Експертні знання зустрічаються зі штучним інтелектом: майбутнє штучного інтелекту в Німеччині вирішуватиметься не в центрі обробки даних, а в майстерні

Штучний інтелект може пришвидшити помилки – якщо компанії втратять знання своїх спеціалістів

Вирішальна перевага Німеччини в епоху штучного інтелекту може критися там, де її майже ніхто не підозрює: не у величезних центрах обробки даних чи найновіших мовних моделях, а в умах і руках досвідчених спеціалістів. Їхні знання криються у ручній роботі, навченому очах та інтуїції, яка дозволяє розпізнавати, коли машина функціонує неправильно або компонент потребує ретельнішої перевірки. Це рідко можна знайти в інструкції – і це не можна просто скопіювати.

Але саме ці емпіричні знання знаходяться під загрозою втрати. Мільйони працівників покоління бебі-бумерів наближаються до пенсійного віку, тоді як багатьом компаніям не вистачає молодих талантів. Водночас компанії впроваджують штучний інтелект, який може пришвидшити процеси та розпізнавати закономірності, але без знань робочої сили він може працювати над неправильною проблемою. Тому можливість Німеччини полягає не в тому, щоб обов'язково бути на передовій перегонів за найбільші моделі. Вона полягає в осмисленому поєднанні людських навичок та штучного інтелекту – і передачі знань між поколіннями в обох напрямках. Ключове питання полягає в тому, чи мають малі та середні підприємства (МСП) ще достатньо часу для цього.

Китай копіює машини за місяці. Німеччина втрачає свій досвід з роками, і майже ніхто цього не помічає

Ті, хто говорить про бум штучного інтелекту, зазвичай зосереджуються на видимому. Вони говорять про центри обробки даних, графічні процесори, мільярдні оцінки, мовні моделі та роботизовані руки, які захоплюють компоненти за лічені секунди. Все це можна сфотографувати, показати в презентаціях та відобразити в балансах. Але те, що справді зробить компанію зі штучним інтелектом у майбутньому цінною, знаходиться десь, чого немає на жодній фотографії: досвідні знання людей, які десятиліттями працювали з машинами, матеріалами, клієнтами та помилками.

Машину можна відтворити. Модель штучного інтелекту можна розробити, навчити та адаптувати до конкретних потреб. Однак, чому досвідчений інспектор ще раз дивиться на певну точку під час приймальних випробувань, часто не пояснюється в жодному посібнику. Можливо, вони були свідками несправності зварного шва в цьому ж місці п'ятнадцять років тому. Можливо, вони знають постачальника, чиї допуски відрізняються взимку та влітку. Можливо, вони просто чують звук двигуна як попереджувальний знак про те, що щось не так. У критичній ситуації ці знання визначають, чи отримає компанія прибуток від штучного інтелекту, чи просто швидше зробить дороговартісну помилку.

Це призводить до ризикованої ситуації, яка спочатку звучить нелогічно. Особливо в епоху штучного інтелекту німецькі малі та середні підприємства можуть мати структурну перевагу. Це не пов'язано з кращим програмним забезпеченням чи більшими центрами обробки даних, оскільки інші випереджають інші в обох сферах. Перевага полягає в установі, яка поколіннями об'єднує молодих людей та досвідчених фахівців у компанії. Однак, чи окупиться ця ризикована ситуація, залежить від двох питань: що знає одне покоління, чого може навчитися наступне? І хто готовий вислухати і протилежний бік?

Економіка мовчазного знання

В економіці існує дещо громіздкий термін для позначення того, чим володіють досвідчені кваліфіковані робітники, майстри та інженери: неявні знання. Це стосується навичок, які важко або навіть неможливо висловити словами. Дослідження ринку праці давно розрізняють явні знання, які можна записати, передати та включити до навчальних програм, та неявні знання, які вбудовані в ручні навички, моделі сприйняття та судження. Досвідні знання вважаються особливо розвиненою формою процедурних знань. Вони поєднують обидва рівні таким чином, що люди можуть надійно вирішувати завдання навіть за умови неповної інформації, тиску часу та мінливих умов.

