MTM-Analysen mithilfe von KI und regelbasierten Algorithmen |
Ein Ansatz zur Interpretation von textuell beschriebenen Arbeitsabläufen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 5, Seite 62-69 |
| Open Access | https://doi.org/10.30844/I4SD.26.5.7 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
MTM-Prozesssprache und Künstliche Intelligenz
Die MTM-Prozesssprache (Methods-Time Measurement, kurz: MTM) ist ein bewährter und international etablierter Standard zur Analyse und Gestaltung menschlicher Arbeitsabläufe. Insbesondere im Kontext des zunehmenden globalen Wettbewerbs und der Digitalisierung ist sie für Industrieunternehmen ein zentrales Instrument, um Arbeitsprozesse systematisch zu planen, zu bewerten und zu optimieren [1].
In den letzten Jahren haben Entwicklungen im Bereich der digitalen Gestaltung menschlicher Arbeit, wie etwa Human Simulation (HS) [2], Virtual Reality (VR) [3, 4] oder Motion-Capture-Verfahren (MoCap) [5], dazu beigetragen, die Erstellung von MTM-Analysen teilweise zu automatisieren. Die eingesetzten Technologien sind jedoch häufig technisch komplex und mit hohen Kosten verbunden. Dadurch ist eine breite Anwendung, beispielsweise bei kleineren Unternehmen, weiter schwierig.
Vor diesem Hintergrund rücken Technologien mit einer einfachen und intuitiven Nutzung stärker in den Fokus. Dazu zählen insbesondere Large Language Models (LLMs) aus dem Bereich der Künstlichen Intelligenz (KI). Diese Modelle sind in der Lage, semantische Zusammenhänge sowie kontextuelle Abhängigkeiten aus natürlichsprachlichen Texten zu erfassen und dadurch neue Potenziale für die Interpretation und Analyse textbasierter Prozessbeschreibungen zu eröffnen [6].
Im industriellen Umfeld werden LLMs bereits zur Auswertung technischer Dokumente, zur Interpretation von Prozessbeschreibungen sowie zur Unterstützung von Planungs- und Entscheidungsprozessen eingesetzt [7]. Für die Gestaltung menschlicher Arbeit ermöglichen LLMs daher, textbasierte Arbeitsbeschreibungen in MTM-Analysen zu überführen.
Gleichzeitig wirft der Einsatz von Künstlicher Intelligenz Fragen hinsichtlich der Verlässlichkeit und Nachvollziehbarkeit der Ergebnisse auf. Da KI-Systeme oftmals komplexe und undurchsichtige Entscheidungswege nutzen, ist es für Anwender nicht immer nachvollziehbar, wie bestimmte Ergebnisse zustande kommen [8]. Dies erschwert die Bewertung der Qualität der Ergebnisse, insbesondere wenn es um die Einhaltung formaler Vorgaben wie beim MTM-Regelwerk geht.
Um diesen Herausforderungen zu begegnen, wird in diesem Beitrag ein kombinierter Ansatz vorgestellt, der LLMs mit einem deterministischen, regelbasierten Algorithmus kombiniert. Ziel ist es, MTM-relevante Informationen aus textlichen Prozessbeschreibungen (bspw. Arbeitsanweisungen) zu extrahieren und diese regelkonform in MTM-Analysen zu übersetzen. Dieses Vorgehen stellt sicher, dass die Ergebnisse nachvollziehbar aus den Eingangsdaten abgeleitet werden und die Einhaltung des MTM-Regelwerks gewährleistet wird.
Der Fokus des Beitrags liegt dabei auf der Darstellung des methodischen Vorgehens. Eine empirische Bewertung sowie Tests und Vergleiche mit Referenzanalysen werden derzeit durchgeführt und sind Gegenstand weiterführender Arbeiten.
Analyse von Arbeitsabläufen mit MTM-UAS®
Es existieren unterschiedliche MTM-Prozessbausteinsysteme. Sie ermöglichen eine detaillierte Analyse und Gestaltung menschlicher Arbeitsprozesse. Dazu verfügen sie jeweils über eine eigene Syntax und Semantik, die der standardisierten Beschreibung von Arbeitsprozessen dient [1, 9].
