworzy wiki i liczy się, że doświadczeni pracownicy podzielą się swoją wiedzą. Rzadko się to zdarza, ponieważ wiedzy ukrytej nie da się przekształcić w tekst za naciśnięciem przycisku, a osoby zaangażowane po prostu nie mają na to czasu w swojej codziennej pracy. Bardziej obiecującym podejściem jest takie, które koncentruje się na samej konkretnej pracy.

Pierwszym krokiem jest identyfikacja silosów wiedzy w firmie. Którzy pracownicy posiadają wiedzę, której nie ma nikt inny? Którzy z nich przejdą na emeryturę w ciągu najbliższych pięciu lat? Na których etapach procesu pojawiają się najkosztowniejsze błędy i kto wie, jak ich uniknąć? Taka analiza ryzyka bazy wiedzy jest nowością dla większości średnich przedsiębiorstw, mimo że jest równie ważna dla przyszłej rentowności, jak ocena maszyn czy sytuacji finansowej.

Drugi krok polega na tworzeniu międzypokoleniowych tandemów lub triów z jasno określoną misją. Zamiast po prostu przekazywać wiedzę ogólną, doświadczony specjalista i młodszy, biegły w technologiach cyfrowych kolega pracują razem nad konkretnym problemem. Mogą na przykład opracować asystenta AI do rozwiązywania problemów z konkretnym systemem, kwestionariusz do testów akceptacji klienta lub cyfrowy protokół testów dokumentujący typowe wzorce błędów wraz ze zdjęciami i objaśnieniami. Wiedza nie jest oceniana abstrakcyjnie, lecz uwidaczniana poprzez dialog. Doświadczony kolega wyjaśnia, dlaczego zwraca szczególną uwagę na konkretny punkt, a młodszy zadaje pytania, aż wyłoni się zrozumiała reguła.

Nowoczesne narzędzia sztucznej inteligencji znacznie upraszczają ten proces. Nagrania rozmów mogą być automatycznie transkrybowane i strukturyzowane. Zdjęcia i filmy z przepływów pracy można powiązać z wyjaśnieniami. Modele mowy mogą uzyskiwać dostęp do dokumentów firmowych, raportów reklamacyjnych i protokołów testowych oraz odpowiadać pracownikom w języku naturalnym. W ten sposób stopniowo kształtuje się wspomnienie z warsztatów, które nie kurzą się w teczce, lecz są łatwo dostępne w codziennej pracy. Młodsi pracownicy zadają pytania asystentowi cyfrowemu, który uczył się od doświadczonych kolegów, a doświadczeni koledzy widzą, że ich wiedza specjalistyczna wykracza poza emeryturę.

Trzeci krok dotyczy zachęt i uznania. Transfer wiedzy wymaga czasu, który należy zaplanować i docenić. Firmy, które oceniają swoich najbardziej doświadczonych pracowników wyłącznie na podstawie wyników produkcyjnych, z trudem zdobędą ich chęć dzielenia się wiedzą. Doświadczenia z prowincji Szantung mają tu zastosowanie, podobnie jak w Szwabii. Tam, gdzie codzienne tempo pracy przyćmiewa wszystko inne, transfer wiedzy nie ma miejsca. Stały przydział czasu na transfer wiedzy, widoczne docenienie roli mentora oraz elastyczne modele przejścia na emeryturę, takie jak praca w niepełnym wymiarze godzin lub działalność konsultingowa po przejściu na emeryturę, są korzystne. Są to szczególnie dostępne opcje dla małych i średnich przedsiębiorstw (MŚP), które często znają swoich doświadczonych pracowników osobiście.

Czwartym krokiem jest zapewnienie jakości ugruntowanej wiedzy. Nie wszystko, co doświadczony pracownik uważa za poprawne, jest w rzeczywistości poprawne. Niektóre praktyczne zasady wywodzą się z czasów, gdy stosowano inne materiały, maszyny lub standardy. Dlatego zbiorowa pamięć warsztatu musi być podtrzymywana, weryfikowana i aktualizowana. Również w tym przypadku pomocna może być współpraca międzypokoleniowa. Młodsi pracownicy kwestionują ugruntowane praktyki, starsi wyjaśniają swoje korzenie i wspólnie decydują, co powinno pozostać.

