Die Ausstellung macht Themen rund um KI und Arbeit erlebbar. Auf dieser Seite finden Sie die wissenschaftlichen Studien, Konzepte und weiterführenden Materialien, die den einzelnen Stationen zugrunde liegen.

Navigation:
Station 1: Was ist Künstliche Intelligenz?
Station 2: Mensch und KI im Team
Station 3: Wandel der Berufe am Menschen orientieren in Berufsfeldern
Station 4: Relevanz der Job-Identität
Station 5: Fachkräfteknappheit – KI sichert Wissen
Station 6: Wandel der regionalen Beschäftigungsstruktur
Station 7: Ethik und Mitbestimmung des KI-Einsatzes
Station 8: HUMAINE – Menschen mit Verantwortung für KI

Station 1: Was ist Künstliche Intelligenz?

Bei Künstlicher Intelligenz (KI) handelt es sich um unterschiedliche technische Verfahren, die große Datenmengen verarbeiten, um Muster erkennen zu können. Zu den verarbeiteten Daten zählen z.B. Zahlen, Texte, Fotos oder Sprachaufzeichnungen. Mit dem erkannten Muster zeigt die KI eine Lösung an, die ursprünglich menschliche Intelligenz erfordert hat. Die KI weist auf Abweichungen hin, gibt Empfehlungen, macht Vorhersagen, generiert Bilder oder schreibt Texte und Programme.

Station 2: Mensch und KI im Team

KI kann in Bildern Abweichungen erkennen, die für das menschliche Auge kaum sichtbar sind – und das schnell und ermüdungsfrei. Deshalb wird KI unter anderem bei der Auswertung von Röntgenbildern eingesetzt. Da ihr das Kontextverständnis fehlt, kann KI in schwierigen Fällen allerdings falsche Entscheidungen treffen. Die beste Lösung besteht somit oftmals im Zusammenspiel von Mensch und KI. Die Forschung zeigt, wie diese Teamarbeit für gute und verantwortungsvolle Ergebnisse gestaltet werden kann.

Autor:innen:
Sophie Berretta, Alina Tausch, Greta Ontrup, Björn Gilles, Corinna Peifer, Annette Kluge

Abstract:
Introduction: With the advancement of technology and the increasing utilization of AI, the nature of human work is evolving, requiring individuals to collaborate not only with other humans but also with AI technologies to accomplish complex goals. This requires a shift in perspective from technology-driven questions to a human-centered research and design agenda putting people and evolving teams in the center of attention. A socio-technical approach is needed to view AI as more than just a technological tool, but as a team member, leading to the emergence of human-AI teaming (HAIT). In this new form of work, humans and AI synergistically combine their respective capabilities to accomplish shared goals.
Methods: The aim of our work is to uncover current research streams on HAIT and derive a unified understanding of the construct through a bibliometric network analysis, a scoping review and synthetization of a definition from a socio-technical point of view. In addition, antecedents and outcomes examined in the literature are extracted to guide future research in this field.
Results: Through network analysis, five clusters with different research focuses on HAIT were identified. These clusters revolve around (1) human and (2) task-dependent variables, (3) AI explainability, (4) AI-driven robotic systems, and (5) the effects of AI performance on human perception. Despite these diverse research focuses, the current body of literature is predominantly driven by a technology-centric and engineering perspective, with no consistent definition or terminology of HAIT emerging to date.
Discussion: We propose a unifying definition combining a human-centered and team-oriented perspective as well as summarize what is still needed in future research regarding HAIT. Thus, this work contributes to support the idea of the Frontiers Research Topic of a theoretical and conceptual basis for human work with AI systems.

Zitation:
Berretta, S., Tausch, A., Ontrup, G., Gilles, B., Peifer, C., & Kluge, A. (2023). Defining human-AI teaming the human-centered way: A scoping review and network analysis. Frontiers in Artificial Intelligence, 6, 1250725.

