Generative KI im betrieblichen Wissensmanagement |
KI-Kompetenz als Augmentierungsvoraussetzung
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 5, Seite 118-126 |
| Open Access | https://doi.org/10.30844/I4SD.26.5.14 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Artikel
Der Einsatz von generativer Künstlicher Intelligenz (GenAI) führt idealerweise zur Augmentierung, und zwar sowohl der mit der KI zusammenarbeitenden Arbeitskräfte als auch der organisationalen Prozesse, in denen GenAI zum Einsatz kommt [1]. Ganz allgemein bedeutet Augmentierung, dass etwas an Größe gewinnt, sich positiv entwickelt.
Folgt man der Metaanalyse von Bear und Co-Autoren [1, S. 760] betrifft dies vier unterschiedliche Zielfelder: „body, cognition, work, and performance“. Bezogen auf die industrielle Anwendung, z. B. Customer Service oder Wartungsarbeit, sind diese vier Augmentierungsfelder nicht isoliert zu betrachten. Die Augmentierung des Individuums, der Arbeitsleistung und der Performanz des Unternehmens stehen gleichermaßen im Zentrum des Interesses. Aus soziotechnischer Perspektive dient der KI-Einsatz der gemeinsamen Optimierung für Mensch und Organisation [2].
Letztlich können aber auch Spannungsfelder auftreten, z. B. wenn eine Augmentierung des Organisationsoutputs zulasten der Fähigkeiten der Beschäftigten geht, weil diese ihre Expertise in der Aufgabenbewältigung durch KI-basierte Automatisierung nicht mehr einsetzen. Die Nutzerstudie von Lee und Co-Autoren [3] deutet darauf hin, dass Individuen die kritische Beurteilung aus der fachlichen Expertise heraus im Zuge der Zusammenarbeit mit GenAI eher einschränken. Hinsichtlich der organisationalen Performanz zeigen Pereira und Co-Autoren [4] mit Blick auf US-amerikanische Unternehmen, dass Produktivitätspotenziale der KI in betrieblichen Anwendungsfeldern oftmals nicht wie angenommen gehoben wurden. Als Ursache halten Sie fest, dass dies keine Frage der konkreten Technologie sei, sondern immer aus mangelnder Orientierung des Technologieeinsatzes an den organisationalen Rahmenbedingungen resultiere.
Sucht man nach einem Gestaltungsfeld für das Joint Optimization der GenAI-Nutzung, so ist das betriebliche Wissensmanagement zu nennen [5]. Dies zielt darauf ab, das für die organisationalen Leistungs- und Problemlösungsprozesse erfolgskritische Wissen jederzeit verfügbar zu haben und die problemlösungsrelevante Wissensbasis kontinuierlich weiterzuentwickeln. Dies schließt das Wissen über (technologische) Artefakte, organisationale Routinen und Prozesse, aber auch das personengebundene individuelle Wissen der Arbeitskräfte ein (Bild 1). Ziel ist es, das Wissen unabhängig von den individuellen Wissensträgern verfügbar zu haben und jederzeit für die Arbeitskräfte nutzbar zu machen, die im betrieblichen Leistungsprozess gefordert sind [6].
Kommt GenAI zum Einsatz, so hält sie kodifiziertes Wissen bereit, mediiert darüber hinaus aber auch den innerbetrieblichen Wissensaustausch von der Problemerkennung zur Problemlösung im wechselseitigen Nutzen für Organisation und Individuum. GenAI-basierte Wissensmanagementsysteme können die Resilienz einer Organisation gegenüber kritischen Einflüssen stärken, vor Verlust von Wissensträgern schützen und den Mangel an Fachkräften zumindest teilweise kompensieren [7, 8]. Ebenso stärken sie die Handlungsfähigkeit der verfügbaren Arbeitskräfte, indem ihre Abhängigkeit von anderen individuellen Wissensträgern reduziert wird und sie im Idealfall Wissens- und Erfahrungszuwachs verzeichnen.