З економічної точки зору, ці знання є визначними з трьох причин. По-перше, вони навряд чи продаються. Немає ринку, де можна купити інстинкт інспектора якості щодо критичних точок. У кращому випадку можна найняти людину, яка ними володіє, і навіть тоді передача буде успішною лише за умови, що нове середовище дозволить їй застосувати свої навички. По-друге, їх важко скопіювати. Конструкторські креслення можна реконструювати за допомогою зворотного проектування, виробничі потужності можна придбати, а програмне забезпечення можна перепрограмувати. Взаємодія знань про процеси, розуміння клієнтів та досвіду з помилками, що виникає в рамках усталеної компанії, значною мірою суперечить цій логіці. По-третє, вони втрачаються, якщо їх не передавати далі. На відміну від машини, яку можна зберігати, досвідні знання зникають разом з людиною, яка залишає компанію.

Саме ця характеристика є основою конкурентоспроможності багатьох німецьких прихованих чемпіонів. Їхнє лідерство на світовому ринку рідко ґрунтується на одному вражаючому винаході. Воно базується на тисячах дрібних удосконалень, на виробничих допусках, яких інші не можуть надійно досягти, та на здатності вирішувати проблеми клієнтів ще до того, як клієнт зможе їх сформулювати. Це накопичені емпіричні знання, розподілені по розумах, руках та відділах. Вони не відображаються у балансі. Але кожен, хто коли-небудь бачив, як компанія раптово генерує потік скарг після відходу двох ключових осіб, знає його цінність.

Чому ШІ також прискорює помилки

Штучний інтелект – це, по суті, підсилювач. Він обробляє дані швидше, розпізнає закономірності у більших обсягах та автоматизує рішення, які раніше вимагали втручання людини. У цьому його величезна перевага. Але це також і його ризик, оскільки підсилювач не розрізняє хороші та погані сигнали. Модель, яка навчається на неповних або спотворених даних, не лише передає свої слабкі сторони, а й підсилює їх.

У повсякденній промисловій практиці це стає дуже конкретним. Система оптичного контролю якості на основі штучного інтелекту може перевірити мільйони компонентів за короткий час. Але якщо ніхто не знає, які моделі дефектів є справді критичними, вона надійно перевірятиме не ті речі. Мовна модель може формулювати пропозиції, інструкції з технічного обслуговування та звіти про випробування за лічені секунди. Якщо вона не знає питань, які вимогливий клієнт ставить під час приймальних випробувань, вона надає гладко написані документи, які не дають результатів у вирішальний момент. Алгоритм прогнозного технічного обслуговування може оцінювати дані датчиків. Але якщо йому бракує знань про те, які відхилення є нешкідливими, а які свідчать про несправність, він або генеруватиме хибні тривоги, або створюватиме оманливе відчуття спокою.

Отже, справжнє створення цінності виникає не в самій моделі, а в поєднанні моделі та експертних знань. Великі, базові моделі все частіше стають масовим виробництвом. Вони доступні через інтерфейси, ціна за розрахунок падає, а різниця в їхній продуктивності зменшується. Те, що відрізняє компанію від конкурентів, — це питання про те, які знання вона може впровадити в ці системи. Це включає в себе каталоги помилок, які критерії тестування вона сформулювала, які винятки вона розпізнає та які вимоги клієнтів вона розуміє. Однак дані — це лише половина історії. Вирішальним є судження, яке визначає, які дані насправді важливі.

Це призводить до неприємного усвідомлення для всіх, хто розглядає ШІ насамперед як засіб економії на досвідчених працівниках. Ті, хто звільняє людей з найглибшим розумінням процесів саме під час впровадження систем ШІ, позбавляють ці системи їхнього найважливішого ресурсу. Розрахунок може спрацювати в короткостроковій перспективі, але в середньостроковій перспективі він призведе до дороговартісних помилок.