Autor:innen:
Sophie Berretta, Alina Tausch, Florian Bülow, Bernd Kuhlenkötter, Maximilian Topp, Christian Els, Corinna Peifer, Annette Kluge

Abstract:
The complementary integration of artificial intelligence (AI) in the workplace requires balancing performance goals with psychological needs, as both are essential for sustained outcomes. This study examines different workflows (AI-first and human-first) as cognitive forcing strategies to test whether they enhance performance and psychological outcomes compared to human-only and AI-only processing. In a one-factorial between-subjects experiment (N = 101) within a visual inspection task, evaluated at up to three measurement points, performance variables (accuracy, speed, error rates) and psychological variables (vigilance, flow, teaming experience, wellbeing when working with the AI) were assessed. Human-AI collaboration outperformed AI-only in error rates (η2 = 0.29) and human-only in speed (η2 = 0.11 – 0.14), but only when AI preceded human processing. The AI-first workflow enhanced teaming perception compared to human-only processing (η2 = 0.07). Moreover, human-AI collaborative processing reduced flow decrease compared to human-only processing (η2 = 0.07). Overall, AI processing preceding human processing produces the best balance between performance and psychological outcomes in safety-critical inspection tasks, supporting a holistic view of AI integration in the workplace.

Zitation:
Berretta, S., Tausch, A., Bülow, F., Kuhlenkötter, B., Topp, M., Els, C., Peifer, C., & Kluge, A. (2025). Human or AI first? A holistic perspective on the sequential order of joint human-AI inspection workflows. Applied Ergonomics, 132, 104669.

Autor:innen:
Sophie Berretta, Alina Tausch, Paul Glogowski

Abstract:
Introduction: In collaborative industrial work systems, the locus of authority—whether control over system dynamics is initiated by the system (adaptive) or by the human operator (adaptable)—can shape work experience and perceptions of the robotic partner. This study exploratively investigates how these control schemes and a static work system influence key psychological factors and which one should be favored in collaborative assembly tasks.
Methods: In an experimental laboratory study with n = 27 participants, a collaborative gearbox assembly task with a robot is used to compare adaptive and adaptable control schemes against a non-adjustable baseline. In the adaptive condition, the robot’s speed automatically adjusted to human proximity; in the adaptable condition, speed is manually adjustable via interface buttons; in the baseline condition, speed remains static. The primary endpoint was the longitudinal, comparative investigation of flow experience and perceived task demands as they represent central indicators of employees‘ psychological experience in dynamic work systems. Dependent variables included additionally autonomy perception and workplace fit (task perception), and trust, safety, robot’s intelligence, and collaboration satisfaction (robot interaction perception), as well as cycle time (performance), measured across four collaborative trials and five time points, making group comparisons and the investigation of construct dynamics possible.
Results: Both control schemes demonstrated improved collaboration experiences compared to the baseline condition. Participants in the adaptive condition reported higher flow experience and workplace fit, and showed the fastest production times across all trials, while participants in the adaptable condition reported higher autonomy and task demands. Additionally, trust in the robot increases over time, harmonizing trust levels across conditions.
Discussion: Despite limitations related to an exploratory design and a small sample size potentially masking existing effects, the findings indicate that dynamic working conditions can improve worker experience. However, the findings do not present a consistent picture favoring either adaptive or adaptable control schemes. Further research is needed to determine which control scheme is preferable in different task contexts. To inspire future work, we derive a set of hypotheses from the study’s initial findings.

Zitation:
Berretta, S., Tausch, A., & Glogowski, P. (2025). Maybe adaptive (not adaptable) automation in production: an experimental study comparing the locus of authority in work system dynamics. Frontiers in Organizational Psychology, 3, Article 1685961.

Station 3: Wandel der Berufe am Menschen orientieren in Berufsfeldern

Berufe verändern sich, wenn die KI bei Tätigkeiten unterstützt. Dies kann Aufgaben erleichtern, führt aber nicht automatisch dazu, dass die Arbeit für Beschäftigte besser wird. Durch einen humanzentrierten Ansatz achtet man darauf, dass die Arbeit abwechslungsreich bleibt, Entwicklungsmöglichkeiten bietet und Menschen neue Fähigkeiten erwerben. Beschäftigte müssen ihre Rolle weiterentwickeln können, wenn sie mit KI zusammenarbeiten. Auch das Ergebnis der Arbeit für andere Menschen, z.B. in der medizinischen Versorgung oder Dienstleistung, muss durch den Einsatz von KI verlässlicher und besser werden.