Hier setzt unser Beitrag an. Wir möchten herausfinden, unter welchen Bedingungen der GenAI-Einsatz zu einer Augmentierung beiträgt, die die Resilienz der Systeme stärkt und dabei die Fähigkeiten der menschlichen Expertinnen und Experten gleichermaßen mitentwickelt [1]. Dafür beziehen wir uns auf das betriebliche Wissensmanagement und konkretisieren die Herausforderungen für typische Einsatzfelder wie die industrielle Wartung.
Ebenso zeigen wir mit Blick auf die KI-Kompetenz die erforderlichen Voraussetzungen seitens der Arbeitskräfte auf. Ansätze für ein Joint Optimization der GenAI-Nutzung veranschaulichen wir am Beispiel eines mittelständischen Pumpenherstellers. Die dort durchgeführte qualitative empirische Untersuchung lässt erkennen, dass der Einsatz von GenAI zur Augmentierung der Prozesse und eines Teils der Beschäftigten führt. Ob dies gelingt, hängt davon ab, ob die fachlichen Kompetenzen und die KI-Kompetenzen interdependent weiterentwickelt werden.
Augmentierung der Prozesse durch GenAI – dargestellt am Beispiel des Wissensmanagements in der industriellen Wartung
Die industrielle Wartung kann korrektiv erfolgen, wenn es bei Störungen um die Instandsetzung der Maschinen geht, sie kann aber auch präventiv im Sinne von Predictive Maintenance erfolgen, um Störungen vorzubeugen [9]. Die besonderen Potenziale der GenAI für die Optimierung der industriellen Wartung werden im Predictive Maintenance gesehen [10, 11]. Mittels Large Language Models (LLMs) können KI-Agenten generiert werden, die prospektive Rollen in der Wartung übernehmen [12]. Voraussetzung für diese Rollen ist der Zugriff auf Bibliotheken jedweder Art, die das wartungsbezogene Wissen kodifiziert bereithalten. Eine Optimierung bzw. KI-basierte Augmentierung des Wartungsprozesses lässt sich an Erfolgskennzahlen von der Reduktion der Ausfallzeiten bis zur Resilienz des Wartungssystems [13] erkennen. Voraussetzung ist der Aufbau eines Wissensmanagementsystems.
Hinsichtlich des Aufbaus eines Wissensmanagementsystems für den Bereich der industriellen Wartung ist festzuhalten: Der operative Arbeitsprozess benötigt explizites und implizites Wissen [14]. Explizites Wissen bezieht sich auf ursprüngliche Baupläne, später erfolgte Umbauten, Grenzwerte, Funktionalitäten oder weitere Beschaffenheiten von Maschinen und Anlagen, d. h. Artefakte im weitesten Sinne. Dieses Wissen liegt in der Regel dokumentiert vor, wenngleich die Dokumentationsqualität schwankt. Implizites Wissen wird üblicherweise in Verbindung mit menschlicher Expertise und Erfahrung gesehen, ist flüchtiger und kaum kodifiziert. Es wird im Prozess der Arbeit erworben und hat häufig prozeduralen oder episodischen Charakter.
Erfahrungsträger haben Ereignisse in Erinnerung, wann Störungen auftreten und durch welche, gegebenenfalls auch unkonventionellen Wege diese beseitigt werden konnten. Explizites und implizites Wissen sind nicht distinkt, sondern in unterschiedlichen Abstufungen miteinander verbunden [15]. Dies gilt für das organisationale und das individuelle Wissen.
Letzteres hat sowohl explizite, d. h. über Qualifikation abgebildete, als auch implizite, d. h. in Erfahrung aufgebaute Komponenten. In der betrieblichen Wartung werden alle Wissensbestandteile benötigt. Das prozedurale Wissen über die Systemumgebungen tritt gemeinsam mit der Kenntnis über das technische Artefakt auf. Aufgrund der geringen Dokumentation erscheint implizites Wissen gegenüber den expliziten Wissenskomponenten stärker als Engpass und wird daher als besonders erfolgskritisch hervorgehoben: „(T)acit knowledge is fundamental in maintenance due to the diverse and often non-routine nature of tasks, the involvement of multiple disciplines, and the constant evolution of technology“ [7, S. 1].
