XAI-gestütztes Nudging von Entscheidungen in der Fertigung

Die Arbeitswissenschaft zielt darauf ab, das Wohlbefinden von Arbeitspersonen sowie die Gesamtleistung des übergeordneten Arbeitssystems zu optimieren [1]. Ein Beispiel hierfür ist die Abstimmung der Planungsentscheidungen von Fertigungsmitarbeitenden mit der übergeordneten Fertigungsplanung durch die Integration ihrer Präferenzen in ein algorithmisches Managementsystem [2]. Zu diesem Zweck können die Planungsentscheidungen der Arbeitspersonen mithilfe von Methoden der künstlichen Intelligenz (KI) erfasst werden.

Die daraus resultierenden Modelle können als Klone des Entscheidungsverhaltens der Arbeitspersonen betrachtet werden und ermöglichen, die Präferenzen von Arbeitspersonen aus Planungsdaten automatisiert abzuleiten. Die Vorhersagen dieser Modelle können anschließend in einen Optimierungsalgorithmus integriert werden, um die Präferenzen der Arbeitspersonen zu berücksichtigen.

In der Regel sind KI-Modelle jedoch Black-Box-Modelle, d. h., die Präferenzen der Arbeitspersonen sind in verteilten Modellparametern kodiert, die für Menschen schwer nachvollziehbar sind. Erklärbare KI-Methoden (XAI) machen die interne Funktionsweise dieser Methoden transparenter und helfen, die Ursachen für die Entscheidungen der Arbeitspersonen zu verstehen. Dies wird beispielsweise erreicht, indem die Sensitivität der Ausgabe eines Black-Box-Modells durch systematische Variation der Eingabeparameter analysiert und die Reaktion des Modells grafisch visualisiert wird [3].

Dies ermöglicht es, soziotechnische Empfehlungen für die Arbeitsgestaltung abzuleiten, die sowohl die Planungsentscheidungen der Mitarbeitenden als auch übergeordnete produktionslogistische Zielgrößen wie die Durchlaufzeit, Liefertermintreue oder Bestände positiv beeinflussen.

Ein Ansatz zur Unterstützung der Entscheidungsfindung ist das Nudging. Ein Nudge wird definiert als „jeder Aspekt der Entscheidungsalternativen, der das Verhalten von Menschen auf vorhersehbare Weise verändert, ohne dabei eine Alternative zu verbieten oder ihre wirtschaftlichen Anreize wesentlich zu verändern“ ([4], S. 7). Mit anderen Worten bedeutet Nudging, Entscheidende indirekt zu unterstützen, indem man die Art und Weise verändert, wie ihnen Entscheidungsalternativen präsentiert werden, ohne tatsächlich die Entscheidungsalternativen oder die Entscheidenden selbst zu beeinflussen [5].

Der beschriebene Ansatz, nämlich XAI-basiertes Nudging, scheint ein vielversprechendes Instrument für Unternehmen zu sein. Er wirft jedoch auch ethische Bedenken auf, wie z. B. die Beeinträchtigung der Planungsautonomie der Arbeitspersonen, die Manipulation von Menschen und deren Reduktion auf Zahlen sowie die mangelnde Gewährleistung von Transparenz und Fairness in Algorithmen [6–9].

Gal et al. [10] analysieren beispielsweise die Kombination von algorithmischem Management, People Analytics und Nudging aus der Perspektive der Tugendethik, die die Fähigkeit des Menschen zum Entfalten und zum Entwickeln seines Charakters betont. Sie argumentieren, dass diese Kombination Arbeitspersonen daran hindern kann, als tugendhafte Akteure zu handeln, und sich negativ auf die drei Hauptkomponenten der Tugendethik auswirkt – das Streben nach inneren Werten, das Erlangen praktischer Weisheit und das freiwillige Handeln –, da das Wissen und die Entscheidungen von Algorithmen oft als dem Menschen überlegen wahrgenommen werden.

Dieser Artikel stellt eine empirische Laborstudie mit Studierenden vor, die untersucht, wie Nudging eingesetzt werden kann, um die Einhaltung einer vordefinierten Bearbeitungsreihenfolge von Fertigungsaufgaben in einer Fertigungssimulation durch XAI zu fördern. Aufbauend auf den Ergebnissen werden Empfehlungen für Unternehmen und das Produktionsmanagement zur praktischen Umsetzung des Ansatzes gegeben.

