English first · Zur deutschen Ausgabe ↓
Tuesday’s Issue 27 asked how much Mexico earns from the AI hardware boom, including the energy needed to sustain it. For factories adopting AI, the value also depends on what their employees can do with it. Software that explains a process or helps prepare a task changes the work, which means it also changes what people need to learn.
A worker receiving a clear explanation of a maintenance procedure still has to establish whether it fits the machine in front of them. That means checking the current documentation and validating proposed changes before applying them. Training matters because it gives the worker enough knowledge to make those checks and recognize when an answer needs a second opinion.
Short on time? Here is the point
Training: AI can help employees learn and complete technical tasks, provided they develop the practical knowledge to judge its recommendations.
Oversight: Human review depends on competence, time and authority. A factory also has to keep people actively checking as they become familiar with the software.
Parody: A factory technician checks an AI robot’s technical test against training notes and marks an incorrect answer.
Industrial AI already does practical work
For a Mexican factory using European equipment, an assistant that explains technical material in the worker’s language has an obvious use. Austria’s ENGEL offered one example on Meximold’s October 14 program in Querétaro. Its EVA assistant supports plastic injection molding by searching technical documentation and answering questions with references to the relevant document and page, according to ENGEL.
Those references give workers something to check, but the answer still depends on the context supplied to the software. ENGEL’s terms, effective June 2026, explain that EVA draws on its wider database when the machine filter is absent. An answer may therefore be unsuitable for the equipment concerned. The terms also require users to verify responses independently, making those document references a starting point for their own assessment.
A correct answer for the wrong machine can still be a bad instruction.
As industrial AI takes on more tasks, verification extends beyond looking up a manual. In a 2024 case study, Microsoft described thyssenkrupp Automation Engineering using Siemens’ Industrial Copilot in Chemnitz to support machine programming. Because Microsoft supplies the underlying AI technology, this is a supplier’s account of the application. France’s Schneider Electric described another practical use in its April 16, 2026 release: its industrial copilot was already in field use for control configuration and documentation.
AI is also part of Mexican production. BMW’s San Luis Potosí plant lists it among its technologies, while BMW’s June 11, 2025 press release describes expanding generative AI in virtual factory planning at group level. The release does not establish that the same planning application is deployed in San Luis Potosí.
The work being delegated determines what people have to check. Someone reviewing generated code needs to understand how to test it, while a proposed factory layout requires judgment about physical constraints. Even a straightforward maintenance explanation depends on the correct machine documentation. As software does more preparation, the person reviewing its work needs enough technical knowledge to recognize where it could go wrong.
Dual training can teach people to judge the answer
That knowledge develops through explanation and practice, both of which can benefit from AI. An assistant using approved material could repeat a difficult concept, adjust its level or offer exercises between seminars. During onboarding, it could help a new employee prepare for equipment they have yet to use. These are useful ways to support learning, provided an instructor still observes whether the employee can apply it.
Mexico already has businesses working on that practical side of training. Moldmaker Moyá appeared on Meximold’s October 14 program to discuss developing its own team and giving young people a start in industry. Germany’s dual model offers another established approach by combining classroom learning with work inside a company. In Mexico, CAMEXA supports company trainers and organizes examinations under that model.
AI gives those instructors a useful exercise. They could ask an apprentice to check a recommendation against the machine’s documentation and explain why it applies. If the answer overlooks a relevant condition, the apprentice has to identify it and explain what would change. The instructor can then assess the reasoning before supervised practice, using the AI’s output to develop the judgment needed to challenge it.
For European equipment suppliers, this creates a reason to discuss local instruction and access to machine-specific knowledge alongside the software. Mexican plants, in turn, need to give employees time to learn and develop instructors who can assess their decisions. Technical schools and training providers can support that work by adapting lessons to the equipment people actually operate.
We would include the person checking the AI in the savings calculation. When every unfamiliar answer ends up with the same senior technician, that person’s time becomes part of the cost of using the system. The assistant has acquired a supervisor. A buyer counting the minutes saved also needs to understand how much reviewing, teaching and supervised practice the plant will require.
Turning AI explanations into a course brings rights into the discussion
Once a factory starts collecting those explanations into a training course, it has to examine the material behind them. An answer may reproduce text or diagrams from a supplier’s manual, so permission to reuse that material belongs in the course preparation. The World Intellectual Property Organization’s guidance advises businesses to examine provider terms and possible infringement of third-party rights.
