Arbeit 4.0 – wer hat das Schlagwort noch nicht gehört? Was versteht man unter diesem Begriff?

In den letzten Jahren haben wir alle gemerkt, wie unsere Arbeitskultur und Arbeitsverhältnisse im Wandel sind. Aus der Industrie 4.0 kommen neue Arbeitsformen und optimiert sich das digitales Arbeiten mit dem Fokus auf die zukünftigen Modelle.

Inhalte 4.0

Welche Inhalte assoziert man häufig mit Arbeit 4.0:

• die Arbeit wird generell flexibler
• die Work-Life-Balance steht im Mittelpunkt
• das Home-Office gewinnt an Bedeutung d.h. Orts- und Zeitunabhängigkeit
• der Fokus liegt auf der “richtigen” Arbeit z.B. Kreativität, wertschöpfende Tätigkeiten d.h. es wird mehr auf das Ergebnis als auf die Arbeitszeit geschaut
• Lebenslanges Lernen ist ein fester Bestandteil der Arbeit
• die Arbeitswelt wird offener und vielschichtiger z.B. Interdisziplinäre Teams mit hoher Sozialkompetenz

Bei vielen der Inhalte sieht man das sich die Arbeit an das Leben anpasst.

Hier müssen sich die Unternehmen auch neu positionieren. Was ist den HR-Abteilungen und Führungskräften wichtig? Will man Fachkräfte gewinnen? Wie viel Geld investiert man in die Weiterentwicklung der Mitarbeiter? Welches Firmen- und Menschenverständnis herrscht in der Organisation?

Für die neuen Arbeitsmodelle werden auch verschiedene neue Kompetenzen benötigt.

Digitale Skills

Es gibt einige Kompetenzen, die für viele Personen neu erarbeitet werden müssen:

• Digitale Bildung mit diversen neuen Technologien, Mensch-Maschine-Interaktion, Datensicherheit und Datenschutz (auch das Hinterfragen der Technologien und Reflektion der Themen ist wichtig)
• Digitales Lernen – findet hauptsächlich Online statt, welche Wissensquellen gibt es Online (und wie entlarve ich Fake-News), wie können Lernmodelle wie Blended Learning kombiniert werden
• Digitale Interaktion – Kommunikation mit anderen Personen z.B. in Webinare oder Videokonferenzen

Klassische Skills

Neben den neueren Skills gibt es auch klassische Kompetenzen, die man nicht vernachlässigen darf:

• Fremdsprachenkenntisse (sind klar und werden in Zukunft noch mehr gefragt)
• Flexibilität und Schnelligkeit – kann man das Tempo der Veränderungen mitgehen? Wie offen ist man dem Neuem gegenüber?
• Robustheit / Resilienz (Widerstandsfähigkeit gegen Stress)
• Lösung von komplexen Problemen mit kritischen Fragestellungen
• Neue Organisationsformen z.B. Agilität
• Empathie, Intuition und Kreativität werden KI’s nicht so einfach übernehmen können

Zusammenfassung

In Zukunft wird der Fokus auf das Teamgefüge (P2P – “People to People” – Mensch zu Mensch) in das Zentrum rücken. Der einzelne Mitarbeiter und das Horten von Expertenwissen wird zurück gehen. Es wird durch jeden Mitarbeiter Kreativität und die Übernahme von Verantwortung erwartet.

Das sich die Technologien und Inhalte noch schneller ändern werden, ist das lebenslange Lernen im Mittelpunkt. Hier müssen sich die Mitarbeiter und auch die Unternehmen auf neue Lernformen einfinden und die entsprechenden Rahmenbedingungen schaffen z.B. was ist das richtige Medium wie ein Blog, eine On-Site-Schulung oder ein Webinar?

Data Analytics

Die Datenanalyse ist die zentrale Tätigkeit im Umgang mit großen Datenmengen. Aus den erhobenen Daten müssen auch Erkenntnisse gezogen werden.

Folgende Fragen zur Datenanalyse kann man sich stellen:

• Was ist passiert? – Descriptive Analytics (Beispiel: Kosten pro Material)
• Warum ist etwas passiert? – Diagnostic Analytics (Beispiel: Ursachenanalyse für Kostensteigerung im Zeitraum)
• Was können wir daraus lernen? – Discovery Analytics (Beispiel: Lessons Learned)
• Was wird passieren? – Predictive Analytics (Beispiel: Kostenprognosen anhand Preisentwicklungen)
• Was können wir tun, damit etwas passiert? – Prescriptive Analytics (Beispiel: Kostensenkungen durch Simulationen)

Der Schwierigkeitsgrad steigt mit den Fragen an, aber die Fragen werden auch interessanter.