Eine Laborstudie zur Untersuchung der Wirkung des XAI-basierten Nudging-Ansatzes

Die Laborstudie untersucht, inwieweit sich Menschen durch die gezielte Anpassung der Attribute von Fertigungsaufgaben mithilfe von Nudging dazu bringen lassen, eine vordefinierte Zielbearbeitungsreihenfolge in einer Fertigungssimulation einzuhalten. Die Studie befasst sich mit der folgenden Forschungsfrage: Inwieweit kann der XAI-basierte Nudging-Ansatz Personen dazu motivieren, sich bei Entscheidungen über die Bearbeitungsreihenfolge in der Fertigungssimulation stärker an eine vordefinierte Zielbearbeitungsreihenfolge zu halten?

Die Beantwortung dieser Forschungsfrage in einer realen Umgebung ist mit ethischen Herausforderungen und Störvariablen verbunden. Daher befasst sich dieser Artikel mit der Forschungsfrage in kontrollierter Laborumgebung mithilfe einer eigens entwickelten Fertigungssimulation.

Darüber hinaus ist der Zugang zu einer ausreichend großen Stichprobe von Arbeitspersonen aus der Praxis, die an der Laborstudie teilnehmen können, begrenzt. Aus diesem Grund werden Studierende des Studiengangs Wirtschaftsingenieurwesen aufgrund ihrer Verfügbarkeit und ihres Verständnisses für das Planungsproblem von Bearbeitungsreihenfolgen in der Fertigung als Stichprobe ausgewählt. Es wird ein Within-Subjects-Design verwendet, um die Einhaltung einer vordefinierten Zielbearbeitungsreihenfolge durch die Studierenden vor und nach dem Nudging zu untersuchen.

Um die Einhaltung der vordefinierten Zielbearbeitungsreihenfolge durch die Studierenden zu messen, wird der Concordance Index [11] als abhängige Variable verwendet. Der Concordance Index misst im Wesentlichen die Ähnlichkeit zwischen der von den Studierenden gewählten und der vordefinierten Bearbeitungsreihenfolge. Seine Formel liefert einen Wert zwischen 0 und 1, wobei 1 bedeutet, dass die Reihenfolgen identisch sind, 0, dass die vorhergesagte Reihenfolge genau der umgekehrten Zielreihenfolge entspricht, und 0,5, dass die Reihenfolgen zueinander zufällig sortiert sind. Die unabhängige Variable ist kategorial und hat zwei Stufen: vor dem Nudging (Studierende treffen Entscheidungen in der Fertigungssimulation) und nach dem Nudging (Studierende treffen Entscheidungen in der Fertigungssimulation unter unbewusster Einbeziehung von Nudges).

Die Forschungsfrage lässt sich als einseitige Nullhypothese operationalisieren: Der Median des Concordance Index der Studierenden mit der vordefinierten Zielbearbeitungsreihenfolge nach gezielter Anpassung der Aufgabendeadlines und -prioritäten in der Fertigungssimulation unter Verwendung des XAI-basierten Nudging-Ansatzes ist nicht höher (gleich oder niedriger) als vor der Anpassung dieser Aufgabenattribute.

Um die erforderliche Stichprobengröße zur Erkennung eines signifikanten Anstiegs des Concordance Index zu schätzen, wird eine numerische Poweranalyse auf Basis des Wilcoxon-Rangsummentests durchgeführt. Der numerische Wilcoxon-Rangsummentest wurde gewählt, da frühere Datenerhebungen mit der entwickelten Fertigungssimulation und Experimente mit Studierenden gezeigt haben, dass die Verteilungen des Concordance Index der Studierenden nicht normalverteilt, sondern symmetrisch sind und es keine geschlossene Lösung zur Berechnung der statistischen Power mit dem Wilcoxon-Rangsummentest gibt.

Die numerische Poweranalyse geht davon aus, dass die Einhaltung der vordefinierten Zielbearbeitungsreihenfolge von den Studierenden vor dem Nudging zufällig (im Bereich von 0 bis 1) und nach dem Nudging rechtsverzerrt (im Bereich von 0,5 bis 1) ist. Die Poweranalyse ergab eine erforderliche Stichprobengröße von 15 Studierenden, um die Nullhypothese zu verwerfen, sofern die Alternativhypothese zutrifft (50.000 Iterationen, α=0,05 und β=0,2).

