Menschzentrierte, KI-gestützte Arbeitssysteme

Der Schwerpunkt der Arbeitswissenschaft (AW) ist die Erforschung der Wechselwirkungen zwischen Mensch, Technologie und Organisation, mit dem Ziel, das Wohlbefinden des Menschen sowie die Gesamtleistung des Systems zu optimieren [1]. Bei der Analyse, Optimierung oder Gestaltung von Arbeitsprozessen verfolgt die Disziplin einen mensch-, nutzer- oder arbeitnehmerzentrierten Ansatz [1, 2, 3].

Die grundlegende Analyseeinheit in der AW ist das Arbeitssystem [4], bestehend aus einem oder mehreren Menschen, die innerhalb einer Arbeitsumgebung mit Werkzeugen, Technologien und Prozessen interagieren [1]. Diese Definition basiert auf dem Konzept der soziotechnischen Systeme, deren Grenzen, etwa im Hinblick auf die Integration von Arbeit über organisatorische, geografische, kulturelle und zeitliche Grenzen hinweg, in der Fachliteratur zunehmend ausgedehnt wurden. Als Reaktion darauf hat die AW bei der Gestaltung von Arbeitssystemen die Anzahl der zu berücksichtigenden Elemente und Dimensionen erweitert [3]. Auch in anderen Bereichen, wie etwa in der Produktionsplanung, werden Arbeitssysteme als Kernelemente für die Umwandlung von Input in Output betrachtet [5] und als zentraler Ort der Wertschöpfung innerhalb von Organisationen identifiziert [6].

Seit fast drei Jahren ist generative Künstliche Intelligenz (GenAI) weit verbreitet und mittlerweile aus dem Arbeitsalltag nicht mehr wegzudenken [7]. Der praktische Einsatz von GenAI geht mit einem starken Forschungsinteresse, unter anderem in der Arbeitswissenschaft [8], einher, wobei die Forschungsergebnisse wiederum in die KI-Entwicklung einfließen [9]. Dabei hat sich gezeigt, dass die zugrunde liegenden arbeitswissenschaftlichen Konzepte, insbesondere das Arbeitssystem selbst, angepasst und weiterentwickelt werden müssen.

Dieser Artikel schlägt daher eine Neubewertung und Weiterentwicklung des Arbeitssystemkonzepts vor. Ziel ist es, die unterschiedlichen Eigenschaften von GenAI und die Vielfalt der Rollen, die sie innerhalb eines Arbeitssystems übernehmen kann, angemessen darzustellen. Außerdem soll die Zusammenarbeit von GenAI mit den im System agierenden Menschen besser erfasst werden. Diese kann sich deutlich von der bisherigen Nutzung und Interaktion mit KI-gestützter Technologie unterscheiden.

Modellierung von menschlicher Arbeit

Die verschiedenen Konzeptualisierungen eines Arbeitssystems basieren auf der Annahme, dass Menschen Arbeit verrichten, indem sie unter Einsatz bestimmter Ressourcen und unter bestimmten Rahmenbedingungen einen gegebenen Input in einen gewünschten Output umwandeln. Dementsprechend unterscheiden sich bisherige Arbeitssystemmodelle lediglich in der Gewichtung einzelner Elemente oder in der Wechselwirkung zwischen diesen Elementen.

Frühe Modelle von Arbeitssystemen sowie generische Modelle konzentrierten sich auf eine einzelne Person, die eine Aufgabe mit technologischer Unterstützung (z. B. Maschinen) ausführt und in einer bestimmte Arbeitsumgebung agiert [10, 11]. Dies resultierte in dem allgemeinen Verständnis, dass sich die zentrale Analyseebene von Arbeitssystemen auf einen einzelnen Arbeitsplatz beschränkt [12, 13]. Solche mikroergonomischen Arbeitssystemmodelle konzentrieren sich auf das Wohlbefinden der Person, beispielsweise das sogenannte Balance Model [10, 14], auf den Arbeitsprozess, beispielsweise das REFA-Modell [4, 5], oder auf das leistungsbasierte Ergebnis [11]. Bild 1 zeigt ein solches grundlegendes Arbeitssystem.

