Weiterbildung in der Industrie 4.0 mit KI-Tutoring-Systemen

Die Kommerzialisierung generativer Künstlicher Intelligenz (generative KI) durch Systeme wie ChatGPT haben eine neue Generation von KI für den Einsatz in allen Lebensbereichen, und so auch in der Industrie, hervorgebracht [1, 2]. Generative KI ermöglicht nicht nur die Verarbeitung vorhandener Informationen, sondern auch das automatische oder durch Eingabeaufforderungen unterstützte Generieren neuer Informationen in einer vermenschlichten Form. Dieser Technologiesprung eröffnet neue Möglichkeiten in der Industrie 4.0, darunter Tutoring-Systeme [3, 4].

Die Begriffe KI-Tutoring-Systeme (AITS) oder Intelligente Tutoring-Systeme (ITS) beschreiben Software, die aus insgesamt vier Hauptkomponenten oder Modellen besteht. Jedes dieser Modelle stellt einen bestimmten Bestandteil des AITS dar, z. B. umfasst das Domänen-Modell (auch bekannt als Wissens- oder Experten-Modell) das zu vermittelnde Fachwissen. Das Lerner-Modell (auch Schüler-Modell genannt) erfasst, wie erfolgreich der Lernende mit dem AITS arbeitet und ob der Lernende den Lehrinhalt wirklich versteht. Das Tutoren-Modell (oder Pädagogik-Modell) stellt den virtuellen Lehrer des AITS dar, welcher z. B. auf Probleme oder Fragen mithilfe von Feedback und Lerninhalten eingeht und darauf reagiert. Der Lernende interagiert mit der Software über die Schnittstelle (viertes Modell), die in verschiedenen Multimediaformaten vorliegen kann [5, 6].

Typische und weit verbreitete Arten von AITS sind Chatbots [7, 8, 9, 10], virtuelle Agenten [10, 11] oder soziale Roboter [6, 10], die sich alle der Künstlichen Intelligenz bedienen.

Aufgrund der zunehmenden Weiterentwicklung und Marktreife von Tools wie verschiedenen AITS, aber auch des Einsatzes von IoT-Systemen, wird der Begriff Bildung 4.0 in Bezug auf die Weiterentwicklung des digitalen Lernens verwendet, in Anlehnung an Industrie 4.0 [12, 13]. Betrachtet man Bildung 4.0 als Wertschöpfungskette im Sinne der Weiterbildung, so wird deutlich, dass Basiswissen in der Schulbildung und Fachwissen in der akademischen Aus- oder Weiterbildung vermittelt, in der Industrie 4.0 am Arbeitsplatz vertieft und im Sinne des lebenslangen Lernens ständig erweitert wird [14].

Wenn von Bildung 4.0 und dem Einsatz von AITS in der Industrie 4.0 die Rede ist, geht es beim Lernen im Wesentlichen um die Schaffung und Förderung von Kompetenzen von Mitarbeitern in der Industrie 4.0 [15, 16]. Die Kompetenzen können unterschieden werden in:

• Technische oder fachliche Kompetenzen: Bedienung von Maschinen, Verständnis von Prozessen, Verständnis von Technologie
• Methodische oder handlungsbezogene Kompetenzen: Kreativität, Problemlösungsfähigkeit, Entscheidungsfindung, analytische Fähigkeiten, Forschungskompetenz  
• Soziale Kompetenzen: Kommunikation, Teamarbeit, Vernetzung, Führungsqualitäten, Wissenstransfer 
• Persönliche Kompetenzen: selbständiges Arbeiten, Verantwortungsbewusstsein, Organisationsfähigkeit, Flexibilität, Motivation

Damit verbunden sind der Erwerb und die Weitergabe von Wissen. Hier kann zwischen explizitem Wissen (dokumentiertes Wissen) und implizitem Wissen (Erfahrung der Mitarbeiter) unterschieden werden [17]. Innerhalb einer Organisation gibt es verschiedene Rollen, die in unterschiedlichem Maße unterschiedliche Fähigkeiten erfordern.

So gibt es beispielsweise technische Mitarbeiter, die Fähigkeiten z. B. in Bezug auf die Maschinenbedienung benötigen, oder Produktionsingenieure, die Fähigkeiten z. B. für die Produktionsplanung benötigen, oder Führungskräfte, die in allen Bereichen fundierte Kenntnisse benötigen, um die richtigen Entscheidungen zu treffen [15, 16].

Digitales Lehren und Lernen im Allgemeinen kann in eine Klassifizierung wie die von [18] eingeordnet werden (Bild 1). KI beeinflusst dabei alle diese Elemente des Modells.