Die Fertigungssimulation wurde als Serious Game entwickelt, in dem Spielende die Rolle von Fertigungsmitarbeitenden übernehmen. Die Fertigungssimulation ist eine Nachbildung der Werkstattfertigung eines deutschen mittelständischen Hydraulikzylinderherstellers. Im Spiel können sich Spielende während einer achtstündigen Schicht (in beschleunigter Zeit) in der Fabrik bewegen und Fertigungsaufgaben bearbeiten.

Vor der Bearbeitung der Aufgaben müssen Spielende in einem Planungsfenster die Bearbeitungsreihenfolge festlegen, in der sie ihre Fertigungsaufgaben bearbeiten möchten, indem sie Aufgaben aus einem ungeordneten Aufgabenpool in eine geplante Reihenfolge ziehen. Die Aufgaben sind gleichzeitig im Aufgabenpool verfügbar und zeichnen sich durch verschiedene Attribute aus, wie z. B. die Deadline (z. B. „11:35 Uhr“), die Priorität (z. B. „hoch“), die Menge (z. B. vier Stück) und die Dauer (z. B. vier Minuten). Im Verlauf des gesamten Spiels kommen neue Fertigungsaufgaben hinzu. Darüber hinaus wird jede Aufgabe durch einen Buchstaben und eine Zahl gekennzeichnet, die ihrer Auftrags-ID und der Produktionsstufe entsprechen (z. B. „B2“). Bild 1 zeigt die Hauptansicht und das Planungsfenster des Serious Games.

Ein im Hintergrund laufender Prozess dokumentiert die Entscheidungen der Spielenden zur Bearbeitungsreihenfolge. Diese Daten werden verwendet, um einen Machine Learning-Algorithmus zu trainieren, der die individuellen Entscheidungen und Präferenzen der Spielenden hinsichtlich der Bearbeitungsreihenfolge vorhersagen kann. Neue Instanzen der Trainingsdaten werden durch das Extrahieren der neu geplanten Bearbeitungsreihenfolge bei der Schließung des Planungsfensters gewonnen.

Diese Sequenzen wurden zum Trainieren des Learning-To-Rank (LTR)-Algorithmus LambdaMART [12] verwendet. LambdaMART basiert auf Gradient Boosting und lernt ein Ensemble von Entscheidungsbäumen. Der LTR-Algorithmus wurde mit einem 5×5-verschalteten Kreuzvalidierungsverfahren [13] angepasst und getestet. Die Hyperparameter des Algorithmus wurden durch 100 Iterationen einer randomisierten Suche optimiert. Um die Fähigkeit des Algorithmus, die von Spielenden ausgewählten Bearbeitungsreihenfolgen in der Fertigungssimulation vorherzusagen, wurde erneut der Concordance Index verwendet. Dieser dient in diesem Kontext dem Vergleich der vom Algorithmus vorhergesagten Bearbeitungsreihenfolge mit der tatsächlich von Spielenden gewählten Bearbeitungsreihenfolge.

Im April 2025 spielten 28 Studierende des Studiengangs Wirtschaftsingenieurwesen an einer deutschen Hochschule das Serious Game. Bild 2 zeigt die Verteilung des Concordance Index zwischen den vom LTR-Algorithmus vorhergesagten und den von den Studierenden tatsächlich ausgewählten Bearbeitungsreihenfolgen. Der Median der Verteilung liegt bei 0,82 und weist auf eine hohe Übereinstimmung zwischen den vom Algorithmus vorhergesagten und den von den Studierenden ausgewählten tatsächlichen Bearbeitungsreihenfolgen hin. Daraus lässt sich schließen, dass der LTR-Algorithmus die Entscheidungen und Präferenzen der Studierenden hinsichtlich der Bearbeitungsreihenfolgen erlernt hat.