Soll ein GenAI-gestütztes Wissensmanagement aufgebaut werden, schließt dies alle Wissenskomponenten ein: (1) das in der GenAI bereits abgebildete bibliothekarische Wissen über die Maschinen und Anlagen (Artefakte), (2) das ergänzende betriebsspezifische Wissen über die Artefakte sowie über organisationale Routinen und Prozesse. Dies ist stellenweise dokumentiert, liegt aber zumeist eher unstrukturiert vor. Zum personengebundenen Wissen zählen die durch (3) Qualifikation erworbenen Fähigkeiten und Kenntnisse der Arbeitskräfte sowie (4) ihr implizites, über Erfahrung aufgebautes Wissen, welches nur schwer explizierbar ist (Bild 1).
Die erste Wissenskomponente bringt das GenAI-System mit und rückt sie dementsprechend gegenüber anderen Wissensarten in den Vordergrund, wenn es um Problemlösung geht. Die zweite Komponente erfordert eine betriebliche Datenaufbereitung, bei der die GenAI aber ebenfalls unterstützen kann. Dafür müssen die LLMs auf das betriebsintern kodifizierbare Wissen zugreifen können. Dies lässt sich realisieren, indem distinkte Rollen für KI-Agenten definiert werden, die dies übernehmen [16].
Qualifikationen als dritte Komponente kommen über Personaleinsatz zur Geltung, indem das Personal auf seinen Fähigkeiten entsprechende Anforderungen trifft und diese Fähigkeiten über den eigenen Arbeitsplatz hinaus in das betriebliche Geschehen einbringt. Der Umgang mit KI stellt hier eine zusätzliche Anforderung dar. Für das implizite Wissen als vierte Komponente werden Wege gesucht, dieses auch unabhängig von einzelnen Erfahrungsträgern verfügbar zu machen [7, 17]. Dies erfolgt im Nutzungs- und Interaktionsgeschehen mit der KI [5].
Bereits die frühen Arbeiten von Nonaka [14, 18] haben sich damit befasst, wie man implizites Wissen zugänglich macht, und diesbezüglich unterschiedliche Lernprozesse aufgezeigt. Ein Augenmerk lag stets darauf, dass im impliziten Wissen Differenzierungsvorteile liegen, die es aus Wettbewerbsgründen besonders zu schützen gilt. Um implizites Wissen personenunabhängig zugänglich zu machen, muss entweder mittels Dokumentation eine Externalisierung erfolgen oder es wird durch Sozialisation von implizit zu implizit gelernt, indem ein Aufgabenfeld intuitiv im gemeinsamen Erfahrungsraum verstanden und von weiteren Erfahrungsträgern internalisiert wird [18]. Die Externalisierung erhöht die Reichweite unter gleichzeitiger möglicher Entwertung der besonderen Vorteile, die das Implizite mit sich bringt. Die Sozialisation erhält den Schutzmechanismus, ist in ihrer Reichweite aber begrenzt.
Ein GenAI-basiertes betriebliches Wissensmanagement kann beide Lernrichtungen unterstützen [5]. Mittels GenAI wird es möglich, bislang nicht angemessen dokumentiertes betriebliches und personengebundenes Wissen aus den unterschiedlichsten verfügbaren Quellen (E-Mail-Verläufe, Sprachnachrichten, Kurzprotokolle, digitale Notizzettel etc.) zu eruieren und dadurch für kritische Problemlösungssituationen abrufbereit zu halten.
Durch Nutzerabfragen wird deutlich, in welchen Aufgabenfeldern zusätzliches Wissen benötigt wird, sodass das soziale System durch das digitale System eine erkennbare Struktur erhält und darüber sichtbarer wird [19]. Durch diese Interaktion entsteht eine Systementwicklung, die perspektivisch auch ein LLM-basiertes vorbeugendes Condition Monitoring unter Nutzung betrieblicher Dokumente erlaubt. Voraussetzung ist, dass KI-Agenten mit unterschiedlichen Rollen in der Wartungsarbeit programmiert werden.