Access to the assistant matters for the same practical reason: an outside instructor may need to use it while preparing or teaching the course. EVA’s terms limit use to licensed customers and require prior written consent for other people or companies. A plant bringing in a training provider therefore needs to settle that access before the lessons begin.
These checks follow directly from how the factory intends to teach. Before reusing an AI explanation, the course designer has to establish that it is technically sound and that the underlying material may be reproduced. Someone also has to keep the lessons current when the supplier changes its instructions, otherwise yesterday’s approved answer can become tomorrow’s outdated training material.
Before turning AI answers into training material, check permission to reproduce the underlying supplier text or diagrams.
What this means for a factory adopting AI in Mexico
A factory introducing AI therefore has several connected decisions to make. The intended task determines the checks, those checks determine the knowledge employees need and the training plan determines access to instructors and materials. Working through that sequence before the rollout gives the plant a clearer view of the time and responsibility involved.
✓ | Issue | What the factory puts in place |
|---|---|---|
✓ | Define the task | Specify whether the assistant explains procedures, drafts code or proposes production changes. Because these activities carry different consequences, establish which outputs remain suggestions and which actions require approval before execution. |
✓ | Verify against evidence | Give workers current documentation for the equipment they use and teach them to compare the cited source with the machine version and operating conditions. When the information does not match, a qualified person resolves the difference before anyone acts. |
✓ | Teach and assess competence | Budget for instructor time and supervised practice so employees can learn to explain their decisions and recognize unsuitable advice. Completing a lesson records participation; practical assessment shows whether the employee can perform the task. |
✓ | Match review to risk | Apply stricter review where a change could affect safety or product quality. Define the required tests and approval authority in advance, so the level of scrutiny follows the consequence of an error. |
✓ | Keep people actively checking | Include convincing but incorrect recommendations in controlled training exercises and ask employees to explain what they checked. Give them enough time to question an answer, especially when production pressure encourages quick approval. |
✓ | Arrange access and reuse | Confirm the permissions needed by apprentices and external instructors before training begins. When supplier material becomes part of a course, check its intended reuse and assign someone to update the lessons as instructions change. |
✓ | Measure results and assign responsibility | Track errors and rework alongside time saved, with named people authorized to approve changes. Review whether performance improves and whether employees retain the ability to identify mistakes as their use of AI grows. |
A human in the loop can still stop paying attention
Even with those arrangements in place, a factory has to consider what happens as people become comfortable with the system. Requiring a person to review or approve an automated recommendation is commonly called “human in the loop.” The principle is familiar, but its effectiveness depends on whether that person continues to examine the recommendation rather than routinely accepting it.
Research on automation gives a reason to take that concern seriously. In a 2015 study by Wickens and colleagues, participants used a process-control simulation in which reliable assistance was followed by an unexpected failure. Incorrect advice harmed accuracy more than unavailable assistance. Although a simulation cannot tell us exactly what will happen in a working factory, it shows how reliance on a normally dependable system can leave people exposed when its advice becomes wrong.
That tendency to give automated advice excessive weight is known as automation bias. A 2025 Microsoft Research study offers a related finding from 319 knowledge workers: greater confidence in generative AI was associated with less self-reported critical thinking. Because the evidence comes from a survey, it establishes an association without proving that AI gradually erodes factory workers’ skills.
There is also evidence that the design of the task can encourage people to think more carefully. In a 2021 experiment by Buçinca and colleagues, 199 online participants made food-substitution decisions with simulated AI. When the AI identified the wrong ingredient, participants followed that choice in an adjusted 64% of decisions with simple explanations. Designs requiring more deliberate thought reduced that figure to 48%, although participants gave less favorable ratings to the designs that reduced overreliance most.
Source: Buçinca et al., 2021, Table 2. Adjusted averages for incorrect AI ingredient predictions; 199 participants in a food-choice experiment.
Those percentages describe the ingredient-identification task in a food-choice experiment. They do not measure factory failure rates. For industrial use, the finding gives a reason to test ways of keeping reviewers engaged, with the understanding that useful checks can require effort and feel less convenient.
A factory can allow for that effort by giving workers time to examine evidence and the authority to stop a proposed change. If management rewards rapid approval while treating every question as a delay, employees have little support for the judgment the system depends on. The person reviewing a recommendation needs to know that finding an error counts as doing the job well.