Nun können die trainierten LTR-Modelle zur Analyse der Reihenfolgepräferenzen der Studierenden verwendet werden. Die Präferenzanalyse verwendet die folgenden XAI-Methoden: Permutation Feature Importance (PFI) und Partial Dependence Plot (PDP). Die PFI wird für jedes entscheidungsrelevante Aufgabenattribut einzeln berechnet. Die Attributwerte werden über alle Aufgaben im Testdatensatz hinweg wiederholt gemischt, und die durchschnittliche absolute Abweichung wird in der Vorhersagegüte des LTR-Modells ermittelt.

Diese durchschnittliche absolute Abweichung quantifiziert die PFI eines Attributs. Der PDP wird berechnet, indem Teilmengen von Aufgabenattributen modifiziert und die Ausgabe des LTR-Modells beobachtet werden. Alle anderen Attribute bleiben unverändert [3].

Während die PFI die Gesamtwichtigkeit eines Attributs angibt, zeigt der PDP die funktionale Beziehung zwischen Attributen und der Ausgabe des LTR-Modells. Bild 3 visualisiert ein Beispiel für die PFIs und PDPs eines Studierenden für die Aufgabenattribute „Dringlichkeit” und „Priorität” (Student 4). Die PFIs und PDPs ermöglichen die Einteilung der Studierenden in fünf Präferenzklassen. Basierend auf diesen Klassen werden die Werte der Aufgabenattribute geändert, um die Studierenden dazu zu bewegen, Entscheidungen über die Bearbeitungsreihenfolge zu treffen, die einer vordefinierten Zielbearbeitungsreihenfolge entsprechen. Die Studierenden sind sich dieses XAI-basierten Nudging-Prozesses nicht bewusst. Die einzigen Veränderungen, die sie wahrnehmen, betreffen die geänderten Aufgabenattribute im Serious Game.

Die Attribute „Menge“ und „Dauer“ wurden für alle Aufgaben konstant gehalten, um ihren Einfluss auf die Entscheidungen der Studierenden hinsichtlich der Bearbeitungsreihenfolge von Aufgaben zu eliminieren. Andere Attribute, wie „Entfernung“ (zu einer Aufgabe) oder „Wartezeit“ (von Aufgaben im Aufgabenpool), wurden nicht für das Nudging verwendet und ignoriert (obwohl sie weiterhin die Entscheidungen der Spielenden hinsichtlich der Bearbeitungsreihenfolge der Aufgaben beeinflussen). Aus Bild 3 lässt sich ableiten, dass Dringlichkeit für Student 4 wichtiger ist als Priorität und dass der Nutzen einer Aufgabe, d. h. der Wert, diese Aufgabe als nächstes zu bearbeiten, mit zunehmender Dringlichkeit steigt und mit zunehmender Priorität für diesen Studenten sinkt.

Anhand dieser Präferenzanalyse wurden alle Studierenden grob in eine von fünf Präferenzklassen eingeteilt. Bild 4 zeigt diese zusammen mit vier Beispielen, in denen die Präferenzklassen den Studierenden auf der Grundlage ihrer PFI-Werte für die Attribute Dringlichkeit und Priorität und der Richtung (Steigung) ihrer Präferenzen in den entsprechenden PDPs zugewiesen wurden. Bild 3 zeigt beispielsweise, dass Student 4 PFI-Werte von 71 % und 29 % für die Attribute Dringlichkeit und Priorität hat und dass die Präferenz des Studierenden für eine Aufgabe mit höherer Dringlichkeit zunimmt („+“) und mit höherer Priorität abnimmt („-“). Daher wurde Student 4 der zweiten Präferenzklasse zugeordnet. Diese Zuordnung war ein subjektiver Prozess, der auf der Grundlage der Beurteilung des Erstautors dieses Artikels durchgeführt wurde.

Um zu testen, ob Studierende dazu gebracht werden können, sich an eine Zielbearbeitungsreihenfolge zu halten, wurde für jede der fünf Präferenzklassen eine Spielversion mit angepassten Deadlines und Prioritäten erstellt. Die ersten beiden Autoren dieses Artikels nahmen hierzu gemeinsam die Perspektive einer Person einer Präferenzklasse ein und haben die Deadlines und Prioritäten von Aufgaben explorativ so angepasst, dass die vordefinierte Zielbearbeitungsreihenfolge die plausibelste Lösung war.