Kategorisierung von KI-Tutoring-Systemen

AITS lassen sich innerhalb der Industrie 4.0 anhand verschiedener Perspektiven differenzieren. Zum einen können AITS hinsichtlich der adressierten Lernansätze unterschieden werden [19]. Andererseits kann eine Klassifizierung im Anwendungsbereich, insbesondere mit Hinblick auf die Arbeits- und Betriebsorganisation, von Vorteil sein [14, 20]. Darüber hinaus gibt es verschiedene zugrunde liegende KI-Techniken in AITS selbst sowie in Verbindung mit anderen Technologien, die ihre Anwendung in der Industrie 4.0 finden [5, 12, 13, 19]. Diese Differenzierungen können in einer Taxonomie kombiniert werden, um einen Ordnungsrahmen zu schaffen, der zur Kategorisierung von AITS eingesetzt werden kann.

Lernansätze

Eine der wichtigsten Aufgaben von AITS ist die Vermittlung von Lerninhalten sowie die Unterstützung von Lehrenden und Lernenden in diesem Prozess. In der allgemeinen sowie beruflichen Bildung können verschiedene Lernansätze oder -methoden verwendet werden. Es ist daher sinnvoll, diese Lernansätze zu kategorisieren, damit sowohl die Lernenden als auch die Lehrenden verstehen können, wie der Lernprozess ablaufen sollte.

Hierbei ist es entscheidend zu berücksichtigen, dass Lernansätze nicht für sich allein stehen müssen, sondern auch partiell mit anderen Lernansätzen kombiniert werden können. Es gibt eine Vielzahl von klassischen Lernansätzen, die verfolgt werden können, wobei einige besonders häufig und andere weniger häufig Anwendung finden [21, 22].

Die gängigsten Lernansätze, insbesondere im Zusammenhang mit AITS, sind in Bild 2 dargestellt. Zunächst kann unterschieden werden, ob der Lernende individuell, also allein, oder gemeinsam mit anderen Individuen in einer Gruppe lernt. Des Weiteren kann unterschieden werden, ob der Lernende passiv lernt, indem er die Lerninhalte lediglich aufnimmt, oder ob er einen aktiven Lernansatz verfolgt, bei dem er sich beteiligt und aktiv mit den Inhalten interagiert, z. B. indem er Fragen stellt. Beim projekt- oder problembasierten Lernen werden die Lernenden mit realen oder zumindest authentischen Problemen konfrontiert, um diese zu bearbeiten und sich mit der Lösung auseinanderzusetzen [22].

Ähnlich verhält es sich mit dem Ansatz des Erfahrungslernens, das auch als „learning by doing“ bezeichnet werden kann und bei dem praktische Fähigkeiten entwickelt werden [23]. Durch gamifiziertes Lernen können Lerninhalte mithilfe von Spieldesign und Gamifizierung auf spielerische Weise vermittelt werden, um die Motivation, das Interesse oder das persönliche Engagement der Lernenden zu steigern [24, 22]. Transformatives Lernen beschreibt individuelles Lernen mit einer sich ständig verändernden Gesamtperspektive des Lernenden auf die Lerninhalte, das durch die Sammlung von Erfahrungen und Selbstreflexion mit lebenslangem Lernen verbunden ist [21, 25].

AITS können all diese Lernansätze mithilfe ihrer jeweiligen Ausgestaltung auf verschiedene Weise verfolgen. Bei all diesen Lernansätzen müssen die Lernenden häufig von einem Lehrer, dem Tutor, angeleitet werden. In vielen Lernszenarien kann ein Tutor jedoch nicht auf die individuellen Bedürfnisse der einzelnen Lernenden eingehen. Die Lerninhalte sind oft standardisiert. AITS können genau diese Lücke schließen, sodass eine große Anzahl von Lernenden gleichzeitig von den beiden Lernansätzen des personalisierten und des adaptiven Lernens profitieren kann [23, 12, 19, 26].

Hier kann ein AITS sich an den Lernenden anpassen und sein eigenes KI-Modell (Lerner-Modell) erstellen, das sich mit zunehmender Nutzung weiterentwickelt und verbessert [20]. Beim personalisierten Lernen kann auf individuelle Bedürfnisse, Vorlieben und Fähigkeiten eingegangen werden. Dies führt zu einer effektiveren Entwicklung von Fähigkeiten und dem Erwerb von Wissen. Die Lernenden können sich in ihrem eigenen Tempo neuen Inhalten widmen oder sich besonders sorgfältig auf Bereiche konzentrieren, die verbessert werden müssen.