AI can then take on more preparation and routine explanation while trained people assess the complete proposed decision, including the parts the software produced. Management remains responsible for assigning that review to people who understand the work and can act on what they find.
If your assistant gave a convincing but wrong answer tomorrow, who would catch it before someone acted?
PS: This newsletter grows from your shares. It’s our weekly north star. Sharing is free & helps us stay focused and covering the topics you are actually interested in.
Field Notes: Wie erkennen Sie einen KI-Fehler, wenn Sie die richtige Antwort nicht kennen?
ENGELs EVA stand am 14. Oktober auf dem Meximold-Programm und BMW nutzt bereits KI in San Luis Potosí. Für mexikanische Werke gibt es damit konkrete Gründe, ihre Ausbildung weiterzuentwickeln.
Das Mexiko Dossier · 15. Oktober 2026
Ein Techniker prüft die Antworten eines KI-Roboters anhand seiner Ausbildungsunterlagen und markiert einen Fehler.
Die Ausgabe 27 vom Dienstag fragte, wie viel Mexiko am Boom der KI-Hardware verdient. Dazu gehörte auch die Energieversorgung. Für Werke, die KI einführen, hängt der Nutzen zudem davon ab, was ihre Beschäftigten damit anfangen können. Wenn Software einen Prozess erklärt oder bei der Vorbereitung einer Aufgabe hilft, verändert sie die Arbeit und damit auch das Wissen, das Menschen dafür brauchen.
Wer eine verständliche Erklärung zu einem Wartungsverfahren erhält, muss weiterhin beurteilen können, ob sie zur Maschine vor ihm passt. Dazu gehören der Abgleich mit der aktuellen Dokumentation und die Prüfung vorgeschlagener Änderungen vor ihrer Umsetzung. Ausbildung vermittelt die Kenntnisse für diese Prüfung und hilft Beschäftigten zu erkennen, wann sie eine zweite Meinung brauchen.
Wenig Zeit? Darum geht es
Ausbildung: KI kann Beschäftigte beim Lernen und bei technischen Aufgaben unterstützen, wenn sie zugleich das praktische Wissen zur Beurteilung ihrer Empfehlungen entwickeln.
Kontrolle: Menschliche Prüfung braucht Fachkenntnisse, Zeit und Befugnisse. Ein Werk muss außerdem dafür sorgen, dass Beschäftigte die Software auch bei wachsender Vertrautheit weiterhin kritisch prüfen.
Industrielle KI übernimmt bereits praktische Aufgaben
Für ein mexikanisches Werk mit europäischen Anlagen hat ein Assistent, der technische Inhalte in der Sprache der Beschäftigten erklärt, einen naheliegenden Nutzen. Ein Beispiel des österreichischen Maschinenbauers ENGEL stand am 14. Oktober auf dem Meximold-Programm in Querétaro. Laut ENGEL unterstützt der EVA-Assistent den Kunststoffspritzguss, indem er technische Unterlagen durchsucht und Fragen mit Verweisen auf Dokument und Seite beantwortet.
Diese Verweise geben Beschäftigten eine Grundlage für die Prüfung. Die Antwort hängt jedoch weiterhin davon ab, welche Angaben die Software zur jeweiligen Anlage erhält. ENGELs Nutzungsbedingungen vom Juni 2026 erklären, dass EVA ohne Maschinenfilter auf seine breitere Datenbank zurückgreift. Dadurch kann eine Antwort für die betreffende Anlage ungeeignet sein. Die Bedingungen verpflichten Nutzer außerdem, Antworten eigenständig zu prüfen.
Eine richtige Antwort für die falsche Maschine kann trotzdem eine schlechte Anweisung sein.
Wenn industrielle KI weitere Aufgaben übernimmt, reicht zur Prüfung ein Blick ins Handbuch zunehmend nicht mehr aus. In einer Fallstudie aus dem Jahr 2024 beschrieb Microsoft, wie thyssenkrupp Automation Engineering in Chemnitz den Industrial Copilot von Siemens für die Maschinenprogrammierung einsetzt. Da Microsoft die zugrunde liegende KI-Technologie liefert, handelt es sich um den Bericht eines beteiligten Anbieters. Schneider Electric aus Frankreich beschrieb in seiner Pressemitteilung vom 16. April 2026 eine weitere praktische Anwendung: Sein industrieller Copilot war bereits für Steuerungskonfiguration und Dokumentation im Einsatz.
