Humanzentrierung durch Adaption von KI-Arbeitssystemen

Warum Adaptionen zur Realisierung humanzentrierter KI wichtig sind

Die Relevanz humanzentrierter Künstlicher Intelligenz (HCAI) ist für unterschiedliche Branchen und Arbeitskontexte, wie z. B. Architektur, Ingenieurwesen, Bauwesen [1, 2], Gesundheitswesen [3, 4], Landwirtschaft [5], Versicherungswesen und Finanzwesen [2, 6], hinterlegt. Anwendungen Künstlicher Intelligenz (KI)  im Kontext risikobehafteter Entscheidungsprozesse und lebenswichtiger Systeme sind dabei besonders exponiert. Beispiele finden sich in Strafjustiz [7], medizinischer Bildgebung und Diagnose [4] sowie Luftfahrt [8].

Wenn Systemversagen zu Tod, schweren Verletzungen oder anderen irreversiblen Folgen führen kann, wird die Unverzichtbarkeit menschlicher Überwachungs- und Kontrollmechanismen offensichtlich. Diese Unverzichtbarkeit des Menschen geht jedoch über den Bedarf an Überwachung und Kontrolle hinaus: Obwohl KI-Systeme die menschliche Leistungsfähigkeit in Bezug auf Geschwindigkeit und Konsistenz bei sich wiederholenden Aufgaben wie Mustererkennung nachweislich übertreffen können [4], sind moralische Handlungsfähigkeit, ethisches Urteilsvermögen, Kontextverständnis und „gesunder Menschenverstand“ nicht nachbildbar [9].

Die Balance zwischen menschlicher Kontrolle und Automatisierung stellt in diesen Kontexten somit eine zentrale Herausforderung der Gestaltung von HCAI dar [7, 8].

Obwohl weitgehende Einigkeit darüber besteht, dass HCAI sich auf eine Gestaltung von Mensch-KI-Systemen bezieht, die menschliche Bedürfnisse, Werte und Fähigkeiten in den Vordergrund stellt, bleibt die Begriffsdefinition mehrdeutig [2, 10]. Anstelle einer allgemeingültigen Definition verwenden Forscher und Praktiker häufig Grundprinzipien und Schlüsselkriterien wie Fairness, Transparenz und menschliche Handlungsfähigkeit, um entweder die Gestaltung von HCAI-Systemen zu leiten oder das Bestehen humanzentrierter KI festzustellen [10]. Eines dieser Prinzipien ist die Adaptionsfähigkeit. Obgleich weniger häufig expliziert, ist Adaptionsfähigkeit für die Balance menschlicher Kontrolle und Automatisierung elementar [1, 8]. Adaptionsfähigkeit beschreibt hier die Fähigkeit eines Systems, sich an veränderte Kontexte und menschliche Bedürfnisse anzupassen [1]. 

Empirische Untersuchungen unterstreichen den allgemeinen Wert flexibler Automatisierungsansätze. So zeigen Onnasch et al. (2014) , dass die negativen Folgen eines hohen Automatisierungsgrads – wie das Verlernen von Fähigkeiten, Automatisierungsverzerrungen oder übermäßiges Vertrauen [11] – durch Adaptionen gemildert werden können [12]. Empirische Studien in der Flugsicherung zeigen, dass Adaptionen Zufriedenheit und Rollenwahrnehmung positiv beeinflussen können, ohne zugleich Leistung oder Arbeitsbelastung zu beeinträchtigen [12].

Adaptionsfähigkeit kann somit als entscheidendes Gestaltungsmerkmal der Implementierung von HCAI-Systemen in risikobehafteten Entscheidungsprozessen und lebenswichtigen Systemen betrachtet werden. Während die praktische Gestaltung von Adaptionen in Bereichen wie UX-Design [13], Informatik [14], Sicherheits- und Resilienztechnik [15] jedoch bereits durch verschiedene Prinzipien, Methoden und Werkzeuge unterstützt wird, mangelt es an Ansätzen für den größeren Zusammenhang kontextueller und konfigurativer soziotechnischer Systeme [16, 17].