Der Lernprozess wird somit individuell strukturiert [12, 23, 27]. Dies ist eng mit dem adaptiven Lernen verbunden, bei dem sich ein AITS, einschließlich des Lernmaterials, an den Lernfortschritt des Lernenden anpasst. Der Schwierigkeitsgrad wird dynamisch gesteuert, und der Lernende erhält ein Echtzeit-Feedback auf der Grundlage seiner Leistung. Auf diese Weise kann ein AITS das richtige Maß an Schwierigkeit und Unterstützung bieten und so die Effektivität des gesamten Lernprozesses erhöhen [23, 12, 28]. Das Ziel eines AITS ist es daher, dem Lernenden eine starke Personalisierung und Interaktivität im Lernprozess zu ermöglichen [26].

Es sollte auch hervorgehoben werden, dass AITS jedem Lernenden ohne oder mit der gleichen sozialen und emotionalen Voreingenommenheit begegnet, was sowohl als Vorteil als auch unter bestimmten Umständen als Nachteil angesehen werden kann, da die menschlichen Faktoren eines menschlichen Tutors wegfallen [19].

Vorteile der Nutzung von KI in AITS

Neben der Klassifizierung, welche Lernansätze durch AITS adressiert werden können, sollte auch die Frage gestellt werden, wo der Lernende, aber auch der Lehrende, durch den Einsatz von KI in AITS profitieren kann. AITS können dazu beitragen, jedem Lernenden eine personalisierte und adaptive Lernumgebung zu bieten. Ein großer Vorteil ist jedoch auch, dass AITS bei der Bewertung sowohl der Lerninhalte als auch der Fähigkeiten und Kenntnisse der Lernenden helfen kann [19].

Darüber hinaus kann KI dazu genutzt werden, die Lernenden zu klassifizieren und individuelle KI-Lernmodelle zu erstellen, um den Lernfortschritt von einzelnen Personen sowie von ganzen Gruppen nachzuvollziehen. Dies erleichtert auch die Anpassung der Lerninhalte, sowohl in Bezug auf den Lernstoff als auch auf den Schwierigkeitsgrad. Spezifische KI-Nutzen und ihre Aufgaben sind in Bild 3 aufgeführt, basierend auf [20], welche eine systematische Untersuchung von AITS durchgeführt haben. Mithilfe dieser Tabelle können AITS danach klassifiziert werden, welchen Nutzen sie verfolgen und wie sie dies tun. Ein AITS kann mehrere Aufgaben erfüllen.

KI-Techniken

Neben der Einordnung von AITS in die angesprochenen Lernansätze und Einsatzbereiche von KI ist auch die Differenzierung der zugrunde liegenden KI-Techniken entscheidend. Das ermöglicht eine noch tiefer gehende Erkenntnis darüber, wie und welche AITS eingesetzt werden und welche Funktionen genutzt werden können, um Aufgaben von AITS zu adressieren und wie gut diese erfüllt werden können. Dies hilft z. B. auch bei der Weiterentwicklung eines AITS.

Darüber hinaus kann damit auch festgestellt werden, ob die KI eines AITS als schwach oder stark eingestuft werden kann [29]. Bild 4 fasst die gebräuchlichsten KI-Techniken und ihre Funktionsweise beim Aufbau von AITS zusammen, basierend auf [5]. Dazu gehören Reinforcement Learning, Fuzzylogik, Bayes’sche Netze, Clustering und künstliche neuronale Netze. Darüber hinaus wurden diese Techniken durch die Kombination mehrerer fortgeschrittener Techniken unter generativer KI ergänzt [20, 30, 31]. Ein AITS kann mit einer einzigen KI-Technik aufgebaut werden oder mehrere Techniken kombinieren, je nach gewünschter Komplexität der Aufgaben.

Kategorisierung

AITS können aus verschiedenen Blickwinkeln betrachtet werden: der Lernansatz, die Nutzung von KI und die Technik der KI. Durch die Kombination dieser drei Perspektiven aus den Bildern 2-4 kann eine Taxonomie (Bild 5) erstellt werden. Mit dieser Taxonomie können AITS aus diesen Perspektiven kategorisiert werden. Bei der Anwendung der Taxonomie kann jedes AITS aus jeder Perspektive untersucht werden, wobei jedes AITS eine oder mehrere Kategorien jeder Perspektive adressiert.