Розрив між поколіннями в Китаї як урок

Мало які приклади ілюструють вирішальну роль міжпоколіннєвих знань в економічному розвитку країни так чітко, як Китай. Під час Культурної революції вища освіта практично зупинилася. Між 1966 і 1969 роками університети не приймали нових студентів. З 1970 по 1976 рік приймали лише тих абітурієнтів, яких вважали політично надійними. Лише восени 1977 року після одинадцятирічної перерви було відновлено загальнонаціональний вступний іспит до університетів, Гаокао. Знаменитий Зимовий Гаокао того року став поворотним моментом для цілого покоління.

Наслідки цього розриву були величезними. Покоління втратило роки освіти, вчителів переслідували, знання знецінювали, а в багатьох сферах взагалі не передавалися. Тим більше вражає те, що сталося потім. Наступне покоління лише за кілька десятиліть побудувало індустріальну економіку, темпи якої практично не мають аналогів в економічній історії. Кожен, хто відвідував китайські промислові об'єкти протягом останніх двох десятиліть, був свідком того, як родовища перетворювалися на промислові парки, а постачальники — на світових лідерів ринку. Сьогодні Китай є найбільшою промисловою державою світу. За щільністю роботів у виробництві країна обігнала Німеччину: маючи близько 470 промислових роботів на 10 000 працівників, вона нещодавно перевершила Федеративну Республіку, і зараз на китайських заводах працює понад 1,7 мільйона промислових роботів.

І тепер молоде покоління китайців розробляє штучний інтелект, і з значним успіхом. Китайські мовні моделі швидко наздогнали провідні світові технології, часто маючи значно менше ресурсів, ніж їхні американські колеги. Таким чином, в одній країні сходяться три покоління з дуже різним досвідом: одне, яке пережило розрив минулого, одне, яке впоралося з індустріалізацією, і одне, яке з легкістю опановує цифрові технології.

Це містить урок, який виходить за межі Китаю. Наявність трьох поколінь в одній країні – це демографічний факт. Об’єднання їхніх знань в одній компанії – це організаційний виклик, і до того ж значно складніший. Досвідні знання покоління індустріалізації та цифрові навички молодого покоління не зливаються автоматично. Їх необхідно поєднувати в конкретних робочих стосунках – біля машини, під час тестування, у взаємодії з клієнтами.

Коли швидкість затьмарює навчання

Приклад з провінції Шаньдун ілюструє, наскільки конкретним є цей виклик. Великий виробник транспортних засобів та сільськогосподарської техніки в портовому місті Річжао, компанія з близько 10 000 співробітників, реалізує власну програму навчання. Її директор описав Міжнародній організації праці проблему, знайому багатьом промисловим компаніям: високе робоче навантаження щоденних операцій залишало мало часу для систематичного навчання учнів. Виробництво мало пріоритет, а навчання відходило на другий план.

Це спостереження зачіпає за живе. За іронією долі, саме темпи, які роблять компанію сильною, можуть позбавити її часу на передачу свого досвіду. На етапі зростання, де кожна машино-година на рахунку, а терміни виконання робіт стислі, година, яку досвідчений кваліфікований працівник проводить з учнем, з'являється як фактор витрат. Її переваги стають очевидними лише через роки, коли учень самостійно вирішує проблеми, уникає помилок та наставляє інших. З економічної точки зору, навчання – це інвестиція з довгостроковим горизонтом та невизначеною віддачею, оскільки навчений працівник може залишити компанію в будь-який час. Ринки, які сильно зосереджені на короткостроковій ефективності, тому систематично недоінвестують у цю форму людського капіталу.

Китай визнав цю проблему. Протягом кількох років уряд наполягав на розробці сучасної системи навчання, спрямованої на краще поєднання практичного досвіду на робочому місці з аудиторним навчанням, безпосередньо спираючись на досвід Європи. За міжнародної підтримки були залучені пілотні компанії, розроблені стандарти навчання та структуровані етапи навчання. Однак таку систему неможливо створити за допомогою указу лише за кілька років. Вона вимагає компаній, які розуміють навчання як частину своєї основної ідентичності, викладачів з педагогічною та професійною кваліфікацією, визнаними кваліфікаціями та соціальним статусом у сфері професійної освіти, здатних конкурувати з академічним шляхом. У суспільстві, де Гаокао (тип навчання) та університетське навчання десятиліттями вважалися золотим стандартом, це являє собою культурний зсув.