Geht es um das Lernen von implizit zu implizit, kann Federated Learning [20] als besonderes Sicherungsverfahren erwogen werden, da es die strukturierte Nutzung von Daten ohne vorherige Externalisierung erlaubt. Welches Wissen erforderlich ist und wo benötigt wird, ergibt sich aus der Nutzerlogik und wie aus dieser heraus Wissensbedarfe kommuniziert und angemeldet werden. Dies ist neu gegenüber frühen Wissensmanagementsystemen, die stark auf die Perspektive des Wissensträgers orientiert waren [5]. Die GenAI mediiert aus der Bedarfsperspektive.
Zu beachten bleibt, dass ein LLM das Basiswissen dabei kontinuierlich modifiziert, was Herausforderungen hinsichtlich der Verlässlichkeit mit sich bringt. Aus diesem Grund setzt eine Augmentierung durch GenAI immer auch eine hohe Kompetenz der Nutzerinnen und Nutzer voraus.
Augmentierung der Individuen durch GenAI – KI-Kompetenz und Nutzerverhalten als Voraussetzung
Bei der Augmentierung der Arbeitskräfte geht es darum, dass diese ihr Handlungs- und Problemlösungspotenzial in ihrem Arbeitsgebiet erweitern und nicht etwa schleichend an Expertise verlieren bzw. an die Technik abtreten [21]. Das Bündel an Fähigkeiten, um die KI angemessen für Problemlösungen aktivieren zu können und dabei eigene Fähigkeiten mitzuentwickeln, wird als KI-Kompetenz bezeichnet. Hierunter versteht man die kompetente Handhabung des GenAI-Tools, aber ebenso das Hintergrundwissen über LLMs, um die Arbeitsweise der Technologie antizipieren zu können. Eine weitere Dimension ist die kritische Reflexion der KI-generierten Vorschläge, ergänzt um die ethische Einordnung über die Auswirkungen des KI-Einsatzes bzw. der verwendeten Daten. Promma et al. [22] konnten faktoranalytisch vier Dimensionen der Kompetenz im Umgang mit GenAI absichern:
- Anwenderkompetenz, um GenAI konsequent für Problemlösungsprozesse fruchtbar zu machen (vereinfacht auch als Prompt Engineering beschrieben),
- Basiswissen über die Funktionsweise von GenAI [23],
- Analytische Fähigkeiten zur kritischen Reflexion der KI-generierten Aussagen und den dahinterliegenden Daten. Diese Reflexionsfähigkeit setzt Domänenexpertise voraus, um unabhängig von der KI urteilen zu können, da beide Kompetenzfelder als komplementär anzusehen sind [24],
- Ethische Verantwortung, was die Herkunft der Daten, aber auch die Konsequenzen der KI-Nutzung insgesamt betrifft [3, 25].
GenAI-Nutzerstudien zeigen, dass die kritische Reflexion der Individuen sich verändert. Die kritische Überprüfung einer Aussage wird nicht mehr primär über das Domänenwissen aktiviert, sondern auf die Frage der Vertrauenswürdigkeit der KI verlagert [3]. Dies wäre ein Hinweis darauf, dass eine Augmentierung des Systems sich perspektivisch zum Nachteil der Arbeitskräfte auswirkt, deren Arbeitsqualität sich dann nicht mehr auf eigene Expertise, sondern auf das richtige Vertrauensmaß in ein System stützt.
Bezogen auf den Anwendungsfall der GenAI-Nutzung in der industriellen Wartung würde dies bedeuten, dass die Arbeitskräfte zwar unterstützendes Wissen aus dem technischen System ziehen und ihr GenAI-spezifisches Wissen auch erweitern, aber ihr wartungsspezifisches Wissen einer Maschine bzw. Anlage weniger aktivieren und reflektieren. Das personengebundene explizite und implizite Wissen würde dadurch sukzessive abnehmen.
Das Nutzerverhalten ist demnach entscheidend dafür, wie KI-Kompetenz im Zusammenspiel mit fachlicher Kompetenz entwickelt wird. Unter welchen Voraussetzungen es zur Augmentierung auf Organisations- und Individuumsebene als Zielbild des Joint Optimization kommt und unter welchen Voraussetzungen dies nicht gelingt, bedarf einer empirischen Fundierung.
