Expertkunskap möter artificiell intelligens: Tysklands AI-framtid kommer inte att avgöras i datacentret, utan i verkstaden

AI kan påskynda fel – om företag förlorar sina specialisters kunskap

Tysklands avgörande fördel i AI-åldern kan ligga där knappast någon anar det: inte i enorma datacenter eller de senaste språkmodellerna, utan i erfarna specialisters sinnen och händer. Deras kunskap ligger i manuella färdigheter, tränade ögon och intuitionen att känna igen när en maskin inte fungerar korrekt eller en komponent behöver granskas närmare. Den finns sällan i en manual – och den kan inte bara kopieras.

Men det är just denna erfarenhetsbaserade kunskap som riskerar att gå förlorad. Miljontals anställda från babyboomgenerationen närmar sig pensionering, medan många företag saknar unga talanger. Samtidigt introducerar företag AI, som kan accelerera processer och identifiera mönster, men utan arbetskraftens kunskap kan det vara fel problem som används. Tysklands möjlighet ligger därför inte nödvändigtvis i att ligga i framkant i kampen om de största modellerna. Den ligger i att meningsfullt kombinera mänskliga färdigheter och artificiell intelligens – och föra kunskap mellan generationer i båda riktningarna. Den avgörande frågan är om små och medelstora företag (SMF) fortfarande har tillräckligt med tid för att göra det.

Kina kopierar maskiner på månader. Tyskland förlorar sin erfarenhetskunskap med åratal, och knappt någon märker det

De som pratar om den artificiella intelligensboomen fokuserar oftast på det synliga. De pratar om datacenter, grafikprocessorer, miljardvärderingar, språkmodeller och robotarmar som griper tag i komponenter på några sekunder. Allt detta kan fotograferas, visas i presentationer och återspeglas i balansräkningar. Men det som verkligen kommer att göra ett företag värdefullt med AI i framtiden ligger någonstans som inte syns på något fotografi: den erfarenhetsbaserade kunskapen hos människor som har arbetat med maskiner, material, kunder och misstag i årtionden.

En maskin kan replikeras. En AI-modell kan utvecklas, tränas och anpassas till specifika behov. Men varför en erfaren inspektör tittar en andra gång på en viss punkt under acceptanstestet förklaras ofta inte i någon manual. Kanske bevittnade de ett svetsfel på just den platsen för femton år sedan. Kanske känner de till leverantören vars toleranser skiljer sig mellan vinter och sommar. Kanske kan de helt enkelt höra en motor låta som en varningstecken på att något är fel. I en kritisk situation avgör denna kunskap om ett företag tjänar på AI eller bara gör ett kostsamt misstag snabbare.

Detta leder till en chansning som till en början låter kontraintuitiv. Särskilt i AI:s tidsålder skulle tyska små och medelstora företag kunna ha en strukturell fördel. Detta beror inte på bättre programvara eller större datacenter, eftersom andra ligger före på båda områdena. Fördelen ligger i en institution som har sammanfört unga människor och erfarna yrkesverksamma inom företaget i generationer. Huruvida denna chansning lönar sig beror dock på två frågor: Vad vet en generation som nästa fortfarande kan lära sig? Och vem är villig att lyssna åt andra hållet också?

Den tysta kunskapens ekonomi

Ekonomi har en något otymplig term för vad erfarna yrkesarbetare, mästare och ingenjörer besitter: implicit kunskap. Detta avser färdigheter som är svåra eller till och med omöjliga att sätta ord på. Arbetsmarknadsforskning har länge skiljt mellan explicit kunskap, som kan skrivas ner, kommuniceras och införlivas i läroplaner, och tyst kunskap, som är inbäddad i manuella färdigheter, perceptuella mönster och bedömningar. Erfarenhetskunskap anses vara en särskilt högt utvecklad form av procedurkunskap. Den kopplar samman båda nivåerna på ett sådant sätt att människor tillförlitligt kan lösa uppgifter även under ofullständig information, tidspress och förändrade förhållanden.