Schlussfolgerung und zukünftige Forschung

Die Kategorisierung kann zum Verständnis dessen beitragen, wie ein eingebettetes AITS funktioniert oder gestaltet werden sollte. Darüber hinaus kann besser verstanden werden, wie AITS in andere Querschnittstechnologien der Industrie 4.0 wie Augmented Reality, Virtual Reality, Internet-of-Things, Assistenzsysteme, Robotik, Additive Manufacturing, Simulation, Big Data, CPS, Wearables und Weitere aus der pädagogischen Perspektive der Bildung 4.0 effektiver integriert werden können. AITS unterstützen auch ein autonomeres, konsistenteres oder sogar automatisierteres Lernen in einem solchen Umfeld [13, 14, 32]. 

Der disruptive Charakter der generativen KI kann zu einer noch größeren Effektivität in der Anwendung führen, da sie dazu genutzt werden kann, noch stärker und schneller auf den Lernenden zu reagieren [30, 31]. Für Praktiker der betrieblichen Transformation ist diese Kategorisierung eine Hilfe bei der Auswahl vorhandener AITS, wobei die dargestellten Kategorien zur Bewertung der vorhandenen AITS herangezogen werden können und somit einen besseren Vergleich untereinander ermöglichen. Dabei ist die Perspektive der Lernansätze besonders vorteilhaft. Diese ermöglicht ein besseres Verständnis darüber und eine Einordnung, wie ein Lerner mithilfe von AITS überhaupt lernen kann.

Die Kategorisierung ist möglicherweise noch nicht vollständig und könnte in Zukunft um weitere Perspektiven erweitert werden. Darüber hinaus sind die einzelnen Kategorien möglicherweise nicht allumfassend, da sie nur die gängigsten Kategorien im Kontext von AITS in der Industrie 4.0 darstellen. Hier könnten in Zukunft weitere Kategorien hinzukommen. Darüber hinaus könnte sich in Zukunft die Frage stellen, wie sowohl explizites als auch implizites Wissen im Sinne des Wissensmanagements mit unterschiedlichsten AITS vermittelt werden kann, beispielsweise auch mithilfe neuartiger AITS auf Basis generativer KI.

AITS, die auf generativer KI beruhen, müssen noch entwickelt und vor allem zur Marktreife geführt werden, in der die Adaptivität und Personalisierung der Systeme deutlich stärker ausgebaut wird. Dabei stellt sich auch die Frage, wie robust die zugrunde liegenden Datenkonstrukte sein müssen. Schließlich sollte auch die Tutorenperspektive näher betrachtet werden. Das schließt die Frage ein, in welchem Maße der menschliche Tutor ersetzbar wird, inwieweit er sich an das AITS anpassen muss und wie damit optimal umgegangen wird, insbesondere mit Blick auf die Akzeptanz in Organisationen.

Das könnte Sie auch interessieren

Serious Games als Trainingsinstrument Spielmechanische Gestaltung zur Förderung Resilienz Annika Lange , Thomas Knothe

Unvorhergesehene Ereignisse fordern produzierende Unternehmen zunehmend heraus. Resilienz zur Bewältigung von Krisen wird dabei zur Schlüsselkompetenz. Durch Serious Games (SG) kann Resilienz Aufbau transparenter werden. Der folgende Beitrag leitet spezifische Anforderungen an SG aus den einzelnen Resilienzphasen ab und zeigt, wie diese spielmechanisch umgesetzt werden können, um so Resilienz effektiv zu trainieren.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 98-104

Im Braunfeld zur Industrie 4.0 Lernfabriken als Schulungs- und Testumgebung für die digitale Transformation Jakob Weber, Sven Völker

Die digitale Transformation produzierender Unternehmen erfordert Ingenieure mit der Fähigkeit, den Übergang zur Industrie 4.0 praktisch zu gestalten. Dieser Beitrag stellt das Konzept einer Lernfabrik vor, die selbst einer kontinuierlichen digitalen Transformation unterliegt und damit eine Umgebung für die Entwicklung von Transformationskompetenzen schafft. Das Konzept für die digitale Transformation basiert auf digitalen Werker-Assistenzsystemen und Multiagentensystemen zur Produktionssteuerung. Sie ermöglichen eine schrittweise Integration vorhandener Ressourcen. Die Lernfabrik wird den Studierenden nicht als fertige Lösung präsentiert, sondern im Rahmen von studentischen Projekten kontinuierlich weiterentwickelt. Damit adressiert sie direkt den Mangel an qualifiziertem Personal für die Realisierung der Industrie 4.0.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 88-96

Kollegin KI? Kompetenzanforderungen und -vermittlung bei KI-Nutzung in der Industrie Swetlana Franken