Zur Schließung dieser Lücke entwickeln und demonstrieren wir in diesem Beitrag eine neue Methode, die transdisziplinäre Teams bei der systematischen Exploration des Gestaltungsraums für Adaptionen in HCAI-Arbeitssystemen unterstützt. Dabei folgen wir einem gestaltungswissenschaftlichen Forschungsansatz [18]. Zunächst erläutern wir zur Ableitung der Entwicklungsziele anhand von realen, im Rahmen eines transdisziplinären Forschungsprojekts untersuchten Arbeitsszenarien die Relevanz von Adaptionen in der Praxis (Problemidentifikation). Anschließend entwickeln wir auf Grundlage bestehenden Gestaltungswissens einen Prototyp (Konzeption). Abschließend demonstrieren wir die Anwendung der Methode anhand eines Beispiels aus der Praxis (Demonstration und Bewertung).

Exploration von Gestaltungsräumen in komplexen soziotechnischen Systemen

Im Rahmen des transdisziplinären Forschungsprojekts HUMAINE wurde die praktische Implementierung von HCAI-Prinzipien in verschiedenen Anwendungskontexten mit Bezug zu risikobehafteten Entscheidungsprozessen und lebenswichtigen Systemen, wie z. B. der Läsionserkennung mittels dreidimensionaler Magnetresonanztomographie [19], untersucht. Ein weiteres Beispiel ist die radiografische zerstörungsfreie Prüfung (ZfP) von Schweißnähten. Das Schweißen, das dauerhafte Fügen metallischer Strukturen unter Anwendung von Wärme, ist ein wichtiges Fertigungsverfahren in zahlreichen Industrien.

In sicherheitskritischen Anwendungen, z. B. bei Flugzeugrümpfen und Rohren für die petrochemische Industrie, sind die Sicherheit und Integrität von Schweißnähten und somit eine wiederkehrende strenge Prüfung angesichts der hohen Fehlerkosten von größter Bedeutung [20]. ZfP ermöglicht durch Einsatz von Technologien wie Ultraschall und Radiographie die Erkennung von Fehlern, Mängeln und Abweichungen von einer Norm, ohne Material, Komponenten oder Systeme zu beschädigen. Die Durchführung von ZfP erfordert in der Regel eine fehlerfreie Leistung unter Zeitdruck. Um diese Anforderungen zu erfüllen, können menschliche Inspektoren durch moderne Softwarelösungen mit integrierter KI-basierter automatischer Fehlererkennung (ADR) unterstützt werden [21, 22].

Üblicherweise wird jede Inspektion zunächst softwarebasiert durchgeführt. Der für das Prüfergebnis verantwortliche Mensch überprüft dann die von der KI generierten Erkennungen, passt diese bei Bedarf an und gibt das Ergebnis frei. Während dieser Ansatz darauf abzielt, die Gesamtleistung zu erhöhen, bestehen Risiken durch kognitive Verzerrung und die sich wandelnde Rolle des menschlichen Inspektors. Erreicht ADR ein hohes Leistungsniveau, kann dies zu einem übermäßigen Vertrauen, sinkender Aufmerksamkeit und folglich sinkender Detektionsleistung des menschlichen Prüfers führen. Letztendlich kann daraus eine steigende Fehlerquote resultieren. Ferner kann die Degradierung zur Kontrollinstanz das Wohlbefinden und die Arbeitszufriedenheit beeinträchtigen. 

Der Annahme folgend, dass ein Arbeitsablauf, der die Detektion durch den Menschen voranstellt und KI als Kontrollinstanz einsetzt, sowohl bessere Inspektionsergebnisse hinsichtlich der Fehlerquote ermöglichen als auch psychologisch vorteilhaft sein könnte, hat unser transdisziplinäres, aus Wissenschaftlern der Bereiche Psychologie, Ingenieurwesen und Informatik sowie ZfP-Praktikern und Softwareentwicklern bestehendes Team verschiedene Sequenzen eines Arbeitsablaufs in einer experimentellen Studie verglichen [21]. Die Ergebnisse zeigten, dass die traditionelle Abfolge, bei der die KI-basierte Inspektion dem menschlichen Inspektor vorangestellt ist, die beste Balance zwischen Leistung und psychologischer Wirkung erzielt.

