Zukunfts- und Wertschöpfungslabor DataLab WestSax

Die Gesellschaft durchläuft mehr denn je einen rasanten digitalen Wandel. Verwaltungsbehörden, Haushalte, Unternehmen und ihre Interaktionen verändern sich aufgrund der zunehmenden Verbreitung und des enormen Wachstumspotenzials digitaler Technologien. Für Unternehmen ist ein tiefes Verständnis der Informationstechnologie (IT) und der digitalen Innovation außerordentlich wichtig. Die technologischen Möglichkeiten, insbesondere die Verschmelzung der physischen mit der digitalen Welt, führen zu grundlegenden Paradigmenwechseln, die alle Branchen und Unternehmensgrößen betreffen. Gleichzeitig kann die Digitalisierung der eigenen Geschäftsprozesse und -aktivitäten den Umfang der in den Unternehmen anfallenden Daten drastisch erhöhen. Diese Datenmenge bietet den Unternehmen wiederum vielfältige Chancen, z. B. durch adäquate Datenaufbereitung und Datenanalyse neue Potenziale zu identifizieren und zu heben [1-4].

Notwendigkeit und Potenziale datenbasierter Wertschöpfung

Die Potenziale der datenbasierten Wertschöpfung sind vielfältig und können sich auf Wertversprechen für (neue) Kunden, Wertschöpfungsaktivitäten oder Ertragsmodelle bestehender Geschäftsmodelle beziehen. Die Vorteile bewegen sich im Spektrum von „Sales Up & Cost Down“, etwa durch gesteigerte Effizienz und die Erhöhung der Reaktions- und Entscheidungsgeschwindigkeiten in Unternehmen infolge von datenbasierten Prozessoptimierungen. Weiterhin sind Serviceoptimierungen wichtige strategische Ziele, insb. zur Gewährleistung eines besseren Kundenservices und zur Geschäftserweiterung um digitale Serviceangebote. Auch sind völlig neue Wertschöpfungsformen denkbar, die bspw. auf dem überbetrieblichen Datenaustausch, dem Verkauf datenbasierter Expertise oder der datengestützten Kollaboration auf Basis digitaler Plattformen (bspw. zur Kreislaufwirtschaft) beruhen.

Insgesamt birgt eine ganzheitliche Betrachtung datenbasierter Wertschöpfungsaktivitäten und -möglichkeiten enorme Wettbewerbsvorteile, kann Unternehmen nachhaltiger agieren lassen und schafft gleichzeitig vielfältigere und attraktivere Jobs in den jeweiligen Regionen der Unternehmen (z. B. [4, 5]). Trotz der voranschreitenden Digitalisierungsbemühungen von vielen deutschen klein- und mittelständischen Unternehmen (KMU) gelingt es bisher jedoch nur bedingt, die Lücke zu digitalen Vorreiterunternehmen zu schließen [5].

Barrieren im Mittelstand hemmen Innovationspotenziale

Viele Unternehmen sehen die Digitalisierung als Chance zur Stärkung der eigenen Wettbewerbsfähigkeit (z. B. [1]) oder haben die Potenziale der Nutzung datengetriebener Technologien (wie z. B. Internet of Things (IoT), Big Data Analytics, Künstliche Intelligenz (KI) oder Machine Learning (ML)) erkannt (z. B. [5]). Dennoch fällt es vor allem KMU schwer, deren Möglichkeiten konkret für das eigene Unternehmen zu bewerten. Das Wertschöpfungspotenzial der anfallenden und teils bereits vorhandenen Daten im Unternehmen wird in vielen Fällen nicht gehoben [5, 6]. Eigene Forschung des Autor:innenteams sowie weitere einschlägige Publikationen weisen im Hinblick auf die Nutzbarmachung digitaler Lösungen bis hin zum Datenaustausch zwischen Unternehmen auf viele inner- und außerbetriebliche Barrieren hin (z. B. [5-9]). Diese erhalten insb. für KMU eine besondere Relevanz. Die Wertschöpfung mit Daten und digitalen Services benötigt

• teilweise hohe Investitionen zu Beginn,
• benötigt bestimmte Fähigkeiten und Kompetenzen und
• benötigt die Möglichkeit des günstigen und einfachen Ausprobierens (Server, Software, Algorithmen etc.).

