KI-gestützte Erkennung von Wissenstransfersituationen |
Ein adaptives Multi-Agenten-System für die agile Produktentwicklung im Ingenieurwesen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 5, Seite 110-116 |
| Open Access | https://doi.org/10.30844/I4SD.26.5.13 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Artikel
Wissenstransfersituationen in der agilen Produktentwicklung im Ingenieurwesen
Die agile Produktentwicklung im Ingenieurwesen ist durch eine hohe Veränderungsdynamik, disziplinübergreifende Zusammenarbeit sowie einen kontinuierlichen Abgleich zwischen Produkt, Prozess und Organisation geprägt. Gerade in der Entwicklung mechatronischer Systeme reicht es deshalb nicht aus, die Produktentwicklung als lineare Abfolge technischer Arbeitsschritte zu betrachten. Vielmehr entstehen in kurzen Zyklen Wissenstransfersituationen, bei denen etwa Aufgabenstände, Artefaktzustände, Unsicherheiten oder auch Handlungsoptionen ausgetauscht werden [1, 2].
Das Daily Scrum ist hierfür besonders geeignet, da es nach dem Scrum-Vorgehensmodell der täglichen Überprüfung des Fortschritts zum Sprint-Ziel und der Anpassung der weiteren Arbeit dient. Darüber hinaus ist das Daily Scrum auf 15 Minuten begrenzt, wodurch es sich formal wiederkehrend und vergleichbar gestaltet [3]. In mechatronischen Kontexten wird diese Form der Abstimmung jedoch komplexer, da neben Sprache auch etwa CAD-Modelle, Prototypen, Zeichnungen, Testberichte, Fotos oder Erfahrungswissen in den Wissenstransfer eingehen. Hierdurch wandelt sich das Daily Scrum von einem reinen Statusmeeting hin zu einer verdichteten Wissenstransfersituation [3, 4].
Für die Analyse solcher Situationen ist eine Differenzierung der Wissensformen zentral [5, 6]. In Bild 1 unterscheiden Grum und Gronau aufbauend auf dem SECI-Modell von Nonaka und Takeuchi in stillschweigendes, explizites und eingebettetes Wissen.
Im Kontext der Produktentwicklung zeigt sich stillschweigendes Wissen etwa in routiniertem Problemlöseverhalten, in Erfahrungsurteilen oder darin, Anomalien an einem Prototyp intuitiv, basierend auf motorischen oder sensorischen Fähigkeiten, zu erkennen. Explizites Wissen hingegen ist beschreibbar und lässt sich über verschiedenste Kommunikationsmittel wie Grafiken, Bilder, Texte bzw. Sprache übertragen. Eingebettetes Wissen ist in Artefakten wie Modellen, Bauteilen oder Versuchsaufbauten materialisiert.
Beim Wissenstransfer von Produktentwicklungsteams ist gerade die Verschränkung dieser Wissensformen charakteristisch. Der Wissenstransfer vollzieht sich dabei multimodal und situationsbedingt, wodurch sich dieser häufig nur begrenzt aus einzelnen Dokumenten oder Transkripten rekonstruieren lässt [4, 7]. Für die Einordnung von Wissenstransfersituationen im Ingenieurskontext ist diese Erweiterung des SECI-Modells deshalb wichtig, da sie nicht nur Wissenskonversionen wie Sozialisation, Externalisierung, Kombination und Internalisierung, sondern auch Extraktion, Kodifizierung, Dekodifizierung, Intraktion und Transformation berücksichtigt. Dadurch wird sichtbar, dass Wissenstransfer in der Produktentwicklung nicht nur in Gesprächen, sondern auch zum Beispiel im Deuten technischer Dokumente, im Entnehmen von Erkenntnissen aus Artefakten oder im Erzeugen neuer Konstruktionen stattfindet.