Autor:innen:
Uta Wilkens, Valentin Langholf, Marc Dewey

Abstract:
In this paper we analyse the role development of professionals in healthcare in face of AI applications to their workplaces. The conceptual background is role development theory aligned to human-AI work settings. The empirical fundament is a case study analysis conducted at Charité including a profile analysis of survey data from radiology (N=128) and a structured content analysis of ten semi-structured interviews with professionals. The outcome is the distinction of two most typical human-AI role concepts, (1) the AI-embracing human-AI role concept, and (2) the AI-ambivalent human AI-role concept. These types are based on the same set of antecedents in terms of AI literacy, former digital experience, individual perspective on the technology and the impact of AI on the overall change of individual tasks. This allows to understand why the first type experiences benefits from the human-AI role development while the second type cannot exclude personal harms. The AI-embracing role concept enhances role making with AI and incorporates AI implementation, the latent risk of AI in the AI-ambivalent concept leads to role taking against the technology.

Zitation:
Wilkens, U., Langholf, V., & Dewey, M. (2024). Types of Human-AI Role Development – Benefits, Harms and Risks of AI-Based Assistance from the Perspective of Professionals in Radiology. Journal of Competences, Strategy & Management, 12.

Autor:innen:
Sophie Berretta, Alina Tausch, Annette Kluge

Zitation:
Berretta, S., Tausch, A., & Kluge, A. (2023). CollaborAId SMART: A concept for designing identity-creating basic work in the context of AI. In Gesellschaft für Arbeitswissenschaft e.V., Sankt Augustin (Ed.), Menschengerechte Arbeitsgestaltung – Basisarbeit und neue Arbeitsformen. GfA-Press.

Autor:innen:
Valentin Langholf, Uta Wilkens

Abstract:
Der Einsatz von Künstlicher Intelligenz (KI) in Arbeitsprozessen erfordert die antizipative Veränderung von Arbeitsrollen, weil sich innerhalb der Berufsbilder Tätigkeitsbereiche verschieben, in deren Folge sich neue Interaktionsmuster zwischen Mensch und KI und zwischen Beschäftigten ergeben. Um Rollenkonflikte, Ablehnung der KI und weitere unerwünschte Nebenwirkungen der KI-Integration zu vermeiden, müssen Organisationen die Mensch-KI-Rollenentwicklung durch geeignete Maßnahmen unterstützen. Dieser Beitrag zeigt eine methodisch fundierte Herangehensweise zur Rollenentwicklung (clarifying AI augmented individual roles – clAIr) auf, die am Beispiel von Servicetechnikern in einem Maschinenbauunternehmen vor und während der Einführung KI-basierter Dienstleistungen entwickelt und erprobt wurde. Es wird veranschaulicht wie Rollenklarheit in der Interaktion mit KI bei neuen Aufgabenzuschnitten erzielt werden kann und wie die Rollenentwicklung auch die Kollaboration nach innen mit anderen Abteilungen und die zielorientierte Kommunikation nach außen im Kundenumfeld einschließt. Aus der Methode resultieren sechs Basisrollen, die auf Erkenntnissen der Rollentheorie fußen und neben der Rollenklarheit auch die Rollenidentität und Rolleninnovation einschließen. clAIr erlaubt die antizipative prozessuale Auseinandersetzung mit Mensch-KI-Arbeitsrollen.
Praktische Relevanz: KI-Applikationen betreffen immer mehr Arbeitsprozesse. Es bedarf wissenschaftlich gesicherter Erkenntnisse und Beispiele guter Praxis für ihre gelingende Integration in den Arbeitsprozess. Eine auf die Veränderungen von Arbeitsrollen gerichtete sozio-technische Systembetrachtung ist dabei vielversprechend, da sie die durch KI-Einsatz bedingte Veränderung von Tätigkeiten und Berufen in einen umfassenden, auch die Identität der Arbeitskraft berücksichtigenden Ansatz überführt. Bisherige Arbeitsbewertungsansätze konzentrieren sich auf die Charakteristika von Job-Designs, können aber den vorauslaufenden Prozess der Rollenfindung als wesentliche Stellgröße der Implementierung nicht abbilden. Diese Prozessunterstützung wird durch die Methode clAIr zur Bestimmung von Rollen für die Arbeit mit KI ermöglicht. Ihre Nutzung erfordert ein rollentheoretisches Verständnis und Expertise in der Organisationsentwicklung.

