Anwendungsszenarien und Technologiebewertung von digitalen Werkerassistenzsystemen in der Produktion – Ergebnisse einer Interview-Studie mit Experten aus der Wissenschaft, der Politik und der betrieblichen Praxis

Die Arbeitsgestaltung versucht mit technischen, organisatorischen und ergonomischen Maßnahmen Arbeitsprozesse effektiv, produktiv und menschengerecht zu gestalten. Dabei werden sowohl unternehmensbezogene Ziele (z. B. Kostenziele, Qualitätsziele) als auch mitarbeiterbezogene Ziele (z. B. Ausführbarkeit, Persönlichkeitsförderlichkeit) verfolgt. Beide Zielarten sind nicht immer miteinander vereinbar und verhalten sich teilweise konfliktär (Schaper 2019).

Ein grundlegendes Modell der Arbeitsgestaltung ist das Job Characteristics Model (Hackman und Oldham 1976). Das Modell beschreibt fünf zentrale Tätigkeitsmerkmale (Anforderungsvielfalt, Ganzheitlichkeit, Wichtigkeit, Autonomie und Rückmeldung), die Einfluss auf psychologische Erlebniszustände (Bedeutsamkeit der Arbeit, Verantwortung für Arbeitsergebnisse, Kenntnis über Arbeitsergebnisse) haben. Die Tätigkeitsmerkmale wirken über die psychologischen Erlebniszustände auf mitarbeiter- und arbeitsbezogene Outcomes. Eine hohe Ausprägung der zentralen Tätigkeitsmerkmale wird mit einer höheren Motivation der Mitarbeitenden, einer höheren Arbeitszufriedenheit und einer besseren Performance verbunden. Ansatzpunkte für die Arbeitsgestaltung werden in der Beeinflussung der gestaltbaren Tätigkeitsmerkmale gesehen. Interpersonelle, technologische oder situationsbezogene Faktoren, die ebenfalls Einfluss auf die Arbeitsgestaltung haben können, werden in dem Modell nicht berücksichtigt (Hackman und Oldham 1976).

Ein Modell der Arbeitsgestaltung, das explizit auch technologische Komponenten berücksichtigt, ist die soziotechnische Systemtheorie (Trist und Bamforth 1951). Die Theorie beschreibt, dass Arbeitssysteme aus einem sozialen System (z. B. Mitarbeitende, Rollen) und einem technischen System (z. B. Arbeitsprozesse, Technologien) bestehen und verweist darauf, dass sich die Systeme wechselseitig beeinflussen. Nur durch eine gemeinsame Optimierung beider Teilsysteme ist eine Verbesserung des Gesamtsystems und damit der Outcomes (z. B. Produktivität, Arbeitszufriedenheit) zu erreichen (Trist 1981).

Neuere Konzepte wie das erweiterte Modell der Arbeitsgestaltung (Parker et al. 2001) und das Work Design Framework (Morgeson und Campion 2003) integrieren beide Sichtweisen. Sie betrachten zusätzlich zu den Tätigkeitsmerkmalen auch soziale, individuelle, strukturelle und organisationale Einflussfaktoren als Antezedenzien der Tätigkeitsmerkmale. Sowohl die generell verfügbaren Technologien, als auch die genutzten Technologien werden als relevante Antezedenzien für die Arbeitsgestaltung benannt. Studien zum Einfluss von Technologien auf Tätigkeitsmerkmale zeigen uneinheitliche Ergebnisse. Während einige Studien von einer Verbesserung der Autonomie bei Einführung einer neuen Technologie berichten (z. B. Wall et al. 1990), kommen andere Studien zu dem Ergebnis, dass die Einführung neuer Technologien mit einer Verschlechterung der Autonomie einhergeht (z. B. Amick und Celentano 1991). Die Ergebnisse zeigen, dass die Effekte von Technologien auf die Arbeitsgestaltung nicht determiniert sind, sondern Technologien sowohl einen limitierenden als auch förderlichen Faktor für die Arbeitsgestaltung darstellen können (Parker et al. 2001; Parker und Wall 2001). Die Effekte hängen in einem erheblichen Maß von Faktoren wie der konkreten Gestaltung der Technologie und dem Technologieeinführungsprozess ab (Parker und Grote 2019; Waschull et al. 2020). Da Unternehmen bei der Einführung neuer Technologien aktiv Entscheidungen treffen und daraus Implikationen für die Arbeitsgestaltung entstehen, möchten wir nachfolgend auf das Technologiemanagement eingehen, das den Weg einer Technologie in die betriebliche Anwendung beschreibt.