Hinzu kommen Einflussfaktoren, die die Qualität und Geschwindigkeit des Wissenstransfers wesentlich prägen. Vorarbeiten zeigen, dass insbesondere die Kompetenz der Teammitglieder, die Komplexität oder Neuheit des Wissens, der Zeitdruck sowie die Teamzusammensetzung transferrelevant sind. Darüber hinaus ist die Klebrigkeit („stickiness“), also die Schwierigkeit des Transfers in Form von Transferdauer oder Rückfragen, ein entscheidender Einflussfaktor [8–10]. In weitergehenden Konzeptualisierungen des Wissenstransfers kann außerdem zwischen Sender-Empfänger-Beziehung, Vertraulichkeit, Organisationskultur, Kommunikationskultur, Sprachniveau, Reichhaltigkeit von Medieninhalten, dem Grad medialer Synchronität und fehleranfälligen Prozessdynamiken unterschieden werden [9, 11, 12].
In einer realen Produktentwicklungssituation lassen sich diese Faktoren jedoch nicht als isolierte Variablen beobachten. Sie manifestieren sich vielmehr in Mustern, wie zum Beispiel Rückfragen, stockender Gesprächsdynamik, wiederholten Externalisierungen, fehlender Anschlussfähigkeit an Vorwissen, häufigen Verweisen auf Dokumente oder in einem häufigen Wechsel zwischen Gespräch und gemeinsamer Arbeit an Artefakten. Zwar ist empirisch belegt, dass Wissenstransfer durch gezielte Interventionen verbessert werden kann, bislang fehlt jedoch ein Ansatz, der solche Muster in den Situationen vor Ort, domänenspezifisch sowie automatisiert erkennt und in Echtzeit interveniert [1, 13, 14].
Daily Scrums in der Produktentwicklung eignen sich hierbei besonders als Anwendungsfall, da sie regelmäßig wiederkehren, sich aber hinsichtlich ihrer Aufgaben, Artefakte, Teamkonstellationen und Problemstände stets unterscheiden. Sie können somit als mikroprozessuale Wissenstransfersituationen verstanden werden, in denen Zweck, Inhalt, Akteure, Medium, Zeitpunkt, Artefaktbezug und Verlauf den situativen Kontext des Transfers prägen.
Für eine KI-gestützte Erkennung reicht daher die reine semantische Analyse gesprochener Sprache nicht mehr aus. Vielmehr müssen Konversionsmuster, Artefaktbezüge und Interaktionsformen multimodal und prozesssensitiv erfasst werden. Generische Meeting-Summarization-Systeme können zwar Entscheidungen, Konsens oder bestimmte Aktionspunkte aus Gesprächen extrahieren, behandeln Meetings jedoch häufig als lineare Transkriptfolgen und erfassen Aushandlungsprozesse, zeitliche Verlaufsstrukturen und nichtsprachliche Signale nur begrenzt [15, 16]. Für Wissenstransfersituationen im Kontext der Produktentwicklung ist daher eine Architektur erforderlich, die die sprachlichen, audiovisuellen und kontextuellen Informationen mit einer interventionsbezogenen Situationsbewertung verbindet.
Adaptives KI-basiertes Echtzeit-Multi-Agenten-System
Aus dieser Problemstellung ergibt sich die Notwendigkeit einer verteilten, kontextsensitiven Systemarchitektur. Ein monolithischer Ansatz wäre für diesen Anwendungsfall aus zweierlei Gründen ungeeignet. Zum einen sind Datenquellen wie Audio, Video, Dokumente, Rolleninformationen oder Prototypbilder heterogen. Zum anderen müssen Teilentscheidungen in unterschiedlichen Zeithorizonten getroffen werden. Für die Echtzeitanalyse während eines Meetings sind andere Verfahren nötig als für die nachgelagerte Verifikation, das Labeling oder die Anpassung von Interventionen. Deshalb wird hierfür ein adaptives Multi-Agenten-System vorgeschlagen, das auf bereits vorliegenden Prozess- und Aktivitätssichten aufbaut [7, 17–19]. In Bild 2 wird die Architektur des adaptiven KI-basierten Echtzeit-Multi-Agenten-Systems in fünf funktionale Ebenen eingeteilt.