Xpert.Digital — це галузевий центр B2B, що базується на даних, який очолює Konrad Wolfenstein . Компанія виступає зовнішнім, квазі-внутрішнім рішенням для промислових партнерів, усуваючи операційні прогалини в маркетингу, контенті та продажах, не вимагаючи додаткових ресурсів з боку клієнта.

Більше інформації тут:

• Квазі-власне рішення: як Xpert.Digital усуває операційні прогалини в B2B-маркетингу та продажах – Розумний контент-орієнтований бізнес

Німецьке рівняння: демографія зустрічається з цифровізацією

Той, хто робить з цього висновок, що Німеччина може розслабитися та відпочити, глибоко помиляється. Німецька модель має перевагу, але вона перебуває під тиском, масштаб якого часто недооцінюють.

Згідно з розрахунками Німецького економічного інституту (IW), майже 19,5 мільйона людей з покоління бебі-бумерів досягнуть пенсійного віку до 2036 року. Водночас значно менше молодих людей виходять на ринок праці. Кінцевим результатом є нестача робочої сили, яка наближається до 4,3 мільйона. Це більше, ніж просто статистичний показник. Це означає, що в наступні десять років значна частина накопиченого досвіду та знань у німецьких компаніях буде втрачена через вихід на пенсію. Бебі-бумери, зокрема, є найдосвідченішою робочою силою в багатьох технічних професіях, управлінні якістю, технічному обслуговуванні та продажу складних капітальних товарів.

Ситуація ще більш критична на керівному рівні компаній. Більше третини власників середнього бізнесу зараз старше 60 років, а ще п'ята частина — від 55 до 59 років. Середній вік — понад 54 роки. До кінця 2029 року близько 109 000 власників малих та середніх підприємств планують щороку передавати свій бізнес новим власникам. Водночас сотні тисяч підприємців планують закрити свій бізнес через брак наступників, а не передати право власності. З кожним закриттям бізнесу зникають не лише робочі місця та доходи, але й знання про клієнтів, процеси та нішеві ринки, які ніколи не можуть бути повністю відновлені.

Фундамент, на якому ґрунтується перевага Німеччини, також руйнується. Кількість новоукладених контрактів на подвійне професійне навчання впала до трохи менше 476 000 у 2025 році. Це на 10 000 менше, ніж у попередньому році, тобто на 2,1 відсотка менше, головним чином через меншу кількість контрактів, укладених на базі підприємств. Водночас багато місць для учнів залишаються незаповненими, а деякі молоді люди не можуть знайти підходящого місця. Невідповідність між пропозицією та попитом є постійною проблемою в політиці професійної освіти.

Аналогічно неоднозначна картина спостерігається і щодо використання штучного інтелекту. Трохи більше чверті німецьких компаній з щонайменше десятьма співробітниками використовували технології штучного інтелекту у 2025 році, порівняно з п'ятою частиною попереднього року. Темпи зростання вражають. Однак розрив між великими та малими компаніями значний. Більше половини компаній з щонайменше 250 співробітниками використовують штучний інтелект, тоді як для компаній з десятьма-49 співробітниками цей показник не становить навіть чверті. Штучний інтелект наразі найповільніше впроваджується саме там, де емпіричні знання особливо щільні та вразливі, а саме в малих та середніх промислових підприємствах.

Отже, німецьке рівняння виглядає так: великий обсяг емпіричних знань, стрімке скорочення кількості їхніх власників, зменшення кількості молодих талантів та нерішуча цифровізація в малих і середніх підприємствах. Це може стати конкурентною перевагою, але лише за умови можливості закріпити існуючі знання в керовані терміни, передати їх далі та зробити їх придатними для використання за допомогою нових інструментів.