Damit die richtigen Technologien nutzbringend für Unternehmen eingesetzt werden können, kommt dem Technologiemanagement eine große Bedeutung zu. Dieses beschäftigt sich mit der frühzeitigen Identifizierung, Gestaltung, Optimierung, Implementierung und Bewertung neuer Technologien im Unternehmen (Bullinger 1994). Schuh et al. (2011) erstellten auf Basis verschiedener Definitionen von Technologiemanagement ein Prozessmodell aus sechs grundlegenden, miteinander vernetzten Aktivitäten. Das Modell ist in Abb. 1 dargestellt. Ausgangspunkt ist die Technologiefrüherkennung, in der relevante Technologien identifiziert und Informationen gesammelt und analysiert werden. Dies bildet die Grundlage für strategische Technologieentscheidungen und die Technologieplanung. Anschließend werden Maßnahmen zur Technologieentwicklung, -verwertung und zum Technologieschutz erstellt und realisiert. Schuh et al. (2011) betonen, dass über alle Phasen hinweg die Technologiebewertung (oder auch Technikbewertung) eine entscheidende Funktion einnimmt und die Basis für Entwicklungs‑, Einführungs- und Nutzungsentscheidungen für neue Technologien bildet.

Technikbewertung ist ein systematisches Vorgehen, mit dem der aktuelle Stand von Technik dargestellt, Entwicklungsmöglichkeiten erfasst und unmittelbare und mittelbare Folgen abgeschätzt werden. Ziel ist es Handlungs- und Gestaltungsmöglichkeiten für Technologien abzuleiten. Als Unterstützung bei der Bewertung von Technologien kann die VDI-Richtlinie 3780 zur Technikbewertung (VDI – Verein Deutscher Ingenieure 2000) genutzt werden. Bei der Betrachtung der Technikfolgen sollen neben technischen auch „[…] wirtschaftliche, gesundheitliche, ökologische, humane, soziale und andere Folgen […]“ (VDI – Verein Deutscher Ingenieure 2000, S. 3) betrachtet werden. Diese breite Betrachtung von Technikfolgen unterstützt Forderungen aus der Forschung, dass bei der Diskussion über die Nutzung neuer Technologien im Produktionsumfeld neben der technischen Machbarkeit auch die Auswirkungen auf die Organisation und die Beschäftigten betrachtet und eine bewusste Gestaltung der neu entstehenden Mensch-Maschine-Schnittstellen vorgenommen werden sollen (Hirsch-Kreinsen 2014; Ittermann et al. 2016).

Während der technologische Determinismus beschreibt, dass es sich bei Technologien um gegebene, kaum veränderbare Artefakte handelt, die eine Veränderung und Anpassung der Gesellschaft und des Menschen nach sich ziehen, vertritt die Theorie der sozialen Gestaltung von Technologien (social shaping of technology) die Sichtweise, dass Technologien bewusst gestaltet werden können (Rammert 2016; MacKenzie und Wajcman 1999; Russell und Williams 2002). Grundannahme dieser Theorie ist, dass nicht nur die Technologie selbst, sondern auch ihre zentralen Eigenschaften, Nutzungsszenarien und konkrete Anwendungen eine Folge sozialer Prozesse und Entscheidungen sind (Russell und Williams 2002). Unterschiedliche Gruppen und Akteure nehmen durch das Treffen (bewusster und unbewusster) Entscheidungen Einfluss auf die Gestaltung und Verbreitung von Technologien (Williams und Edge 1996). Subjektive Einstellungen hinsichtlich der neuen Technologie, erwünschte Zielzustände oder zu vermeidende Risiken stellen daher bereits in der Technologieentwicklung und -implementierung bedeutsame Entscheidungsfaktoren dar.

Bei der Entwicklung und Einführung neuer Technologien in der Industrie 4.0 verweist Hirsch-Kreinsen (2016) unter anderem auf die Rolle der Wissenschaft (vorwiegend auf Informatikwissenschaften), die Rolle innovationspolitischer Akteure (z. B. Bundesministerium für Bildung und Forschung) und die Rolle der Unternehmensvertreter. Im betrieblichen Umfeld spielen neben Entscheidungsträgern auch Fachgruppen und Anwender eine bedeutsame Rolle (Russell und Williams 2002; Williams und Edge 1996). Die gerade benannten Gruppen können in unterschiedlicher Weise Einfluss auf die Technologiegestaltung, -anwendung und -verbreitung nehmen (siehe Tab. 1). Betriebsinterne Akteure wie Entscheider, Betriebsräte und Anwender können durch die Auswahl bestimmter Technologien, die bewusste Ausgestaltung und Reglementierung von Anwendungsmöglichkeiten sowie die Nutzung bzw. Nicht-Nutzung der Technologien die Entwicklung und Verbreitung beeinflussen.