Auch in der mexikanischen Produktion wird KI genutzt. Das BMW-Werk San Luis Potosí nennt sie als eine seiner Technologien. Auf Konzernebene beschreibt BMW in einer Pressemitteilung vom 11. Juni 2025 zudem den Ausbau generativer KI in der virtuellen Fabrikplanung. Diese Mitteilung belegt keinen entsprechenden Einsatz der Planungsanwendung in San Luis Potosí.
Die übertragene Aufgabe bestimmt, was Menschen prüfen müssen. Wer generierten Code beurteilt, braucht Kenntnisse über geeignete Tests. Bei einem vorgeschlagenen Fabriklayout geht es dagegen um die räumlichen und technischen Gegebenheiten. Selbst eine einfache Wartungserklärung setzt die richtige Maschinendokumentation voraus. Je mehr Vorbereitung die Software übernimmt, desto wichtiger wird ausreichendes Fachwissen, um mögliche Fehler in ihren Ergebnissen zu erkennen.
Duale Ausbildung kann die Beurteilung von KI-Antworten vermitteln
Dieses Wissen entsteht durch Erklärungen und Übung. KI kann beides unterstützen: Ein Assistent mit freigegebenen Unterlagen könnte schwierige Inhalte wiederholen, den Schwierigkeitsgrad anpassen oder Übungen zwischen Seminaren anbieten. Während der Einarbeitung könnte er Beschäftigte auf Anlagen vorbereiten, die sie bisher nicht bedient haben. Das sind sinnvolle Lernhilfen, solange ein Ausbilder weiterhin beobachtet, ob die Beschäftigten das Gelernte anwenden können.
Mexikanische Unternehmen arbeiten bereits an dieser praktischen Seite der Ausbildung. Der Formenbauer Moyá stand am 14. Oktober auf dem Meximold-Programm, um über die Entwicklung seines Teams und den Berufseinstieg junger Menschen zu sprechen. Einen weiteren etablierten Ansatz bietet das deutsche duale Modell, das Unterricht mit Arbeit im Betrieb verbindet. In Mexiko unterstützt CAMEXA betriebliche Ausbilder und organisiert Prüfungen nach diesem Modell.
KI liefert diesen Ausbildern eine sinnvolle Übung. Sie könnten einen Auszubildenden bitten, eine Empfehlung mit der Maschinendokumentation abzugleichen und zu erklären, warum sie passt. Übersieht die Antwort eine wichtige Bedingung, muss er diese erkennen und die Folgen erläutern. Vor der beaufsichtigten Anwendung kann der Ausbilder dann die Begründung prüfen. So dient das KI-Ergebnis dazu, genau jenes Urteilsvermögen zu entwickeln, mit dem es sich hinterfragen lässt.
Für europäische Maschinenlieferanten entsteht damit ein Grund, neben der Software auch Schulungen vor Ort und den Zugang zu maschinenspezifischem Wissen anzusprechen. Mexikanische Werke müssen ihrerseits Lernzeit einplanen und Ausbilder entwickeln, die Entscheidungen der Beschäftigten beurteilen können. Technische Schulen und Bildungsanbieter können diese Arbeit unterstützen, indem sie den Unterricht auf die tatsächlich eingesetzten Anlagen abstimmen.
Wir würden die Person, die die KI prüft, in die Einsparungsrechnung aufnehmen. Wenn jede ungewohnte Antwort beim selben erfahrenen Techniker landet, gehört dessen Zeit zu den Kosten des Systems. Der Assistent hat einen Vorgesetzten bekommen. Wer eingesparte Minuten berechnet, muss deshalb auch wissen, wie viel Prüfung, Unterricht und beaufsichtigte Praxis der Betrieb benötigt.
Wer KI-Erklärungen zu einem Kurs zusammenstellt, muss auch die Rechte klären
Bevor KI-Antworten zu Schulungsunterlagen werden, prüfen Sie die Erlaubnis zur Übernahme der zugrunde liegenden Lieferantentexte oder Zeichnungen.
Sobald ein Werk solche Erklärungen in einem Schulungskurs sammelt, muss es das zugrunde liegende Material prüfen. Eine Antwort kann Texte oder Zeichnungen aus einem Lieferantenhandbuch wiedergeben. Die Erlaubnis zu ihrer Wiederverwendung gehört deshalb zur Kursvorbereitung. Der Leitfaden der Weltorganisation für geistiges Eigentum empfiehlt Unternehmen, Anbieterbedingungen und mögliche Verletzungen von Rechten Dritter zu untersuchen.