Fallstudie zur KI-Interaktion bei einem Pumpenhersteller
Langholf et al. [26] haben zwischen Februar und Oktober 2025 eine Fallstudie bei einem mittelständischen Pumpenhersteller durchgeführt, der zu einem größeren amerikanischen Konzern gehört. Dort wurde GenAI (Copilot) über Weisung des amerikanischen Mutterkonzerns für alle Beschäftigten mit Desktoparbeitsplatz eingeführt. Dies betrifft alle Arbeitsplätze des technischen Services und der Wartung, ist auf diese aber nicht beschränkt.
Insgesamt geht es um eine Optimierung der Arbeitsprozesse unter Aufbau eines Wissensmanagementsystems. Die Fallstudie beinhaltet eine Prozessbegleitung der Implementierungsphase unter Beobachtung der Prozessveränderung. Dies schließt die Augmentierung der Prozesse und die Augmentierung der Individuen ein. Im Zentrum stehen 12 qualitative Interviews mit Nutzerinnen und Nutzern zu zwei unterschiedlichen Messzeitpunkten in einem Abstand von sechs Monaten. Hierbei wurde mittels Selbstbeschreibungen die Nutzerinteraktion mit der GenAI erfasst. Die Daten wurden mittels längsschnittlicher thematischer Analyse ausgewertet [27, 28].
Hinsichtlich der GenAI-Nutzung ist festzuhalten, dass sich Mitarbeitende auf die Entwicklung von KI-Agenten zur Optimierung der betrieblichen Prozesse konzentrieren und sich in ihrer Fähigkeit zum Prompt Engineering in einem Champion-Programm wechselseitig stärken. Auf Seiten der Organisation ist eine Augmentierung der Prozesse in Richtung Effizienzgewinn durch Optimierung bestehender Prozesse und in Richtung Prozessinnovation durch organisationale Lernprozesse erkennbar.
Prozessoptimierung: KI-Agenten werden genutzt, um wiederkehrende Prompts und Abläufe in automatisierte Prozesse zu übersetzen, die systematisch reproduziert werden. Dies gilt auch für die Automatisierung ganzer Prozessketten, indem KI-Agenten mehrstufige Workflows (z. B. Datensuche, -anreicherung, -prüfung) um manuelle Zwischenschritte (z. B. die Recherche von einzelnen Informationen) reduzieren. Besonders bei repetitiven Aufgaben werden den KI-Agenten hohe Zeitgewinne zugeschrieben, sowohl in der individuellen Aufgabenerledigung als auch in den Gesamtprozesszeiten.
Prozessinnovation und organisationales Lernen: Es wird, gestützt auf Use Cases, eine betriebsinterne Datenbank mit häufig verwendeten Dokumenten als Basis für ein betriebliches Wissensmanagement aufgebaut, die durch KI-Agenten systematisch genutzt werden kann, um Unterstützung für individuelle Anliegen zu extrahieren. Damit wird das Onboarding und Anlernen von Mitarbeitenden unabhängig von der Verfügbarkeit einzelner Personen erleichtert, während Verzögerungen im Arbeitsprozess durch erforderliche Recherchen vermieden werden. Gestützt auf die positiven Erfahrungen in einzelnen Use Cases entwickeln unterschiedliche Fachbereiche als Ausdruck eines betriebsinternen Modelllernens eigenständige KI-Agenten für spezifische Probleme. Es entsteht die Dynamik einer organisationsverteilten, experimentellen Prozessinnovation.
Die Augmentierung der Prozesse geht im Idealfall mit einer Augmentierung der Mitarbeitenden einher. Aus den qualitativen Interviews konnte abgeleitet werden, dass dies einen bestimmten Nutzertypus erfordert. Dieser Typus ist beim Pumpenhersteller erkennbar, aber aktuell nur für einen Teil der Mitarbeitenden ausgeprägt. Die Augmentierung der Mitarbeitenden tritt dann ein, wenn die betroffenen Arbeitskräfte ihre KI-Kompetenz in den vier genannten KI-Kompetenz-Dimensionen mit der Domänenexpertise verzahnen (Bild 2). Insgesamt wurden drei unterschiedliche Nutzertypen identifiziert. Diese unterscheiden sich darin, wie KI-Kompetenz insgesamt entsprechend der Dimensionen nach Promma et al. [22] entwickelt und mit der fachlichen Seite – z. B. dem Customer Service oder der Wartung – verknüpft bzw. davon entkoppelt wird.
