Gkc25/Mit den Augen mausen - dienliche KI stützt Wissens- und Kompetenztransfer im Mittelstand

Die Präsentation behandelt die Herausforderung, implizites Erfahrungswissen im Mittelstand durch KI-gestützte Methoden zu erfassen und weiterzugeben, insbesondere angesichts des demografischen Wandels und des Fachkräftemangels. Der Fokus liegt auf dem produzierenden Gewerbe und Handwerk, wo erfahrene Altgesellen in den Ruhestand gehen und ihr praktisches Wissen mitnehmen. Statt standardisierter Lösungen braucht der Mittelstand maßgeschneiderte KI-Anwendungen, die echte Probleme lösen und das “Lernen durch Augenmausen” – also das traditionelle Beobachten und Nachahmen – digital unterstützen. Die Diskussion zeigt, dass erfolgreiche Lösungen eine Kombination aus Technologie und menschlicher Interaktion erfordern, wobei die Wertschätzung der Mitarbeitenden und eine positive Fehlerkultur entscheidend sind.

Hauptthemen der Präsentation:

1. Herausforderungen des Mittelstands bei der KI-Einführung
2. Demografischer Wandel und Kompetenzverlust im Handwerk
3. Implizites Wissen sichtbar machen: Von der Theorie zur Praxis
4. Technologische Ansätze zur Wissensdokumentation
5. Die Rolle von Azubis und Ausbildung im Wissenstransfer
6. Vertrauen, Fehlerkultur und menschliche Faktoren
7. Praktische Lösungsansätze und Pilotprojekte

Herausforderungen des Mittelstands bei der KI-Einführung

Der Mittelstand steht vor besonderen Herausforderungen bei der Einführung von KI-Lösungen. Anders als Großunternehmen verfügen kleine und mittlere Unternehmen über begrenzte Ressourcen und können sich keine mehrfachen iterativen Versuche leisten. Sie brauchen Lösungen, die direkt ihre spezifischen Probleme adressieren, nicht umgekehrt – wie derzeit oft am Markt beobachtet wird, wo fertige Lösungen nach passenden Problemen suchen.

Die öffentliche Wahrnehmung wirft dem Mittelstand vor, die KI zu verschlafen und nur operative, aber keine strategischen Maßnahmen zu ergreifen. Der Mittelstand antwortet darauf berechtigt, dass die meisten angebotenen Lösungen für Großunternehmen entwickelt und dann abgespeckt als Lizenzmodell verkauft werden. Diese Lösungen helfen jedoch nicht bei den tatsächlichen Problemen mittelständischer Betriebe.

Der vorgestellte Lösungsansatz verfolgt einen anderen Weg: Zunächst werden die echten Bedarfe des Mittelstands identifiziert. Aus diesen Bedarfen werden gemeinsam mit Experten konkrete Anforderungen formuliert, die rechtlich abgesichert werden. Erst dann entwickeln datengetriebene Experten passende Lösungen, die von der IT umgesetzt werden. Dabei ist es zentral wichtig, dass die Kompetenz und das Erfahrungswissen im Unternehmen bleiben und nicht über Maschinendaten abfließen – Datensouveränität ist ein Schlüsselthema.

Eine dienende KI benötigt ein Grundverständnis der Abläufe im jeweiligen Unternehmen. Nur wenn verstanden wird, was die Mitarbeitenden wie und warum tun, können passende Lösungen gefunden werden. Die zentrale Fragestellung lautet dabei immer: Was wissen wir bereits und wie kommen wir mit KI dorthin? KI wird hier als Automatisierung von Wissen verstanden, wobei Wissen die Menschenwelt und Daten die Maschinenwelt repräsentieren.

Demografischer Wandel und Kompetenzverlust im Handwerk

Die größte Herausforderung liegt im Fachkräftemangel und der demografischen Kompetenzlücke, besonders im produzierenden Gewerbe an der Schnittstelle zwischen Engineering und Sondermaschinenbau. Das Problem betrifft nicht die Serienproduktion, sondern spezifische, komplexe Aufgaben, bei denen man sich bisher auf 20 bis 30 Jahre Berufserfahrung verlassen konnte.

Traditionell fungierte der Altgeselle als Wissensvermittler, der Junggesellen beim Sozialisationslernen durch Beobachten und Nachahmen unterstützte. Diese Altgesellen gehen nun altersbedingt in den Ruhestand. Verschärfend kommt hinzu, dass aus Rationalisierungs- und Kostengründen viele dieser Stellen gar nicht mehr besetzt werden. Junge Mitarbeitende werden ausgebildet und dann ins kalte Wasser geworfen, ohne die notwendige Begleitung durch erfahrene Kollegen.