Beispielsweise beeinflusst die Dringlichkeit in der Präferenzklasse 2 von Student 4 die Entscheidungen der Studierenden stärker als die Priorität. Demnach wurden alle Deadlines von „14:00 Uhr” auf „11:40 Uhr” (also früher als die von H7, H8 und H9) geändert, um Spielende dieser Präferenzklasse dazu zu bringen, die Aufgaben A1, A2, A4 und A5 vor H7, H8 und H9 zu bearbeiten. Auf diese Weise wurde für jede Präferenzklasse eine Spielversion mit angepassten Deadlines und Prioritäten entwickelt.

In den Präferenzklassen 4 und 5 wurde das irrelevante Attribut vollständig randomisiert, da es die Reihenfolgeentscheidungen der Spielenden nicht beeinflusst. Die Lerneffekte durch das Spielen einer der fünf veränderten Spielversionen im Anschluss an die ursprüngliche Version konnten vernachlässigt werden, da den Spielenden nicht gesagt wurde, wie sie gute Leistungen erzielen können. Sie können möglicherweise ihre Präferenzen für die Auswahl von Bearbeitungsreihenfolgen weiter festigen; dies hat jedoch keinen Einfluss auf die Einhaltung der angestrebten Bearbeitungsreihenfolge, da diese den Spielenden nicht bekannt ist.

Die fünf neuen Spielversionen wurden im Mai 2025 erneut mit derselben Stichprobe von 28 Studierenden gespielt. Jede Person erhielt eine Version des Serious Games mit geänderten Deadlines und Prioritäten, die der jeweils zugeordneten Präferenzklasse entsprach. Den Studierenden war nicht bekannt, dass ein LTR-Modell zum Erlernen ihrer Präferenzen trainiert, diese mittels XAI analysiert und darauf aufbauend neue Spielversionen entwickelt worden war. Bild 5 zeigt die Verteilung des Concordance Index zwischen den von den Studierenden ausgewählten Bearbeitungsreihenfolgen und der vordefinierten Zielbearbeitungsreihenfolge vor und nach dem Nudging mit Medianwerten von 0,69 bzw. 0,75.

Der Median des Concordance Index mit der vordefinierten Zielbearbeitungsreihenfolge hat sich durch Nudging um 0,06 erhöht. Ein einseitiger gepaarter Wilcoxon-Rangsummentest bestätigt die Signifikanz dieses Unterschieds (p < 0,001). Ebenfalls wurde die Effektgröße anhand der biserialen Rangkorrelation mit einem Wert von 0,91 quantifiziert. Bei dieser Effektgröße zeigt die Post-hoc-Poweranalyse eine hohe statistische Aussagekraft (0,9999) für den beobachteten Effekt (N=28, α=0,05, β=0,2). Dies zeigt eine Zunahme der Einhaltung der Zielbearbeitungsreihenfolge durch Nudging, selbst wenn mehrere andere Aufgabenattribute nicht angepasst oder vollständig randomisiert wurden.

Daher kann die Nullhypothese – dass der Median des Concordance Index der Studierenden mit der vordefinierten Zielbearbeitungsreihenfolge nach der Änderung der Aufgabendeadlines und -prioritäten in der Fertigungssimulation unter Verwendung des XAI-basierten Nudging-Ansatzes nicht höher (gleich oder niedriger) ist – verworfen werden.

Ethische Aspekte und Empfehlungen für das XAI-basierte Nudging

Unternehmen erstellen oft detaillierte Fertigungspläne, die den Fertigungsmitarbeitenden wenig Planungsautonomie bei der Auswahl der Bearbeitungsreihenfolge ihrer Aufgaben lassen. Dies gilt insbesondere dann, wenn Unternehmen sogenannte Advanced Planning and Scheduling (APS)-Systeme einsetzen. Die in diesem Artikel beschriebenen Ansätze ermöglichen den Fertigungsmitarbeitenden, die Bearbeitungsreihenfolge ihrer Aufgaben selbst zu wählen. Die Attribute von Fertigungsaufgaben werden durch den oben vorgestellten XAI-basierten Nudging-Ansatz gezielt adaptiert. Das Ziel besteht darin, die Fertigungsmitarbeitenden zu Entscheidungen über die Bearbeitungsreihenfolge der Aufgaben zu bewegen, die für den gesamten Fertigungsprozess effizient sind und dabei gleichzeitig ihre wahrgenommene Planungsautonomie erhalten.