Der augmentierte Nutzertypus beschreibt die kognitive Erweiterung durch breiteres Wissen auch in der Fachlichkeit jenseits der GenAI-Anwendung, kreative Vorschläge und kontextadäquate Formulierungen. Dabei wird explizit auch Bezug genommen auf die Optimierung der Prozesse (verbesserte Lösungstiefe, unterbrechungsfreier Workflow etc.).
Der entkoppelte Nutzertypus setzt KI nur für Randaufgaben ein, die die eigene fachliche Qualifikation (Domänenexpertise) im Kern nicht oder kaum berühren. Die Entkoppelung ist eine individuell bewusst verfolgte Strategie zum Schutz der Qualifikation. Das beschriebene Anwenderwissen zum Prompt Engineering und Hintergrundwissen über LLMs ist geringer als beim ersten Typus. Zwar findet ein Schutz der Fachlichkeit, aber keine zusätzliche Entwicklung oder stetige Erweiterung statt, womit der geschützte Teil gegebenenfalls sukzessive veraltet. Der Nutzertypus, dem Kompetenzverlust in der Domäne droht, thematisiert vorwiegend die Gefahr, dass menschliche Fähigkeiten durch anhaltende KI-Nutzung abnehmen können. Hier dominieren ethische und reflexive Dimensionen der KI-Kompetenz über die anwender- und wissensbezogenen Fähigkeiten, ohne diese weiterzuentwickeln.
Im Ergebnis der Fallstudie zeigt sich, dass eine Augmentierung von Prozessen und Mitarbeitenden als Ausdruck eines Joint Optimization im Zuge des Aufbaus eines GenAI-basierten Wissensmanagementsystems dann gewährleistet ist, wenn KI-Nutzerinnen und -Nutzer eine transformative Entwicklung in allen KI-Kompetenzdimensionen der Anwenderkompetenz, dem Basiswissen, der analytischen kritisch-reflexiven Fähigkeiten und der ethischen Einordnung durchlaufen und mit der fachlichen Expertise bei der Aufgabenbewältigung verbinden. Nur dann wird das personenbezogene explizite und implizite Wissen erweitert.
Bei dieser Konstellation zeigt sich, dass das Ausmaß an Promptingfähigkeiten kontinuierlich wächst, Routinen zur umfassenden kritischen Prüfung aufgebaut werden und ausgehend von gestiegenen individuellen Fähigkeiten neue Workflows entstehen. Auf diese Weise entwickelt sich das personenbezogene Wissen in dem Maße weiter, wie die Prozesslandschaft der Organisation kontinuierlich optimiert wird (Bild 1).
Resümee zum GenAI-basierten Wissensmanagement in der betrieblichen Wartung
Ziel unserer Untersuchung war es herauszufinden, unter welchen Bedingungen der GenAI-Einsatz das betriebliche Wissensmanagement in der industriellen Wartung unterstützen kann. Als Zielgröße wurde die Augmentierung der Prozesse und der Individuen gesehen, um die Resilienz der Systeme unter Mitentwicklung der Fähigkeiten menschlicher Expertinnen und Experten zu stärken [1]. Als Voraussetzung wurde der Umgang mit den unterschiedlichen und ineinander verzahnten, für die betriebliche Wartung erforderlichen Wissenskomponenten gesehen. Der Ansatz umschließt dementsprechend explizites Wissen über Artefakte, betriebsspezifisches Wissen über Routinen und Prozesse sowie personengebundenes explizites und implizites Wissen der Wartungskräfte.
Soll eine Augmentierung der Prozesse durch GenAI-Einsatz in der industriellen Wartung unter Schutz des betriebsspezifischen und des personengebundenen Wissens erfolgen, ist eine marktgängige GenAI mit einem On-Premise-Ansatz oder einer privaten, in Europa gehosteten Cloud-Lösung zu verbinden. Dies bedeutet, dass die Technologie entweder auf einer eigenen, geschützten Serverlandschaft gehostet und betrieben wird [29] oder ein hoher Schutzmechanismus bei einer Cloud sichergestellt wird. So kann betriebsspezifisches Wissen durch KI-Agenten die Wissensbasis sukzessive anreichern.