Ekonomiskt sett är denna kunskap anmärkningsvärd av tre skäl. För det första är den knappast säljbar. Det finns ingen marknad där man kan köpa en kvalitetsinspektörs instinkt för kritiska punkter. I bästa fall kan man anställa den person som besitter den, och även då lyckas överföringen bara om den nya miljön tillåter dem att tillämpa sina färdigheter. För det andra är den svår att kopiera. Konstruktionsritningar kan rekonstrueras genom reverse engineering, produktionsanläggningar kan köpas och programvara kan omprogrammeras. Samspelet mellan processkunskap, kundförståelse och erfarenhet av misstag som utvecklas inom ett etablerat företag trotsar till stor del denna logik. För det tredje går den förlorad om den inte förs vidare. Till skillnad från en maskin, som kan lagras undan, försvinner erfarenhetsbaserad kunskap med den person som lämnar företaget.

Just denna egenskap är kärnan i konkurrenskraften hos många tyska dolda mästare. Deras globala marknadsledarskap är sällan baserat på en enda spektakulär uppfinning. Det är baserat på tusentals små förbättringar, på tillverkningstoleranser som andra inte kan uppnå på ett tillförlitligt sätt, och på förmågan att lösa kundproblem innan kunden ens kan formulera dem. Detta är ackumulerad erfarenhetskunskap, fördelad över hjärnor, händer och avdelningar. Den syns inte i balansräkningen. Men alla som någonsin har bevittnat ett företag plötsligt generera en flod av klagomål efter att två nyckelpersoner har lämnat vet dess värde.

Varför AI också accelererar fel

Artificiell intelligens är i grunden en förstärkare. Den bearbetar data snabbare, känner igen mönster i större mängder och automatiserar beslut som tidigare krävde mänsklig intervention. Detta är dess enorma fördel. Men det är också dess risk, eftersom en förstärkare inte skiljer mellan bra och dåliga signaler. En modell som lär sig av ofullständig eller förvrängd data för inte bara vidare sina svagheter, den förstärker dem.

I den dagliga industriella praktiken blir detta mycket konkret. Ett AI-stött optiskt kvalitetsinspektionssystem kan kontrollera miljontals komponenter på kort tid. Men om ingen vet vilka defektmönster som är verkligt kritiska, kommer det att tillförlitligt inspektera fel saker. En språkmodell kan formulera offerter, underhållsinstruktioner och testrapporter på några sekunder. Om den inte känner till de frågor en krävande kund ställer under acceptanstestning, levererar den smidigt skrivna dokument som misslyckas i det avgörande ögonblicket. En prediktiv underhållsalgoritm kan utvärdera sensordata. Men om den saknar kunskap om vilka avvikelser som är ofarliga och vilka som indikerar ett fel, kommer den antingen att generera falsklarm eller en vilseledande känsla av lugn.

Det verkliga värdeskapandet uppstår därför inte i själva modellen, utan i kombinationen av modellen och expertkunskap. Stora, enkla modeller massproduceras i allt högre grad. De är tillgängliga via gränssnitt, priset per beräkning sjunker och deras prestandaskillnader krymper. Det som skiljer ett företag från sina konkurrenter är frågan om vilken kunskap det kan mata in i dessa system. Detta inkluderar vilka felkataloger det underhåller, vilka testkriterier det har formulerat, vilka undantag det känner igen och vilka kundkrav det förstår. Data är dock bara halva historien. Avgörande är den bedömning som avgör vilken data som faktiskt spelar roll.

Detta leder till en obekväm insikt för alla som främst ser AI som ett sätt att spara in på erfarna arbetare. De som säger upp de personer med djupast förståelse för processer just när AI-system införs berövar dessa system deras viktigaste resurs. Kalkylen kanske fungerar på kort sikt, men på medellång sikt kommer den att resultera i kostsamma misstag.