Zitation:
Langholf, V., & Wilkens, U. (2024). Pathway to work with AI: Testing the clAIr role development method in an industrial work environment. Zeitschrift für Arbeitswissenschaft, 78, 377–386.

Station 4: Relevanz der Job-Identität

Jeder Beruf besteht aus unterschiedlichen Tätigkeiten, die körperlicher, sozialer oder technischer Natur sein können. Diese Merkmale sind für die Identität am Arbeitsplatz relevant, denn sie prägen das Selbstverständnis, wer wir sind, was uns wichtig ist und was uns stolz macht. Wenn durch den Einsatz von KI Tätigkeiten verändert, verlagert oder ersetzt werden, wirkt sich dies auf die Job-Identität aus. Der Wandel von Arbeit muss daher so gestaltet werden, dass identitätsstiftende Merkmale erhalten bleiben oder hinzukommen.

Autor:innen:
Sophie Berretta, Alina Tausch, Corinna Peifer, Annette Kluge

Abstract:
Der Einsatz künstlicher Intelligenz (KI) in der Arbeitswelt ermöglicht es, Arbeit so zu gestalten, dass sie von Mensch-KI-Teams erbracht wird. Um die Bemühungen zur prospektiven Gestaltung von Mensch-KI-Teaming-Arbeitsplätzen zu evaluieren, wird das Bewertungsinventar JOPI (Job Perception Inventory) im Rahmen des Projekts „humAIne“ entwickelt. Mittels diesem sollen die Auswirkungen der Zusammenarbeit mit KI auf Wohlbefinden, Motivation und berufliche Identität erfasst werden. Daraus sollen Rückschlüsse für eine erfolgreiche und humanzentrierte Implementierung einer KI am Arbeitsplatz abgeleitet werden.

Zitation:
Berretta, S.; Tausch, A.; Peifer, C.; Kluge, A. (2022): Messung von Wohlbefindens-, Motivations- und Identitätsförderlichkeit von Mensch-KI-Teaming- Arbeitsplätzen. Magdeburg (online): GfA-Press (Technologie und Bildung in hybriden Arbeitswelten, 39).

Autor:innen:
Sophie Berretta, Alina Tausch, Corinna Peifer, Annette Kluge

Abstract:
Wenn Arbeit sich durch technologische Weiterentwicklung verändert, entstehen Herausforderungen und Chancen für die Beschäftigten. Damit der Einsatz Künstlicher Intelligenz (KI) nicht dazu führt, dass die identitätsstiftenden Elemente eines Jobs verloren gehen, sondern Motivation und Vigilanz erhalten und gefördert werden, forscht das Projekt HUMAINE an Mensch-KI-Teaming. Das Job Perception Inventory (JOPI) unterstützt dabei, den KI-Einsatz humanzentriert zu gestalten.

Zitation:
Berretta, S.; Tausch, A.; Peifer, C.; Kluge, A. (2022): Humanzentrierte Arbeitsgestaltung im Zeitalter von KI. ASU.

Autor:innen:
Sophie Berretta, Alina Tausch, Corinna Peifer, Annette Kluge

Abstract:
Introduction: Artificial intelligence (AI) is seen as a driver of change, especially in the context of business, due to its progressive development and increasing connectivity in operational practice. Although it changes businesses and organizations vastly, the impact of AI implementation on human workers with their needs, skills, and job identity is less considered in the development and implementation process. Focusing on humans, however, enables unlocking synergies as well as desirable individual and organizational outcomes.
Methods: The objective of the present study is (a) to develop a survey-based inventory from the literature on work research and b) a first validation with employees encountering an AI application. The Job Perception Inventory (JOPI) functions as a work-analytical tool to support the human-centered implementation and application of intelligent technologies. It is composed of established and self-developed scales, measuring four sections of work characteristics, job identity, perception of the workplace, and the evaluation of the introduced AI.
Results: Overall, the results from the first study from a series of studies presented in this article indicate a coherent survey inventory with reliable scales that can now be used for AI implementation projects.
Discussion: Finally, the need and relevance of the JOPI are discussed against the background of the manufacturing industry.