Makroergonomische Arbeitssystemmodelle [16, 17, 18] betrachten mehrere Menschen in einem Arbeitssystem und konzentrieren sich auf deren Zusammenarbeit. Diese Modelle stellen komplexere Arbeitssysteme dar, indem sie gegenseitige Abhängigkeiten visualisieren und Verantwortlichkeiten unterscheiden. Bild 2 zeigt ein solches Modell, dass zwei Teilsysteme berücksichtigt, etwa ein Management- und Planungssystem und ein Ausführungssystem [12]. Diese Erweiterung der Perspektive ermöglicht die Erfassung und Analyse selbstgesteuerter und selbstverantwortlicher Arbeitsprozesse, die für neuere Organisationsprinzipien charakteristisch sind. Sie bietet außerdem auch die Möglichkeit einer dynamischeren Darstellung von Arbeitsprozessen innerhalb von Arbeitssystemen [ebenda].

Eine Gemeinsamkeit früherer mikroergonomischer und makroergonomischer Arbeitssystemmodelle besteht darin, dass sie nicht explizit formuliert haben, dass Akteure innerhalb von Arbeitssystemen auch nicht-menschlich sein können, eine Möglichkeit, die bereits in den 1960er Jahren in der Organisationstheorie vorgeschlagen wurde [19]. Die Annahme ausschließlich menschlicher Akteure blieb bis zur Verfügbarkeit von GenAI weitgehend unumstritten. Folglich wurden alle anderen Elemente im System als passiv oder weitgehend vorbestimmt bzw. deterministisch handelnd angesehen, wie dies bei nicht KI-gestützten, potenziell kollaborativen, Robotern (Cobots) der Fall ist. Vorprogrammierte automatisierte Maschinen, die kooperativ mit Menschen arbeiteten, wurden dementsprechend im Technologie- bzw. Ressourcenbereich von Arbeitssystemen verortet.

Andere potenzielle nicht-menschliche Akteure, wie Tiere, wurden ebenfalls nicht speziell berücksichtigt, obwohl Tiere mit ihren Fähigkeiten und ihrer (begrenzten) Autonomie intelligente Akteure sind, die in unterschiedlichen Arbeitssystemen mit Menschen zusammenarbeiten, um bestimmte Aufgaben zu erfüllen und bestimmte Ergebnisse zu erzielen. Beispiele für solche Arbeitssysteme (Bild 3) beziehen sich häufig auf Arbeitshunde und ihre menschlichen Hundeführer (z. B. Schäfer mit Hütehunden, Wildhüter mit Wildschutzhunden, Polizisten mit Drogenspürhunden), aber auch auf Minenräumkommandos mit Sprengstoffspürratten [20].

Daher wird hier für eine standardmäßige Einbeziehung von nicht-menschlichen, intelligenten Akteuren in die Konzeption von Arbeitssystemen plädiert. Im Folgenden wird jedoch der Fokus ausschließlich auf KI (bzw. GenAI) als zusätzlicher intelligenter Akteur in KI-gestützten Arbeitssystemen liegen, beispielsweise „KI-Ingenieure” [21] und „KI-Wissenschaftler” [22].

Modellierung von Arbeitssystemen mit mehreren intelligenten Akteuren

Wie oben dargelegt, gehen makroergonomische Arbeitssystemmodelle von einer Zusammenarbeit von mindestens zwei intelligenten Akteuren aus. Aufbauend auf diesen Annahmen betrachtet der vorliegende Artikel zwei Arten kollaborierender intelligenter Akteure, nämlich Menschen und Künstliche Intelligenz, unter der Voraussetzung, dass beide Akteure gleichzeitig im Arbeitssystem anwesend (und aktiv) sein müssen.