Granice pracy dyplomowej

Rzetelna analiza musi również uwzględniać słabości tego ryzyka. Po pierwsze, przewaga Niemiec w zakresie wiedzy opartej na doświadczeniu nie jest przesądzona. Chiny zbudowały ogromną bazę doświadczeń przemysłowych w ciągu zaledwie kilku dekad. Pokolenie, które zapoczątkowało industrializację, posiada ogromną wiedzę procesową i nie jest przesądzone, że wiedza ta będzie przekazywana mniej skutecznie niż wiedza niemiecka. Co więcej, chińskie firmy aktywnie rekrutują doświadczonych inżynierów z Europy, a przejęcia europejskich MŚP od lat służą również transferowi wiedzy. Wiedza ukryta jest trudna do skopiowania, ale z pewnością podatna na przejęcie.

Po drugie, narracja oparta głównie na wiedzy empirycznej może niedoceniać szybkości uczenia się maszyn. Nowoczesne systemy sztucznej inteligencji uczą się wzorców z ogromnych ilości danych, których żaden człowiek nigdy świadomie nie sformułował. W niektórych obszarach przetwarzania obrazu, optymalizacji procesów i badań materiałowych przewyższają już doświadczonych specjalistów. Ci, którzy dysponują milionami punktów danych z czujników i wysokim stopniem automatyzacji, co staje się coraz bardziej powszechne w chińskich fabrykach, mogą zastąpić część wiedzy empirycznej ogromnymi wolumenami danych. Teza o niezastąpionej wiedzy eksperckiej nie sprawdza się zatem wszędzie. Jest ona najsilniejsza tam, gdzie serie produkcyjne są małe, warianty liczne, a wymagania klientów zindywidualizowane – a konkretnie w produkcji maszyn specjalnego przeznaczenia, inżynierii przemysłowej i wielu niszowych sektorach średnich przedsiębiorstw.

Po trzecie, Niemcy borykają się z problemami, których – niezależnie od tego, jak dobry jest ich system kształcenia zawodowego – nie są w stanie zrekompensować. Wysokie ceny energii, długotrwałe procesy zatwierdzania, słaba dynamika inwestycji, niepewna cyfryzacja administracji publicznej i stosunkowo powolne wdrażanie technologii cyfrowych w małych przedsiębiorstwach – wszystko to wpływa na ich konkurencyjność. Malejąca liczba umów o naukę zawodu pokazuje, że sam system dualny jest pod presją. Niewykorzystana przewaga nie jest żadną przewagą.

Po czwarte, istnieje niebezpieczeństwo samozadowolenia. Narracja o niewidzialnej wiedzy empirycznej może stać się wygodną wymówką do odkładania niezbędnych zmian. Ci, którzy polegają na umiejętnościach swoich pracowników, nie dbając o ich ochronę, digitalizację i rozwój, przekształcają swoją największą przewagę w największe ryzyko. Wiedza empiryczna, która znika wraz z przejściem na emeryturę, jest bowiem bezpowrotnie tracona.

Kopia czy umiejętność: Co tracimy szybciej?

Pomimo tych zastrzeżeń, fundamentalna teza pozostaje aktualna, właśnie dlatego, że zawiera wyraźne wezwanie do działania. Konkurencja w erze sztucznej inteligencji nie będzie rozstrzygana wyłącznie przez moc obliczeniową i rozmiar modelu. W dużej mierze zależeć będzie od tego, które firmy i gospodarki zdołają połączyć ludzkie doświadczenie z inteligencją maszyn. Najlepsze modele będą dostępne dla każdego. Najlepsza wiedza specjalistyczna pozostanie rzadkością.

W tej konkurencji Niemcy mają realną przewagę. Mogą pochwalić się gęstą siecią wyspecjalizowanych firm średniej wielkości, dysponujących dogłębną wiedzą procesową, sprawdzonym systemem łączącym pokolenia w firmie oraz tradycją doceniania umiejętności zawodowych w społeczeństwie. Jednocześnie czas ucieka. W ciągu najbliższych dziesięciu lat miliony doświadczonych specjalistów przejdą na emeryturę, dziesiątki tysięcy firm co roku ubiega się o sukcesję, a liczba umów o staż maleje. Okno możliwości zabezpieczenia istniejącej wiedzy i połączenia jej z nowymi narzędziami jest ograniczone.