Allerdings stellt bereits die gezielte Anpassung der Aufgabenattribute durch Nudging eine Einschränkung der Planungsautonomie der Fertigungsmitarbeitenden bei der Auswahl von Bearbeitungsreihenfolgen dar. Daher kann XAI-basiertes Nudging möglicherweise nur die subjektiv empfundene Planungsautonomie der Mitarbeitenden erhöhen, nicht jedoch die tatsächliche Planungsautonomie. Zukünftige Studien sind erforderlich, um diese potenzielle Diskrepanz sowie dessen Auswirkungen auf das Wohlbefinden und die Arbeitsmotivation der Fertigungsmitarbeitenden zu untersuchen.

Ein weiteres Problem ist ein möglicher Angriff auf die Würde der Arbeitspersonen, wenn Aufgabenattribute beeinflusst werden, um sie zu bestimmten Entscheidungen hinsichtlich der Reihenfolge ihrer Tätigkeiten zu bewegen [9]. Ein solches Nudging, ohne dass Betroffene darüber informiert werden, kann als Manipulation empfunden werden; es sollte daher nur unter hoher Transparenz umgesetzt und angewendet werden. Die Arbeitspersonen sollten im Vorfeld um ihre Zustimmung zur Vorhersage und Interpretation ihrer Entscheidungen gebeten werden und die Möglichkeit erhalten, sich dem Datenerfassungsprozess zu entziehen. Außerdem sollten alle Schritte des Nudging-Prozesses für sie vollständig transparent sein.

Um menschenzentrierte KI-Technologien einzusetzen, sollte das Produktionsmanagement einen partizipativen Ansatz unter Einbezug der relevanten Interessengruppen zur Arbeitsgestaltung verfolgen [14]. Der Implementierungsprozess muss durch Akzeptanzstudien und die Ableitung von Maßnahmen ergänzt werden, um den XAI-basierten Nudging-Prozess an die Bedürfnisse der Arbeitspersonen anzupassen. Daher sollten die betroffenen Fertigungsmitarbeitenden an der Interpretation ihrer Präferenzen beteiligt werden, um die Intransparenz zu verringern und die Validität der Interpretationen zu erhöhen.

Darüber hinaus sollten die Arbeitspersonen in die Diskussionen zum Prozess der Datenerhebung und -speicherung einbezogen werden. Sie sollten das Eigentum an Ihren Entscheidungsdaten und Präferenzanalysen haben. Ebenso sind die Zugriffsrechte anderer Personen zum Schutz der Privatsphäre klar festzulegen. Betriebsräte und Datenschutzbeauftragte eines Unternehmens sind weitere Interessengruppen, die in den Prozess einbezogen werden sollten. Dies gewährleistet die Einhaltung der Datenschutz- und Arbeitnehmerschutzvorschriften, sollte sich jedoch auch in unternehmens- und fallspezifischen Compliance-Richtlinien widerspiegeln [6].

Die gemeinsame Interpretation der Präferenzen hinsichtlich der Bearbeitungsreihenfolge mit den Arbeitspersonen mindert das Risiko, individuelle Persönlichkeitsmerkmale und Präferenzen auf numerische Daten zu reduzieren. Dies verringert auch das Risiko von Stereotypisierung und Diskriminierung bei der Analyse von Präferenzen mithilfe von XAI. Die Beteiligung und Kontrolle durch die Arbeitspersonen können zudem Schwächen in den Vorhersagen des Algorithmus sowie Mängel in den verwendeten XAI-Methoden wie PFI und PDPs sichtbar machen. Es sollten klare Richtlinien hinsichtlich der Verantwortlichkeit von Arbeitspersonen und Algorithmen für Fehler sowie die daraus resultierenden Kosten formuliert werden.

Insgesamt tragen die diskutierten Punkte dazu bei, die Rolle des Algorithmus innerhalb von Unternehmen neu zu verstehen: weg von einer überlegenen, allwissenden Autorität hin zu einem unvollkommenen System, das wertvolle Unterstützung bei der Arbeitsgestaltung bietet [10]. Algorithmisch generierte Fertigungspläne und XAI-basierte Nudges müssen als Empfehlungen zur Unterstützung der Arbeitspersonen angesehen werden und nicht als Mittel zur Kontrolle der Arbeitspersonen.