Die Unterstützung oder Ablehnung neuer Technologien im betrieblichen Kontext wird auch im Promotorenmodell von Witte (1973) thematisiert. Das Modell beschreibt, dass betriebliche Akteure bei der Einführung neuer Technologien als Opponent Widerstand gegen die Neuerungen leisten können oder als Innovationsförderer (sog. Promotoren) die Einführung und Nutzung neuer Technologien aktiv voranbringen können. Widerstände können aufgrund von fehlendem Wissen (Nicht-Wissen), persönlichen oder motivationalen Gründen (Nicht-Wollen) oder betrieblichen Beharrungstendenzen (administrative Barrieren) entstehen und dazu führen, dass Veränderungsprozesse verhindert, verzögert oder verformt (z. B. Umsetzung von Alternativen) werden (Hauschildt und Salomo 2008). Promotoren tragen zur Überwindung und Lösung der Widerständen bei, indem sie Wissen einbringen (Fachpromotor), formelle Einflussmöglichkeiten ausüben (Machtpromotor) oder diplomatische Fähigkeiten einsetzen (Prozesspromoter) (Witte 1973; Hauschildt und Chakrabarti 1988). Im angelsächsischen Raum wurde ein ähnliches Konzept entwickelt, das die unterschiedlichen Promotorenrollen in einer Person, dem Champion, vereint (Howell und Higgins 1990). Ein Champion zeichnet sich durch ein hohes Maß an Zuversicht in den Erfolg der Innovation und Widerstandsfähigkeit bei Schwierigkeiten aus und sorgt dafür, dass die richtigen Personen im Innovationsprozess mitwirken (Howell et al. 2005). Folkerts und Hauschildt (2001) konnten zeigen, dass Opponenten durch den Einbezug in den Veränderungsprozess und durch eine intensivere Auseinandersetzung mit den Inhalten der Veränderung zu Promotoren der Veränderung werden können. Weiterhin konnte gezeigt werden, dass Führungskräfte als Machtpromotoren einen direkten Einfluss auf die Entscheidung von Mitarbeitenden zur Nutzung neuer Technologien haben (Wieseke et al. 2010). Mit Ausnahme der Rolle des Machtpromotors sind die Rollen nicht an hierarchische Positionen innerhalb des Unternehmens gebunden und können daher von allen Mitarbeitenden eingenommen werden.

Außerhalb des Unternehmens schaffen Wissenschaftler durch die Entwicklung von Innovationen und deren Erforschung Grundlagenwissen. Durch fundierte Technikbewertungen und entsprechende Informationsbereitstellung schaffen Wissenschaftler ein Bewusstsein für Entwicklungsrichtungen, mögliche Chancen und Risiken der Technologien, Perspektiven relevanter Stakeholder sowie Herausforderungen und Optionen für die politische Gestaltung (Hennen et al. 2004). Wissenschaftliche Forschungsergebnisse können somit eine Grundlage für politische Meinungsbildung und Entscheidungsprozesse sein und zur Setzung von Rahmenbedingungen (z. B. Regelungen und Gesetzen) beitragen. Die unterschiedlichen Bewertungen von Technologien durch die unterschiedlichen Akteure, beispielsweise hinsichtlich möglicher Chancen und Risiken beim Technologieeinsatz, bilden die Grundlage für Verhandlungen im Technologieentwicklungs- und Technologieimplementierungsprozess (Jørgensen et al. 2009).

In der Smart Factory sind alle Güter, Maschinen und Menschen miteinander vernetzt (Hirsch-Kreinsen 2014; Kagermann et al. 2013; Spath et al. 2013). Mitarbeitende können durch DWAS in diese vernetzte Welt integriert werden. DWAS sind definiert als „[…] mobile oder körpernah tragbare Endgeräte (Wearables) in industrieller Anwendung […]“ (Niehaus 2017, S. 5) und unterstützen Mitarbeitende zum Beispiel durch die kontextsensitive Bereitstellung relevanter Informationen. Vor allem im Produktionsumfeld bestehen beim Einsatz von DWAS große ökonomische Potenziale zur Effizienzsteigerung, Optimierung von Prozessen und Datenanalyse (McKinsey Global Institute 2015). Gleichzeitig ermöglichen DWAS die Beherrschung der stetig steigenden Komplexität der Produktionsarbeit durch die Fertigung kundenindividueller Produkte. Trotz der hohen Verbreitung von Smartphones, Tablets und zunehmend auch Datenbrillen im Consumer-Bereich erfolgt die Anwendung dieser Systeme im industriellen Umfeld eher langsam. Diesen Eindruck unterstützen auch Evers et al. (2018), die berichten, dass sich DWAS immer noch in einer „Design- und Bereitstellungsphase“ (S. 7) befinden.

Die geringe Verbreitung von DWAS in der betrieblichen Praxis kann ein Grund dafür sein, dass Studien zu DWAS bisher häufig praxisfern durchgeführt werden und nur einzelne Anwendungsmöglichkeiten betrachten (Niemöller et al. 2017). Eine übergeordnete Systematisierung von Nutzungsmöglichkeiten für DWAS ist derzeit nicht vorhanden. Dennoch bemühen sich einige Studien um eine Zusammenfassung identifizierter Anwendungsmöglichkeiten (Aleksy et al. 2011; Damiani et al. 2018; Evers et al. 2018; Niehaus 2017; Niemöller et al. 2017). In vier der fünf benannten Studien werden die Anleitung von Arbeitsaufgaben, die Instandhaltung und das Erlernen von Arbeitstätigkeiten bzw. die Anwendung von DWAS beim Training beschrieben. In drei der fünf Studien werden Anwendungsmöglichkeiten bei der Qualitätssicherung, der Dokumentation sowie der Anwendung für die Kollaboration und Kommunikation zwischen Mitarbeitenden angegeben. Obwohl in den einzelnen Studien unterschiedliche Technologien betrachtet wurden (z. B. untersuchten Aleksy et al. (2011) die Anwendung von tragbaren Computergeräten, wohingegen Damiani et al. (2018) AR- und VR-Anwendungen untersuchten), überschneiden sich die identifizierten Anwendungsmöglichkeiten für DWAS.