Zitation:
Berretta, S., Tausch, A., Peifer, C., & Kluge, A. (2023). The Job Perception Inventory: considering human factors and needs in the design of human–AI work. Frontiers in Psychology, 14, 1128945.

Station 5: Fachkräfteknappheit – KI sichert Wissen

Der Arbeitswelt fehlen zunehmend Fachkräfte und das Erfahrungswissen der Vergangenheit. Ein Beispiel dafür ist die Wartung alter Pumpen und Anlagen bei der Handhabung von Ewigkeitsschäden des Bergbaus. Hier ist spezielle Expertise erforderlich, aber nicht immer verfügbar. KI kann dabei helfen, menschliche Wissenslücken zu überbrücken und Pumpleistung sicherzustellen. Um das verlässlich zu erreichen, muss sie auf die großen Wissensarchive von heute und von einst zurückgreifen. Dazu können auch die Elemente wie das Wasser zählen.

Autor:innen:
Uta Wilkens, Julian Polte, Philipp Lelidis, Eckart Uhlmann

Abstract:
The paper specifies the genAI support needs for industrial maintenance against the background of a sociotechnical systems perspective. Emphasizing two needs, accessing implicit operator knowledge and prioritizing complex regulatory knowledge, a multi-layer architecture is outlined for an AI-based context-sensitive maintenance assistance system (MAS). The main purpose is to bridge knowledge gaps with genAI if human expertise and human implicit knowledge are not available and to cope with sub-process-specific challenges of multiple regulations. The MAS facilitates access to technical knowledge, distributes expertise, and shares implicit knowledge of experienced operators across different layers of information processing. The approach goes beyond standardization and has a high potential to enhance organizational as well as individual resilience.

Zitation:
Wilkens, U., Polte., J., Lelidis, P., & Uhlmann, E. (2025). Bridging Knowledge Gaps with GenAI in Industrial Maintenance. Specific Needs and Contextualized Solutions. Industrie4.0 Science. 3/2025, S. 52-57. DOI: 10.30844/I4SD.25.5.XX

Station 6: Wandel der regionalen Beschäftigungsstruktur

Mit neuen Technologien entstehen neue Beschäftigungsbereiche, doch andere gehen durch sie verloren. Im Ruhrgebiet hat dies mehrfach zu Strukturveränderungen geführt. Heute profitiert das Ruhrgebiet davon, dass sich neue Branchen wie die Gesundheitswirtschaft und die Informationstechnologie etabliert haben und eine stabile Beschäftigungsentwicklung sichern.