Aus demselben praktischen Grund wird auch der Zugang zum Assistenten wichtig: Ein externer Ausbilder braucht ihn möglicherweise bei der Vorbereitung oder Durchführung des Kurses. EVAs Nutzungsbedingungen beschränken die Nutzung auf lizenzierte Kunden und verlangen für andere Personen oder Unternehmen eine vorherige schriftliche Zustimmung. Ein Werk, das einen Bildungsanbieter einbindet, muss diesen Zugang daher vor Unterrichtsbeginn klären.
Diese Prüfungen ergeben sich unmittelbar aus der geplanten Schulung. Bevor eine KI-Erklärung in den Kurs eingeht, muss der Verantwortliche ihre fachliche Richtigkeit und die Erlaubnis zur Übernahme des zugrunde liegenden Materials klären. Außerdem muss jemand die Inhalte aktualisieren, wenn der Lieferant seine Anweisungen ändert. Andernfalls kann aus einer gestern freigegebenen Antwort morgen eine veraltete Schulungsunterlage werden.
Was das für ein Werk bedeutet, das in Mexiko KI einführt
Ein Werk muss bei der Einführung von KI daher mehrere zusammenhängende Entscheidungen treffen. Die geplante Aufgabe bestimmt die erforderlichen Prüfungen. Daraus ergeben sich die Kenntnisse, die Beschäftigte brauchen, sowie der Schulungsbedarf und der Zugang zu Ausbildern und Materialien. Wer diese Reihenfolge vor der Einführung durchgeht, kann Zeitbedarf und Verantwortlichkeiten besser einschätzen.
✓ | Thema | Was das Werk organisiert |
|---|---|---|
✓ | Aufgabe festlegen | Bestimmen Sie, ob der Assistent Verfahren erklärt, Code entwirft oder Produktionsänderungen vorschlägt. Da diese Tätigkeiten unterschiedliche Folgen haben, legen Sie fest, welche Ergebnisse Vorschläge bleiben und welche Maßnahmen vor der Umsetzung eine Freigabe brauchen. |
✓ | Anhand von Belegen prüfen | Geben Sie Beschäftigten aktuelle Unterlagen zu ihren Anlagen. Vermitteln Sie, wie sie die angeführte Quelle mit Maschinenversion und Betriebsbedingungen abgleichen. Wenn Angaben voneinander abweichen, klärt eine qualifizierte Person den Unterschied vor der Umsetzung. |
✓ | Können vermitteln und beurteilen | Planen Sie Ausbilderzeit und beaufsichtigte Praxis ein, damit Beschäftigte ihre Entscheidungen erklären und ungeeignete Empfehlungen erkennen lernen. Eine abgeschlossene Lerneinheit dokumentiert Teilnahme; eine praktische Prüfung zeigt, ob jemand die Aufgabe ausführen kann. |
✓ | Prüfung am Risiko ausrichten | Prüfen Sie Änderungen strenger, wenn sie Sicherheit oder Produktqualität beeinträchtigen könnten. Legen Sie Tests und Freigabebefugnisse im Voraus fest, damit sich die Prüftiefe nach den Folgen eines Fehlers richtet. |
✓ | Aktives Prüfen erhalten | Bauen Sie überzeugende, aber falsche Empfehlungen in kontrollierte Schulungsübungen ein und lassen Sie Beschäftigte ihre Prüfung erklären. Geben Sie ihnen ausreichend Zeit, eine Antwort anzuzweifeln, besonders wenn Produktionsdruck schnelle Freigaben begünstigt. |
✓ | Zugang und Wiederverwendung klären | Klären Sie die Berechtigungen für Auszubildende und externe Ausbilder vor Schulungsbeginn. Wenn Lieferantenmaterial in einen Kurs eingeht, prüfen Sie die geplante Wiederverwendung und benennen Sie jemanden, der die Inhalte bei geänderten Anweisungen aktualisiert. |
✓ | Ergebnisse messen und Verantwortung zuweisen | Erfassen Sie Fehler und Nacharbeit neben der Zeitersparnis und benennen Sie die Personen, die Änderungen freigeben dürfen. Prüfen Sie, ob die Leistung steigt und Beschäftigte Fehler auch bei zunehmender KI-Nutzung weiterhin erkennen können. |
Auch ein Mensch im Kontrollprozess kann unaufmerksam werden
Selbst mit diesen Vorkehrungen muss ein Werk berücksichtigen, was bei wachsender Vertrautheit mit dem System passiert. Wenn ein Mensch automatisierte Empfehlungen prüft oder freigibt, spricht man häufig von „Human in the Loop“. Das Prinzip ist bekannt. Seine Wirksamkeit hängt jedoch davon ab, ob die Person die Empfehlung weiterhin untersucht oder sie zunehmend routinemäßig übernimmt.