Kinas generationsklyfta som en lärdom

Få exempel illustrerar den avgörande rollen av generationsöverskridande kunskap i ett lands ekonomiska utveckling tydligare än Kina. Under kulturrevolutionen avstannade den högre utbildningen praktiskt taget. Mellan 1966 och 1969 antog universiteten inga nya studenter. Från 1970 till 1976 antogs endast sökande som ansågs politiskt pålitliga. Det var inte förrän hösten 1977 som det rikstäckande universitetsinträdesprovet, Gaokao, återinfördes efter ett elvaårigt uppehåll. Det berömda vinter-Gaokao det året blev en vändpunkt för en hel generation.

Konsekvenserna av denna brytning var enorma. En generation förlorade åratal av utbildning, lärare förföljdes, kunskap nedvärderades och fördes på många områden inte vidare. Desto mer häpnadsväckande är därför vad som hände sedan. Den följande generationen byggde upp en industriell ekonomi på bara några decennier vars takt är praktiskt taget oöverträffad i ekonomisk historia. Den som har besökt kinesiska industriområden under de senaste två decennierna har bevittnat hur fält förvandlats till industriparker och leverantörer till globala marknadsledare. Idag är Kina världens största industrination. När det gäller robottäthet inom tillverkningsindustrin har landet gått om Tyskland: med cirka 470 industrirobotar per 10 000 anställda passerade man nyligen Förbundsrepubliken, och långt över 1,7 miljoner industrirobotar arbetar nu i kinesiska fabriker.

Och nu utvecklar en ung kinesisk generation artificiell intelligens, och med avsevärd framgång. Kinesiska språkmodeller har snabbt hunnit ikapp världens ledande teknologier, ofta med betydligt färre resurser än sina amerikanska motsvarigheter. I ett enda land möts således tre generationer med mycket olika bakgrunder: en som upplevde det förflutnas brytning, en som tog itu med industrialiseringen och en som bemästrar digitala teknologier med lätthet.

Detta innehåller en lärdom som sträcker sig bortom Kina. Att ha tre generationer i samma land är ett demografisk faktum. Att samla deras kunskaper i ett enda företag är en organisatorisk utmaning, och en betydligt svårare sådan dessutom. Industrialiseringsgenerationens erfarenhetskunskaper och den yngre generationens digitala färdigheter smälter inte automatiskt samman. De måste kombineras i konkreta arbetsrelationer – vid maskinen, i testning, i kundinteraktioner.

När hastighet överskuggar lärandet

Ett exempel från Shandongprovinsen illustrerar hur konkret denna utmaning är. En stor tillverkare av fordon och jordbruksmaskiner i hamnstaden Rizhao, ett företag med cirka 10 000 anställda, driver ett eget lärlingsprogram. Dess chef beskrev för Internationella arbetsorganisationen ett problem som är bekant för många industriföretag: den höga arbetsbelastningen i den dagliga verksamheten lämnade lite tid för systematisk utbildning av lärlingar. Produktion prioriterades och lärande blev en eftertanke.

Denna observation träffar en nerv. Ironiskt nog kan just det tempo som gör ett företag starkt beröva det tiden att föra vidare sin expertis. I en tillväxtfas där varje maskintimme räknas och leveransdeadlines är snäva, framstår den timme en erfaren yrkesarbetare tillbringar med en lärling som en kostnadsfaktor. Dess fördel blir uppenbar först år senare, när lärlingen löser problem självständigt, undviker misstag och är mentor för andra. Ekonomiskt sett är utbildning en investering med långsiktig horisont och osäker avkastning, eftersom den utbildade medarbetaren kan lämna företaget när som helst. Marknader som är starkt fokuserade på kortsiktiga resultat underinvesterar därför systematiskt i denna form av humankapital.

Kina har insett problemet. I flera år har regeringen drivit på utvecklingen av ett modernt lärlingssystem som syftar till att bättre integrera praktisk erfarenhet på arbetsplatsen med klassrumsundervisning, och uttryckligen bygger på erfarenheter från Europa. Med internationellt stöd har pilotföretag rekryterats, utbildningsstandarder utvecklats och utbildningsfaser strukturerats. Ett sådant system kan dock inte skapas genom dekret på bara några år. Det kräver företag som ser utbildning som en del av sin kärnidentitet, utbildare med pedagogiska och yrkesmässiga kvalifikationer, erkända kvalifikationer och en social ställning för yrkesutbildning som kan konkurrera med den akademiska vägen. I ett samhälle där Gaokao (en typ av lärlingsutbildning) och universitetsstudier har ansetts vara guldstandarden i årtionden representerar detta ett kulturellt skifte.