Diese Herausforderungen werden potenziert angesichts innerbetrieblicher Barrieren (vor allem in KMU), die für eine Förderung der datenbasierten Wertschöpfung beachtet bzw. reduziert werden müssen:

• Potenziale werden nicht erkannt: Oftmals fehlt Unternehmen zur Umsetzung von Projekten der datenbasierten Wertschöpfung die konkrete Idee zur Datennutzung. Durch nicht automatisierte oder nicht passende Prozessstrukturen sowie die fehlende Expertise werden die Möglichkeiten der Digitalisierung und Datennutzbarmachung häufig nicht gesehen und damit Potenziale verschenkt. Gleichzeitig fällt es Unternehmen schwer, den Wert ihrer Daten einzuschätzen.
• Fehlende Ressourcen und Expertise: Insbesondere in KMU fehlt es an Expertise im Umgang mit Daten. Hinzu kommt ein allgegenwärtiger Fachkräftemangel, der im Bereich der Data Science besonders offensichtlich wird. So hemmt u. a. der Mangel an Kenntnissen über die geltenden Regularien und Gesetze bspw. die Bereitschaft, Daten auszutauschen und neue Wertschöpfungsformen zu erproben. Gleichzeitig führt das fehlende notwendige Wissen für die Datenverarbeitung zu einem mangelnden Vertrauen in die Qualität der Daten (“Bauchgefühl und Erfahrung reichen”). Möchte ein KMU dennoch eine Infrastruktur zur Förderung datenbasierter Wertschöpfung aufbauen, fehlt es häufig an finanziellen Ressourcen. Der große Aufwand für den Ausbau einer technischen Infrastruktur und Gestaltung interner Prozesse, fehlende rechtliche Grundlagen sowie Expertise im Unternehmen führen zu hohen Kosten.
• Fehlendes Vertrauen: Es existieren mittlerweile viele technische Lösungen, die bspw. Datenaustausch zwischen Unternehmen für neue Wertschöpfungsformen ermöglichen. Großskalierte Projekte zum Aufbau einer europaweit einheitlichen und sicheren Dateninfrastruktur bestehen (z. B. GAIA-X, International Data Spaces), haben sich jedoch noch nicht durchgesetzt. Die Skepsis und das fehlende Vertrauen in vorhandene Lösungen zeigen sich auch in der zögerlichen Nutzung. Da die Bereitschaft, nach und nach an einem digitalen Ökosystem zu partizipieren, auch von der Anzahl der beteiligten Unternehmen abhängt, kann hier von einem wechselseitigen Wirkmechanismus („Henne-Ei-Problem“) ausgegangen werden.

Potenziale durch Realexperimente heben

Gespräche, Workshops und Interviews, die durch das Autor:innenteam seit 2019 mit mehr als 100 KMU verschiedenster Branchen (bspw. Maschinen- und Anlagenbau, Telekommunikation, Gesundheitsdienstleistung, Handwerk, Handel) geführt wurden, haben gezeigt, dass die Unternehmen im Hinblick auf die datenbasierte Wertschöpfung insgesamt deutlich mehr dieser Barrieren und Hemmnisse anstatt Treiber und Chancen anführen.