Die Folgen reichen bis in die Automobilindustrie. Ein Beispiel ist mangelndes grundsätzliches Werkstoffwissen, das etwa bei Lenksäulen erst dann auffällt, wenn das Material bei bestimmten Temperaturen spröde wird und eine Lenksäule bricht – was zu teuren Rückrufaktionen führt. Die Kommunikation zwischen Automobilindustrie und kleineren Maschinenbauern oder Werkzeugbauern funktioniert aufgrund des Machtgefälles oft nicht optimal.

Wenn niemand mehr da ist, von dem man mit den Augen mausen kann, geht Erfahrungswissen unwiederbringlich verloren. Dies betrifft nicht nur einzelne Unternehmen, sondern ganze Branchen und Regionen. Besonders in Ostdeutschland ist die Situation dramatisch: Nach der Wende 1990 sind nun 35 Jahre vergangen, und in den nächsten zwei bis drei Jahren droht in vielen Bereichen das Licht auszugehen, wenn nicht gehandelt wird.

Implizites Wissen sichtbar machen: Von der Theorie zur Praxis

Die zentrale Aufgabe besteht darin, implizites Erfahrungswissen sichtbar und weitergebar zu machen. Es geht darum, von implizitem zu explizitem Wissen zu gelangen. Das Besondere dabei: Dieses Wissen ist oft nicht nur schwer zu verbalisieren, sondern den Wissensträger selbst häufig nicht bewusst. Sie wissen, was sie tun müssen und wie sie es tun müssen, aber haben keine Worte dafür oder wissen nicht genau, warum sie etwas auf eine bestimmte Weise machen.

KI wird hier als Automatisierung von Wissen verstanden. Die Arbeit findet an der Schnittstelle zwischen dokumentierter Information und Kommunikation statt. Informationen werden im Kontext zu Wissen, das zur richtigen Zeit passt. Angewandtes Wissen entwickelt sich zu Können – hier sind wir im Bereich des Handwerks. Durch wiederholtes Handeln entsteht Kompetenz.

Ein praktisches Beispiel verdeutlicht das Problem: In verschiedenen Produktionsschichten wurden unterschiedliche Fehlerraten beobachtet. Erst als die Schichtleiter zusammengebracht wurden und gefragt wurde, wie sie bestimmte Dinge machen und warum sie es anders machen als andere, wurde dieses implizite Wissen transparent. Das Wissen war vorhanden, aber nicht zugänglich.

Die Herausforderung ist besonders groß bei prozeduralem Wissen – also allem, was man mit den Händen macht und schwer in Worte kleiden kann. Ein Beispiel aus der Diskussion war die Oldtimer-Restauration im Karosseriebau, wo es mehr um ein “mit den Händen mausen” geht. Die Qualität, die ein erfahrener Handwerker hat, nur durch Beobachten zu übertragen, ist extrem schwierig. Es geht nicht nur um visuelle Wahrnehmung, sondern um alle Sinne: fühlen, riechen, hören – Handwerker nutzen alle ihre Sinne für ihre Arbeit.

Technologische Ansätze zur Wissensdokumentation

Verschiedene technologische Ansätze wurden diskutiert und teilweise in Pilotprojekten erprobt. Ein konkretes Beispiel ist eine Küchenfrau in einer Betriebskantine. Wenn sie im Urlaub war, blieb die Küche kalt, weil niemand wusste, wie die komplexen Geräte zu bedienen waren. Mit einer Baustellenkamera wurde sie bei ihrer täglichen Arbeit begleitet, während sie erzählte und über ihre Erfahrungen sprach.

Das Ergebnis ist ein interaktives System, bei dem man auf bestimmte Tätigkeiten klicken kann – etwa die Reinigung der Kaffeemaschine. Die KI springt dann an die entsprechende Stelle im Video und zeigt genau diesen Prozess. Wichtig dabei: Es gibt erhebliche DSGVO-Herausforderungen, die nicht unterschätzt werden dürfen. Man kann nicht einfach Mitarbeitende filmen und das Material verwerten oder im Markt verkaufen.