Xpert.Digital är en datadriven B2B-branschhubb som leds av Konrad Wolfenstein . Företaget fungerar som en extern, nästan intern lösning för industriella partners och täcker operativa luckor inom marknadsföring, innehåll och försäljning – utan att kräva ytterligare resurser från kundsidan.

Mer information här:

• Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business

Den tyska ekvationen: Demografi möter digitalisering

Den som drar slutsatsen att Tyskland kan luta sig tillbaka och slappna av har djupt fel. Den tyska modellen har en fördel, men den är under press vars omfattning ofta underskattas.

Enligt beräkningar från Tyska ekonomiska institutet (IW) kommer nästan 19,5 miljoner människor från babyboomgenerationen att nå pensionsåldern år 2036. Samtidigt ger sig betydligt färre unga ut i arbetskraften. Nettoresultatet är en hotande arbetskraftsbrist på cirka 4,3 miljoner. Detta är mer än bara en statistisk siffra. Det innebär att en betydande del av den ackumulerade erfarenheten och kunskapen i tyska företag kommer att gå förlorad till pensionering under de kommande tio åren. Babyboomers representerar i synnerhet den mest erfarna arbetskraften inom många tekniska yrken, kvalitetsledning, underhåll och försäljning av komplexa kapitalvaror.

Situationen är ännu mer kritisk i företagsledningen. Mer än en tredjedel av ägarna till medelstora företag är nu över 60 år gamla, och ytterligare en femtedel är mellan 55 och 59 år. Medelåldern är över 54 år. I slutet av 2029 planerar cirka 109 000 ägare till små och medelstora företag att överlåta sina företag till nya ägare varje år. Samtidigt planerar hundratusentals entreprenörer att lägga ner sina företag på grund av brist på efterträdare, snarare än att överföra ägarskapet. Med varje företag som läggs ner försvinner inte bara jobb och intäkter, utan också kunskap om kunder, processer och nischmarknader som aldrig helt kan rekonstrueras.

Grunden som Tysklands fördel vilar på håller också på att falla sönder. Antalet nyingångna kontrakt för dubbla yrkesutbildningar minskade till strax under 476 000 år 2025. Det är hela 10 000 färre än föregående år, en minskning med 2,1 procent, främst drivet av färre företagsbaserade kontrakt. Samtidigt är många lärlingsplatser fortfarande lediga, medan vissa ungdomar inte kan hitta en lämplig placering. Bristen på matchning mellan utbud och efterfrågan är ett återkommande problem inom yrkesutbildningspolitiken.

Bilden är likaså blandad när det gäller användningen av artificiell intelligens. Drygt en fjärdedel av de tyska företagen med minst tio anställda använde AI-teknik år 2025, jämfört med en femtedel året innan. Tillväxttakten är anmärkningsvärd. Skillnaden mellan stora och små företag är dock betydande. Mer än hälften av företagen med minst 250 anställda använder AI, medan det för företag med tio till 49 anställda inte ens är en fjärdedel. AI får för närvarande fäste långsammast just där erfarenhetsbaserad kunskap är särskilt tät och sårbar – nämligen i små och medelstora industriföretag.

Den tyska ekvationen är därför denna: en stor mängd erfarenhetsbaserad kunskap, ett snabbt krympande antal innehavare, minskande antal unga talanger och tveksam digitalisering i små och medelstora företag. Detta kan bli en konkurrensfördel, men bara om det är möjligt att säkra den befintliga kunskapen inom en hanterbar tidsram, föra den vidare och göra den användbar med nya verktyg.