Künstliche Intelligenz ist jedoch nicht gleich Künstliche Intelligenz. Kurz definiert, bezieht sich KI auf Systeme, die bei der Verfolgung eines komplexen Ziels ihre Umgebung wahrnehmen, die gesammelten Daten interpretieren, daraus Schlussfolgerungen ziehen und folglich die besten Maßnahmen zur Erreichung des vorgegebenen Ziels beschließen [23]. Diese Definition betont die aktive Rolle der KI sowie die inhärente Vielfalt in ihrer Umsetzung. Letzteres wird durch die Aussage „GPTs are GPTs“ [24] weiter unterstrichen, was bedeutet, dass generative vortrainierte Transformer Allzweck-Technologien sind, die ein breites Anwendungsspektrum bieten. Folglich kann eine KI in einem Arbeitssystem als ein verwendetes Werkzeug bzw. eine verwendete Technologie (Bild 4)oder als unabhängiger und aktiver Akteur [25] (Bild 5) konzipiert und modelliert werden.

Bislang wurde KI hauptsächlich als Werkzeug eingesetzt, um den Menschen bei der Ausführung bestimmter Aufgaben zu unterstützen, beispielsweise beim Verfassen von Texten oder bei der intelligenten Suche. Angesichts der zunehmenden Fähigkeiten der KI und des wachsenden Vertrauens von Menschen in die jeweils genutzte KI ist davon auszugehen, dass KI in wachsendem Maße als Partner des Menschen wahrgenommen und eingesetzt wird, der Arbeitnehmer in bestimmten Arbeitsprozessen unterstützt, beispielsweise als Chatbot im Kundenservice [26]. Diese Wahrnehmung wird im Fall von kollaborativen sozialen Robotern (Cosbots) mit ihren ausgeprägten sozialen Fähigkeiten noch verstärkt [27].

Es ist zu erwarten, dass KI-Agenten bald ganze Aufgaben autonom erfüllen werden [28] und damit menschliche Arbeit ersetzen und soziotechnische Systeme in (intelligente) technische Systeme transformieren werden. Alternativ ließen sich diese KI-Agenten auf einer höheren Analyseebene als „KI-Mitarbeiter“ [29] betrachten, die unter menschlicher Aufsicht arbeiten und damit eine neue Form des Arbeitssystems etablieren (Bild 6), in dem Menschen zu Leitern von KI-Teams werden.

Die Überwachung von KI-Akteuren durch den Menschen ist jedoch nur eine Option für deren Zusammenarbeit innerhalb eines Arbeitssystems. Für die Analyse der Arbeitsbeziehung zwischen Menschen und KI-Akteuren sind Hierarchierelevanz und eine emotionale Aktivierung der Menschen zu berücksichtigen [25]: Die emotionale Aktivierung des Menschen hält sich in Grenzen, wenn KI-Akteure in Arbeitssystemen als Co-Piloten agieren, also von Menschen beaufsichtigt werden. Ähnlich ist es, wenn KI-Akteure als Kollegen agieren, also wenn KI und Menschen mit unterschiedlichen, möglicherweise aufeinanderfolgenden Aufgaben zusammenarbeiten (z. B. im Fall eines KI-gestützten Unternehmensressourcenplanungssystems, das dem Menschen konkrete nächste Handlungsschritte vorschlägt).

Die emotionale Aktivierung der Menschen ist dagegen höher, wenn KI-Akteure als aktive Begleiter oder als Coaches und Sparringspartner des Menschen wahrgenommen werden, oder wenn, alternativ, die KI als Kontrolleur fungiert und Menschen im Arbeitssystem überwacht. Sowohl in der Forschung als auch in der Praxis beginnt man gerade erst, diese komplexen Interaktionen innerhalb von Arbeitssystemen und ihre Dynamik zu verstehen.