MTM-UAS® ist dabei das in der industriellen Praxis am weitesten verbreitete MTM-Prozessbausteinsystem und zeichnet sich durch einen vergleichsweise geringen Analysieraufwand bei gleichzeitig hoher Detaillierung aus. Die verwendeten MTM-Prozessbausteine bei MTM-UAS® werden als Grundvorgänge bezeichnet. Sie beschreiben Tätigkeitsbestandteile manueller Arbeit und sind jeweils durch definierte Einflussgrößen charakterisiert. Abhängig von den Ausprägungen dieser Einflussgrößen ist jedem Grundvorgang eine Grundzeit – präziser: eine beeinflussbare Tätigkeitszeit – zugeordnet.
Ein Beispiel dafür ist der Grundvorgang „Hilfsmittel handhaben“, mit der die Nutzung eines Werkzeuges (bspw. Akkuschrauber) abgebildet wird. Relevante Einflussgrößen sind hier der Fall des Platzierens, der den erforderlichen Kontrollaufwand beim Ansetzen des Werkzeugs beschreibt, sowie der Entfernungsbereich, der die Bewegungslängen während der Handhabung abbildet. Die Grundvorgänge, die dazugehörigen Ausprägungen der Einflussgrößen sowie die resultierenden Grundzeiten sind auf der MTM-UAS® Datenkarte dargestellt [10].
Um einen Arbeitsablauf zu analysieren, wird der Ablauf in einzelne Prozessschritte zerlegt, woraufhin diese mithilfe der passenden MTM-Prozessbausteine abgebildet werden. Dadurch entsteht eine vollständige Beschreibung, aus der sich die Grundzeit für den Arbeitsablauf ermitteln lässt. [1] Die detaillierte Darstellung ermöglicht es außerdem, Optimierungspotenziale zu erkennen, gezielt Verbesserungen und Ist-/Sollvergleiche vorzunehmen.
Verbindung von MTM und digitalen Technologien mit MTMmotion®
Die systematische Beschreibung von Arbeitsabläufen durch die MTM-Prozesssprache bildet eine geeignete Grundlage für die Kopplung mit digitalen Technologien zur Planung und Gestaltung menschlicher Arbeit. Dazu zählen unter HS, VR und MoCap, die Bewegungsdaten digital erfassen oder erzeugen [3–5].
Um die Kopplung zwischen diesen Technologien und der MTM-Prozesssprache zu erleichtern, wurde der MTMmotion®-Service (kurz: MTMmotion®) entwickelt [11]. Sein Ziel ist es, diese beiden Bereiche miteinander zu verbinden und gleichzeitig die korrekte Anwendung des MTM-Regelwerks sicherzustellen. Hierzu stellt MTMmotion® eine definierte Schnittstelle bereit, über die Bewegungsdaten, Objektdaten, Körperbewegungen und Körperhaltungen übertragen werden.
Ein weiterer zentraler Bestandteil von MTMmotion® ist ein deterministischer Übersetzungsalgorithmus. Dieser prüft die übermittelten Daten auf inhaltliche Konsistenz und ergänzt fehlende Informationen bei Bedarf mithilfe von hinterlegten Standardwerten. Anschließend werden die validierten Daten regelbasiert in die entsprechenden MTM-Prozessbausteine überführt, sodass eine nachvollziehbare und regelkonforme MTM-Analyse entsteht [12].
Durch diese modulare Architektur kann MTMmotion® mit verschiedensten digitalen Tools verbunden werden und gleichzeitig die korrekte Anwendung der MTM-Prozesssprache gewährleisten [3–5].
Bisherige KI-Entwicklungen im MTM-Kontext
Neben diesen digitalen Technologien zur Erfassung und Verarbeitung menschlicher Bewegungen (HS, VR, MoCap) rücken zunehmend LLMs in den Fokus. Diese basieren auf der Transformer‑Architektur, die eine semantische Verarbeitung natürlichsprachlicher Texte sowie die Modellierung kontextueller Abhängigkeiten ermöglicht [6]. LLMs werden unter anderem eingesetzt, um aus unstrukturierten Texteingaben strukturierte Informationen abzuleiten, was insbesondere für wissensintensive industrielle Aufgaben wie Planung, Dokumentenanalyse und Prozessinterpretation relevant ist [7, 13].
Einen ersten systematischen Beitrag zur Anwendung von LLMs im MTM‑Kontext liefern Ceylan et al.; die untersuchen, inwieweit MTM‑UAS®‑Analysen aus textuellen Arbeitsbeschreibungen erzeugt werden können. Die Ergebnisse zeigen, dass bei detailliert und vollständig beschriebenen Szenarien sowie explizit bereitgestelltem MTM‑Regelwissen eine hohe Übereinstimmung mit manuell erstellten MTM-Analysen erreicht wird. Gleichzeitig treten jedoch Defizite bei impliziten Arbeitsschritten und nuancierten Regelanwendungen auf [14].