Три покоління за одним столом

Розмова, що відбулася в компанії середнього розміру, ілюструє, як це може виглядати в меншому масштабі. За столом сиділи троє людей з трьох поколінь. Найстаршому, Дірку, 67 років. Він ставить запитання, які пізніше може поставити клієнт, заперечення, що виникли під час приймальних випробувань, критичні питання щодо довговічності та досвід того, де проекти зазвичай зазнають невдачі. Посередині сидить 45-річний чоловік з досвідом роботи в галузі машинобудування та управління якістю — той, хто знає процеси, стандарти та логіку тестування. Наймолодшому, Максі, 16 років. Він створив штучний інтелект компанії.

Ця ситуація ставить під сумнів негласний порядок, який досі панує в багатьох компаніях. Якби рішення про те, хто кому може щось пояснити, ґрунтувалося на роках стажу, розробник штучного інтелекту був би останнім, хто отримав би дозвіл. У традиційних ієрархіях знання передаються зверху вниз, від досвідченого до новачка, від майстра до учня. У світі, де цифрові інструменти розвиваються швидше, ніж встигають адаптуватися правила навчання, цього одностороннього руху більше недостатньо.

Справжня цінність цього трикутника полягає в тому, що кожен привносить щось, чого бракує іншим. Досвідчена людина знає, які питання важливі, але може бути не в змозі перетворити їх на систему. Молодше покоління може будувати системи, але не знає, на які питання потрібно відповісти. Середнє покоління долає розрив між цими двома світами, структуруючи знання в процеси, критерії та процедури тестування. Тільки завдяки цій взаємодії може з'явитися додаток штучного інтелекту, який не тільки функціонує технічно, але й витримує пильну увагу вимогливого клієнта.

У дослідженнях у сфері людських ресурсів зворотна тенденція, коли молодші люди знайомлять старших людей з новими технологіями, називається зворотним наставництвом. В епоху штучного інтелекту це стає більше, ніж просто інструментом розвитку персоналу. Це стає необхідною умовою для інтеграції емпіричних знань у цифрові системи. Це вимагає від старших людей готовності слухати шістнадцятирічного. Це вимагає від молодших людей не ігнорувати запитання 67-річного чоловіка як брак розуміння технологій, а радше як ознаку проблеми, яку їхня система ще не вирішила. Обидва аспекти є більш вимогливими, ніж здається, оскільки вони стосуються статусу, самооцінки та вкорінених ролей.

Подвійне професійне навчання як недооцінена інфраструктура штучного інтелекту

Саме тут проявляється сила німецьких малих і середніх підприємств. Завдяки своїй системі подвійної професійної освіти Німеччина має установу, яка досягає саме того, чого не вдається багатьом іншим економікам: вона систематично об'єднує молодих людей та досвідчених фахівців у компаніях протягом кількох років, керуючись чіткими правилами. Учні навчаються не лише в професійно-технічному училищі, а й на реальних машинах, працюючи над реальними замовленнями клієнтів, під керівництвом людей, які десятиліттями опановували свою справу. Система закріплена через торгово-промислові палати, правила навчання та іспити, і, незважаючи на певну критику, користується рівнем соціального визнання, якому позаздрять інші країни.

Досі подвійне професійне навчання розглядалося переважно як інструмент залучення кваліфікованих працівників та інтеграції молоді на ринок праці. В епоху штучного інтелекту воно набуває додаткової, раніше недооціненої функції: служить інфраструктурою для передачі знань між поколіннями в обох напрямках. Майстер може показати учневі, як виявити дефект. Учень може показати майстру, як ці знання принесуть користь усій майстерні завтра, оскільки він знає, як структурувати їх у базі даних знань, передати їх помічнику штучного інтелекту або перетворити на цифровий звіт про перевірку.