Die Rollen von Menschen und KI variieren und entwickeln sich erst während eines bestimmten Arbeitsprozesses. Die Rollenverteilung kann sich je nach der zu erledigenden Aufgabe, den erforderlichen Qualifikationen oder den Fähigkeiten der beteiligten Akteure ändern. Jeder Arbeitsprozess besteht aus verschiedenen Phasen und Handlungen, wie etwa Problemerkennung, Aufgabenbeschreibung, Situationsanalyse, Verfahrensdefinition, Aufgabenausführung und Qualitätssicherung. In jeder dieser Phasen kann ein Akteur besser qualifiziert, ausgerüstet oder erfahren sein als ein anderer, um die Aufgabe zu erfüllen. Zum Beispiel: Während Menschen möglicherweise besser Probleme erkennen können, ist eine KI vielleicht eher dazu geeignet, Daten und den Status quo zu analysieren.

Außerdem können in einem iterativen Prozess der Ausführung und Evaluation Menschen und KI voneinander abhängig sein, um das beste Ergebnis zu erzielen, ohne dass ein Akteur mit seinen Fähigkeiten den anderen überragt. Bei der Analyse von Arbeitssystemen mit mehreren Akteuren, insbesondere in einer Kombination aus menschlichen und KI-Akteuren, muss daher die Aufteilung der Rollen sowie deren Entwicklung während des Arbeitsprozesses berücksichtigt werden (Bild 7).

Die Zusammenarbeit von Menschen und KI-Akteuren in Arbeitssystemen ist von mehreren Dynamiken gekennzeichnet. Zusätzlich zu vorhandenen Fähigkeiten sind sowohl Menschen als auch KI-Akteure lernfähig, was zu einer Verschiebung der Rollenverteilung innerhalb des Arbeitsprozesses führen kann. Eine anhaltende Herausforderung bei der Gestaltung von effizienten Arbeitsprozessen besteht daher in der dynamischen Besetzung von menschlichen und KI-Akteuren auf der Grundlage ihrer Qualifikationen, um so eine symbiotische Arbeitsbeziehung zwischen ihnen herzustellen [30].

Matching von Menschen und KI-Agenten in Arbeitssystemen

Bislang wurde in diesem Artikel zwischen zwei Arten intelligenter Akteure in Arbeitssystemen unterschieden – menschliche Akteure und KI-Akteure – und diese als eher homogene Gruppen behandelt. Es ist jedoch eine weitere Differenzierung erforderlich, da beide Arten von Akteuren individuelle Merkmale, Eigenschaften und Fähigkeiten aufweisen. Forschungsergebnisse zeigen, dass das Resultat einer Zusammenarbeit sowohl von den individuellen Merkmalen der menschlichen Akteure und denjenigen der KI-Akteure als auch vom geeigneten Matching von Menschen und KI-Akteuren abhängt [31].

Bereits eine frühe Studie zu den Auswirkungen des Einsatzes von GenAI-Tools zeigte, dass verschiedene Gruppen von Arbeitnehmern in unterschiedlichem Maße vom Einsatz von ChatGPT profitieren [32]: Weniger qualifizierte Arbeitnehmer erzielten größere Leistungssteigerungen als hoch qualifizierte, was zu einer qualitativen Annäherung ihrer Arbeitsergebnisse führte. Außerdem erreichten Personen mit ausgeprägten Prompting-Fähigkeiten bessere Resultate beim Einsatz von GenAI [33]. Ebenso unterscheiden sich KI-Tools und KI-Akteure in ihren Fähigkeiten: Einige eignen sich optimal für die Textgenerierung, andere zum Schlussfolgern oder für die Steuerung von Robotern sowie der Interaktion mit anderen physischen Akteuren. Daraus ergibt sich die Notwendigkeit eines gezielten, kompetenzbasierten Matchings von Menschen und zu ihnen passenden KI-Akteuren im Arbeitssystem (Bild 8).

Jüngste Forschungsergebnisse deuten darauf hin, dass der Erfolg bei der Zusammenführung von menschlichen und KI-Akteuren nicht nur von den individuellen Fähigkeiten der Akteure abhängt, sondern auch von ihren jeweiligen Persönlichkeitsmerkmalen [31]. Dies gilt sowohl für Menschen als auch für KI-Akteure, da KI-Modelle Persönlichkeitsmerkmale simulieren können. Folglich können die induzierten KI-Merkmale die menschlichen Persönlichkeitsprofile ergänzen und so die Zusammenarbeit verbessern [ebenda]. Die Ergebnisse des Experiments zeigen, dass die Kombination gewissenhafter Menschen mit offenen KI-Agenten zu besseren Resultaten führte, während die Zusammenarbeit extrovertierter Menschen mit gewissenhaften KI-Agenten die Qualität der Ergebnisse verringerte [ebenda].