Angesichts der Wirkung dieser vergleichsweise geringfügigen Modifikationen auf das Gesamtsystem, stellte sich für uns die Frage nach weiteren Adaptionsmöglichkeiten. Dabei stießen wir auf Herausforderungen, die dem besonderen Charakter von HCAI-Systemen zugrunde liegen. Zum Einen fehlte aufgrund der unterschiedlichen wissenschaftlichen und beruflichen Hintergründe ein geteiltes Verständnis des untersuchten Systems, dessen konstituierender Elemente und derer Wechselbeziehungen.

Zudem herrschte Unklarheit darüber, wie aus anderen Forschungsbereichen bekannte Adaptionsmechanismen auf den größeren Zusammenhang von HCAI-Systemen übertragen und miteinander verknüpft werden können. Dies resultierte in der Frage, wie in innerhalb eines HCAI-Systems bestehende Adaptionspotenziale auf strukturierte Weise identifiziert werden können. Um diese Herausforderungen anzugehen, entwickelten wir aufbauend auf bestehenden theoretischen Erkenntnissen zu Adaption von Systemen eine neue gestaltungsorientierte Methode (Artefakt).

Methodengeleitete Gestaltung von Adaptionen in HCAI-Arbeitssystemen

Gemäß internationaler Standards ist ein Arbeitssystem als „ein System, das aus einem oder mehreren Arbeitnehmern und Arbeitsmitteln besteht, die zusammenwirken, um die Systemfunktion am Arbeitsplatz, in der Arbeitsumgebung und unter den durch die Arbeitsaufgaben vorgegebenen Bedingungen zu erfüllen“ definiert [23].

In der wissenschaftlichen Literatur finden sich strukturgebende konzeptionelle Modelle [24], die gemäß ihres disziplinären Ursprungs Unterschiede in der Darstellung von Systemelementen und Wechselbeziehungen aufweisen. Beispiele sind die WissenschaftsbereicheWirtschaftsinformatik [25] und Makroergonomie [26]. Aufgrund des Fokus auf humanzentrierte Systemgestaltung verwenden wir als Grundlage für die Untersuchung von Gestaltungsmöglichkeiten von Adaptionen in HCAI-Systemen im Folgenden das Arbeitssystemmodell von Carayon [27–31].

Wie in Bild 1 dargestellt, besteht das Arbeitssystem aus Menschen, organisatorischen Bedingungen, einer physischen Umgebung, KI-Technologie, weiteren Werkzeugen und Technologien sowie Arbeitsaufgaben [31]. Diese Strukturelemente interagieren innerhalb des sozio-organisatorischen Kontextes und mit dem allgemeinen externen Umfeld [30] im Laufe der Zeit [31] miteinander, was zu erwünschten oder unerwünschten, proximalen oder distalen Ergebnissen für oder von verschiedenen Personen, Gruppen und Organisationen führt [30].

Entsprechend ihres Ursprungs im Bereich Human-Factors umfassen diese Ergebnisse die Systemleistung (z. B. Effizienz, Effektivität, Produktivität) sowie menschliche Erfahrungen (z. B. Wohlbefinden und Sicherheit) [30]. Für die beabsichtigte Verwendung im Kontext HCAI ergänzen wir spezifische, bei der Systemgestaltung zu berücksichtigende Kriterien aus der wissenschaftlichen Literatur [10, 16].

In Anlehnung an das kybernetische Konzept der Rückkopplungsschleifen konzeptualisieren wir Adaptionen als rückkopplungsgesteuerte Prozesse, die auf Abweichungen von Zielen oder Veränderungen der Umgebung reagieren. Adaptionen können sich auf Systemelemente, Arbeitsabläufe oder den sozio-organisatorischen Kontext beziehen und sich in ihrer Intentionalität (z. B. beabsichtigt oder unbeabsichtigt), Dauer (z. B. kurz- oder langfristig), Art (z. B. intermittierend oder regelmäßig) und Auswirkung (z. B. vorteilhaft oder nachteilig) unterscheiden [30, 29].