Generell bestehen große Wertschöpfungsunsicherheiten im Kontext der Digitalisierung. Die Digitalisierung wird in KMU oftmals als eine Baustelle bezeichnet – bestehende Systeme sind häufig Insellösungen und die Menge und Qualität der Daten ist oft unzureichend. Damit Unternehmen mit ihren Daten nutzbringend arbeiten können, müssen die Daten identifiziert und aufbereitet werden. Daraus ergibt sich vor allem bei KMU ein großer Bedarf für Datenanalysen. Informations- und Unterstützungsangebote helfen Unternehmen die Wertschöpfungspotenziale in ihren Daten zu ermitteln. Die Umsetzung ist ohne weiterführende bzw. externe Unterstützung nur eingeschränkt möglich.

Ausprägungen derartiger Unterstützungsangebote können unterschiedlichster Natur sein. Dies können bspw. Lern- und Experimentierräume oder auch Reallabore sein [10]. Beispiele für das Format der Lern- und Experimentierräume sind die INQA-Experimentierräume (z. B. [11]), die vor allem darauf abzielen, neue Arbeitsformen und Arbeitsmodelle zu erproben, die oftmals aufgrund von digitalen Transformationsprozessen notwendig werden [10]. Bezogen auf das Format der Reallabore hat die Wirtschaftsministerkonferenz in ihrem Beschluss vom 17./18. Juni 2021 betont, dass Reallabore unerlässlich seien, „um [..] den Weg für Innovationen zu ebnen und diese zu beschleunigen“ [12].

Mit dem DataLab WestSax wurde von den Forschungspartnern, dem Fraunhofer-Zentrum für Internationales Management und Wissensökonomie IMW in Leipzig und der Westsächsischen Hochschule Zwickau, ein derartiges Reallabor geschaffen, das es KMU u. a. mit einem strukturierten Vorgehen für Realexperimente ermöglicht, im Sinne eines „Test before Invest“-Szenarios in einer geschützten Umgebung gemeinsam Datennutzungsideen zu entwickeln und deren Umsetzung zu erproben. Das DataLab WestSax ist auf die Bedürfnisse der KMU angepasst und vernetzt regionale Partner sowohl branchenspezifisch als auch branchenübergreifend miteinander. Dabei fußt das DataLab WestSax auf drei Säulen (Bild 1).

Kern und damit wichtigste Säule des DataLab WestSax sind die „Realexperimente“ mit KMU, in denen gezielt in einem kooperativen Prozess Digitalisierungs- und Datennutzungspotenziale der Unternehmen identifiziert und gehoben werden. Ein Realexperiment ist eine zeitlich begrenzte Zusammenarbeit zwischen den Forschungspartnern und jeweils einem KMU, um konkrete Lösungen für gemeinsam identifizierte Problemstellungen des KMU prototypisch zu erarbeiten bzw. zu entwickeln. Dafür folgen die Realexperimente einem strukturierten Ablauf, der nachfolgend genauer erläutert wird.

Die zweite Säule bildet das „Digitale Labor“, in dem KMU zukünftig eigenständig Datenanalysen mit ausgewählten Tools ausprobieren können. Es handelt sich um eine webbasierte Experimentierumgebung, in der Kompetenzen der Datennutzung on-demand eigenständig ausgebaut werden können – bei Bedarf mit Unterstützung der Projektmitarbeitenden. Die dritte Säule besteht aus dem übergreifenden „Think Tank“, der in einer Art Vogelperspektive aktuelle Fragen und Bedarfe der datenbasierten Wertschöpfung aufgreift und einen Wissenstransfer mit eher klassischen Formaten wie Workshops, Seminaren und Webinaren bietet. Mit dem DataLab WestSax wird eine Möglichkeit für Unternehmen geschaffen, die Potenziale der datenbasierten Wertschöpfung ganzheitlich auszuschöpfen.