Damit wird eine zentrale Schwäche rein LLM‑basierter Ansätze sichtbar: Bei unvollständigen Informationen oder unklaren Kontexten nimmt nicht nur die Ergebnisqualität ab, sondern es bleibt häufig unklar, welche Annahmen die Modelle treffen und welche fachlichen Regeln tatsächlich angewendet wurden. Gerade bei regelbasierten Verfahren wie MTM ist somit nicht nachvollziehbar, ob ein Ergebnis aus einer regelkonformen Ableitung oder aus statistischer Plausibilisierung hervorgegangen ist. Dieses Problem der fehlenden Transparenz und Erklärbarkeit wird durch den sogenannten Automation Bias zusätzlich verschärft, da Anwender dazu neigen, KI‑generierte Ergebnisse zunehmend ungeprüft zu übernehmen [8, 15].
Kombinierte Übersetzung von Texten zu MTM-UAS®
Um die Interpretationsfähigkeit der LLMs für natürlichsprachliche Texte zu nutzen und gleichzeitig die regelkonforme Anwendung der MTM-Prozesssprache sicherzustellen, wurde ein hybrider Ansatz entwickelt. Dieser kombiniert KI-basierte Textinterpretation mit deterministischen, regelbasierten Algorithmen und bindet MTMmotion® als Übersetzungsinstanz ein. Ziel ist es, textuell beschriebene Arbeitsabläufe nachvollziehbar und regelkonform in MTM-UAS®-Analysen zu überführen.
Bild 1 veranschaulicht diesen Prozess: Zunächst wird der eingegebene Text (etwa eine Arbeitsbeschreibung) mithilfe eines LLMs in strukturierte Daten umgewandelt. Anschließend werden die strukturierten Informationen durch eine Kombination aus KI-basierten Methoden und regelbasierten Algorithmen mit einer Ablauf-Datenbank abgeglichen und angepasst, um einen vollständigen, validen Ablauf zu erzeugen. Die resultierende Ablaufbeschreibung wird schließlich über MTMmotion® in eine regelkonforme MTM-UAS®-Analyse übersetzt.
Im Folgenden wird das Vorgehen anhand eines Beispiels erläutert.
Eingabe: Text (Arbeitsbeschreibung)
Das entwickelte Verfahren ist darauf ausgelegt, unterschiedliche Formen textbasierter Arbeitsbeschreibungen automatisiert zu verarbeiten. Neben formalen Arbeitsanweisungen können auch informelle Prozessbeschreibungen genutzt werden. Dabei ist das Verfahren grundsätzlich flexibel anpassbar, sodass sämtliche Textquellen, die relevante Informationen zu Arbeitsprozessen enthalten, genutzt werden können.
Als Beispiel dient eine kurze textuelle Beschreibung eines typischen manuellen Arbeitsprozesses, wie er in der industriellen Praxis häufig vorkommt:
„Gehe 3 Meter. Nimm eine Kiste (5 kg) aus dem Regal. Gehe 4 Meter und stelle die Kiste auf den Arbeitstisch. Nimm anschließend mit jeder Hand jeweils eine Flügelschraube aus der Kiste und stecke jede Schraube in eine Bohrung ein.“
Interpretation (LLM)
Im ersten Verarbeitungsschritt wird der eingegebene Fließtext durch ein LLM analysiert. Konkret kommt das Sprachmodell GPT‑5.2 Chat zum Einsatz, das für die semantische Interpretation natürlichsprachlicher Prozessbeschreibungen genutzt wird. Ziel ist es, diejenigen Informationen zu identifizieren und zu extrahieren, die für die Erstellung einer MTM-Analyse relevant sind, etwa die gehandhabten Objekte und ausgeführten Aktionen sowie deren Reihenfolge und Kontextinformationen.
Die Interpretation wird durch speziell entwickelte Prompts sowie eine vorgegebene Ziel-Datenstruktur geleitet (Bild 2, Tabellenkopf), welche die für eine MTM-Analyse erforderlichen Informationen abbildet. Die Auswahl des eingesetzten LLMs und der Prompt‑Strategie erfolgte explorativ mit dem Fokus auf eine hohe Ergebnisqualität. Eine systematische Bewertung verschiedener Modelle hinsichtlich Präzision, Stabilität oder Rechenaufwand ist nicht Gegenstand dieser Erprobung. Die zur Umsetzung verwendeten Prompts, Datenstrukturen und Wissensbasen sind Bestandteil der Systemimplementierung und werden im vorliegenden Beitrag nicht vollständig im Detail offengelegt.