Schließlich erfordert das Matching von Menschen und KI-Akteuren für deren effektive Zusammenarbeit auch die Koordination mehrerer verschiedener KI-Akteure, die gemeinsam die Menschen im Arbeitssystem unterstützen und mit ihnen interagieren. Insbesondere die zunehmende Bedeutung persönlicher KI-Agenten, die eine einzelne Person auf vielfältige Weise unterstützen können, macht deren Berücksichtigung bei der Gestaltung von Arbeitssystemen notwendig. Solche persönlichen KI-Assistenten können Terminkalender organisieren, anstehende Aktivitäten planen und Arbeitnehmer durch Lern- und Schulungsangebote im Rahmen von Trainings on the Job bei den Aufgaben unterstützen. Dabei haben diese wiederum potenziell Einfluss auf aufgabenorientierte KI-Akteure, die direkt am Arbeitsprozess beteiligt sind, oder können deren Ablauf stören.

Eine Verbindung zwischen den beiden KI-Agenten ist ebenso erforderlich wie ein Koordinierungsverfahren für ihre Zusammenarbeit, insbesondere wenn nicht erwartet wird, dass der Mensch zwischen ihnen vermittelt und zwischen möglicherweise unterschiedlichen oder widersprüchlichen Empfehlungen wählen soll. Daher schlagen wir vor, dass die minimale Grundanalyseeinheit in menschzentrierten, KI-gestützten Arbeitssystemen aus einer Person mit einem persönlichen KI-Agenten (pKI) und einem aufgabenbezogenen KI-Akteur (aKI) besteht, die um weitere Sets von drei solchen Akteuren erweitert werden kann, um größere Arbeitssysteme abzubilden (Bild 9).

Beiträge und Implikationen

Mit dem Einzug der Künstlichen Intelligenz in die Arbeitswelt müssen die theoretischen und methodischen Grundlagen der zentralen Analyseeinheit in der Arbeitswissenschaft und darüber hinaus neu bewertet und weiterentwickelt werden, um die (bald) komplexere Realität von Arbeitssystemen angemessen abzubilden. Dies ist besonders relevant für die Leistungsfähigkeit von Organisationen, da Arbeitssysteme der zentrale Ort der Wertschöpfung in der Unternehmenspraxis sind [6].

In diesem Artikel wurde ein neues Modell für menschzentrierte, KI-gestützte Arbeitssysteme entwickelt und vorgeschlagen, dass die Existenz von KI innerhalb dieser Systeme, ihre unterschiedlichen Rollen darin und die Notwendigkeit eines zweckmäßigen und angemessenen Matchings zwischen Menschen und KI-Akteuren berücksichtigt.

Darüber hinaus wurde dargelegt, dass mindestens zwei Arten von KI-Akteuren in Arbeitssystemen – persönliche KI-Agenten und aufgabenbezogene KI-Akteure – konzipiert werden müssen, um die (erwartete) Realität in vielen Berufen und Tätigkeiten widerzuspiegeln. Dieser Artikel leistet somit einen Beitrag zur arbeitswissenschaftlichen Forschung, da er die zunehmend komplexeren Arbeitsbeziehungen zwischen Menschen und KI-Akteuren und deren symbiotisches Zusammenwirken aufzeigt.