Tre generationer vid ett bord

Ett samtal som ägde rum i ett medelstort företag illustrerar hur detta kan se ut i mindre skala. Tre personer från tre generationer satt runt bordet. Den äldste, Dirk, är 67 år gammal. Han tar med sig de frågor en kund senare kan ställa, de invändningar som framförs under acceptanstestning, de kritiska frågorna om hållbarhet och erfarenheterna av var projekt vanligtvis misslyckas. I mitten sitter en 45-åring med bakgrund inom maskinteknik och kvalitetsledning – någon som känner till processer, standarder och testlogik. Den yngste, Maxi, är 16 år gammal. Han byggde företagets AI.

Denna situation utmanar en outtalad ordning som fortfarande råder i många företag idag. Om beslutet om vem som kunde förklara något för vem hade baserats på års erfarenhet, hade AI-utvecklaren varit den sista att få klartecken. I traditionella hierarkier flödar kunskap från topp till botten, från den erfarna till nykomlingen, från mästaren till lärlingen. I en värld där digitala verktyg utvecklas snabbare än utbildningsregler kan anpassas, är denna enkelriktade gata inte längre tillräcklig.

Det verkliga värdet av denna triangel ligger i det faktum att varje fråga bidrar med något som de andra saknar. Den erfarna individen vet vilka frågor som är viktiga men kanske inte kan översätta dem till ett system. Den yngre generationen kan bygga system men vet inte vilka frågor de behöver besvara. Mellangenerationen överbryggar klyftan mellan dessa två världar och strukturerar kunskap i processer, kriterier och testprocedurer. Endast genom detta samspel kan en AI-applikation uppstå som inte bara fungerar tekniskt utan också klarar granskningen av en krävande kund.

Forskning inom mänskliga resurser hänvisar till den omvända trenden, där yngre personer introducerar äldre personer till ny teknik, som omvänt mentorskap. I AI:s tidsålder blir detta mer än bara ett verktyg för personalutveckling. Det blir en förutsättning för att erfarenhetsbaserad kunskap ens ska kunna integreras i digitala system. Detta kräver att äldre personer är villiga att lyssna på en sextonåring. Det kräver att yngre personer inte avfärdar en 67-årings fråga som bristande teknisk förståelse, utan snarare som en indikation på ett problem som deras system ännu inte har löst. Båda är mer krävande än de låter eftersom de berör status, självbild och inrotade roller.

Dubbel yrkesutbildning som en underskattad AI-infrastruktur

Det är här styrkan hos Tysklands små och medelstora företag kommer in i bilden. Med sitt dubbla yrkesutbildningssystem har Tyskland en institution som uppnår just det som många andra ekonomier misslyckas med: den sammanför systematiskt unga människor och erfarna yrkesverksamma i företag under flera år, vägledda av tydliga regler. Lärlingar lär sig inte bara i yrkesskolan utan också på riktiga maskiner, där de arbetar med riktiga kundordrar, under ledning av personer som har behärskat sitt hantverk i årtionden. Systemet säkras genom handelskammare, utbildningsregler och examinationer, och trots viss kritik åtnjuter det en nivå av socialt erkännande som andra länder avundas.

Hittills har dubbel yrkesutbildning främst setts som ett verktyg för att säkra kvalificerade arbetstagare och integrera unga människor på arbetsmarknaden. I AI:s tidsålder får den ytterligare en, tidigare förbisedd funktion: den fungerar som en infrastruktur för kunskapsöverföring mellan generationer, i båda riktningarna. Mästaren kan visa lärlingen hur man identifierar en defekt. Lärlingen kan visa mästaren hur denna kunskap kommer att gynna hela verkstaden imorgon, eftersom hen vet hur man strukturerar den i en kunskapsdatabas, matar in den i en AI-assistent eller översätter den till en digital inspektionsrapport.