Im Zuge der Nutzerinteraktion mit der GenAI findet zunehmend auch eine Teilung des personengebundenen expliziten und impliziten Wissens statt, ohne dass Nutzergruppen außerhalb der Organisation darauf zugreifen können. Für die Strukturierungsleistung sind KI-Agenten mit unterschiedlichen Rollen der Wissensaufbereitung und -strukturierung zu programmieren (Bild 1).
Um eine augmentierende Wirkung zu erreichen, bei der Mitarbeitende ihr Aufgabenspektrum erweitern und zur Optimierung von Workflows beitragen, bedarf es der Fallstudienergebnisse zufolge einer hohen KI-Kompetenz in Verbindung mit Domänenexpertise. Diese komplementären individuellen Kompetenzen gilt es integrativ zu entwickeln [24]. Umfassende KI-Kompetenztrainings bezogen auf das konkrete Anwendungsfeld im Betrieb können vor diesem Hintergrund als wichtige Empfehlung für die betriebliche Praxis ausgesprochen werden. Neben Zeit- und Effizienzgewinnen ergibt sich daraus eine Resilienzstärkung [13], die die Prozess- und Individuumsebene einschließt.
Die Ergebnisse der Fallstudienanalyse haben den exemplarischen Charakter einer Tiefenfundierung in einem ausgewählten GenAI-Anwendungsfeld zum betrieblichen Wissensmanagement unter Betrachtung der Prozess- und Individuumsebene. Häufigkeitsaussagen über das Eintreten von Augmentierung und GenAI-Nutzertypen erfordern einen quantitativen Untersuchungsansatz, der Gegenstand zukünftiger Studien sein kann.
Dieser Beitrag entstand im Rahmen des BMFTR-geförderten Projekts (Kompetenzzentrum HUMAINE: Transfer-Hub der Metropole Ruhr für die humanzentrierte Arbeit mit KI, Förderkennzeichen: 02L19C200).
Literatur
[1] Baer, I.; Waardenburg, L. et al.: What Is Augmented? A Metanarrative Review of AI-Based Augmentation. In: Journal of the Association for Information Systems 26 (2025) 3, S. 760–798.[2] Parker, S. K.; Grote, G.: Automation, Algorithms, and Beyond: Why Work Design Matters More Than Ever in a Digital World. In: Applied Psychology 71 (2022) 4, S. 1171–1204.
[3] Lee, H.; Sarkar, A. et al.: The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. In: Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. New York 2025.
[4] Pereira, E.; Graylin, A. et al.: The Enterprise AI Playbook Lessons from 51 Successful Deplyoments. Stanford 2026.
[5] Böhm, D.; Durst, S.: Knowledge management in the age of generative artificial intelligence – from SECI to GRAI. In: VINE Journal of Information and Knowledge Management Systems (2026) 56, S. 106–121.
[6] Alavi, M.; Leidner, D. et al.: A knowledge management perspective of generative artificial intelligence. In: Journal of the Association for Information Systems (2024) 25, S. 1–12.
[7] Aedo, I; Onorati, T. et al.: Bridging the Gap between Knowledge and Human Expertise: Integrating Explicit and Tacit Knowledge in Maintenance Operations: In: CEUR Workshop Proceedings 3978. München 2025.
[8] Wilkens, U.; Polte.; J. et al.: Bridging Knowledge Gaps with GenAI in Industrial Maintenance. Specific Needs and Contextualized Solutions. In: Industrie 4.0 Science 41 (2025) 5, S. 52–57.
[9] Otto, F.: Assistenzsysteme für kontextsensitive Informationsbereitstellung in der operativen Instandhaltung von Werkzeugmaschinen. Dissertationsschrift der TU Berlin 2026.
[10] Li, X.; Wang, P. et al.: Generative AI for Predictive Maintenance for Manufacturing: A Survey. In: Procedia CIRP 139 (2026), S. 35–40.