In dieser Architektur wird der Meetingverlauf primär über Kamera und Mikrofon erfasst. Die erste Ebene bildet daher die Sensorik. Daran schließen sich zwei passiv und kontinuierlich arbeitende Perzeptions-Agenten an. Der Vision-Agent verarbeitet den Videostream zu beobachtbaren Merkmalen wie Aufmerksamkeit, Zustimmung, Irritation sowie sichtbare Verständnissignale über Mimik oder Gestik [20, 21]. Perspektivisch sollen dabei nicht nur die Teilnehmenden, sondern auch die im Meeting verwendeten Artefakte visuell erfasst werden.
Der Audio-Agent verarbeitet den Audiostream zu automatischen Transkripten, erfasst Sprecherwechsel (Diarisation) und extrahiert prosodische Merkmale wie Betonung, Unsicherheit oder fragende Intonation in der Kommunikation [22]. Entscheidend ist, dass diese Agenten zunächst nur Evidenz sammeln und noch keine Interventionen auslösen. Diese Trennung ist wichtig, da nonverbale und paralinguistische Signale nur im Zusammenspiel mit Situationskontext belastbar interpretierbar sind.
Die operative Mitte der Architektur bildet der Orchestrator-Agent. Dieser übernimmt die Rolle eines kontextführenden Entscheidungsmoduls, das Beobachtungen aus den Perzeptions-Agenten in einen situativen Zusammenhang bringt. Im Unterschied zu einer rein datengestützten Verarbeitungskette arbeitet der Orchestrator-Agent nicht kontinuierlich auf derselben Abstraktionsebene, sondern ruft spezialisierte Analyse- und Bewertungsagenten nur dann auf, wenn sich aus den Wahrnehmungsdaten ein transferrelevanter Klärungsbedarf ableiten lässt. Dies kann beispielsweise dann der Fall sein, wenn sich ein Erklärmuster wiederholt, Rückfragen zunehmen, Zustimmung ausbleibt oder ein Agenda-Punkt überproportional viel Zeit bindet. Der Orchestrator-Agent übernimmt damit die Rolle der Kontextsteuerung und Aufgabenverteilung [18, 23].
Die vier Analyse- und Bewertungsagenten werden dementsprechend nach Aufforderung aktiv. Der Konversions-Agent ordnet hierbei eine beobachtete Interaktionssequenz der Teilnehmer einer vermuteten Wissenskonversion zu und eröffnet damit die Frage, welche Wissensform in einer konkreten Situation gerade in eine andere Wissensform konvertiert wird. Der Effizienz-Agent verdichtet sprachliche, zeitliche und interaktive Merkmale zu einer Einschätzung der Qualität des Wissenstransfers. Der Monitoring-Agent fasst diese Bewertungen kontinuierlich zu einem kompakten Überblick über den aktuellen Stand des Meetings zusammen, in Form eines sich in Echtzeit anpassenden Ampelsystems (grün, gelb, rot). Erst wenn sich dort ein belastbares Verbesserungspotenzial abzeichnet (Ampel springt auf rot oder gelb), wird der Coaching-Agent aufgerufen, um eine konkrete Intervention oder Handlungsempfehlung zu generieren.
Auf diese Weise werden die kontinuierlich erfassten Analyse- und Bewertungsergebnisse in ein situationsbezogenes Live-Feedback überführt. Damit zielt die Architektur nicht auf die Kommunikation im Allgemeinen ab, sondern auf die Frage, ob in der konkreten Wissenstransfersituation eine Intervention zur Verbesserung des Wissenstransfers erforderlich ist.
Reinforcement Learning zur adaptiven Steuerung von Interventionen
Die beschriebene Architektur ist erst dann vollständig adaptiv, wenn sie auch die Auswahl von Interventionen anhand ihrer beobachteten Wirkung fortlaufend anpassen kann.