Die Automationsforschung gibt Anlass, diese Sorge ernst zu nehmen. In einer Studie von Wickens und Kollegen aus dem Jahr 2015 arbeiteten Teilnehmer mit einer Simulation zur Prozesssteuerung. Auf verlässliche Unterstützung folgte ein unerwarteter Ausfall. Falsche Empfehlungen beeinträchtigten die Genauigkeit stärker als fehlende Unterstützung. Eine Simulation kann die Abläufe eines laufenden Werks nur begrenzt abbilden. Sie zeigt jedoch, wie die Abhängigkeit von einem gewöhnlich verlässlichen System Menschen anfällig macht, sobald dessen Empfehlungen falsch werden.
Die Neigung, automatisierten Empfehlungen übermäßig zu vertrauen, wird als Automation Bias bezeichnet. Einen verwandten Befund liefert eine Studie von Microsoft Research aus dem Jahr 2025, für die 319 Wissensarbeiter befragt wurden: Größeres Vertrauen in generative KI ging mit weniger selbst berichtetem kritischem Denken einher. Da die Daten aus einer Befragung stammen, belegen sie einen Zusammenhang. Einen allmählichen Verlust der Fähigkeiten von Fabrikbeschäftigten weisen sie damit nicht nach.
Es gibt außerdem Hinweise darauf, dass die Gestaltung einer Aufgabe zu sorgfältigerem Nachdenken anregen kann. In einem Experiment von Buçinca und Kollegen aus dem Jahr 2021 entschieden 199 Online-Teilnehmer mit simulierter KI über den Austausch von Lebensmitteln. Wenn die KI die falsche Zutat identifizierte, folgten die Teilnehmer dieser Auswahl bei einfachen Erklärungen in bereinigt 64% der Entscheidungen. Oberflächen, die bewussteres Nachdenken verlangten, senkten diesen Wert auf 48%. Allerdings bewerteten die Teilnehmer ausgerechnet jene Oberflächen weniger positiv, die übermäßiges Vertrauen am stärksten verringerten.
Quelle: Buçinca et al., 2021, Tabelle 2. Bereinigte Mittelwerte bei falschen KI-Zutatenprognosen; 199 Teilnehmer in einem Lebensmittelexperiment.
Diese Prozentwerte betreffen die Identifikation einer Zutat in einem Lebensmittelexperiment. Sie messen keine Fehlerquote in Fabriken. Für industrielle Anwendungen geben sie einen Grund, Verfahren zur aktiven Einbindung der Prüfer zu testen. Dabei gehört zur Planung, dass sinnvolle Prüfungen Mühe kosten und weniger bequem sein können.
Ein Werk kann diese Mühe ermöglichen, indem es Beschäftigten Zeit zur Prüfung von Belegen und die Befugnis gibt, eine vorgeschlagene Änderung zu stoppen. Wenn die Betriebsleitung schnelle Freigaben belohnt und jede Rückfrage als Verzögerung behandelt, fehlt den Beschäftigten die Unterstützung für das nötige Urteilsvermögen. Wer eine Empfehlung prüft, muss wissen, dass das Entdecken eines Fehlers als gute Arbeit zählt.
KI kann dann mehr Vorbereitung und routinemäßige Erklärungen übernehmen, während geschulte Menschen die gesamte vorgeschlagene Entscheidung beurteilen. Dazu gehören auch die von der Software erstellten Teile. Die Betriebsleitung bleibt dafür verantwortlich, diese Prüfung Menschen zu übertragen, die die Arbeit verstehen und aus ihren Erkenntnissen Konsequenzen ziehen können.
Wenn Ihr Assistent morgen eine überzeugende, aber falsche Antwort gäbe: Wer würde den Fehler erkennen, bevor jemand danach handelt?