To prowadzi do prawdziwego pytania strategicznego dla Niemiec jako lokalizacji biznesowej. Chiny potrafią kopiować maszyny, i to z prędkością, która wielokrotnie zaskakuje europejskich producentów. Niemcy z kolei ryzykują cichą utratę swoich kompetencji, rok po roku, z każdym przejściem na emeryturę, któremu nie towarzyszy odpowiednie przekazanie. Oba zagrożenia są poważne. Drugie jest bardziej niebezpieczne, ponieważ nie trafia na pierwsze strony gazet i jest nieodwracalne. Skopiowaną maszynę można prześcignąć lepszą. Utracone kompetencje można odbudować jedynie z wielkim trudem i w sposób niekompletny.

Dobra wiadomość jest taka, że ​​rozwiązanie nie musi tkwić w programach wartych miliardy dolarów ani projektach na dużą skalę. Zaczyna się przy stole, przy którym rozmawiają 67-latek, 45-latek i 16-latek. Każdy wnosi swoją wiedzę i każdy słucha pozostałych, niezależnie od tego, kto jest w firmie najdłużej. Jeśli te rozmowy będą odbywać się w dziesiątkach tysięcy firm, systematycznie wspierane przez zmodernizowany system dualnego kształcenia zawodowego i narzędzia sztucznej inteligencji, które czynią wiedzę widoczną i dostępną, to niewidzialny kapitał małych i średnich przedsiębiorstw (MŚP) stanie się przewagą konkurencyjną, której żadna fabryka na świecie nie będzie w stanie po prostu odtworzyć.

Postawienie na Niemcy nie jest zatem postawieniem na nostalgię, na dobry, stary warsztat ani na wyższość dawnych cnót. Opiera się na chęci uczenia się od siebie nawzajem, w obu kierunkach, przez pokolenia. Każdy, kto chce wygrać, musi zacząć dziś, gdy ludzie, których wiedza jest w grze, wciąż pracują w firmie.

W przemysłowym modelu B2B trwałe relacje biznesowe rzadko powstają z dnia na dzień. Rozwijają się one krok po kroku – dzięki widoczności, profesjonalnej istotności, powtarzalnym punktom styku i rosnącemu zaufaniu. 4-etapowy model Xpert.Digital spełnia właśnie ten cel: oferuje ustrukturyzowaną ścieżkę, która zaczyna się od łatwego w zarządzaniu punktu wejścia i w razie potrzeby może przekształcić się w głębszą współpracę w rozwoju biznesu.

Zamiast polegać na głośnych obietnicach marketingowych, ten model stawia relację na pierwszym miejscu. Firmy zaczynają od jasno określonych, łatwych do obliczenia wskaźników, a następnie, na podstawie własnego doświadczenia, decydują, jak daleko chcą rozszerzyć współpracę. Kluczowym czynnikiem tego niezakłóconego procesu budowania zaufania jest to, że platforma całkowicie unika irytujących reklam, dzięki czemu uwaga redakcyjna skupia się wyłącznie na kompetencjach firm.

Więcej informacji tutaj:

• Od widoczności do zaufania: Twoja skalowalna ścieżka z Xpert.Digital

☑️ Naszym językiem biznesowym jest angielski lub niemiecki

☑️ NOWOŚĆ: Korespondencja w Twoim ojczystym języku!

 

Ja i mój zespół chętnie będziemy do Państwa dyspozycji jako osobisty doradca.

Możesz się ze mną skontaktować, wypełniając formularz kontaktowy tutaj wolfenstein@xpert.digital:lub po prostu dzwoniąc pod numer +49 7348 4088 965. Mój adres e-mail to

Nie mogę się doczekać naszego wspólnego projektu.

 

 

☑️ Wsparcie dla MŚP w zakresie strategii, doradztwa, planowania i wdrażania

☑️ Tworzenie lub reorganizacja strategii cyfrowej i digitalizacji

☑️ Rozszerzenie i optymalizacja procesów sprzedaży międzynarodowej

☑️ Globalne i cyfrowe platformy handlowe B2B

☑️ Rozwój biznesu pionierskiego / Marketing / PR / Targi