Ein Kritikpunkt an bisherigen Studien zur Identifizierung von Anwendungsmöglichkeiten von DWAS ist, dass diese häufig weder branchen- noch tätigkeitsspezifisch (Herterich et al. 2015) sind. Niemöller et al. (2017) begegnen diesem Kritikpunkt und betrachten in einer explorativen Fallstudie die Anwendung von Datenbrillen in der Logistikbranche. Sie identifizierten 36 Anwendungsfälle von Datenbrillen in der Logistik und erstellten eine erste Systematisierung, indem sie die Anwendungsfälle anhand der Prozessschritte in der Logistik (Prozessgruppe) und der spezifischen Funktion, die durch die Datenbrille zur Verfügung gestellt wird (Funktionsgruppe), organisierten. Als Ergebnis wurden die drei Prozessgruppen Management, Kommunikation und Value Added Services/Qualitätssicherung identifiziert. Die Funktionen der Datenbrille wurden mit Monitoring, Steuerung, Anleitung, Abruf von Videos, automatisierte Kontrolle, Identifizierung, Navigation und Sicherheit beschrieben.

Als Resümee zeigt sich, dass in den vorgestellten Studien unabhängig von der betrachteten Einzeltechnologie ähnliche Anwendungsfelder identifiziert wurden. Diesem Befund folgend, verzichten wir in dieser Studie auf eine detaillierte Unterscheidung einzelner Technologien und wählen den Begriff DWAS als Sammelbezeichnung unterschiedlicher Technologien, die den Mitarbeitenden im Produktionsprozess kognitiv unterstützen. Eine übergreifende Systematik zu Nutzungsmöglichkeiten von DWAS in der Produktion liegt unseres Wissens nach zum gegenwärtigen Zeitpunkt nicht vor. Weiterhin gibt es bisher keine verlässliche Datenlage dazu, wie DWAS in der betrieblichen Praxis angewendet werden (Aleksy et al. 2011; Niehaus 2017).

Ziel dieser Studie ist es, die Sichtweisen relevanter Akteure im Technologiegestaltungsprozess zu erfassen, um Handlungs- und Gestaltungsempfehlungen für die Technologien und deren Nutzung im Unternehmenskontext abzuleiten. Hierfür wird im ersten Schritt eine Systematik von Anwendungsmöglichkeiten von DWAS im Produktionsbereich, erstellt. Zur Ableitung der Handlungs- und Gestaltungsempfehlungen werden außerdem die erwarteten mittelbaren und unmittelbaren Chancen und Risiken des Technologieeinsatzes erfasst. Im Rahmen der Studie sollen die folgenden Forschungsfragen beantwortet werden:

Um Anwendungsmöglichkeiten sowie Chancen und Risiken beim Einsatz von DWAS aus der Sicht unterschiedlicher Akteure zu erfassen, wurden 76 halbstrukturierte Interviews mit Experten aus der Wissenschaft (n = 16), der Politik (n = 14) und der betrieblichen Praxis (Planer n = 17; Betriebsräte n = 14; Mitarbeitende in der Produktion n = 15) durchgeführt. Die Interviews wurden im Rahmen einer Delphi-Studie durchgeführt und dienten als Ausgangspunkt für die Formulierung von Szenarien zur Zukunft der Produktionsarbeit. Für Delphi-Studien wird empfohlen pro betrachteter Expertengruppe zwischen 10 und 18 Personen zu befragen (Okoli und Pawlowski 2004). Aus diesem Grund umfasst diese Studie eine vergleichsweise hohe Anzahl an Interviews für eine qualitative Studie.

Für die Interviews wurde vorab ein Leitfaden erstellt, der alle für die Befragung relevanten Themengebiete und einen vorbereiteten Pool an Fragen zur Exploration der einzelnen Themengebiete beinhaltete. Die Durchführung von halbstrukturierten Interviews ermöglicht es, beispielsweise die Reihenfolge von Fragen anzupassen und auf die Antworten der einzelnen Interviewteilnehmer eingehen zu können (Kallio et al. 2016; Qu und Dumay 2011). Die Identifikation der Experten erfolgte durch Recherchen (z. B. Veröffentlichungen zum Thema Industrie 4.0, Mitwirkung in relevanten Fachgruppen oder Gremien). Eine Übersicht über die Merkmale und Identifikationskriterien für die Expertengruppen ist in Tab. 1 dargestellt.