Strukturierte Ablaufinformationen
Das Ergebnis der LLM-basierten Interpretation ist eine strukturierte Beschreibung des Arbeitsablaufes, in der die wesentlichen aus dem Text extrahierten Informationen zusammengeführt sind. Bild 2 zeigt exemplarisch das Resultat dieses Schrittes für das dargestellte Anwendungsbeispiel. Die Darstellung verdeutlicht, dass das LLM in der Lage ist, relevante Objekte und Aktionen aus dem Ausgangstext zu identifizieren und zusätzliche Attribute wie Anzahl, Seite oder Häufigkeit zuzuordnen. Die erzeugte Struktur bildet damit eine geeignete Grundlage für die nachfolgende Verarbeitung.
Ablauf ergänzen
Im nächsten Schritt wird die strukturierte Beschreibung in einen vollständigen und validen Ablauf überführt. Dazu werden die identifizierten Objekte und Aktionen mit einem domänenspezifischen Objekt- und Aktionskatalog, der Ablauf-Datenbank abgeglichen und in eine formal konsistente Abfolge von Teilschritten übersetzt. Die zugrunde liegende Wissensbasis basiert dabei auf domänenspezifischen Objekt- und Aktionskatalogen industrieller Montageprozesse, die kontinuierlich gepflegt und erweitert werden.
Objekt- & Aktionserkennung: Die Bezeichnungen erkannter Objekte und Aktionen werden mit der Ablauf-Datenbank abgeglichen. Sie umfasst relevante Objekt- und Aktionstypen industrieller Montageprozesse. Der Abgleich erfolgt zunächst über einen stringbasierten Entitätenabgleich auf Basis von Ähnlichkeitsmaßen. Kann auf diesem Weg kein geeigneter Typ identifiziert werden, wird ergänzend ein semantischer Entitätenabgleich unter Verwendung von LLM-basierten Embeddings durchgeführt. Dadurch lassen sich auch sprachlich variierende oder unscharf formulierte Objekt- und Aktionsbeschreibungen eindeutig zuordnen.
Ablaufvervollständigung: Basierend auf den identifizierten Objekttypen und Aktionen wird der Ablauf anschließend auf Vollständigkeit geprüft. Fehlen für eine regelkonforme Abbildung notwendige Teilschritte, werden diese ergänzt. Wird beispielsweise ein Akkuschrauber im Text ausschließlich für den Verschraubungsvorgang genannt, so werden die Schritte „Akkuschrauber aufnehmen“, „Akkuschrauber ansetzen“ und „Akkuschrauber ablegen“ automatisch ergänzt. Dadurch entsteht ein valider Ablauf, der mit MTMmotion® sinnvoll in eine MTM-Analyse überführt werden kann.
Vollständiger Ablauf
Im Ergebnis wurde der durch das LLM erkannte Ablauf (Bild 2) zu einem detaillierteren Ablauf weiterentwickelt (Bild 3). So sind den im Text identifizierten Objekten konkrete Objekttypen zugeordnet, etwa die Klassifikation der „Flügelschraube“ als „metrische Schraube“. Zudem sind die für eine vollständige Beschreibung notwendigen Bewegungen ergänzt. Beispielsweise die Schritte „Objekt zur Verwendungsstelle“ zwischen dem Aufnehmen und dem Einschrauben der Flügelschraube eingefügt.
Übersetzung in eine korrekte MTM-Analyse mit MTMmotion®
Der vollständige Ablauf wird anschließend im JSON-Format an MTMmotion® übergeben, wo die regelbasierte Übersetzung der Schnittstellendaten in valide MTM-Analysen erfolgt. MTMmotion® unterstützt dabei verschiedene MTM-Prozessbausteinsysteme. In diesem Beitrag wird die Übersetzung in das MTM-Prozessbausteinsystem MTM-UAS® beschrieben.
MTMmotion® liest die übermittelten Ablaufinformationen aus und erzeugt daraus die entsprechenden MTM-UAS®- Prozessbaustein. Sollten in der Schnittstellendatei relevante Angaben fehlen, etwa zur zurückgelegten Wegstrecke, zu Abmessungen oder zum Gewicht eines Objekts, greift der Service auf transparente Standardwerte zurück, die dem MTMmotion®-Objektkatalog hinterlegt sind [4, 8].