Für diese Aufgabe bietet sich insbesondere das Reinforcement Learning an, da wiederkehrende Wissenstransfersituationen in diesem Zusammenhang als Folgen von Zuständen, Entscheidungen und Rückmeldungen beschrieben werden können. Reinforcement Learning ist ein Lernansatz, bei dem ein KI-System auf Grundlage von Rückmeldungen bzw. Lernsignalen über die Wirkung seiner Entscheidungen schrittweise eine geeignete Handlungsstrategie erlernt.
Beispielsweise wird nicht nur erkannt, dass eine Verständigungsschwierigkeit vorliegt, sondern zusätzlich erlernt, welche Intervention in einem bestimmten Kontext mit höherer Wahrscheinlichkeit zu einer Verbesserung des Wissenstransfers führt. Auf dem Gebiet der Human-AI Collaboration werden genau diese Anforderungen als zentrales Einsatzfeld von Reinforcement Learning beschrieben, insbesondere im Hinblick auf die Anpassung an menschliches Verhalten, die Anpassungsfähigkeit an neue Interaktionspartner sowie die Koordination in hochdynamischen Umgebungen [24].
Für den hier betrachteten Anwendungsfall ergibt sich der Zustand aus der vom Orchestrator-Agenten verdichteten Situationsbeschreibung. Dazu zählen etwa die vermutete Wissenskonversion, Rückfragen, Hinweise auf Verstehen bzw. Nichtverstehen, Redeanteile, Dauer sowie die bisherige Interventionshistorie.
Das agentische KI-System hat nur wenige festgelegte Eingriffsmöglichkeiten, wie eine Bitte um Präzisierung, einen Visualisierungshinweis, eine Auslagerungsempfehlung oder bewusstes Nichteingreifen. Das Lernsignal (reward function) für das Reinforcement Learning sollte daher nicht nur an einer verkürzten Meetingdauer ausgerichtet werden. Entscheidend können hier nämlich auch qualitative Aspekte der Zusammenarbeit sein, etwa wahrgenommene Fairness, Nachvollziehbarkeit oder die Möglichkeit zur eigenen Beteiligung [25]. Deshalb sollten sowohl objektive Effekte, etwa eine schnellere Klärung oder weniger Folgefragen, als auch subjektive Bewertungen der Nützlichkeit in das Lernsignal einfließen [24, 25].
Methodisch spricht dies für ein gestuftes Vorgehen, bei dem zunächst das agentische KI-System offline mit annotierten Meetingdaten trainiert und anschließend online in einem eng begrenzten Entscheidungsraum angepasst wird. Verfahren des Adaptive Querying ermöglichen hierbei, Zeitpunkt und Form von Rückmeldungen gezielt zu steuern [26]. So könnten beispielsweise auch Zustimmung, Ablehnung, Ignorieren oder Korrigieren einer Intervention als Lernsignale für das Reinforcement Learning genutzt werden.
Ein solcher Lernmechanismus braucht klare Grenzen, da Rückmeldungen zu Interventionen nicht neutral sind, sondern von Rollen, Erwartungen und Wertvorstellungen geprägt werden. Das System sollte daher nicht eigenständig über die Angemessenheit einer Intervention entscheiden, sondern seine Vorschläge auf Grundlage beobachteter Wirkungen schrittweise anpassen. Der Mensch bleibt dabei im Entscheidungskreis, während das System aus wiederkehrenden Wissenstransfersituationen lernt, welche Interventionen unter welchen Bedingungen sinnvoll sind [24, 27].
Von der Mustererkennung zur wirksamen Intervention
Wissenstransfersituationen lassen sich nur erschwert auf Grundlage transkribierter Sprache erfassen. In der agilen Produktentwicklung entstehen sie aus dem Zusammenwirken verbaler Interaktionen, technischer Artefakte, nonverbaler Signale sowie situativer Prozessdynamiken. Am Beispiel des Daily Scrum wird deutlich, dass diese Wissenstransfersituationen zwar formal wiederkehren, inhaltlich jedoch durch wechselnde Aufgaben, Teamkonstellationen und Problemstände geprägt sind. Für die situative Einordnung ist daher eine multimodale und kontextsensitive Architektur erforderlich. Das vorgeschlagene Echtzeit-Multi-Agenten-System trennt Erfassung, Bewertung und Coaching funktional und richtet die Analyse auf interventionsrelevante Muster im Wissenstransfer aus.