Dieses neue Modell leistet auch einen Beitrag zur Unternehmenspraxis, da es auf die neuen Anforderungen an die Unternehmensentwicklung und die Gestaltung wertschöpfender Prozesse im Zeitalter omnipräsenter Künstlicher Intelligenz vorbereitet und dabei die individuellen Eigenschaften, Merkmale und Fähigkeiten sowohl menschlicher als auch KI-Akteure berücksichtigt [31]. Zudem haben wir Fragestellungen zu Hierarchie, emotionaler Aktivierung [25] in Arbeitssystemen sowie zur Führung in der Zusammenarbeit zwischen Menschen und KI adressiert: Fragen, die früher bei (nicht KI-gestützten) Cobots in Theorie und Praxis keine oder zumindest nur eine untergeordnete Rolle spielten.

Dies ist die deutsche Version des englischen Originalbeitrags mit der DOI: 10.30844/I4SE.25.5.38

Das könnte Sie auch interessieren

Industrie 4.0 – Fortschritt und Digitalisierung in der Schwebe Status der nachhaltigen Transformation und Digitalisierung in der Produktionstechnik Christian Donhauser , Daniel Riepl

Digitalisierungsprojekte helfen dem Anwender, komplexe Prozesse einfacher und effizienter darzustellen. Allerdings gibt es viele Hemmnisse, welche die Umsetzung deutlich erschweren. Zurückhaltung bei der Umsetzung ist spürbar. Dies trifft unter anderem Arbeitgeber und Arbeitnehmer, die durch das Warten oder Vermeiden ins ökonomische Abseits geraten können. Diese Beobachtungen lassen sich auf eine übergeordnete wissenschaftliche Leitfrage zurückführen: Welche Barrieren und systemischen Herausforderungen erschweren eine nachhaltige Transformation im Rahmen von Industrie 4.0, insbesondere unter Berücksichtigung menschlicher Arbeit in der Produktionstechnik? Welche Fragen stellen sich die betroffenen Akteure? Das wesentliche Ziel dieser langfristig ausgelegten Forschungsarbeit ist es, diese Fragen dezidiert und im Detail zu konkretisieren, um daraus ein konzeptionelles Fundament zu entwickeln, das Forschung, Lehre und technologische Entwicklung integriert und die Potenziale ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 56-60

Manuelle Abläufe in der Automobilproduktion optimieren Bausteinbasierter Ansatz zur effizienten Erstellung von Arbeitssystemsimulationen Barbara Brockmann, Tobias Jurk, Beate Stoffels, Jochen Deuse

Im produzierenden Gewerbe gewinnt die Integration digitaler Menschmodelle im Produktentstehungs- und Herstellungsprozess zunehmend an Bedeutung. Besonders in der Montage, die durch einen hohen Anteil manueller Tätigkeiten geprägt ist, ermöglichen Bewegungssimulationen eine realitätsnahe Abbildung menschlicher Arbeit und leisten damit einen wesentlichen Beitrag zur bewegungsökonomischen Bewertung, Prozessabsicherung und Effizienzsteigerung. Der breiten Anwendung in der Produktionsplanung stehen jedoch verschiedene Herausforderungen wie der hohe Initialaufwand zur Erstellung der Humansimulation als auch volatile Planungsbedingungen gegenüber. Dieser Beitrag stellt einen praxisorientierten Lösungsansatz aus der Automobilmontage vor, der eine aufwandsreduzierte Erstellung von Simulationen sowie deren frühzeitige und durchgängige Nutzung im Planungsprozess ermöglicht.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 48-55

KI-gestützte Beölungsstrategien beim Gewindeformen Adaptive Sprühstrahlsteuerung zur Erhöhung von Prozesssicherheit und Werkzeugstandzeit Reinhard Schmied, Marco Susic, Christian Donhauser