Ausgabe: MTM-UAS®-Analyse
Als Ergebnis des kombinierten Ansatzes entsteht eine regelkonforme MTM-UAS®-Analyse, die vollständig aus den textbasierten Eingangsdaten abgeleitet wird (Bild 4).
Im vorliegenden Beispiel wurde für die Kiste ein Gewicht von 5 kg angegeben, jedoch keine Abmessungen. Daher werden die im Objektkatalog hinterlegten Standarddimensionen von 600 × 400 × 400 mm verwendet, wodurch die Kiste gemäß MTM-Regelwerk als sperriges Bauteil zu bewerten ist. Da vor dem Aufnehmen und nach dem Ablegen jeweils eine Gehbewegung erfolgt, greift zudem die Restwegregel, sodass der Entfernungsbereich 1 und damit der MTM-Prozessbaustein AL1 angesetzt wird. Die Gehbewegungen werden mit den im Text angegebenen Entfernungen von drei bzw. vier Metern als KA berücksichtigt.
Für die Schrauben liegen keine Angaben zur Bewegungslänge vor. In diesem Fall setzt MTMmotion® eine standardisierte Bewegungslänge von 40 cm (Entfernungsbereich 2) an. Gewicht und Abmessungen werden ebenfalls aus dem Objektkatalog übernommen. Bei gleichzeitigen Aktionen mit zwei Schrauben wird gemäß MTM-UAS®-Regelwerk ein zusätzlicher Interaktionsgrundvorgang für die zweite Schraube mit dem Entfernungsbereich 1 ergänzt. Auf dieser Basis ergibt sich für das dargestellte Beispiel eine regelkonforme MTM-UAS®-Analyse mit einer Summe der Grundzeiten (tg ges.) von 340 TMU (ca. 12,2 Sekunden).
Bewertung des Verfahrens und weitere Entwicklungstätigkeiten
Mit dem entwickelten kombinierten Ansatz wurde ein Verfahren aufgezeigt, das in einer ersten Erprobung zeigt, dass textuelle Beschreibungen von Arbeitsprozessen in regelkonforme MTM-Analysen überführt werden können. Die erste Erprobung zeigt, dass Analysen abgeleitet werden können, die dem beschriebenen Arbeitsablauf entsprechen. Damit wird deutlich, dass die automatisierte Übersetzung von Prozessbeschreibungen regelkonform und nachvollziehbar umgesetzt werden kann. Dies erlaubt industriellen Unternehmen, bestehende Arbeitsabläufe effizient zu analysieren und zu optimieren.
Entwicklung und Erprobung haben jedoch auch verschiedene Herausforderungen und offene Fragen aufgezeigt. Insbesondere die Interpretation des Eingabetexts durch das LLM kann zu einer schwankenden Ausgabequalität führen, wodurch variierende Interpretationen im Ablauf entstehen können. Zudem kann es vorkommen, dass nicht alle relevanten Prozessdaten erkannt werden, was die Zuverlässigkeit der MTM-Analyse beeinflussen kann. Darüber hinaus besteht Entwicklungsbedarf hinsichtlich des Objekt- und Aktionenkatalogs sowie der dazugehörigen Ablaufvervollständigung.
Für die weitere Entwicklung stehen außerdem ausführliche Tests des neuen Ansatzes und Vergleiche mit manuell erstellten MTM-Analysen im Fokus, um Qualität und Praxistauglichkeit sicherzustellen. Darüber hinaus ist ein systematischer Vergleich mit bestehenden LLM-basierten Ansätzen, wie beispielsweise dem von Ceylan et al.; sinnvoll, um die Unterschiede hinsichtlich Nachvollziehbarkeit, Regelkonformität und Ergebnisstabilität herauszuarbeiten. Zudem ist zu untersuchen, an welchen Stellen eine gezielte menschliche Überprüfung von Zwischen- und Endergebnissen sinnvoll ist, um die Nachvollziehbarkeit und Korrektheit der Analysen weiter zu erhöhen.
Der entwickelte Ansatz ist hierbei aus Sicht der MTM ASSOCIATION e. V. als Unterstützung für all jene zu verstehen, die eine korrekte MTM-Analyse nutzen möchten. Das Ergebnis ist immer eine MTM-Simulationsanalyse die einer abschließenden Überprüfung und Freigabe durch qualifizierte MTM-Anwender unterzogen werden sollte, um sie in eine Planungsanalyse zu überführen.