Autor:innen:
Monika Matzner, Linda Tuckwell, Alica Wilkens

Abstract:
Der Bericht bereitet die Beschäftigungsentwicklung im Ruhrgebiet von der Zeit der Hochindustrialisierung bis heute in Zahlen auf. Im Fokus steht der Beschäftigungswandel zwischen Wirtschaftsbranchen. Dieser wird an ausgewählten zeitlichen Etappen aufgezeigt. Der Bericht geht dabei auch auf Verbundeffekte zwischen Wirtschaftszweigen ein. Um die sich ändernde Bedeutung einzelner Branchen für die Beschäftigung in der Region zu verdeutlichen, werden die Zahlen in Relation zur Gesamtbeschäftigung gesetzt.
Im Ergebnis wird die historische Bedeutung des Bergbaus für die regionale Beschäftigung sichtbar. Im Jahr 1882 waren ca. 43 % aller regional Erwerbstätigen im Bergbau beschäftigt Die hohe Relevanz des Bergbaus für die regionale Beschäftigung wurde durch Verbundeffekte mit der Eisenschaffenden Industrie oder der Chemischen Industrie weiter verstärkt. Es entstand ein starkes Industrienetzwerk, das weitere Arbeitskräfte anzog, die ebenfalls zum Wachstum der Region beitrugen.
Der Wachstumstrend setzte sich nach dem 2. Weltkrieg trotz einiger Herausforderungen zunächst fort. Als Reaktion auf den Beschäftigungsrückgang im Bergbau, der ab Ende der 1950er einsetzte, wurden neue Industriezweige wie der Automobilbau angesiedelt. Insgesamt belief sich die Beschäftigung in Bergbau und Verbundindustrien bis 1970 noch auf ca. 21 %. Mit den internationalen Ölkrisen war die Wende in eine schwierige Phase nicht mehr länger aufzuhalten. In den 1980er Jahren ergab sich ein langfristiger Rückgang des industriellen Sektors verbunden mit einem Beschäftigungsabbau, der zu einem zeitweiligen Anstieg der Arbeitslosigkeit auf rund 15 % führte.
In den letzten zehn Jahren ist eine erneute Kehrtwende zu verzeichnen, diesmal zum Besseren. Die Beschäftigung im Ruhrgebiet ist um ca. 16 % gestiegen. Besonderen Anteil an dem Positivtrend haben medizinische Gesundheitsberufe, Erziehung und Bildung sowie Informatik- und andere IKT-Berufe. Darunter einzuordnen ist auch die Erwerbstätigkeit im Zusammenhang mit der Entwicklung und Nutzung von Künstlicher Intelligenz (KI). Erkennbar werden neue Verbundeffekte, z.B. zwischen der Gesundheitswirtschaft und den IKT-Berufen. Entscheidend ist, dass einseitige Abhängigkeiten der Region von einer Schlüsselbranche wie einst dem Bergbau nicht wieder entstehen. Es gibt mehrere Wachstumsbranchen mit gut bezahlter Arbeit und qualifizierten Arbeitskräften. Diese entwickeln sich miteinander, aber auch jede für sich. Keine der Branchen hat einen Anteil von mehr als 10% an der Gesamtbeschäftigung.

Zitation:
Matzner, M., Tuckwell, L., & Wilkens, A. (2025). Entwicklung der Beschäftigungsstruktur im Ruhrgebiet – Ausgewählte Etappen des Strukturwandels; Bericht im Rahmen der BMFTR-Projektförderung Kompetenzzentrum HUMAINE.

Station 7: Ethik und Mitbestimmung des KI-Einsatzes

Der Einsatz von KI bringt Risiken und Fragen der ethischen Verantwortung mit sich. Betriebsräte und Gewerkschaften bilden die Interessenvertretungen der Beschäftigten und setzen sich dafür ein, dass Risiken von Beschäftigten abgewendet werden und alle Seiten vom technologischen Wandel profitieren. Diese Funktion ist gesetzlich gesichert. Die Einführung von KI unterliegt der Mitbestimmung durch Betriebsräte. Diese können insbesondere im Ruhrgebiet auf den früheren Erfahrungen bei der Bewältigung des Strukturwandels aufbauen und sich für eine „Transformationspartnerschaft“ einsetzen. Auch der EU AI Act sorgt dafür, dass die KI-Nutzung ethisch verantwortlich erfolgt.

Autor:innen:
Thomas Haipeter, Manfred Wannöffel, Jan-Torge Daus, Sandra Schaffarczik

Abstract:
This article examines the role of employee participation in AI implementation, focusing on a case study from the German telecommunications sector. Theoretical discussions highlight concepts of employee participation and workplace democracy, emphasizing the normative basis for human-centered AI in Europe. The empirical analysis of the case study demonstrates social practices of human-centered AI and the importance of employee representatives and labor policies in sustainable technology. The contribution is structured into two main parts: first, discussing sociological concepts of employee participation and summarizing the role of works councils in shaping digital technology implementation. Second, focusing on a case study of AI regulations at Deutsche Telekom, highlighting the significant effects of employee participation and co-determination by the group works council in promoting socially sustainable AI implementation which is done via qualitative case analysis. The article highlights the significance of participation and negotiations and gives an example for social partnership relations in AI implementations.