Unser Ansatz adressiert geplante Adaptionen. Spontane Umgehungslösungen – informelle, situationsbezogene Reaktionen auf unmittelbare Herausforderungen [13, 32] – werden nicht betrachtet. Aufgrund des dynamischen Charakters von Arbeitssystemen bleibt es schwierig, spezifische geplante Adaptionen auf dieser Ebene zu identifizieren und zu gestalten. Um den Gestaltungsraum zu konkretisieren, sichten wir deshalb Ansätze von niedrigeren Systemebenen, insbesondere aus der Mensch-Computer-Interaktion (HCI).

In der HCI wurde Adaption, insbesondere von Benutzeroberflächen (UI), umfassend untersucht. Abrahão et al. (2021) entwickelten ein Rahmenwerk für Adaptionsdimensionen, das anhand der Quintilian-Fragen „was, warum, wie, wozu, wer, wann und wo“ organisiert ist [13]. Angesichts des intuitiven und universellen Charakters der Quintilian-Fragen ist anzunehmen, dass dieser Ansatz auch für höhere Systemebenen geeignet ist. Daher übernehmen wir die Dimensionen für HCAI-Arbeitssysteme. Um die Zugänglichkeit insbesondere für Praktiker zu erhöhen, gruppieren wir die Dimensionen in drei Kategorien: Zweck und Begründung (warum, wozu), operativer Implementierungsansatz (was, wo, wie) sowie Kontext und Stakeholder (wann, wer).  

Zweck und Begründung

Zweck und Begründung beziehen sich auf das Ziel der Adaption (warum) und ihr Referenzelement mit seinem spezifischen Zustand, der sich auf diesen Grund bezieht (wozu). Im HCAI-Kontext beschreibt die Begründung für die Adaption konkret, was erfüllt oder verbessert werden muss und wie dies mit den übergeordneten Systemzielen in Einklang steht. Darüber hinaus umfasst sie Adaptionsziele wie Vertrauen, menschliche Handlungsfähigkeit, Arbeitssicherung und Wissensnutzung [13, 33–35], die über traditionelle Bedienbarkeitsaspekte hinausgehen. Während die Frage, warum eine Adaption stattfinden sollte, mit den verschiedenen Ergebnissen und dem externen Umfeld des erweiterten Arbeitssystemmodells zusammenhängt, kann die Frage, auf welches Referenzelement und dessen spezifischen Zustand sich die Adaption bezieht, durch jedes Element des Arbeitssystems, des Arbeitsablaufs und des sozio-organisatorischen Kontexts beantwortet werden (Bild 1). 

Operativer Implementierungsansatz

Der operative Implementierungsansatz beschreibt, was angepasst wird (was), wo die Adaption stattfindet (wo) und wie sie verarbeitet wird (wie). Auf den HCAI-Kontext übertragen kann dies durch Adaptionsziel, -granularität und -automatisierungsgrad spezifiziert werden. Das Adaptionsziel umfasst Elemente der Technologie, die über die Benutzeroberfläche hinausgehen, wie das KI-Modell, den Kommunikationsstil, die Aufgabenverteilung oder die Arbeitsablaufsequenzen [14, 33–38]. Im erweiterten Arbeitssystemmodell (Bild 1) spiegeln sich diese in den Kernelementen des Arbeitssystems und ihrer zeitlichen Interaktion, d. h. dem Arbeitsablauf, wider.

Die Eigenschaft der Adaptionsgranularität muss übersetzt werden, da sich Granularität im Kontext UI-Design üblicherweise auf verschiedene softwarespezifische Elemente wie Widgets oder Container bezieht. Der auf einer neunstufigen Skala von vollständig manuell bis vollständig automatisiert abbildbare Automatisierungsgrad ist für HCAI von besonderer Relevanz, da ein direkter Bezug zu Kontrolle, Transparenz und Vertrauen besteht [33, 39]. Andere UI-spezifische Eigenschaften aus dem ursprünglichen HCI-Framework (z. B. UI-Modalität oder Adaptionsmethode) sind hier nicht enthalten, könnten aber in detaillierten Subsystemanalysen berücksichtigt werden.