Vor allem die Realexperimente bieten den Unternehmen einen sehr direkten und konkreten Austausch sowie Ansatz, ihren eigenen „Datenschatz“ zu heben. Zwei Beispiele sollen dies verdeutlichen:

• Vorhandene Datenbestände eines Dienstleisters im Bereich des betrieblichen Gesundheitsmanagements werden analysiert, um die Kapazitätsplanung an die Schwankungen bzw. das enorme Wachstum seit der Covid-19-Pandemie nachvollziehbar zu prognostizieren. Diese Backend-Analysen zu Auftrags- und Ressourcen-Daten im Zeitverlauf werden anschließend in einem dynamischen Dashboard (Prototyp) zusammengefasst bzw. visualisiert, um einen schnellen Überblick über Deckungsbeiträge pro Trainingsmodul oder dem Buchungsverhalten im Zeitverlauf zu ermöglichen.
• Mit einem Hersteller im Bereich Ausstellungsbau und Werbetechnik wird an der Konzeption von Use Cases für ein neu entwickeltes Innovationsprodukt des Unternehmens gearbeitet. Diese Use Cases sollen anschließend ökonomisch priorisiert und mit Umsetzungsimplikationen versehen werden. Ein Fokus liegt auf der Ableitung geeigneter Erlösmodelle für app-basierte Serviceinnovationen des Unternehmens.

Die Realexperimente laufen dabei in drei Phasen ab (Bild 2), die sich je nach Dauer und konkreter Ausgestaltung auf Basis der Gegebenheiten bei den Unternehmen unterscheiden können. Im Durchschnitt liegt die Gesamtdauer aller Phasen bei drei bis sechs Monaten.

Prä-RX-Prozess: Die erste Phase im Rahmen der Realexperimente umfasst die Experimentanbahnung. Dabei kann die Kontaktaufnahme seitens der interessierten Unternehmen direkt mit einer konkreten (Datennutzungs-)Idee erfolgen oder eher allgemeiner Natur sein. Auch über gemeinsame Veranstaltungen mit Multiplikatoren (Kammern und Verbände) sowie durch eigene Veranstaltungen werden die Unternehmen auf das DataLab WestSax aufmerksam gemacht. In dieser Phase ist ein wichtiger Bestandteil die Abstimmung der Rahmenbedingungen und damit verbunden der Abschluss einer Geheimhaltungsvereinbarung oder eines Kooperationsvertrags. Vor allem letzterer beinhaltet umfassende Datenschutzbestimmungen, sodass sichergestellt wird, dass alle am Realexperiment beteiligten Partner auf Informationen und Daten zugreifen können. Zugleich wird festgelegt, wie und in welchem Umfang mit den Informationen und Daten umgegangen wird.

RX-Prozess: Diese Phase umfasst die Kernaufgaben eines Realexperiments. Es erfolgt die Bestandsaufnahme aktueller Unternehmensprozesse, Technologien und bisheriger Datennutzung, zumeist in gemeinsamen Workshops vor Ort im Umfang von ein bis zwei Tagen. Anschließend werden geeignete Quick Wins (kurzfristige Umsetzungspotenziale) und „Long Term Wins“ (Aktivitäten mit langfristigen Umsetzungspotenzialen, die bis max. zum Ende des Realexperiments durchgeführt werden) abgeleitet. In nachfolgenden gemeinsamen Arbeitstreffen mit dem Unternehmen werden Quick Wins und Long Term Wins fixiert und entsprechende Maßnahmen vereinbart.

Inhaltlich kann dies sehr individuell auf die Anforderungen der Unternehmen abgestimmt werden. Beispiele hierfür sind u. a. Geschäftsmodellerweiterungen, Marktpotenzialanalysen, Schaffen digitaler Touchpoints für bisher analog abgewickelte Geschäftsprozesse, Kundenbedarfserfassung, Ressourcen-/Kapazitätsplanung, Auslastungsdarstellung oder Visualisierung (inkl. entsprechender Back-End-Analysen) und Dashboards. Insgesamt können die Ergebnisse der Realexperimente rein technischer Art sein, zum Beispiel in Form von Prototypen. Sie können aber auch konzeptioneller Art sein und sich auf die (Weiter-)Entwicklung der Unternehmensstruktur fokussieren.