Das Gewindeformen erfordert eine präzise Schmierstoffapplikation, da hohe Flächenpressungen und lokale Temperaturspitzen die Werkzeugbelastung erheblich beeinflussen. Aktuelle Sprüh- und Minimalmengenschmierungssysteme (MMS) weisen trotz etablierter Technik häufig Streuverluste, unzureichende Benetzung und instabile Tropfendynamik auf. Diese wissenschaftliche Betrachtung beinhaltet und untersucht einen integrativen Ansatz zur adaptiven Präzisionsbeölung beim Gewindeformen, der auf Computational Fluid Dynamics (CFD)-basierter Strömungsanalyse, experimenteller Validierung und Künstliche Intelligenz (KI)-gestützten Optimierungsverfahren basiert. Im Fokus stehen Tropfengröße, Strahlgeometrie, Düsenposition und Umgebungsströmung sowie deren Einfluss auf die Benetzungsintensität. Erste simulationsgestützteVoruntersuchungen zeigen das Potenzial einer datenbasierten Optimierung zur Reduktion von Benetzungsdefiziten und zur Auslegung künftiger Regelstrategien für eine ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 76-83

Analyse der Anwendungspotenziale chinesischer Wissensplattformen Bedeutung digitaler Plattformen für Wissenstransfer in Forschung und Bildung Yunhao Su, Martin Braun

Wissen ist eine treibende Kraft der Innovation. Um Wissensbestände zu transferieren, werden vermehrt digitale Wissensplattformen eingesetzt. Die VR China nimmt eine weltweit führende Position im Feld der Digitalisierung ein. Im chinesischen Wissenstransfer- und Innovationssystem kommt digitalen Wissensplattformen eine zentrale Rolle zu. Diese Studie strukturiert theoretische Konzepte des Wissenstransfers und ergänzt diese durch empirische Befunde zur (Weiter-) Entwicklung einschlägiger Wissensplattformen. Untersucht wird der Einfluss spezifischer Gestaltungsmerkmale des Wissenstransfers auf die wahrgenommene Funktionalität und Qualität von digitalen Wissensplattformen. In einer Literaturrecherche werden sieben verdichtete Erfolgskriterien des Wissenstransfers ermittelt. Ferner werden neun führende chinesische Wissensplattformen hinsichtlich ihrer Transferlogik und Funktionsumfänge kategorisiert. Im Rahmen einer Online-Befragung beurteilten Probanden die plattformspezifischen ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 84-93

SmartBending: Inline-Messtechnik zur Prozesskorrektur Inline-Prozessoptimierung zur Fehlerkorrektur beim Schwenkbiegen Christian Donhauser , Reinhard Schmied, Marco Susic

Schwenkbiegen ist ein etabliertes Umformverfahren, bei dem Materialverlust vermieden und Ressourcen effizient genutzt werden. Der Prozess erfordert jedoch aufwändige Optimierungen, die bisher stark vom Fachwissen der Bediener abhängen. Dies führt zu hohem Zeit- und Materialaufwand, da Optimierungsschritte iterativ erfolgen. Angesichts des Fachkräftemangels ist eine technologische Aufrüstung der Anlagen im Sinne von Industrie 4.0 notwendig. Im Rahmen eines Projekts wurden mittels intelligenter Sensorik kritische Einflussfaktoren erfasst, die Korrelationen zwischen Produktfehlern und Anlagenverformungen aufzeigen. Darauf basierend wurde eine Methodik entwickelt, die die Grundlage für eine Inline-Kompensation schafft, bei der die Anlage eigenständig Prozessparameter anpasst, um Produktfehler zu korrigieren und perspektivisch eine fehlerfreie Fertigung ab dem ersten Bauteil zu ermöglichen.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 134-141

VR-Training für multimodale Cobot-Interaktion Virtuelle Lernfabriken zur Qualifizierung für den Einsatz kollaborativer Roboter Christoph S. Zoller, Justus Langer, Kristoffer Waldow , Merle Meyer, Arnulph Fuhrmann

Im Forschungsprojekt VIRAMM wird ein VR-basiertes Qualifizierungskonzept für die Integration kollaborativer Roboter (Cobots) in montageorientierten U-Zellen entwickelt und prototypisch umgesetzt. Da der Nutzen von Cobots stark von Prozess-, Layout- und Rollenintegration abhängt, adressiert VIRAMM die bislang fehlende konsistente Szenario Gestaltung für Variantenvergleiche mit Key Performance Indicator (KPI) basierter Bewertung.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 106-112