Такий подвійний підхід робить модель потенційно можливою для всієї Європи. Континент навряд чи перевершить Сполучені Штати чи Китай у гонці за найбільші мовні моделі та найпотужніші центри обробки даних. Однак він може розвинути силу там, де штучний інтелект зустрічається з промисловою практикою: у виробництві, забезпеченні якості, технічному обслуговуванні, логістиці та проектуванні обладнання. У цих галузях досвід робочої сили є вирішальним ресурсом, і Європа, особливо німецькомовні країни з їхніми традиціями професійної підготовки, володіє цими знаннями вдосталь.

Однак, щоб розкрити цей потенціал, подвійне професійне навчання має розвиватися. Правила навчання, які розглядають цифрові навички лише як другорядне питання, не відображають реальності. Самі тренери потребують доступу до інструментів штучного інтелекту та свободи використовувати їх у своєму щоденному навчанні. Компанії повинні надавати учням простір, де вони можуть розробляти та тестувати власні цифрові рішення, а не просто вписувати їх у заздалегідь визначені процеси. А роль учня повинна перейти від простого одержувача до активного учасника. Європейське законодавство про штучний інтелект вже зобов'язує компанії забезпечувати, щоб їхні співробітники мали достатні навички роботи зі штучним інтелектом. Подвійне професійне навчання було б очевидним місцем для виконання цього зобов'язання не як бюрократичного тягаря, а як інвестиції.

Від знань майстра до пам'яті майстер-класу

Як цю концепцію можна застосувати в практичних бізнес-застосуваннях? Досвід показує, що багато проектів з управління знаннями зазнають невдачі, тому що вони починаються занадто абстрактно. Купується програмне забезпечення, створюється вікі, і сподівається, що досвідчені співробітники поділяться своїми знаннями. Це трапляється рідко, оскільки неявні знання не можна перетворити на текст одним натисканням кнопки, а ті, хто бере участь, просто не мають на це часу у своїй повсякденній роботі. Більш перспективним підходом є той, який зосереджується на самій конкретній роботі.

Перший крок – визначити «бункерки» знань у компанії. Які співробітники володіють знаннями, яких немає ні в кого іншого? Хто з них піде на пенсію протягом наступних п’яти років? На яких етапах процесу трапляються найдорожчі помилки, і хто знає, як їх уникнути? Такий аналіз ризиків бази знань є новим для більшості середніх підприємств, хоча він так само важливий для майбутньої життєздатності, як і оцінка обладнання чи фінансового стану.

Другий крок передбачає формування міжпоколінних тандемів або тріо з чіткою місією. Замість простої передачі загальних знань, досвідчений фахівець і молодший колега, який добре володіє цифровими технологіями, працюють разом над конкретною проблемою. Вони можуть, наприклад, розробити помічника на основі штучного інтелекту для усунення несправностей певної системи, анкету для тестування прийняття клієнтами або протокол цифрового тестування, який документує типові моделі помилок з фотографіями та поясненнями. Знання оцінюються не абстрактно, а радше стають видимими через діалог. Досвідчений колега пояснює, чому він звертає пильну увагу на певний момент, а молодший колега ставить запитання, доки не з'явиться зрозуміле правило.

Сучасні інструменти штучного інтелекту значно спрощують цей процес. Записи розмов можна автоматично транскрибувати та структурувати. Фотографії та відео робочих процесів можна пов’язувати з поясненнями. Моделі мовлення можуть отримувати доступ до документів компанії, звітів про скарги та протоколів тестів, а також відповідати співробітникам природною мовою. Таким чином, поступово формується пам’ять про майстерню, яка не збирає пил у папці, а легкодоступна у повсякденній роботі. Молодші співробітники ставлять запитання цифровому асистенту, який навчався у досвідчених колег, і досвідчені колеги бачать, що їхній досвід виходить за межі пенсії.