Als demografische Variablen wurden das Alter und die Berufserfahrung in Jahren erhoben. Um die Anonymität der Befragten sicherzustellen, wurden diese Variablen kategorial erhoben. Die Altersverteilung der Interviewteilnehmer ist getrennt für die einzelnen Expertengruppen in Abb. 2 und die Berufserfahrung in Abb. 3 dargestellt. Die Altersverteilung der Stichprobe zeigt, dass befragte Experten aus der Gruppe der Anwender und Planer tendenziell jünger waren als befragte Experten aus der Wissenschaft, politische Akteure und Betriebsräte. Eine ähnliche Verteilung zeigt sich für die Berufserfahrung der Stichprobe. Befragte Experten aus den Gruppen Betriebsrat, Wissenschaft und politische Akteure weisen überwiegend eine langjährige Berufserfahrung (>19 Jahre) auf.

Die 76 Interviews wurden in MAXQDA (VERBI Software 2017) nach den inhaltich-semantischen Transkriptionsregeln von Dresing und Pehl (2018) transkribiert. Anschließend erfolgte die Auswertung der Interviews mittels qualitativer strukturierender Inhaltsanalyse (Steigleder 2008).

Als Grundlage für die Erstellung des Kategoriensystems zu Anwendungsmöglichkeiten von DWAS wurden die Anwendungskategorien aus der Studie von Niemöller et al. (2017) genutzt. Aussagen, die keiner bestehenden Kategorie entsprachen, wurden der Kategorie „Sonstiges“ zugeordnet. Im Anschluss an den ersten Kodiervorgang wurden die Aussagen der Kategorie „Sonstiges“ gesichtet und neue Hauptkategorien entwickelt. Nicht benötigte Hauptkategorien wurden entfernt. Anschließend wurden alle Hauptkategorien detailliert und Subkategorien erstellt. Für die Definition der Subkategorien wurde in Teilen auf die Beschreibungen der Funktionsgruppen von Niemöller et al. (2017) zurückgegriffen. Zusätzlich wurden eigene Subkategorien ergänzt. In einem zweiten Kodierschritt wurden die zuvor identifizierten Textstellen einer Subkategorie zugeordnet.

Als Grundlage für die Entwicklung des Kategoriensystems zu Chancen und Risiken beim Einsatz von DWAS wurden die Dimension Arbeitsgestaltung sowie die sechs Dimensionen zur Technikbewertung aus der VDI-Richtlinie 3780 als Hauptkategorien genutzt (VDI – Verein Deutscher Ingenieure 2000): technische Dimension, wirtschaftliche Dimension, gesundheitliche Dimension, ökologische Dimension, humane Dimension und soziale Dimension. Aussagen, die keiner Hauptkategorie zugeordnet werden konnten, wurden der Kategorie „Sonstiges“ zugeordnet. Anschließend wurden die vorhandenen Hauptkategorien detailliert und Subkategorien erstellt. Zur Erstellung der Subkategorien für die Hauptkategorie Arbeitsgestaltung wurde beispielsweise auf die Unterscheidung in Tätigkeits- und Wissensmerkmale aus dem Work Design Questionnaire (Morgeson und Humphrey 2006; Stegmann et al. 2010) zurückgegriffen. Für die Erstellung von Subkategorien für die Hauptkategorie technologische Dimension wurden die Kriterien Systemqualität (Wahrnehmung des technologischen Systems und der Informationsbereitstellung) und Informationsqualität (Wahrnehmung der Qualität der bereitgestellten Informationen) genutzt, die häufig zur Bewertung von Technologien genutzt werden (Brunkow und Hub 2018; Wixom und Todd 2005).

Das Kategoriensystem Anwendungsmöglichkeiten fasst die von den Experten beschriebenen Möglichkeiten zur Anwendung von DWAS in der Produktion zusammen. Es besteht aus den Hauptkategorien (1) Arbeitsschutz, (2) Arbeitstätigkeit, (3) Identifizierung, (4) Kommunikation, (5) Management, (6) Navigation, (7) Organisation, (8) Qualifizierung und Kompetenzentwicklung und (9) Qualitätssicherung. Den neun Hauptkategorien sind 45 Subkategorien zugeordnet. Das Kategoriensystem ist in Tab. 2 dargestellt. Die Kategorie Arbeitsschutz beschreibt die Anwendung von DWAS zum Schutz der Mitarbeitenden vor schädlichen Belastungen oder Gefahren. Die Hauptkategorie Arbeitstätigkeit beinhaltet Aussagen dazu, dass DWAS die Mitarbeitenden durch die Bereitstellung von Informationen bei der Erfüllung der Arbeitsaufgabe unterstützen. In der Hauptkategorie Identifizierung werden Aussagen der Interviewteilnehmer zusammengefasst, die beschreiben, dass DWAS eingesetzt werden, um Mitarbeitende oder Objekte zu identifizieren. Die Hauptkategorie Kommunikation beschreibt die Nutzung von DWAS, um innerhalb von Teams oder über Teamgrenzen hinweg zu kommunizieren. Die Hauptkategorie Management beschreibt, dass DWAS genutzt werden, um Prozesse und Abläufe sichtbar zu machen, zu überwachen und zu steuern (Niemöller et al. 2017). Die Hauptkategorie Navigation beschreibt die Anwendung von DWAS zum Erteilen statischer oder dynamischer Navigationsanweisungen (Niemöller et al. 2017). In der Hauptkategorie Organisation sind Anwendungsfälle zusammengefasst, in denen DWAS für die Koordination und Organisation von Abläufen eingesetzt werden. Die Hauptkategorie Qualifizierung und Kompetenzentwicklung beschreibt den Einsatz von DWAS zur Qualifizierung und zum Lernen. In der Hauptkategorie Qualitätssicherung werden Anwendungsmöglichkeiten von DWAS zur Sicherstellung und Steigerung der Produktqualität erfasst.