[11] Mikołajewska, E.; Mikołajewski, D. et al.: Generative AI in AI-Based Digital Twins for Fault Diagnosis for Predictive Maintenance in Industry 4.0/5.0. In: Applied Sciences 15 (2025) 6, S. 3166.
[12] Jiang, W.; Hu, F.: Artificial Intelligence Agent-Enabled Predictive Maintenance: Conceptual Proposal and Basic Framework. In: Computers 14 (2025) 8, S. 329.
[13] Bukowski, L.; Werbinska-Wojciechowska, S.: Towards Maintenance 5.0: Resilience-Based Maintenance in AI-Driven Sustainable and Human-Centric Industrial Systems. In: Sensors 25 (2025) 16, S. 5100.
[14] Nonaka, I.: The knowledge-creating company. In: Harvard Business Review on Knowledge Management (1998), S. 21–45.
[15] Dienes, Z.; Perner, J.: A theory of implicit and explicit knowledge. In: Behavioral and Brain Sciences 22 (1999), S. 735–808.
[16] Gao, S.; Fang, A. et al.: Empowering biomedical discovery with AI agents. In: Cell (2024) 187, S. 6125–6151.
[17] Ottersböck, N.; Dander, H. et al. (Hrsg): Wissensmanagement mit Künstlicher Intelligenz: Erfahrungswissen effizient sichern und transferieren. Berlin 2026.
[18] Nonaka, I.; Takeuchi, H.: The knowledge-creating company. How Japanese companies create the dynamics of innovation. New York/Oxford 1995.
[19] Leonardi, P.; Treem, J.: Behavioral Visibility: A new paradigm for organization studies in the age of digitization, digitalization, and datafication. In: Organization Studies 41 (2020) 12, S. 1601–1625.
[20] Koppelmann, T.; Becker, L. et al.: Clustering-based Wake Word Detection in Privacy-aware Acoustic Sensor Networks. In: Interspeech. Incheon 2022.
[21] Wilkens, U.; Lutzeyer, I. et al.: Augmenting Diversity in Hiring Decisions with Artificial Intelligence Tools (Special Issue on Interdisciplinary Narratives on Artificial Intelligence and Personnel Selection Systems). In: The International Journal of Human Resource Management 36 (2025) 14, S. 2585–2622.
[22] Promma, W.; Imjai, N. et al.: The influence of AI literacy on complex problem-solving skills through systematic thinking skills and intuition thinking skills: An empirical study in Thai gen Z accounting students. In: Computers and Education: Artificial Intelligence 8 (2025), S. 100382.
[23] Hönigsberg, S.; Mallek, S. et al.: Measuring AI Literacy of Future Knowledge Workers: A Mediated Model of AI Experience and AI Knowledge. In: 20th International Conference on Wirtschaftsinformatik. Münster 2025.
[24] Tambe, P.: Reskilling the Workforce for AI: Domain Expertise and Algorithmic Literacy. In: Management Science 72 (2025) 1.
[25] Bankins, S.; Formosa, P.: The ethical implications of artificial intelligence (AI) for meaningful work. In: Journal of Business Ethics 185 (2023) 4, S. 725–740.
[26] Langholf, V.; Wilkens, U. et al.: User Behavior and Evolvement of GenAI Literacy – A Qualitative Trajectory Analysis. In: Paper for EURAM 2026 conference proceedings. Kristiansand 2026.
[27] Braun, V.; Clarke, V.: Using thematic analysis in psychology. In: Qualitative research in psychology 3 (2006) 2, S. 77–101.
[28] Spencer, L.; Radcliffe, L. et al.: Thematic trajectory analysis: A temporal method for analysing dynamic qualitative data. In: Journal of Occupational and Organizational Psychology 94 (2021) 3, S. 531–567.
[29] Pahl, C.; Xiong, H. et al.: A Comparison of On-Premise to Cloud Migration Approaches. In: Lau, KK.; Lamersdorf, W.; Pimentel, E. (Hrsg): Service-Oriented and Cloud Computing. ESOCC 2013. Lecture Notes in Computer Science, 8135. Berlin, Heidelberg 2013.
Ihre Downloads
Potenziale: Strategie
Lösungen: Prozessmanagement
Das könnte Sie auch interessieren