Третій крок стосується стимулів та визнання. Передача знань потребує часу, і цей час має бути спланований та цінний. Компанії, які оцінюють своїх найдосвідченіших співробітників виключно за обсягом виробництва, навряд чи зможуть змусити їх ділитися своїми знаннями. Досвід Шаньдуну застосовується тут так само, як і в Швабії. Там, де темпи щоденної роботи затьмарюють усе інше, передача знань не відбувається. Фіксований розподіл часу для передачі знань, видиме визнання ролі наставника та гнучкі моделі переходу на пенсію, такі як робота на умовах неповного робочого дня або консультаційна діяльність після виходу на пенсію, є корисними. Це особливо доступні варіанти для малих та середніх підприємств (МСП), які часто особисто знають своїх досвідчених співробітників.

Четвертий крок – це забезпечення якості встановлених знань. Не все, що досвідчений працівник вважає правильним, насправді є правильним. Деякі емпіричні правила походять з часів, коли існували різні матеріали, машини чи стандарти. Тому колективну пам'ять майстерні необхідно підтримувати, переглядати та оновлювати. Тут також може бути корисною міжпоколінна співпраця. Молодші працівники ставлять під сумнів усталені практики, старші працівники пояснюють їхнє походження, і разом вони вирішують, що має залишитися.

Межі тези

Чесний аналіз також повинен визнати слабкі сторони цієї авантюри. По-перше, лідерство Німеччини в емпіричних знаннях не є даністю. Китай створив величезну базу промислового досвіду лише за кілька десятиліть. Покоління, яке очолило його індустріалізацію, володіє величезними знаннями про процеси, і не є гарантією того, що ці знання будуть передаватися менш ефективно, ніж німецькі знання. Крім того, китайські компанії активно залучають досвідчених інженерів з Європи, а придбання європейських малих і середніх підприємств також роками служили меті передачі знань. Неявні знання важко скопіювати, але, безумовно, їх легко набути.

По-друге, наратив, який спирається переважно на досвідні знання, може недооцінювати швидкість навчання машин. Сучасні системи штучного інтелекту вивчають закономірності з величезних обсягів даних, які жодна людина ніколи свідомо не формулювала. У деяких сферах обробки зображень, оптимізації процесів та дослідження матеріалів вони вже перевершують досвідчених професіоналів. Ті, хто володіє мільйонами точок даних датчиків та високим ступенем автоматизації, що стає все більш стандартним на китайських заводах, можуть замінити деякі досвідні знання величезними обсягами даних. Тому теза про незамінні експертні знання не є правдивою скрізь. Вона найсильніше проявляється там, де виробничі партії невеликі, варіантів багато, а вимоги клієнтів індивідуалізовані — саме у виробництві спеціального машинобудування, машинобудуванні та багатьох нішевих секторах середнього бізнесу.

По-третє, Німеччина стикається з проблемами, які, якою б хорошою не була її система професійної підготовки, вона не може компенсувати. Високі ціни на енергоносії, тривалі процеси затвердження, слабкий інвестиційний імпульс, невпевнена цифровізація державного управління та порівняно повільне впровадження цифрових технологій у малому бізнесі – все це впливає на її конкурентоспроможність. Зменшення кількості контрактів на навчання демонструє, що сама подвійна система перебуває під тиском. Перевага, яка не використовується, взагалі не є перевагою.

По-четверте, існує небезпека самовдоволення. Наратив про невидимі емпіричні знання може стати зручним приводом для відкладення необхідних змін. Ті, хто покладається на навички своїх працівників, не захищаючи, не оцифровуючи та не розвиваючи їх, перетворюють свою найбільшу перевагу на найбільший ризик. Тому що емпіричні знання, які зникають після виходу на пенсію, втрачаються безповоротно.

Копія чи навик: що втрачається швидше?

Незважаючи на ці заперечення, фундаментальна теза залишається актуальною саме тому, що вона містить чіткий заклик до дії. Конкуренція в епоху штучного інтелекту не буде визначатися виключно обчислювальною потужністю та розміром моделі. Значною мірою це визначатиметься тим, які компанії та економіки успішно поєднуватимуть людський досвід з машинним інтелектом. Найкращі моделі будуть доступні кожному. Найкращий досвід залишатиметься дефіцитним.