Der Unterschied zwischen einfacher Videodokumentation und KI-Unterstützung wurde klar herausgearbeitet: Ein langes Video von einer Tätigkeit anzufertigen ist keine KI. Das Problem ist, dass niemand die Zeit und Lust hat, sich stundenlange Videos anzuschauen. Die KI hilft dabei, auf eine spezifische Frage direkt zu der relevanten Stelle im Material zu springen. Das macht den entscheidenden Unterschied.

Punktwolken und verschiedene Sensorik-Ansätze wurden erwähnt. Aus der Robotik-Entwicklung gibt es bereits Sensorhandschuhe und ähnliche Technologien, die haptische Informationen erfassen können. Diese Entwicklungen könnten für den Mittelstand nutzbar gemacht werden, ohne dass jeder bei null anfangen muss. Es besteht die Möglichkeit, auf bestehenden Forschungsergebnissen aufzubauen.

Ein wichtiger Punkt ist die Perspektive: Nicht nur die Ich-Perspektive des erfahrenen Mitarbeiters ist wertvoll, sondern auch die Perspektive der Lernenden. Azubis können mit ihren Handys filmen und ihre eigene Sicht dokumentieren. Das hat motivationale Vorteile und integriert die Auszubildenden in den Prozess. Zudem liefert es einen wertvollen Input aus der Lernenden-Perspektive, der anders ist als die Sicht des Experten.

Die Rolle von Azubis und Ausbildung im Wissenstransfer

Die Rolle der Auszubildenden im Wissenstransfer-Prozess ist vielschichtiger als zunächst angenommen. Nichts ist gefährlicher als dumme Fragen zu stellen – aber nichts bringt besser implizites Wissen aus erfahrenen Mitarbeitern heraus als ein neugieriger Azubi. Die Fragen von Azubis können als Geburtshelfer für implizites Wissen fungieren.

Ein Ansatz wäre, Dialoge zwischen Azubis und erfahrenen Mitarbeitern aufzuzeichnen und diese als Input für KI-Systeme zu nutzen. Die Azubis könnten aktiv eingebunden werden, indem sie Prompts mit ihren Fragen befüllen. Die KI könnte dann als Mittler fungieren: Sie verarbeitet die Fragen der Azubis und leitet sie strukturiert an die Altgesellen weiter, die diese beantworten. Das könnte das Gefälle zwischen den Generationen verändern und den Wissenstransfer erleichtern.

Wichtig ist auch das Konzept des Shadowing oder der Sensei-Rolle aus dem Japanischen: Der Erfahrene delegiert eine Aufgabe, erläutert sie und bleibt verantwortlich für das, was der Lernende tut. Wenn es gut ist, wird das anerkannt. Wenn es noch nicht gut ist, wird erklärt, wie es besser geht. Dieses Modell könnte Compliance schaffen, damit Wissensträger bereit sind, ihr Wissen herzugeben.

Reverse Mentoring wurde als ergänzendes Konzept eingebracht: Nicht nur lernen die Jungen von den Alten, sondern auch umgekehrt. Jüngere können Älteren die Welt der neuen Technologien näherbringen und sie befähigen, sich mit KI auseinanderzusetzen. Das schafft einen wechselseitigen Lernprozess und erhöht die Akzeptanz auf beiden Seiten.

Ein positiver Aspekt von KI-Unterstützung in der Ausbildung: Sie kann Altgesellen entlasten, die im Stress sind und mehrere Azubis gleichzeitig betreuen müssen. Gleichzeitig ermutigt es Azubis, mehr Fragen zu stellen, wenn sie nicht immer direkt zum beschäftigten Gesellen gehen müssen. Die KI kann als erste Anlaufstelle dienen, bevor der persönliche Kontakt gesucht wird.

Die Attraktivität von Handwerksberufen wiederherzustellen ist ein wichtiges Nebenziel. Wenn durch KI-Unterstützung die Arbeit attraktiver gestaltet wird und der Anspruch hinter den Aufgaben sichtbar wird, könnte das helfen, mehr junge Menschen für diese Berufe zu gewinnen. Das Problem ist nicht nur der fehlende Wissenstransfer, sondern auch, dass immer weniger junge Menschen Berufe wie Werkzeugmechaniker erlernen wollen.

Vertrauen, Fehlerkultur und menschliche Faktoren

Vertrauen ist ein zentraler Faktor bei der Einführung von KI-gestützten Wissenssystemen. Mitarbeitende, die mit Kameras begleitet werden, könnten sich kontrolliert fühlen. Die Angst besteht, dass Aufnahmen genutzt werden, um festzustellen, wer zu langsam arbeitet oder Sicherheitsvorschriften nicht einhält – etwa den Schweißhelm nicht aufsetzt oder Handschuhe nicht trägt.