Das Kategoriensystem zu Chancen und Risiken beim Einsatz von DWAS in der Produktion besteht aus den Hauptkategorien (1) Arbeitsgestaltung, (2) Individuelle Dimension, (3) Ökologie, (4) Ökonomie, (5) Soziale Dimension und (6) Technologische Dimension. Den sechs Hauptkategorien sind 26 Subkategorien zugeordnet. Die Kategorien im Kategoriensystem sind bewusst sprachlich neutral gehalten, um sowohl Chancen als auch Risiken mit dem gleichen Kategoriensystem erfassen zu können. Das Kategoriensystem ist in Tab. 3 dargestellt.

In der Hauptkategorie Arbeitsgestaltung sind Chancen und Risiken von DWAS für die Gestaltung der Arbeitstätigkeit und der Arbeitsorganisation zusammengefasst. Die Hauptkategorie individuelle Dimension enthält Aussagen der Interviewteilnehmer zu Chancen und Risiken, die sich für den individuellen Mitarbeitenden ergeben. Die Hauptkategorie Ökologie beinhaltet Aussagen der Interviewteilnehmer zu Chancen und Risiken im Umgang mit Ressourcen. In der Hauptkategorie Ökonomie sind wirtschaftliche Chancen und Risiken beim Einsatz von DWAS zusammengefasst. Die Hauptkategorie soziale Dimension erfasst Chancen und Risiken für die Beziehung und den Austausch zwischen Mitarbeitenden. Die Hauptkategorie technologische Dimension beschreibt Chancen und Risiken, die sich für die Informationsdarbietung und die Qualität der Informationen ergeben.

Nach einer ersten Gesamtkodierung des Materials wurde die Intercoder-Reliabilität (Kappa, κ_n Brennan und Prediger 1981) bestimmt, um die Qualität des Kodierprozesses zu ermitteln und zu verbessern (Rädiker und Kuckartz 2019). Hierfür wurde für zwei Personen, die im Rahmen einer hilfswissenschaftlichen Tätigkeit das Forschungsprojekt unterstützten, eine Kodierschulung durchgeführt. Danach fand mit zwei zufällig ausgewählten Interviews ein erster Kodiervorgang statt. Die Ergebnisse wurden anschließend ausgewertet und diskutiert. Nicht-Übereinstimmungen bildeten die Grundlage für die Überarbeitung und Schärfung der Kategoriensysteme und der Kodierleitfäden. Das gesamte Datenmaterial wurde mit den angepassten Kategoriensystemen erneut kodiert. Danach wurden für jeden der beiden zuvor geschulten Kodierer elf Interviews (ca. 15 % des Gesamtmaterials) zufällig ausgewählt und mit einem der beiden Kategoriensysteme zweitkodiert.

Für die kodierten Textstellen mit dem Kategoriensystem Anwendungsmöglichkeiten lag Kappa bei κ_n = 0,88. Die Kappa-Werte der einzelnen Interviews lagen zwischen κ_n = 0,81 und κ_n = 0,96. Für das Kategoriensystem Chancen und Risiken wurde insgesamt ein Kappa von κ_n = 0,84 erreicht. Die Kappa-Werte der einzelnen Interviews lagen zwischen κ_n = 0,72 und κ_n = 1,00. Bei der Interpretation der erreichten Kappa-Werte kann auf die etablierten Konventionen zur Interpretation von Cohens Kappa zurückgegriffen werden (Rädiker und Kuckartz 2019). Ab einem Kappa von κ > 0,80 kann von einer sehr guten Übereinstimmung ausgegangen werden.

Nachfolgend werden die Ergebnisse der deskriptiven Datenauswertung für die beiden Themen Anwendungsmöglichkeiten und Chancen und Risiken beim Einsatz von DWAS vorgestellt. Weiterhin werden die Antworten der unterschiedlichen Expertengruppen miteinander verglichen.