У цій конкуренції Німеччина має справжню перевагу. Вона може похвалитися густою мережею спеціалізованих середніх компаній з глибокими знаннями процесів, перевіреною системою, яка об'єднує покоління всередині компанії, та традицією цінування професійних навичок у суспільстві. Водночас час спливає. У наступні десять років мільйони досвідчених фахівців вийдуть на пенсію, десятки тисяч компаній щороку шукатимуть наступників, а кількість контрактів на стажування скорочується. Можливості закріпити наявні знання та поєднати їх з новими інструментами обмежені.

Це призводить до справжнього стратегічного питання для Німеччини як місця розташування бізнесу. Китай може скопіювати машину, причому зі швидкістю, яка неодноразово дивує європейських виробників. Німеччина ж, навпаки, ризикує непомітно втрачати свою експертизу, рік за роком, з кожним виведенням з експлуатації, яке не супроводжується належною передачею. Обидві загрози є загрозами. Друга є більш небезпечною, оскільки вона не потрапляє в заголовки газет і є незворотною. Скопійовану машину може перевершити краща. Втрачену експертизу можна відновити лише з великими труднощами та неповністю.

Гарна новина полягає в тому, що рішення не обов'язково має лежати в мільярдних програмах чи масштабних проектах. Воно починається за столом, де 67-річний, 45-річний та 16-річний чоловік розмовляють один з одним. Кожен вносить свій досвід і кожен слухає інших, незалежно від того, хто найдовше працює в компанії. Якщо ці розмови відбуватимуться в десятках тисяч компаній, систематично підтримувані модернізованою системою подвійного професійного навчання та інструментами штучного інтелекту, які роблять знання видимими та доступними, тоді невидимий капітал малих та середніх підприємств (МСП) стане конкурентною перевагою, яку жоден завод у світі не зможе просто відтворити.

Отже, ставка на Німеччину — це не ставка на ностальгію, на стару добру майстерню чи на перевагу минулих чеснот. Вона спирається на готовність поколінь вчитися одне в одного в обох напрямках. Той, хто хоче перемогти, повинен почати сьогодні, поки люди, чиї знання поставлені на карту, ще працюють у компанії.

У промисловому B2B сталий бізнес-відносини рідко виникають за одну ніч. Вони розвиваються крок за кроком – через видимість, професійну релевантність, повторювані точки дотику та зростання довіри. 4-етапна модель Xpert.Digital саме це і робить: вона пропонує структурований шлях, який починається з керованої точки входу та може перерости в глибшу співпрацю в розвитку бізнесу, якщо це необхідно.

Замість того, щоб покладатися на гучні маркетингові обіцянки, ця модель ставить на перший план відносини. Компанії починають з чітко визначених, легко обчислюваних показників, а потім, виходячи з власного досвіду, вирішують, наскільки вони хочуть розширити співпрацю. Ключовим фактором для цього безперешкодного процесу побудови довіри є те, що платформа повністю уникає надокучливої ​​реклами, тому редакційна увага залишається виключно на експертизі компаній.

Більше інформації тут:

• Від видимості до довіри: Ваш масштабований шлях з Xpert.Digital

☑️ Наша ділова мова – англійська або німецька

☑️ НОВИНКА: Листування вашою рідною мовою!

 

Я та моя команда раді бути вашим особистим консультантом.

Ви можете зв'язатися зі мною, заповнивши контактну форму тут wolfenstein@xpert.digital:, або просто зателефонувавши мені за номером +49 7348 4088 965. Моя адреса електронної пошти

Я з нетерпінням чекаю нашого спільного проєкту.

 

 

☑️ Підтримка МСП у стратегії, консалтингу, плануванні та впровадженні

☑️ Створення або переорієнтація цифрової стратегії та діджиталізації

☑️ Розширення та оптимізація процесів міжнародних продажів

☑️ Глобальні та цифрові торгові платформи B2B

☑️ Розвиток бізнесу Pioneer / Маркетинг / PR / Виставки