Künstliche Intelligenz verändert Aufgaben, Rollen und Kompetenzen in (Industrie‑)Unternehmen grundlegend. Sie agiert zunehmend als Kollegin, die Entscheidungen vorbereitet, Prozesse unterstützt und mit Menschen interagiert. Der Beitrag beleuchtet zentrale Kompetenzanforderungen für die KI-Nutzung in der Industrie, stellt ein integriertes Kompetenzmodell vor und zeigt praxisnahe Strategien zur Kompetenzvermittlung auf. Ziel ist es, Unternehmen und Beschäftigte auf eine menschengerechte, kompetenzorientierte Implementierung von KI vorzubereiten, die technologische Effizienz mit menschlicher Kreativität und Urteilskraft verbindet.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 78-86

Operationalisierung ethischer KI mit tachAId Validierung eines interaktiven Beratungstools in zwei Anwendungsfällen aus der Fertigungsindustrie Pavlos Rath-Manakidis, Henry Huick, Björn Krämer , Laurenz Wiskott

Die Integration künstlicher Intelligenz (KI) in Arbeitsprozesse verspricht erhebliche Effizienzsteigerungen, doch Unternehmen stehen dabei vor zahlreichen ethischen Herausforderungen, die den Beteiligten zunächst oft nicht bewusst sind – von Intransparenz in der Entscheidungsfindung über algorithmische Verzerrungen bis hin zu Risiken einer verfrühten Automatisierung. Dieser Beitrag stellt das Design und die Validierung von tachAId vor, einem interaktiven Beratungstool, das darauf abzielt, menschenzentrierte ethische Überlegungen in die Entwicklung von KI-Lösungen einzubetten. Es wird eine Validierungsstudie vorgestellt, die für zwei unterschiedliche industrielle KI-Anwendungen mit variierendem KI-Reifegrad durchgeführt wurde. tachAId lenkt die Aufmerksamkeit gezielt auf kritische ethische Überlegungen im gesamten Lebenszyklus von KI-Lösungen, die bei einer technisch orientierten Entwicklung möglicherweise übersehen werden. Die Ergebnisse zeigen jedoch auch eine zentrale ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 50-59 | DOI 10.30844/I4SD.26.1.50

Angewandte KI für die menschenzentrierte Montage Ein ethisch fundierter Ansatz zur Gestaltung von Arbeitsplätzen Tadele Belay Tuli , Michael Jonek , Sascha Niethammer, Henning Vogler, Martin Manns

Künstliche Intelligenz (KI) kann die Montage verbessern, indem sie menschliche Bewegungen vorhersagt und den Arbeitsplatz entsprechend gestaltet. Mithilfe probabilistischer Modelle wie der Gaußschen Mischmodelle (GMMs) antizipieren KI-Systeme die Bewegungen des Bedieners, um die Koordination mit Robotern zu verbessern. Diese Vorhersagesysteme werfen jedoch ethische Bedenken hinsichtlich Sicherheit, Fairness und Datenschutz gemäß EU AI Act auf. Dieser Artikel stellt eine Methode vor, die probabilistische Bewegungsmodellierung mit ethischer Bewertung mittels Z-Inspection® integriert. Eine Fallstudie unter Verwendung des Werkerassistenzsystem zeigt, wie multimodale Sensorik (Bewegung, Blick) und interpretierbare Modelle eine vorausschauende Unterstützung ermöglichen. Der Ansatz geht von der ethischen Bewertung zu einer ethisch informierten Arbeitsgestaltung über und liefert übertragbare Prinzipien sowie eine konfigurierbare Bewertungsmatrix.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 60-68 | DOI 10.30844/I4SD.26.1.60

Lern- und kompetenzförderliche Arbeitsgestaltung Neue Lernorganisations- und Lernbegleitungsformen in digital transformierter Arbeit Peter Dehnbostel

Seit Jahrhunderten gibt es Maßnahmen und Methoden zur Arbeitsgestaltung. Mit der digital transformierten Arbeit sind jedoch grundlegend neue Kriterien für Lern- und Kompetenzförderlichkeit entstanden. Deren Anwendung ermöglicht es, Arbeit nicht nur effizienter, sondern auch menschenzentrierter zu gestalten und zugleich die Entwicklung sowie den Einsatz von KI in der Arbeitswelt beherrschbarer zu machen. Zudem tragen in der Digitalisierung entstandene innovative Lernformen wesentlich zur Arbeitsgestaltung bei, etwa Online-Communities, Lernplattformen, Chatbots und E-Coaching. Diese Entwicklung steht jedoch noch am Anfang.

Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 6 | Seite 58-64