Kontext und Stakeholder

Kontext und Stakeholder definieren die Instanzen, die am Adaptionsprozess beteiligt sind (wer). Im HCAI-Kontext wird dies weiter durch die Verantwortung für Initiierung, Entscheidung und Umsetzung von Adaptionen spezifiziert. Diese Eigenschaft spiegelt die verteilte Natur von Stakeholdern und Entscheidungsfindung in soziotechnischen Systemen wider [33, 38, 40].

Stakeholder können Personen sein, die im Kern des Arbeitssystems involviert sind, Personen aus dem sozio-organisatorischen Kontext sowie technische Systeme oder Algorithmen (Bild 1). Sie hängen vom zeitlichen Kontext der Adaption (wann) ab, welcher wiederum durch Adaptionstyp (statisch oder dynamisch) und der Adaptionszeit (der spezifische Moment oder Zeitraum, in dem die Adaption ausgelöst oder angewendet wird) beeinflusst ist. Dies wiederum wird durch den vordefinierten Freiheitsgrad der Adaption (siehe auch die Eigenschaft des Automatisierungsgrades – verbindungsprogrammiert, anpassbar, konfigurierbar (statische Attribute) bis hin zu abstimmbar oder variabel (dynamischere Attribute) – bestimmt [13, 34, 36–38, 40]. 

Abbildung mehrdimensionaler Interdependenzen

Zur Unterstützung des Gestaltungsprozesses und Modellierung relevanter systemischer Umstände derAdaptionsansätze, verwenden wir Design-Structure-Matrizen (DSM) und Domain-Mapping-Matrizen (DMM) [41]. Diese Methode ist für die Modellierung komplexer Systeme etabliert und ermöglicht eine strukturierte Darstellung mehrdimensionaler Wechselbeziehungen zwischen heterogenen Elementen [42]. DSM und DMM unterstützen die Komplexitätsreduktion, indem sie Cluster identifizieren, Rückkopplungsschleifen aufdecken und die Prozessoptimierung unterstützen. Sie ermöglichen auch die Integration zusätzlicher Attribute (z. B. Kosten, Risiken), was die frühzeitige Erkennung von Kaskadeneffekten und eine bessere Ressourcenzuweisung erleichtert [41].

Wir synthetisieren vier DSM für die Dimensionen „warum“, „wozu“, „was“ und „wer“ auf der Grundlage des erweiterten Arbeitssystemmodells (Bild 1). Diese werden dann in Form von drei resultierenden DMM (Warum/Wozu, Was/Wozu und Was/Wer) miteinander verknüpft (siehe Bild 2), wodurch auch die drei Kategorien Zweck und Begründung, operativer Implementierungsansatz sowie Kontext und Stakeholder abgebildet werden. Entsprechend des strukturorientierten Ansatzes der Methode spiegeln sich die verbleibenden Dimensionen „wie“, „wann“ und „wo“ in den analyseleitenden Fragen wider, die an den Schnittpunkten innerhalb jeder DMM verortet sind.

Da für jeden Schnittpunkt bis zu drei Fragen abeleitet werden können, wird deutlich, dass die vorausgehende Modellierung des zu analysierenden HCAI-Arbeitssystems dem Grundprinzip der Effizienz folgen muss. Das System sollte derart modelliert werden, dass ein für die Analyseaufgabe ausreichender Informationsgehalt gewährleistet ist, die Verständlichkeit jedoch  nicht durch unnötige Komplexität beeinträchtigt wird.

Unsere Methode umfasst somit die folgenden Schritte: Zunächst wird das zu untersuchende Arbeitssystem anhand des erweiterten Modells aus Bild 1 beschrieben. Auf der Grundlage dieser Modellierung und ihrer Elemente werden dann die vier DSM sowie die drei DMM aufgestellt. Für jede Schnittstelle in den DMM werden drei Fragen formuliert, die sich auf die Dimensionen „wie“, „wann“ und „wo“ beziehen. Diese Fragen werden dann hinsichtlich ihrer Nützlichkeit und Relevanz für die jeweilige Analyse- bzw. Gestaltungsaufgabe bewertet und auf einen finalen Satz reduziert, der als Leitfaden für die Diskussion und Analyse von Adaptionsoptionen im jeweiligen Arbeitssystem dient.