XAI-basiertes Nudging als Werkzeug

Dieser Artikel stellt einen XAI-basierten Nudging-Ansatz als Werkzeug für das Produktionsmanagement vor, um Arbeitspersonen bei der Auswahl von Bearbeitungsreihenfolgen in der Fertigung zu unterstützen. Der Ansatz unterstützt Individuen dabei, Entscheidungen zur Bearbeitungsreihenfolge von Fertigungsaufgaben zu treffen, die stärker mit einer vordefinierten Zielbearbeitungsreihenfolge in Fertigungsbetrieben übereinstimmen.

Auf diese Weise bleibt die Planungsautonomie der Arbeitspersonen erhalten, während eine gesteigerte Einhaltung der Zielbearbeitungsreihenfolge die übergeordnete Fertigungsplanung optimiert. Die empirische Laborstudie mit Studierenden des Wirtschaftsingenieurwesens demonstriert die Machbarkeit des Ansatzes in einer Fertigungssimulation und zeigt, dass die Median-Einhaltung der Arbeitspersonen einer vordefinierten Zielbearbeitungsreihenfolge um 9 % verbessert werden kann, indem lediglich die Aufgabendeadlines und -prioritäten geändert werden.

Der verwendete XAI-basierte Nudging-Ansatz stützt sich auf menschliches Urteilsvermögen und ist entsprechend durch subjektive Einschätzungen begrenzt. Darüber hinaus handelt es sich beim Serious Game um eine vereinfachte, kontrollierte Simulationsumgebung, die die Komplexität und die Einflussfaktoren realer Fertigungsprozesse nur eingeschränkt widerspiegelt. Außerdem spiegeln Studierende die Präferenzen und Erfahrungen realer Arbeitspersonen nur unvollständig wider. Die Laborbedingungen und die relativ kleine Stichprobengröße schränken ebenfalls die Verallgemeinerbarkeit der Ergebnisse ein.

Trotz dieser Einschränkungen demonstriert dieser Artikel das Prinzip der Nutzung von KI zum Erlernen der Entscheidungen von Arbeitspersonen und zur Analyse ihrer Präferenzen, um darauf aufbauend mittels XAI Entscheidungshilfen bereitzustellen. Der Artikel trägt zu einer menschenzentrierten Arbeitsgestaltung bei, die die Lücke zwischen der wahrgenommenen Planungsautonomie der Arbeitspersonen und der algorithmischen Fertigungsplanung verringert.  Dieser Ansatz ist insbesondere für mittelständische Unternehmen mit einer Kleinserien- und Einzelfertigung und Werkstattorganisation geeignet, in denen sich typischerweise Warteschlangen vor Arbeitsplätzen bilden.

Der Ansatz kann auch auf andere Anwendungsfälle übertragen werden, in denen Arbeitspersonen zwischen verschiedenen Aufgabenreihenfolgen wählen müssen, etwa bei der Reihenfolge von Montageschritten in der Mensch-Roboter-Kollaboration, der Priorisierung von Kommissionieraufgaben in der Logistik oder dem Routing von Transportfahrzeugen im Supply Chain Management.

Die wichtigsten ethischen Fragen betreffen eine potenzielle Scheinautonomie, Manipulationsrisiken und die Reduzierung von Menschen auf numerische Daten. Der Artikel enthält mehrere Empfehlungen für Unternehmen, die den XAI-basierten Nudging-Ansatz implementieren, um diese Probleme zu mindern, darunter die vollständige Transparenz des Nudging-Prozesses, die Einbeziehung der Arbeitspersonen in den Interpretationsprozess, den Schutz der Privatsphäre sowie die Möglichkeit der Einwilligung. Es bleibt anzumerken, dass kulturelle Faktoren die wahrgenommenen ethischen Bedenken stark beeinflussen.

Beispielsweise sind die Bedenken hinsichtlich des Datenschutzes und der Manipulation in anderen Ländern wahrscheinlich unterschiedlich ausgeprägt. In zukünftigen Forschungen ließe sich das XAI-basierte algorithmische Nudging in realen Fertigungsumgebungen testen und die Erfahrungen der Fertigungsmitarbeitenden mit einem solchen System erheben.