Die konzeptionelle Ausrichtung dieses Beitrags bildet die Grundlage für weiterführende empirische Untersuchungen. Die vorgeschlagene Architektur soll prototypisch implementiert und durch geeignete Datenerhebungs- und Auswertungsroutinen angepasst werden. Dabei werden wiederkehrende Wissenstransfersituationen in Daily Scrums systematisch erfasst, aufbereitet und annotiert (Data Labeling), um Trainingsdaten für die Erkennung von Wissenskonversionen und Interventionsbedarfen zu schaffen.
Darauf aufbauend soll das System in Live-Lab-Studien und perspektivisch auch in Feldstudien untersucht werden. Neben Datenqualität, Echtzeitfähigkeit und kontextsensitiver Interpretation multimodaler Signale sollten dabei auch quantitative Potenziale betrachtet werden. Diese können anhand von Transferdauer, Rückfragen, nachgelagerten Abstimmungsbedarfen, der Qualität der Arbeitsergebnisse sowie der Erkennungsleistung des KI-Systems gemessen werden. Ergänzend sollten auch Rückmeldungen der Teilnehmenden zur Nützlichkeit und Akzeptanz einbezogen werden, um die Wirkung KI-generierter Interventionen auf den Wissenstransfer zu bewerten.
Dieser Beitrag entstand im Rahmen des Projekts „Analyse wiederkehrender Wissenstransfersituationen zur Ableitung methodischer Interventionen zur Verbesserung der agilen Mechatroniksystementwicklung unter Nutzung KI-basierter Ansätze“, das von der Deutschen Forschungsgemeinschaft unter dem Kennzeichen 559141885 gefördert wird.
Literatur
[1] Albers, A.; Gronau, N.; Rapp, S. et al.: Influencing factors and methods for knowledge transfer situations in Product Generation Engineering based on the SECI model. In: DS 91: Proceedings of NordDesign 2018. August 14–17, 2018, Linköping, Schweden.[2] Stray, V.; Moe, N.; Aurum, A.: Investigating Daily Team Meetings in Agile Software Projects. In: 2012 38th Euromicro Conference on Software Engineering and Advanced Applications. 2012, Cesme, Izmir, Türkei, S. 274–281.
[3] Žužek, T.; Kušar, J.; Rihar, L. et al.: Agile-Concurrent hybrid: A framework for concurrent product development using Scrum. In: Concurrent Engineering 28 (2020) 4, S. 255–264.
[4] Albers, A.; Rapp, S.; Spadinger, M. et al.: The Reference System in the Model of PGE: Proposing a Generalized Description of Reference Products and their Interrelations. In: Proceedings of the Design Society: International Conference on Engineering Design 1 (2019) 1, S. 1693–1702.
[5] Grum, M.; Gronau, N.: Quantification of Knowledge Transfers: The Design of an Experiment Setting for the Examination of Knowledge Transfers. In: Shishkov, B. (Hrsg.): Business Modeling and Software Design, Lecture Notes in Business Information Processing. 422. Cham : Springer International Publishing, 2021 — ISBN 978-3-030-79975-5, S. 224–242
[6] Nonaka, I.; Takeuchi, H.: The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation, 1. Auflage. Oxford 1995.
[7] Gronau, N.: Knowledge Modeling and Description Language (KMDL) 3.0: an introduction into the creation of knowledge-intensive business processes. Berlin 2024.
[8] Albers, A.; Rapp, S.; Grum, M. et al.: Knowledge Transfer Velocity Model Implementation–An Empirical Study In Product Development Contexts. In: Knowledge Transfer Speed Optimizations in Product Development Contexts: Results of a Research Project. Berlin 2019.
[9] Grum, M.; Rapp, S.; Gronau, N. et al.: Accelerating Knowledge: The Speed Optimization of Knowledge Transfers. In: Shishkov, B. (Hrsg.): Business Modeling and Software Design, Lecture Notes in Business Information Processing. 356. Cham 2019.