Demonstration und Bewertung: Praktische Anwendung der Methode

Zur Demonstration der entwickelten Methode ziehen wir das bereits zuvor untersuchte Szenario der Arbeitsablaufadaption in der Schweißnahtprüfung heran [21]. Typischerweise umfasst die radiographische zerstörungsfreie Prüfung von Schweißnähten die Aufnahme von Röntgenbildern durch Bediener, die Auswertung dieser Bilder und die Entscheidung über die Abnahme durch Inspektoren sowie die Sicherstellung der Qualität und Konformität durch Aufsichtspersonen (Personen und Aufgaben).

Der Inspektionsprozess stützt sich auf eine komplexe technische Infrastruktur, welche ein Bildarchivierungs- und Kommunikationssystem (PACS), ein Enterprise-Resource Planning-System (ERP) und eine spezielle Viewer-Software mit allen Werkzeugen für die manuelle oder automatische Sichtprüfung (KI-Technologie, weitere Werkzeuge und Technologien) umfasst [22]. Außerhalb des Arbeitssystems gibt es weitere Personen, die den Arbeitskontext beeinflussen. Im Falle des Beispiels der Arbeitsablaufadaption könnten dies Ergonomen und Softwareentwickler sein. Wie Rollen, Hierarchien, Regeln, Verfahren, Prozesse und Organisationskultur sind auch diese Personen Teil des sozio-organisatorischen Kontexts.

Für eine eingängige Demonstration unserer Methode beschränken wir uns auf die Elemente, die für die Adaption des Arbeitsablaufs am wichtigsten sind: die Fehlerquote und die Inspektionszeit als Ziele der Adaption, ihr primäres Referenzelement, den Inspektor mit den Zuständen Vigilanz und Flow, und die Arbeitsablaufsequenz als anzupassendes Element. Die Adaption ist statisch und wird daher von einem Softwareentwickler zum Zeitpunkt der Konzeption implementiert.

Nachdem wir nun das Arbeitssystem modelliert haben, können wir die Matrizen aufstellen und schließlich bis zu 21 die Exploration leitende Fragen ableiten (Bild 3). Die erste DMM (2×2) ergibt insgesamt zwölf Fragen. Während die acht Fragen zum „wie“ und „wann“ zu einem besseren Verständnis des Zwecks und der Begründung der Adaption beitragen (z. B. „Wie korreliert die Fehlerquote mit der Vigilanz des Inspektors?“), gilt dies nicht für die Fragen zum „wo“ sowie für die Fragen, die sich aus der zweiten DMM (1×2) ergeben.

Während insgesamt sechs Fragen formuliert werden können, beschreiben nur die vier Fragen zu „wie“ und „wann“ den operativen Implementierungsansatz (z. B. „Wann erfordert das Flow-Erleben des Inspektors eine Adaption der Arbeitsablaufsequenz?“). Die letzte DMM (1×1) ergibt insgesamt drei Fragen. In diesem Fall sind alle Fragen sinnvoll und hilfreich (z. B. „Wie ändert der Softwareentwickler die Arbeitsablaufsequenz?“). Die Frage „Wo ändert der Entwickler die Arbeitsablaufsequenz?“ könnte jedoch auch dem operativen Implementierungsansatz zugeordnet werden.

Diskussion und Ausblick

Das Ziel dieser Studie war es, eine Methode zu entwickeln, die Praktiker bei der Gestaltung von HCAI-Arbeitssystemen unterstützt. Basierend auf einem realen ZfP-Anwendungsfall haben wir Gestaltungsanforderungen abgeleitet, Adaptionseigenschaften unterschiedlicher Kategorien definiert und unter Verwendung matrixbasierter Modellierung einen Prototypen entwickelt.