Denna dubbla strategi gör modellen potentiellt till en möjlighet för hela Europa. Kontinenten kommer sannolikt inte att överträffa vare sig USA eller Kina i kampen om de största språkmodellerna och de mest kraftfulla datacentren. Den kan dock utveckla styrka där AI möter industriell praxis: inom tillverkning, kvalitetssäkring, underhåll, logistik och anläggningsteknik. Inom dessa områden är arbetskraftens erfarenhetskunskap den avgörande resursen, och Europa, särskilt de tysktalande länderna med sin tradition av yrkesutbildning, besitter denna kunskap i överflöd.

För att frigöra denna potential måste dock den varvade yrkesutbildningen utvecklas. Utbildningsregler som endast behandlar digitala färdigheter som en perifer fråga återspeglar inte verkligheten. Utbildarna själva behöver tillgång till AI-verktyg och friheten att använda dem i sin dagliga utbildning. Företag måste ge lärlingar utrymmen där de kan utveckla och testa sina egna digitala lösningar, istället för att bara passa in dem i fördefinierade processer. Och lärlingens roll måste gå från att bara vara mottagare till att vara en aktiv deltagare. Europeisk AI-lagstiftning ålägger redan företag att se till att deras anställda har tillräckliga AI-färdigheter. Varvad yrkesutbildning skulle vara en självklar plats att uppfylla denna skyldighet, inte som en byråkratisk börda, utan som en investering.

Från mästerkunskap till verkstadsminne

Hur kan detta koncept översättas till praktiska affärstillämpningar? Erfarenheten visar att många kunskapshanteringsprojekt misslyckas eftersom de börjar för abstrakt. Programvara köps in, en wiki upprättas och förhoppningen är att erfarna medarbetare bidrar med sin kunskap. Detta händer sällan eftersom tyst kunskap inte kan omvandlas till text med en knapptryckning, och eftersom de inblandade helt enkelt inte har tid i sitt dagliga arbete. En mer lovande metod är en som fokuserar på själva det konkreta arbetet.

Ett första steg är att identifiera kunskapssilos inom företaget. Vilka anställda besitter kunskap som ingen annan har? Vilka av dem kommer att gå i pension inom de kommande fem åren? Vid vilka processteg uppstår de mest kostsamma felen, och vem vet hur man undviker dem? En sådan riskanalys av kunskapsbasen är ny för de flesta medelstora företag, även om den är lika viktig för framtida lönsamhet som en bedömning av maskiner eller den ekonomiska situationen.

Ett andra steg innebär att bilda generationsöverskridande tandems eller trios med ett tydligt uppdrag. Istället för att bara förmedla allmän kunskap arbetar en erfaren yrkesperson och en yngre, digitalt kunnig kollega tillsammans med ett specifikt problem. De kan till exempel utveckla en AI-assistent för felsökning av ett visst system, ett frågeformulär för kundatester eller ett digitalt testprotokoll som dokumenterar typiska felmönster med foton och förklaringar. Kunskapen bedöms inte abstrakt, utan synliggörs snarare genom dialog. Den erfarna kollegan förklarar varför de är noga med en viss punkt, och den yngre kollegan ställer frågor tills en begriplig regel framträder.

Moderna AI-verktyg förenklar denna process avsevärt. Inspelningar av samtal kan transkriberas och struktureras automatiskt. Foton och videor av arbetsflöden kan länkas med förklaringar. Talmodeller kan komma åt företagsdokument, klagomålsrapporter och testprotokoll, och svara anställda på naturligt språk. På så sätt framträder gradvis ett verkstadsminne, ett som inte samlar damm i en mapp utan är lättillgängligt i det dagliga arbetet. Yngre anställda ställer frågor till den digitala assistenten, som har lärt sig av erfarna kollegor, och de erfarna kollegorna ser att deras expertis sträcker sig bortom pensionen.