Ziel dieser Studie war es, Anwendungsmöglichkeiten für DWAS sowie Chancen und Risiken beim Einsatz von DWAS im Produktionsumfeld aus der Sicht unterschiedlicher Expertengruppen zu erfassen, um daraus Handlungs- und Gestaltungsempfehlungen ableiten zu können. Als Ergebnis wurde ein Kategoriensystem zur Systematisierung von Anwendungsmöglichkeiten von DWAS mit neun Kategorien erstellt.

Das Kategoriensystem kann betriebliche Entscheidungsprozesse im Rahmen des Technologiemanagements unterstützen und bietet einen Überblick über Anwendungsmöglichkeiten und Gestaltungsoptionen. Die Hauptkategorien des Kategoriensystems können von Unternehmen genutzt werden, um einen Überblick über mögliche Anwendungsfälle für DWAS zu erhalten und zu entscheiden, welche Anwendungsmöglichkeiten in der betrieblichen Praxis realisiert werden sollen. Diese Entscheidungen bilden die Grundlage für die Erstellung eines Technologieplans, in dem neben der konkreten Technologie auch der Zweck der Anwendung festgelegt wird (Schuh et al. 2011). Das Kategoriensystem erweitert bestehende Forschungserkenntnisse durch die Beschreibung von Anwendungsmöglichkeiten, die sich heute im Unternehmensumfeld ggf. noch nicht oder nur schwer realisieren lassen. Ein Beispiel hierfür ist die Nutzung von DWAS zum Arbeitsschutz. DWAS können durch die Anzeige objektbezogener Warn- und Sicherheitshinweise (Niemöller et al. 2017) Mitarbeitende beispielsweise vor Kollisionen warnen. Nützlich ist diese Funktion, wenn sich Mitarbeitende dem Bewegungsraum eines Roboters nähern oder fahrerlose Transportsysteme innerhalb von Fertigungshallen eingesetzt werden. Um diese Anwendung zu realisieren, werden dauerhaft die Positions‑, Bewegungs- und Routendaten aller in einer Fertigungshalle befindlichen Maschinen und Fahrzeuge sowie die Standortdaten der Mitarbeitenden benötigt. Für eine zuverlässige objektbezogene Warnung fehlen derzeit häufig noch die notwendigen Sensoren zur Erfassung der benötigten Daten sowie rechtliche und betriebliche Regelungen für deren Erfassung, Auswertung und Verwertung (Roßnagel 2008).

Die Subkategorien des Kategoriensystems „Anwendungsmöglichkeiten“ stellen außerdem unterschiedliche Gestaltungsoptionen bei der Anwendung von DWAS in der betrieblichen Praxis bereit (siehe Tab. 2). Beispielsweise kann bei der Anwendung von DWAS zur Unterstützung der Arbeitstätigkeit sowohl die Gestaltungsoption dauerhafte Schritt-für-Schritt-Anleitung als auch die Gestaltungsoption einer bedarfsorientierten temporären Unterstützung der Mitarbeitenden realisiert werden. Der Einsatz von DWAS zur dauerhaften Schritt-für-Schritt-Anleitung kann mit Erwartungen wie einer höheren Effizienz der Prozessabläufe und einer höheren Produktqualität verbunden sein, die der Einführung von Technologien im Arbeitsprozess häufig zugrunde liegen (Pfeiffer 2010). Da Mitarbeitende schrittweise durch den Arbeitsprozess geführt werden, können Abweichungen und Fehler verhindert werden. Gleichzeitig kann die detaillierte Vorgabe von Arbeitsschritten von Mitarbeitenden als Einschränkung des Handlungsspielraums und der Autonomie empfunden werden (BAuA 2017). Bestehende Forschungsergebnisse zur Arbeitsgestaltung zeigen, dass Autonomie auf Outcomes wie die Arbeitszufriedenheit (Humphrey et al. 2007; Wu et al. 2015) und die Teamleistung (Cordery et al. 2010) wirkt. Somit könnte eine Verringerung der Autonomie diese Outcomes negativ beeinflussen.