Der Ansatz erwies sich als geeignet, um komplexe, interdisziplinäre Gestaltungsherausforderungen zu strukturieren und kritische Schnittstellen, Systeminteraktionen und potenzielle Zielkonflikte bereits während der Gestaltung zu identifizieren. Durch die systematische Abbildung von Abhängigkeiten und Stakeholder-Perspektiven bietet die Methode das Potenzial, die Kommunikation über die soziotechnische Optimierung humanzentrierter KI-Integration zu fördern. 

Angesichts der Vielzahl aufgestellter Leitfragen, die keinen Mehrwert für die Analyse darstellten, besteht jedoch weiterer Evaluations- und Entwicklungsbedarf. Zukünftige Studien sollten auch die Benutzerfreundlichkeit sowie die Wirksamkeit der Methode bei der Förderung eines gemeinsamen Verständnisses über Disziplinen und Berufe hinweg untersuchen. Darüber hinaus muss das Potenzial von DSM und DMM zur Aufdeckung kritischer Schnittstellen und Zielkonflikte systematisch geprüft werden. Über die praktische Relevanz hinaus kann der Ansatz als Rahmen für die Organisation interdisziplinären Wissens und die Identifizierung von Forschungslücken im soziotechnischen Systemdesign dienen.

Dieses Forschungs- und Entwicklungsprojekt wird vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) im Rahmen des Programms „Die Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistungen und Arbeit“ und der Fördermaßnahme „KMU-innovativ: Die Zukunft der Wertschöpfung“ (Förderkennzeichen: 02L19C200) gefördert und vom Projektträger Karlsruhe (PTKA) begleitet. Für den Inhalt dieser Veröffentlichung sind die Autoren verantwortlich.

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

Serious Gaming und die Energiewende Kollaborativ Wissen erzeugen und interaktiv komplexe Zusammenhänge begreifen Janine Gondolf , Gert Mehlmann, Jörn Hartung, Bernd Schweinshaut, Anne Bauer

Die Vermittlung der Komplexität und Vielschichtigkeit der Energiewende an ein breites Publikum ist eine Herausforderung. Dieser Beitrag zeigt auf, wie interaktive Serious Games auf einem Multitouch-Tisch dazu beitragen können, Zusammenhänge erfahrbar und begreifbar zu machen. Spiele und Tisch wurden in verschiedenen Gesprächskontexten eingesetzt. Diese werden hier in drei Fallvignetten dargestellt, die auf teilnehmender Beobachtung der unterschiedlichen Einsätze, situierter und gemeinsamer Reflexion basieren. Die Vignetten zeigen, wie Interaktion epistemische Prozesse anstoßen, Perspektivwechsel ermöglichen und kollektives Denken fördern kann, das für gesamtgesellschaftliche Zukunftsgestaltung notwendig ist.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 62-69 | DOI 10.30844/I4SD.26.2.62

Wandel in einer Lernfabrik für die zerspanende Fertigung Ein Lernmodul zur Kompetenzförderung für eine nachhaltigkeitsorientierte Transformation Oskay Ozen , Victoria Breidling , Stefan Seyfried , Matthias Weigold

Nachhaltigkeitsfördernde Transformationsprozesse sind in allen Sektoren notwendig, wenn wir innerhalb der planetarischen Grenzen bleiben wollen. Dies gilt auch für den Industriesektor als bedeutender Emittent von Treibhausgasen. Mitarbeiter benötigen neue Kompetenzen, um diese komplexe Aufgabe der industriellen Transformation zu bewältigen. Diese reichen von der CO2-Äquivalenzbilanzierung bis zur Entwicklung und Bewertung von Transformationsszenarien einschließlich technischer Maßnahmen. Das hier entwickelte Lernmodul greift diese Kompetenzanforderungen auf und zeigt am Beispiel der ETA-Fabrik, wie ein kompetenzorientiertes Lernmodul für die industrielle Transformation aufgebaut sein kann. Es umfasst im Wesentlichen vier Phasen: Datenerhebung und CO2-Äquivalenzbilanzierung, Ursachenanalyse, Maßnahmenentwicklung und Maßnahmenbewertung.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 38-47 | DOI 10.30844/I4SD.26.2.38