Die Fehlerkultur im Unternehmen ist dabei entscheidend. Wenn Fehler als Chance gesehen und zugelassen werden, schafft das die Grundlage für Vertrauen. Nur in einem Umfeld, in dem Mitarbeitende keine Angst haben müssen, etwas falsch zu machen, werden sie bereit sein, ihr Wissen zu teilen und sich beim Arbeiten begleiten zu lassen.

Die Frage nach der richtigen Rolle wurde aufgeworfen: Wer wäre geeignet, den Leuten Vertrauen zu geben, dass die Kamera nicht zur Leistungskontrolle oder Überprüfung von Arbeitsschutzvorschriften genutzt wird? Es muss klar kommuniziert werden, dass es ausschließlich um Wissenstransfer geht und die Mitarbeitenden davon profitieren.

Wertschätzung spielt eine zentrale Rolle. Ein menschliches Interview mit einem erfahrenen Mitarbeiter, bei dem sein Wissen dokumentiert wird, ist auch eine Form der Anerkennung seiner jahrelangen Arbeit. Das kann nicht durch ein automatisiertes KI-Interview ersetzt werden. Der Mensch muss im Prozess bleiben, auch wenn die KI unterstützend wirkt.

Es wurde betont, dass es nicht darum geht, Menschen zu ersetzen. Die Unternehmen wollen und können das nicht – es gibt im Mittelstand nichts mehr zu ersetzen, die Belegschaften sind bereits auf ein Minimum reduziert. Das Ziel ist ausschließlich, Mitarbeitende zu unterstützen, Wissen zu bewahren und Prozesse zu beschleunigen.

Die Diskussion zeigte auch Skepsis: Bei Tätigkeiten, die hunderte Stunden für ein einziges Teil erfordern, stellt sich die Frage, wie man das dokumentieren soll. Kein Mensch wird sich hunderte Stunden Video ansehen. Gleichzeitig gibt es Berufe wie den Glasbläser, wo Praktiker selbst sagen, dass man etwa zehn Jahre braucht, bis man sein Handwerk wirklich beherrscht. Die Frage ist, wie viel davon durch KI effizient vermittelt werden kann und wo die Grenzen liegen.

Praktische Lösungsansätze und Pilotprojekte

Konkret wird derzeit zusammen mit Fraunhofer ein mittleres Forschungsprojekt entwickelt, das sich in der Beantragungsphase befindet. Beteiligt sind drei Unternehmen: eines mit KI- und IT-Kompetenz und zwei mittelständische Betriebe aus dem Werkzeugbau. Das Projekt zielt darauf ab, praktikable Lösungen für den Wissenstransfer zu entwickeln.

Ein wichtiger Aspekt ist die Arbeit an Schnittstellen, besonders zwischen Konstruktion und Fertigung im Sondermaschinenbau. Es wurde diskutiert, dass viele Probleme eigentlich Kommunikationsprobleme sind. Was der eine sendet, wird vom anderen nicht verstanden. Der Konstrukteur macht möglicherweise Fehler, die der Fertiger mit seiner Erfahrung ausgleichen muss – was eigentlich nicht seine Aufgabe ist.

Die KI könnte hier als Katalysator dienen, um verschiedene Abteilungen ins Gespräch zu bringen. Mit der Ausrede, gemeinsam die KI zu befüllen, die allen helfen soll, bekommen Mitarbeitende die offizielle Erlaubnis, miteinander zu reden und Wissenstransfer zu betreiben. Das ist im alten metallverarbeitenden Mittelstand nicht selbstverständlich, wo oft starre Strukturen existieren.

Auch in der Konstruktion gibt es viel implizites Wissen. Nicht jedes Teil wird gerechnet und simuliert. Ein erfahrener Konstrukteur, der auf die Mitte 60 zugeht, hat über 30 Jahre Erfahrung gesammelt und weiß aus Fehlern und Rückmeldungen, dass bestimmte Sicherheitsfaktoren nötig sind. Dieses Wissen ist nicht berechnet, sondern ein Daumenwert, der sich implizit entwickelt hat. Auch hier droht Wissensverlust.

Knowledge Based Engineering wurde als Stichwort genannt – ein Ansatz, der versucht, Konstruktionswissen zu systematisieren. Frühe Einbindung der Qualitätssicherung in den Prozess wurde als wichtig erachtet, nicht erst im Serienanlauf, sondern bereits bei Mustern und Vorserien.