Eine Besonderheit dieser Studie liegt im Einbezug der Sichtweisen unterschiedlicher Expertengruppen und ist unserem Wissen nach die einzige Studie zu DWAS, die sowohl Expertengruppen außerhalb von Unternehmen als auch unterschiedliche Expertengruppen innerhalb von Unternehmen bis hin zu Anwendern berücksichtigt und deren Sichtweisen gegenüberstellt. Der Vergleich der Antworten der Expertengruppen zeigt, dass die betrieblichen Expertengruppen vor allem Anwendungsmöglichkeiten benennen, bei denen die Steigerung der Effizienz und der Qualität im Sinne einer Smart Factory angestrebt werden. Eine mögliche Ursache dafür könnte sein, dass diese Aufgaben bereits heute Bestandteile der Arbeitstätigkeit der Anwender sind und diese auch zukünftig als relevante Bestandteile der Arbeitstätigkeit wahrgenommen werden. Wissenschaftler und politische Akteure benennen im Unterschied zu den anderen Expertengruppen sehr häufig die Anwendung von DWAS für die Qualifizierung und Kompetenzentwicklung. Eine Ursache für den großen Unterschied der Nennhäufigkeiten könnte sein, dass diese Gruppen in der Nutzung von DWAS eine Möglichkeit zur Verbesserung der Arbeit in der Produktion im Sinne einer humanorientierten Arbeitsgestaltung sehen (Wissenschaftlicher Beirat der Plattform Industrie 4.0 2014). Dabei rücken der Erhalt und die Förderung kognitiver Fähigkeiten und eine lernförderliche Gestaltung der Arbeitstätigkeit auch im Sinne des arbeitsintegrierten Lernens stärker in den Fokus. Dafür spricht auch, dass Wissenschaftler und politische Akteure häufig Chancen beim Einsatz von DWAS für die Wissensmerkmale der Tätigkeit benennen. Wissensmerkmale beziehen sich auf die Komplexität der anfallenden Aufgaben, die Anforderungen an Informationsverarbeitung, die Problemlösung, die Anforderungsvielfalt und die Tiefe des erforderlichen Spezialwissens (Morgeson und Humphrey 2006; Stegmann et al. 2010). Bei der bewussten Gestaltung dieser Anwendungsmöglichkeit von DWAS wird es Mitarbeitenden ermöglicht, komplexere und vielfältigere Aufgaben bewältigen oder sich aktiver in die Problemlösung einbringen zu können. Daran ist häufig die Hoffnung einer weiteren Verbesserung und Aufwertung der Produktionsarbeit geknüpft (Richter et al. 2017; Wissenschaftlicher Beirat der Plattform Industrie 4.0 2014).

Um zusätzlich zu den identifizierten Anwendungsmöglichkeiten Gestaltungshinweise ableiten zu können, wurden Chancen und Risiken beim Einsatz von DWAS in der Produktion erfasst. Ergebnisse unserer Studie zeigen, dass der Einsatz von DWAS für die Arbeitsgestaltung ambivalent wahrgenommen wird und sowohl positive als auch negative Veränderungen beschrieben werden. Positive Entwicklungsmöglichkeiten für die Arbeitsgestaltung werden vor allem in der Ausweitung des Tätigkeitsspielraums und dem arbeitsintegrierten Lernen gesehen. Risiken für die Arbeitsgestaltung bestehen darin, dass Tätigkeiten zukünftig weniger Wissen, Fähigkeiten und Problemlösung erfordern, Mitarbeitende daher einer weniger qualifizierten Tätigkeit nachgehen und einfacher ausgetauscht werden können. Erste Studien belegen, dass Unternehmen Digitalisierungslösungen nutzen, um sich vom Fach- und Prozesswissen der Mitarbeitenden unabhängig zu machen (Butollo et al. 2018) und unterstützen das von den Expertengruppen benannte Risiko. Der ambivalente Zusammenhang zwischen Technologieeinführung und Arbeitsgestaltung wurde auch in anderen Studien beschrieben (z. B. Amick und Celentano 1991; Feenberg 1990; Wall et al. 1990) und unterstützt die Forderung nach einer bewussten Gestaltung der Technologien, bei der Auswirkungen auf die Arbeitsgestaltungen bereits ab der Entwicklung der Technologien mitgedacht werden.

Große ökonomische Chancen werden vor allem durch die Steigerungen der Effizienz und der Qualität erwartet. Die Effizienzsteigerungen können vor allem durch die Reduzierung unnötiger Laufwege und die Anleitung der effizientesten Tätigkeitsausführungen erreicht werden. Bei der Qualität wird eine Reduzierung der Fehlerquote beispielsweise durch die automatische Kontrolle des Produkt- bzw. Objektzustandes oder die Bestätigung von Arbeitsschritten erwartet. Die von den Experten benannten ökonomischen Chancen liegen der Einführung von DWAS häufig zugrunde und bilden Kernelemente des Zielbilds der Smart Factory in der Industrie 4.0 (Kagermann et al. 2013).

Anwender benennen vor allem Risiken für die technologische Dimension und hierbei vor allem die Manipulierbarkeit und Störanfälligkeit der Systeme sowie das Thema Datenschutz. Eine mögliche Ursache für die kritische Betrachtung der technologischen Dimension kann sich aus der praktischen Erfahrung der Anwender mit der Einführung neuer Technologien im Unternehmen ergeben. Nehmen Mitarbeitende an, dass der Einsatz neuer Technologien zu einer Verschlechterung ihrer Arbeitsleistung führt, werden neue Technologien seltener akzeptiert und eher abgelehnt (Ullrich et al. 2017).

Aus den identifizierten Chancen und Risiken beim Einsatz von DWAS ergeben sich zahlreiche Hinweise für die Gestaltung und Implementierung der Systeme in der betrieblichen Praxis. Nachfolgend werden einige Gestaltungshinweise für die Arbeitsgestaltung, die individuelle und die technologische Dimension beschrieben.