Literatur
[1] Bokranz, R.; Landau, K.: Handbuch Industrial Engineering: Produktivitätsmanagement mit MTM. Bd. 1. Stuttgart 2012. ISBN 978-3791028637.[2] Breznik, M.; Buchmeister, B.; Vujica Herzog, N.: Assembly line optimization using MTM time standard and simulation modeling. In: Applied Sciences 2023. DOI: https://doi.org/10.3390/app13106265
[3] Benter, M.; Neumann, M.; Kuhlang, P.: Ableitung von MTM-UAS®-Analysen unter Verwendung von Virtual Reality und MTMmotion®. In: Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (Hrsg.): Smarte Technologien und Augmented Reality in der Arbeitswelt, S. 39-45, Dortmund, 2023. DOI: https://doi.org/10.21934/baua:bericht20231027
[4] Benter, M.; Neumann, M.; Kuhlang, P.: Automated derivation of MTM analyses from VR data using MTMmotion®. In: Procedia Computer Science 277, S. 30–39, 2026. DOI: https://doi.org/10.1016/j.procs.2026.02.044
[5] Pöttker, S.; Neumann, M.; Benter, M.; Eckart C.; Wolf, U.; Kuhlang, K.; Lödding, L.: Ableitung von MTM-Analysen aus Motion-Capturing-Daten. In: Industry 4.0 Science 41(5), S. 112–119, 2025. DOI: https://doi.org/10.30844/I4SD.25.5.112
[6] Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, A. N.; Kaiser, Ł.; Polosukhin, I.: Attention is all you need. In: Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS), 2017. https://arxiv.org/abs/1706.03762
[7] Li, Y.; Zhao, H.; Jiang, H.; Pan, Y.; Liu, Z.; Wu, Z.; Shu, P.; Tian, J.; Yang, T.; Xu, S.; Lyu, Y.; Blenk, P.; Pence, J.; Rupram, J.; Banu, E.; Liu, N.; Wang, L.; Song, W.; Zhai, X.; Song, K.; Zhu, D.; Li, B.; Wang, X.; Liu, T.: Large language models for manufacturing. In: arXiv 2024. DOI: https://doi.org/10.48550/arXiv.2410.21418
[8] Sajjadi Mohammadabadi, S. M.; Kara, B. C.; Eyupoglu, C.; Uzay, C.; Tosun, M. S.; Karakuş, O.: A survey of large language models. In: Electronics 14 (18), Art. 3580, 2025. DOI: https://doi.org/10.3390/electronics14183580
[9] Kuhlang, P.: Produktive und ergonomiegerechte Arbeit – Von Grundsätzlichem zur Prozesssprache MTM. In: Leistung und Entgelt. Joh. Heider, Düsseldorf 2018. URL: https://d-nb.info/1160721653
[10] MTM ASSOCIATION e. V.: Lehrgangsunterlage MTM-UAS®. Hamburg 2019.
[11] MTM ASSOCIATION e. V.: MTMmotion® – Webbasierter Service zur automatisierten Ableitung von MTM‑Analysen, https://mtmmotion.mtm.org, Abrufdatum 02.04.2026.
[12] Benter, M.; Neumann, M.: Digitale Arbeitsgestaltung mit MTMmotion®. In: Gesellschaft für Arbeitswissenschaft e. V. (Hrsg.): Tagungsband zum Frühjahrskongress 2023 „Nachhaltig Arbeiten und Lernen – Analyse und Gestaltung lernförderlicher und nachhaltiger Arbeitssysteme und Arbeits- und Lernprozesse“. Hannover 2023.
[13] Ohde, J. W.; Rost, L. M.; Overgaard, J. D.: The burden of reviewing LLM-generated content. In: NEJM AI 2(2), Art. 8, 2025. DOI: https://doi.org/10.1056/aip2400979
[14] Ceylan, G.; Yapicioglu, H.; Benter, M.; Eckart, C.; Kuhlang, P.: On the Use of Large Language Models for Methods-Time Measurement. In Veröffentlichung bei International Journal of Production Research (IJPR), 2025.
[15] Elbasheer, M.; Laili, Y.; Longo, F.: Natural language‑driven production planning: integrating large language models with automatic simulation model generation. In: Journal of Intelligent Manufacturing 2025. DOI: https://doi.org/10.1007/s10845-025-02732-z
Potenziale: Management
Das könnte Sie auch interessieren