Bei der Datenanalyse kann man folgende Anwendungsfälle unterscheiden:

• Ad-hoc-Analysen – einmalige Analysen zu bestimmten Fragestellungen
• Routine-Reporting – wiederkehrende Analysen mit genauen KPI’s (Key Performance Indicator)

Zur Vereinfachung können die Reportings in einem Dashboard zusammengefasst werden und damit einen besseren Überblick gewährleisten und Anpassung von eigenen Parametern ermöglichen.

Data Science

Der Data Scientist wurde vom Harvard Business Review zu einem der bedeutensten Jobs des 21. Jahrhunderts gekürt. In diesem Bereich beschäftigt man sich eher mit der Zukunft d.h. den Vorhersagemodellen.

Durch Statistik, Softwareentwicklung und Fachwissen werden die Problem verstanden und analysiert, für den Computer übersetzt und abschließend gelöst.

Data Analytics bezieht sich auf konkrete Fragestellungen. Data Science hat im Fokus mit den Stakeholdern zusammen Probleme aus der Makroperspektive zu analysieren.

Folgende Teilbereiche gibt es im Data Science Prozess:

• Data Import – geeignete Datenquellen identifizieren
• Data Preparation – Vor- und Aufbereitung der Daten
• Data Modeling – Modellierung der Daten durch bestimmte Methoden d.h. Überführung der Realität in Mathematik
• Deployment – Produktivsetzung der Szenarien d.h. Übernahme in die Linie

Künstliche Intelligenz hat eine längere Historie wie die meisten Menschen meinen. Es begann mit Brettspielen bereits 1997. Hier verlor Garry Kasparov gegen den Computer Deep Blue im Schach.

Wo ist aber aktuell im Hype-Cycle das Thema Künstliche Intelligenz (KI) zu sehen:

• Innovationsauslöser (erste Beispiele für Technologie)
• Gipfel überhöhter Erwartungen (unrealistische Erwartungen an Technologie)
• Tal der Tränen (enttäuschte Erwartungen an Technologie)
• Pfad der Erleuchtung (produktive Anwendung der Technologie)
• Plateau der Produktivität

Abhängig von der Technologie, würde man das autonome Fahren beim Gipfel der überhöhten Erwartungen sehen, aber automatisierte Passkontrollen an Flughäfen bereits im produktiven Einsatz.

Im ersten Schritt ist es wichtig alle notwendigen Daten zu identifizieren. Eine KI entsteht aus dem “Rohstoff” Daten (die Daten werden veredelt und in komplexen Vorgängen genutzt).

Was ist jetzt aber KI? Ist es Robotik, Machine Learning, Deep Learning, natürliche Sprachverarbeitung oder ein Chatbot? Diese Themen sind alle nur Teilgebiete der KI. Aus meiner Sicht handelt es sich um ein Konzept von Maschinen, die “wie Menschen denken” sollen und das unterstützt durch die jeweils notwendigen Technologien.

In der Praxis ergeben sich drei größere “KI-Ansätze”:

• Traditionelle Rechenansätze (Lösung von klar formulierten Aufgabenstellungen)
• Wissensbasierte Annahmen (weitere Problemstellungen mit weniger formellen Wissen und Strukturen)
• Lernende Ansätze (Erkennung von Regeln und Beispielen in großen Datenmengen)

Folgende Elemente kann man bei eine produktiven Implementierung im Unternehmen vorbereiten:

• Ziel – was soll durch den Einsatz von KI erreicht werden?
• Use Cases – wie hoch ist die wirtschaftliche Auswirkung?
• Umsetzung – was ist technisch umsetzbar?

Bei neuen Technologien kann man mit einem Pilot-Projekt starten und damit ein Kernteam für das Thema aufbauen. Aus dem ersten Projekt kann dann eine generellen KI-Strategie für das Unternehmen entwickelt werden.

Welche “einfache” Anwendungsfälle sehen Sie in Ihrem Unternehmen? Welche Use Cases gibt es in Kombination mit ECM-Systemen?