Ett tredje steg gäller incitament och erkännande. Kunskapsöverföring tar tid, och denna tid måste planeras och värderas. Företag som mäter sina mest erfarna anställda enbart utifrån produktionsoutput kommer knappast att lyckas få dem att dela med sig av sin kunskap. Erfarenheterna från Shandong gäller här precis som i Schwaben. Där den dagliga verksamhetens tempo överskuggar allt annat sker ingen kunskapsöverföring. Fasta tidsallokeringar för kunskapsöverföring, synlig uppskattning av mentorrollen och flexibla modeller för övergången till pensionering, såsom deltidsarbete eller konsultverksamhet efter pensionering, är alla fördelaktiga. Dessa är särskilt tillgängliga alternativ för små och medelstora företag (SMF), som ofta känner sina erfarna anställda personligen.

Ett fjärde steg är kvalitetssäkring av etablerad kunskap. Allt som en erfaren medarbetare anser vara korrekt är inte faktiskt korrekt. Vissa tumregler härstammar från tider då andra material, maskiner eller standarder fanns på plats. Därför måste en verkstads kollektiva minne underhållas, ses över och uppdateras. Även här kan generationsöverskridande samarbete vara till hjälp. Yngre medarbetare ifrågasätter etablerade metoder, äldre medarbetare förklarar deras ursprung och tillsammans bestämmer de vad som ska finnas kvar.

Avhandlingens gränser

En ärlig analys måste också erkänna svagheterna i denna chansning. För det första är Tysklands ledning inom erfarenhetsbaserad kunskap inte en självklarhet. Kina har byggt upp en omfattande bas av industriell erfarenhet på bara några decennier. Den generation som ledde industrialiseringen besitter enorm processkunskap, och det är inte givet att denna kunskap kommer att föras vidare mindre effektivt än tysk kunskap. Dessutom rekryterar kinesiska företag aktivt erfarna ingenjörer från Europa, och förvärv av europeiska små och medelstora företag har i åratal också tjänat syftet med kunskapsöverföring. Implicit kunskap är svår att kopiera, men definitivt mottaglig för förvärv.

För det andra kan en berättelse som främst bygger på erfarenhetsbaserad kunskap underskatta den hastighet med vilken maskiner lär sig. Moderna AI-system lär sig mönster från enorma mängder data som ingen människa någonsin medvetet har formulerat. Inom vissa områden inom bildbehandling, processoptimering och materialforskning överträffar de redan erfarna yrkesverksamma. De som besitter miljontals sensordatapunkter och en hög grad av automatisering, vilket är alltmer standard i kinesiska fabriker, kan ersätta en del erfarenhetsbaserad kunskap med stora datamängder. Tesen om oersättlig expertkunskap gäller därför inte överallt. Den är starkast där produktionsserierna är små, varianterna är många och kundkraven är individualiserade – just inom tillverkning av specialmaskiner, anläggningsteknik och många nischsektorer inom medelstora företag.

För det tredje står Tyskland inför problem som, oavsett hur bra dess yrkesutbildningssystem är, inte kan kompensera för. Höga energipriser, långa godkännandeprocesser, svag investeringsmomentum, tveksam digitalisering av offentlig förvaltning och ett jämförelsevis långsamt införande av digital teknik i småföretag påverkar alla dess konkurrenskraft. Det minskande antalet lärlingskontrakt visar att det duala systemet i sig är under press. En fördel som inte utnyttjas är ingen fördel alls.

För det fjärde finns det en risk för självbelåtenhet. Berättelsen om osynlig erfarenhetsbaserad kunskap kan bli en bekväm ursäkt för att skjuta upp nödvändiga förändringar. De som förlitar sig på sin arbetskrafts kompetens utan att skydda, digitalisera och utveckla den förvandlar sin största fördel till sin största risk. Eftersom erfarenhetsbaserad kunskap som försvinner vid pensionering går oåterkalleligt förlorad.

Kopian eller färdigheten: Vilken går förlorad snabbare?

Trots dessa invändningar förblir den grundläggande tesen giltig, just för att den innehåller en tydlig uppmaning till handling. Konkurrensen i AI-åldern kommer inte att avgöras enbart av datorkraft och modellstorlek. I betydande utsträckning kommer den att avgöras av vilka företag och ekonomier som lyckas kombinera mänsklig erfarenhet med maskinintelligens. De bästa modellerna kommer att vara tillgängliga för alla. Den bästa expertisen kommer att förbli en bristvara.