Der hier vorgestellte Ansatz hat das Potenzial, starre Fertigungspläne, die auf festen Bearbeitungsreihenfolgen beruhen, aufzubrechen. Durch die gezielte Gestaltung von Aufgabenattributen lässt sich die wahrgenommene Planungsautonomie der Arbeitspersonen bei der Auswahl der Bearbeitungsreihenfolge erhöhen und gleichzeitig die Wahrscheinlichkeit der Einhaltung einer optimalen Produktionsabfolge verbessern. Trotz seiner ethischen Herausforderungen kann XAI-basiertes Nudging eine attraktive Alternative zu starren, algorithmisch generierten Fertigungsplänen darstellen, um sowohl das Wohlbefinden der Arbeitspersonen als auch die Gesamtleistung des übergeordneten Fertigungssystems zu optimieren.

Das könnte Sie auch interessieren

Lernfabriken für die Zukunft der Fertigung in Brasilien Förderung der Industrie durch Technologie und Kompetenzentwicklung

Fertigungsunternehmen in Entwicklungsländern stehen vor der Herausforderung, Produktivitätslücken zu schließen und gleichzeitig Industrie-4.0-Technologien einzuführen. Lernfabriken sind ein hilfreicher Ansatz, um diesen Herausforderungen zu begegnen. Ein Beispiel hierfür ist die Lernfabrik „Fábrica do Futuro“ in São Paulo, Brasilien, die Studierende einbindet, die Kompetenzentwicklung fördert und mit der Industrie in der angewandten Forschung zusammenarbeitet.

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

Digitale Zwillinge in Produktion und Logistik erleben Die fischertechnik® Lernfabrik 4.0 als Entwicklungsplattform für mögliche Ausbaustufen Deike Gliem , Sigrid Wenzel , Jan Schickram, Tareq Albeesh

Die fischertechnik® Lernfabrik 4.0 hat sich als geeignete Experimentierumgebung zur Erprobung Digitaler Zwillinge erwiesen. Abhängig vom angestrebten Reifegrad reichen die Funktionen eines Digitalen Zwillings von der reinen Zustandsüberwachung über Prognosen bis hin zur operativen Steuerung von Produktions- und Logistiksystemen. Zur systematischen Einordnung dieser Funktionen wird in diesem Beitrag ein Reifegradmodell vorgestellt, das als Orientierungsrahmen für den Aufbau eines Digitalen Zwillings dient. Darauf aufbauend werden ausgewählte Anwendungsfälle in einer Test- und Entwicklungsumgebung umgesetzt, die auf einer Systemarchitektur mit mehrstufiger Schichtlogik basiert. Anhand erster Umsetzungen werden Einsatzzwecke, relevante Methoden sowie typische Herausforderungen und Potenziale für den Transfer in reale Fabrikumgebungen aufgezeigt.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 30-37 | DOI 10.30844/I4SD.26.2.30

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-basierte Dokumentationssysteme in der Pflege Potenziale zur Verbesserung der Dokumentationsqualität und zur Entlastung des Pflegepersonals Sophie Berretta , Elisabeth Liedmann , Paul-Fiete Kramer , Anja Gerlmaier, Christopher Schmidt

In Zeiten des demografischen Wandels, der mit einem wachsenden Pflegebedarf und Fachkräftemangel einhergeht, rücken KI-basierte Technologien zunehmend in den Fokus pflegebezogener Innovationen. Erwartet werden Entlastung, Zeitersparnisse und eine höhere Attraktivität des Pflegeberufs. Der Beitrag untersucht am Beispiel der KI-gestützten Dokumentation von Aufnahmegesprächen, inwiefern solche Systeme Arbeits- und Pflegequalität verbessern können. Im Zentrum stehen die Perspektiven von Pflegekräften und -expert:innen. Die Ergebnisse zeigen Potenziale zur Entlastung, Steigerung der Dokumentationsqualität und Freisetzung zeitlicher Ressourcen für die direkte Pflege. Voraussetzung ist eine humanzentrierte, kontextsensibel gestaltete Implementierung.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 154-160 | DOI 10.30844/I4SD.26.1.154

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