After-RX-Prozess: Im Rahmen dieser Phase erfolgt der Abschluss des Realexperiments. Nachdem die vereinbarten Quick Wins und Long Term Wins soweit umgesetzt wurden, wird die Umsetzung validiert. Die erzielten Ergebnisse werden umfassend evaluiert und betriebswirtschaftlich bewertet. Es werden den Unternehmen konkrete Möglichkeiten aufgezeigt, die erarbeiteten Lösungen dauerhaft im Unternehmen zu etablieren und zu betreiben. Dies kann auch eine Ableitung notwendiger Kompetenzen oder die notwendige Anpassung der IT-Infrastruktur umfassen.

Somit stellen die Realexperimente, in der Ausprägung, wie sie für das DataLab WestSax konzipiert wurden, mit ihrem regelmäßigen Austausch bzgl. Feedback, Testdesign und User Research eine wichtige Entscheidungsgrundlage für die beteiligten Unternehmen dar, künftig in datenbasierte Lösungen und neue Wertschöpfungswege zu investieren. Der Transfer des bestehenden Wissens der Forschungspartner auf die Unternehmen entspricht dem Ziel des „Test before Invest“-Szenarios, indem Handlungsoptionen für ihr Business Development (z. B. betriebswirtschaftlich priorisierte Umsetzungsschritte zur Weiterentwicklung der technischen Prototypen, Ausblick auf geeignete Geschäftsmodelloptionen, Erlösmodelle, Portfolioerweiterungen etc.) aufgezeigt werden.

Derartige Formate, wie die aufgezeigten Realexperimente, können Unternehmen mit maßgeblich dabei unterstützen, Vertrauen in die Digitalisierung und in die Möglichkeiten der datenbasierten Wertschöpfung aufzu­bauen bzw. zu steigern und helfen gleichzeitig die Hemmnisse und Barrieren auf den Weg zur „Hebung des Datenschatzes“ zu über­winden.

Insgesamt bieten Reallabore (aber auch andere Austausch- und Transferformate) gleich zwei Potenziale: Erstens werden Nutzungspotenziale von Technologien zur Datenverwertung unternehmensindividuell erarbeitet und aufgezeigt. Die angestrebte Kompetenz-vermittlung kann langfristig den Einsatz digitaler Technologien in Unternehmen fördern. Zweitens wird der konkrete Austausch zwischen Unternehmen und Forschungsinstitutionen gefördert. Das hilft, Vorbehalte gegenüber digitalen Technologien dank risikoarmer Experimentiermöglichkeiten und niedrigschwelligem Technologiezugang gemeinsam mit Forschenden abzubauen.

Wie Unternehmen, die sich an Realexperimenten beteiligen, von der Zusammenarbeit mit dem Forschungsteam profitieren: Es können umfassende Erfahrungen gesammelt werden, Prozesse und Interaktion zu gestalten, um Quick Wins und Long Term Wins abzuleiten und gemeinsam zielstrebig zu bearbeiten. Die Forschungspartner stellen die richtigen Fragen, bringen eine Vielfalt an Methoden (bspw. Datenanalysen, Geschäftsmodellanalysen) ein und haben dank aktuell 16 in Bearbeitung stehender Realexperimente im Projekt DataLab WestSax eine erfahrungsbasierte und lösungsorientierte Vogelperspektive inne, von der alle Unternehmen profitieren können.

Dieser Beitrag entstand im Rahmen des Projekts DataLab WestSax, das mitfinanziert wird aus Steuermitteln auf Grundlage des vom Sächsischen Landtag beschlossenen Haus­-haltes. Das Sächsische Staatsministerium für Regionalentwicklung (SMR) unterstützt das Projekt im Rahmen der Zukunftsinitiative simul+.

Das könnte Sie auch interessieren

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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