[10] Szulanski, G.: Exploring internal stickiness: Impediments to the transfer of best practice within the firm. In: Strategic Management Journal 17 (1996) S2, S. 27–43.
[11] Argote, L.; Guo, J.; Park, S. et al.: The Mechanisms and Components of Knowledge Transfer: The Virtual Special Issue on Knowledge Transfer Within Organizations. In: Organization Science 33 (2022) 3, S. 1232–1249.
[12] Dennis, A.; Fuller, R.; Valacich, J.: Media, Tasks, and Communication Processes: A Theory of Media Synchronicity. In: MIS Quarterly 32 (2008) 3, S. 575.
[13] Grum, M.; Gronau, N.: The impact of knowledge characteristics on process performance: experimenting with the conversion perspective on knowledge transfer velocity. In: Business Process Management Journal 30 (2024) 4, S. 1088–1110.
[14] Klippert, M.; Stolpmann, R.; Grum, M. et al.: Knowledge Transfer Quality Improvement – The Quality Enhancement of Knowledge Transfers in Product Engineering. In: Procedia CIRP 119 (2023), S. 919–925.
[15] Jin, Y.; Shi, Q.; Liu, Q.: CFAS: consensus-focused abstractive meeting summarization through multi-party discourse modeling. In: Journal of King Saud University Computer and Information Sciences 37 (2025) 7, S. 187.
[16] Retkowski, F.; Züfle, M.; Sudmann, A. et al.: Summarizing Speech: A Comprehensive Survey. In: Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing. Suzhou, China : Association for Computational Linguistics, 2025, S. 27263–27294.
[17] Gronau, N.; Grum, M.: Towards a prediction of time consumption during knowledge transfer. In: Knowledge Transfer Speed Optimizations in Product Development Contexts: Results of a Research Project. Berlin 2019.
[18] Li, X.; Wang, S.; Zeng, S. et al.: A survey on LLM-based multi-agent systems: workflow, infrastructure, and challenges. In: Vicinagearth 1 (2024) 1, S. 9.
[19] Xie, J.; Chen, Z.; Zhang, R. et al.: Large multimodal agents: a survey. In: Visual Intelligence 3 (2025) 1, S. 24.
[20] Das, R.; Dev, S.: Optimizing student engagement detection using facial and behavioral features. In: Neural Computing and Applications 37 (2025) 23, S. 19063–19085.
[21] Hashi, A.; Hashim, S.; Asamah, A.: A Systematic Review of Hand Gesture Recognition: An Update From 2018 to 2024. In: IEEE Access 12 (2024), S. 143599–143626.
[22] Loakes, D.: Automatic speech recognition and the transcription of indistinct forensic audio: how do the new generation of systems fare? In: Frontiers in Communication 9 (2024), S. 1281407.
[23] Abou Ali, M.; Dornaika, F.; Charafeddine, J.: Agentic AI: a comprehensive survey of architectures, applications, and future directions. In: Artificial Intelligence Review 59 (2025) 1, S. 11.
[24] Li, W.; Liu, H.; Huang, K. et al.: Reinforcement Learning for Human-AI Collaboration: Challenges, Mechanisms, and Methods. In: Cognitive Computation 17 (2025) 5, S. 146.
[25] Mayer, L.; Karny, S.; Ayoub, J. et al.: Human–AI collaboration: trade-offs between performance and preferences. In: Cognitive Research: Principles and Implications 11 (2026) 1, S. 18.
[26] Anand, Y.; Nwagwu, N.; Sabbe, K. et al.: Adaptive querying for reward learning from human feedback. In: Frontiers in Robotics and AI 12 (2026), S. 1734564.
[27] González Barman, K.; Lohse, S.; De Regt, H.: Reinforcement Learning from Human Feedback in LLMs: Whose Culture, Whose Values, Whose Perspectives? In: Philosophy & Technology 38 (2025) 2, S. 35.
Ihre Downloads
Lösungen: Produktentwicklung
Das könnte Sie auch interessieren