I denna konkurrens har Tyskland en verklig fördel. Landet har ett tätt nätverk av specialiserade medelstora företag med djupgående processkunskap, ett beprövat system som sammanför generationer inom företaget och en tradition av att värdesätta yrkeskompetens i samhället. Samtidigt rinner tiden ut. Under de kommande tio åren kommer miljontals erfarna yrkesverksamma att gå i pension, tiotusentals företag söker succession varje år och antalet lärlingskontrakt minskar. Möjligheterna att säkra befintlig kunskap och kombinera den med nya verktyg är begränsade.

Detta leder till den verkligt strategiska frågan för Tyskland som affärsplats. Kina kan kopiera en maskin, och det i en hastighet som gång på gång överraskar europeiska tillverkare. Tyskland, å andra sidan, riskerar att förlora sin expertis i tysthet, år efter år, med varje pensionering som inte åtföljs av en korrekt överlämning. Båda är hot. Det andra är farligare eftersom det inte skapar rubriker och eftersom det är oåterkalleligt. En kopierad maskin kan överträffas av en bättre. Förlorad expertis kan bara återuppbyggas med stor svårighet och ofullständigt.

Den goda nyheten är att lösningen inte behöver ligga i miljardprogram eller storskaliga projekt. Det börjar vid ett bord där en 67-åring, en 45-åring och en 16-åring pratar med varandra. Var och en bidrar med sin expertis, och var och en lyssnar på de andra, oavsett vem som har varit längst i företaget. Om dessa samtal äger rum i tiotusentals företag, systematiskt stödda av ett moderniserat system för dubbel yrkesutbildning och AI-verktyg som gör kunskap synlig och tillgänglig, då kommer det osynliga kapitalet hos små och medelstora företag att bli en konkurrensfördel som ingen fabrik i världen enkelt kan replikera.

Satsningen på Tyskland är därför inte en satsning på nostalgi, på den gamla goda verkstaden eller på överlägsenheten hos tidigare dygder. Den bygger på att generationerna är villiga att lära av varandra, i båda riktningarna. Den som vill vinna detta måste börja idag, medan de människor vars kunskap står på spel fortfarande arbetar i företaget.

Inom industriell B2B uppstår sällan hållbara affärsrelationer över en natt. De utvecklas steg för steg – genom synlighet, professionell relevans, återkommande kontaktpunkter och växande förtroende. Xpert.Digitals 4-stegsmodell adresserar just detta: Den erbjuder en strukturerad väg som börjar med en hanterbar ingångspunkt och kan utvecklas till djupare samarbete inom affärsutveckling vid behov.

Istället för att förlita sig på högljudda marknadsföringslöften sätter den här modellen relationen i förgrunden. Företag börjar med tydligt definierade, lättberäknade mått och bestämmer sedan, baserat på egen erfarenhet, hur långt de vill utöka samarbetet. En nyckelfaktor för denna ostörda förtroendeskapande process: Plattformen undviker helt irriterande reklam, så det redaktionella fokuset ligger enbart på företagens expertis.

Mer information här:

• Från synlighet till förtroende: Din skalbara väg med Xpert.Digital

☑️ Vårt affärsspråk är engelska eller tyska

☑️ NYTT: Korrespondens på ditt modersmål!

 

Jag och mitt team står gärna till er förfogande som er personliga rådgivare.

Du kan kontakta mig genom att fylla i kontaktformuläret här wolfenstein@xpert.digital:eller helt enkelt ringa mig på +49 7348 4088 965. Min e-postadress är

Jag ser fram emot vårt gemensamma projekt.

 

 

☑️ Stöd till små och medelstora företag inom strategi, konsultation, planering och implementering

☑️ Skapande eller omstrukturering av den digitala strategin och digitaliseringen

☑️ Utökning och optimering av internationella säljprocesser

☑️ Globala och digitala B2B-handelsplattformar

☑️ Pionjär inom affärsutveckling / marknadsföring / PR / mässor