Ein praktisches Beispiel aus dem Kfz-Handwerk zeigt weitere Möglichkeiten: In Mercedes-Werkstätten müssen Mechaniker für jede Motorreparatur lizenzpflichtig im Handbuch nachschlagen und jedes Mal Gebühren zahlen. Wenn stattdessen das eigene Wissen der Mechaniker in einem KI-System dokumentiert wird, entfällt diese Lizenzpflicht. Das System wird zu eigenem geistigem Eigentum und bietet einen Weg aus der Abhängigkeit von Automobilherstellern.

In einem Unternehmen mit 40 Mitarbeitenden, das jedes Jahr zwei Azubis einstellt, könnte die KI genutzt werden, um Erfahrungswissen zu sammeln. Im Kfz-Handwerk ist jedes Auto anders. Erfahrungen, die vor einem halben Jahr gemacht wurden, könnten in der KI gespeichert und bei ähnlichen Problemen wieder abgerufen werden, ohne dass man immer wieder die gleichen Fehler macht.

Fazit und Ausblick

Der Wissenstransfer im Mittelstand steht vor einem kritischen Zeitfenster. Innerhalb der nächsten drei Jahre entscheidet der richtige Einsatz dienlicher KI über die Zukunft vieler mittelständischer Unternehmen, besonders in strukturschwachen Regionen. Die Herausforderung besteht darin, implizites Erfahrungswissen sichtbar zu machen, bevor es durch den demografischen Wandel unwiederbringlich verloren geht.

Die Diskussion hat gezeigt, dass erfolgreiche Lösungen mehrere Aspekte vereinen müssen: technologische Ansätze wie videobasierte Dokumentation mit KI-gestützter Navigation, die Einbindung aller Beteiligten von Azubis bis zu erfahrenen Mitarbeitern, eine vertrauensvolle Fehlerkultur und vor allem die Beibehaltung des Menschen im Zentrum des Prozesses. KI sollte nicht ersetzen, sondern unterstützen und befähigen.

Wichtig ist die Erkenntnis, dass Wissenstransfer nicht nur visuelle Information umfasst, sondern alle Sinne einbezieht. Gleichzeitig wurde deutlich, dass verschiedene Perspektiven wertvoll sind: die des Experten, die des Lernenden und die verschiedener Abteilungen. KI kann als Brücke zwischen diesen Perspektiven fungieren und Kommunikation fördern, die bisher durch organisatorische Barrieren verhindert wurde.

Offene Fragen:

• Wie können alle Sinne (nicht nur visuelle Wahrnehmung) in KI-gestützte Wissenssysteme integriert werden?
• Welche Rolle sollte die KI übernehmen: Dokumentation, Dialogpartner oder Vermittler zwischen Generationen?
• Wie lässt sich Vertrauen schaffen, damit Mitarbeitende bereit sind, ihr Wissen zu teilen?
• Wo liegen die Grenzen der KI-Unterstützung bei sehr langwierigen, komplexen handwerklichen Prozessen?
• Wie können berufsbildende Schulen in den Prozess eingebunden werden?

Handlungsempfehlungen:

• Bilde Netzwerke zwischen Mittelstand, KI-Experten und Forschungseinrichtungen, um gemeinsam bedarfsgerechte Lösungen zu entwickeln
• Starte mit Pilotprojekten in klar abgegrenzten Bereichen, um Erfahrungen zu sammeln
• Binde Azubis aktiv in den Prozess ein – ihre Fragen und Perspektiven sind wertvoll für den Wissenstransfer
• Schaffe eine positive Fehlerkultur im Unternehmen als Grundlage für Vertrauen
• Nutze KI als Katalysator für verbesserte Kommunikation zwischen Abteilungen
• Führe Experten-Interviews mit erfahrenen Mitarbeitenden durch, um implizites Wissen zu dokumentieren – als Wertschätzung ihrer Kompetenz
• Denke über Reverse Mentoring nach, damit auch ältere Mitarbeitende von jüngeren lernen können
• Achte auf DSGVO-Konformität und rechtliche Absicherung bei allen Dokumentationsmaßnahmen
• Prüfe, ob bestehende Forschungsergebnisse aus anderen Bereichen (z.B. Robotik, Sensorik) genutzt werden können
• Handle jetzt – das Zeitfenster ist eng, besonders in Regionen mit starkem demografischem Wandel