Datenqualität und Expertise für robusten KI-Einsatz Integration von Anomalie- und Label-Fehlererkennung in industrielle Defektdetektion Pavlos Rath-Manakidis, Henry Huick, Erdi Ünal, Björn Krämer , Laurenz Wiskott

Der Einsatz künstlicher Intelligenz (KI) transformiert Arbeitspraktiken in der industriellen Qualitätskontrolle grundlegend. Dieser Beitrag untersucht, wie technische Ansätze zur Datenqualität und Modelltransparenz einen ethischen KI-Einsatz unterstützen – insbesondere die Handlungsfähigkeit, das Vertrauen und eine nachhaltige Arbeitsgestaltung in automatisierten Oberflächeninspektionssystemen (ASIS). Wir identifizieren Herausforderungen wie Datenineffizienz, variable Modellzuverlässigkeit und begrenzte KI-Expertise, die ein menschenzentriertes Design sowie verantwortungsvolles Datenmanagement erfordern. Gemeinsam mit ASIS-Anbietern entwickelte und mit ASIS-Anwendern getestete Pilotlösungen zeigen, dass KI-Systeme Fachpersonal effektiv unterstützen und deren Fähigkeiten erweitern müssen. Wir schlagen technische Lösungen zur Erkennung von Anomalien, Label-Fehlern und Domain Drift vor, um die Modellzuverlässigkeit zu erhöhen. Transparenz in der Datenqualität stärkt ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 128-135 | DOI 10.30844/I4SD.26.1.128

Digital Competence Lab (DCL) für die Logopädie Konzeption einer Lernplattform zur Förderung digitaler Handlungskompetenzen Anika Thurmann , Antonia Weirich , Kerstin Bilda, Fiona Dörr , Lars Tönges

Die digitale Transformation des Gesundheitswesens verändert die logopädische Versorgung nachhaltig. Smarte Technologien und Künstliche Intelligenz (KI) eröffnen neue Möglichkeiten, um die Qualität der Therapie zu sichern, Versorgungsengpässe zu adressieren und Patienten stärker in Übungsprozesse einzubinden. Gleichzeitig erweitern diese Entwicklungen das Rollenverständnis von Logopäden, die neben ihrer therapeutischen Kernaufgabe zunehmend digitale Systeme als unterstützende Werkzeuge einsetzen. Aufbauend auf einer Machbarkeitsstudie zur KI-gestützten Anwendung ISi-Speech-Sprechen im Realsetting der Parkinson-Komplextherapie (PKT) werden in diesem Beitrag zentrale Herausforderungen der Implementierung smarter Technologien skizziert.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 110-118 | DOI 10.30844/I4SD.26.1.110

KI-Kompetenzen für eine verantwortungsvolle Nutzung Realistische Lernumgebungen, kritisches Denken und Rollengestaltung in Teams Valentin Langholf , Niklas Obermann , Uta Wilkens , Marco Kuhnke, Michael Prüfer

Künstliche Intelligenz (KI) kann Produktivität und Qualität steigern, dies erfordert aber ein gelungenes Zusammenspiel aus individuellen und organisationalen Kompetenzen. Diese Studie untersucht die Auswirkungen von KI-Integration auf Arbeitsergebnisse und Team-Problemlösung. In einer Laborumgebung erarbeiten Teilnehmende medizinische Empfehlungen mit zunehmender KI-Unterstützung. Erste Ergebnisse zeigen, dass Teams schneller werden, aber die Qualität abnimmt. Dies geht mit einer verringerten Fall-Durchdringung einher, wenn KI scheinbar gesicherte Erkenntnisse liefert, die jedoch nicht zur Lösung führen. Die Studie unterstreicht die Notwendigkeit von KI-Kompetenz in realistischen Lernsettings und die Bedeutung des kritisch-reflexiven Denkens für einen verantwortungsvollen KI-Einsatz.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 100-107 | DOI 10.30844/I4SD.26.1.100