Zitation:
Haipeter, T., Wannöffel, M., Daus, J.-T. & Schaffarczik, S. (2024). Human-centered AI through employee participation. Frontiers in Artificial Intelligence, 7, 1272102.

Autor:innen:
Alexander Ranft, Fabian Hoose, Claudia Niewerth, Matthias Preuß, Manfred Wannöffel

Abstract:
Die Einführung von Systemen der Künstlichen Intelligenz (KI) in Betrieben stellt neue Anforderungen an Regulierung und Mitbestimmung. Mit dem EU AI Act gelten seit 2025 verbindliche Vorgaben, die national mit dem Betriebsverfassungsgesetz (BetrVG) verknüpft werden müssen. Das regionale Kompetenzzentrum HUMAINE hat hierzu eine Muster-Betriebsvereinbarung KI (MBV KI) nach § 77 BetrVG entwickelt, die betriebliche Mitbestimmungsrechte stärkt und die europäische Regulierungspraxis praxisnah umsetzt. Flankiert durch Mitbestimmungsdialoge ermöglicht die MBV KI eine betriebsspezifische Anpassung für einen verantwortungsvollen und humanzentrierten KI-Einsatz. Der Beitrag zeigt am Beispiel ausgewählter Teile der MBV KI, wie eine Rahmen-Betriebsvereinbarung KI konkret gestaltet werden kann und diskutiert die Übertragbarkeit auch auf Betriebe ohne Betriebsrat. Die so vorgestellte MBV KI leistet einen Beitrag zur nachhaltigen, sozialpartnerschaftlich abgesicherten Gestaltung der digitalen Transformation.

Zitation:
Ranft, A., Hoose, F., Niewerth, C., Preuß, M. & Wannöffel, M. (2026). Regulierung von humanzentrierter KI in Betrieben – Die HUMAINE Muster-Betriebsvereinbarung. Industry 4.0 Science, 42(1), S. 14–21.

Autor:innen:
Manfred Wannöffel, Fabian Hoose, Alexander Ranft, Claudia Niewerth, Dirk Stüter

Abstract:
Im Rahmen des vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten regionalen Kompetenzzentrums „humAIne“ wurde mit dem Instrument der Mitbestimmungsdialoge ein Verfahren entwickelt, mit dem ein gemeinsames Verständnis über die komplexen Herausforderungen bei der Einführung von Künstlicher Intelligenz (KI) zwischen Management, Beschäftigten und Interessenvertretungen schrittweise im Dialog erarbeitet wird. Erfahrungen aus Projektpartnerbetrieben – wie Doncasters Precision Castings-Bochum GmbH (DPC) – zeigen exemplarisch auf, wie mit den Mitbestimmungsdialogen nicht nur rechtlich verbindliche Regelungen zu einer handhabbaren, betrieblich verankerten, nachhaltigen Praxis der Mitbestimmung bei KI entwickelt, sondern zugleich auch kontinuierliche Qualifizierungsprozesse für alle beteiligten Akteursgruppen im Sinne des Art. 4 und 5 des EU AI Act angestoßen werden.

Zitation:
Wannöffel, M., Hoose, F., Ranft, A., Niewerth, C. & Stüter, D. (2026). Mitbestimmungsdialoge zur humanzentrierten KI-Einführung – Dialogisches Verfahren der Entwicklung einer betriebsspezifischen Mitbestimmungspraxis. Industry 4.0 Science, 42(1), S. 92–98.

Station 8: HUMAINE – Menschen mit Verantwortung für KI

Wie man KI verantwortungsbewusst entwickelt und nutzt, hat das HUMAINE-Team erforscht und erprobt. Zum Team gehören Mitglieder aus Wissenschaft, Praxis und Regionalentwicklung. Alle tragen Verantwortung für den ethischen Umgang mit KI, auch Du. Worauf es jedem Teammitglied ganz besonders ankommt, erfährst Du hier.

Worauf kommt es für Dich an?