1 Einleitung: Zu den Grenzen des Verstehens und Vermessens in transformativen Zeiten

Die öffentliche Diskussion zu den Auswirkungen der digitalen Transformation auf unterschiedliche Arbeitswelten bezieht sich vielfach auf wissenschaftliche Prognosen. Schon rein logisch lässt sich allerdings fragen, ob und inwieweit mit Beschäftigungs- und volkswirtschaftlichen Daten einer sich schrittweise verändernden Vergangenheit, Prognosen für eine vermeintlich transformative Entwicklung in der Zukunft überhaupt möglich sind. Ebenso ist fraglich, ob mit Variablen und Merkmalen, die für Zeitreihen und Vergleiche konstruiert wurden, qualitativ neue Entwicklungen im Anfangsstadium überhaupt zu detektieren sind. Geht man wie im DFG-SPP 2267 „Digitalisierung der Arbeitswelten“ davon aus, dass wir es im Zuge der Digitalisierung mit einer systemischen Transformation der Arbeitswelten zu tun haben, stehen damit auch die etablierten Verfahren ihrer quantitativen Erfassung auf dem Prüfstand. Im Beitrag gehen wir der Frage, wie die Verbreitung von Technologien und deren Auswirkungen auf Tätigkeiten und Beschäftigung gemessen werden kann, aus unterschiedlicher disziplinärer Sicht und anhand unterschiedlicher Themen und Methoden nach. Kontrastiert werden dabei quantitativ-wirtschaftswissenschaftliche mit qualitativ-arbeitssoziologischen Perspektiven, die aus je spezifischen Forschungstraditionen auf das gleiche Feld – Arbeitswelten in Transformation – blicken.

Wirtschaftswissenschaftliche Studien zu den Auswirkungen des technologischen Fortschritts sind stark quantitativ und vom erklärenden Paradigma geprägt. Häufig verwendete Konzepte sind dabei auf der Makroebene das Produktivitätswachstum (z. B. Produktion pro beschäftigter Person) oder die totale Faktorproduktivität (Wachstum der Produktion, das nicht durch einen erhöhten Einsatz von Arbeitskräften und Kapitel verursacht wird). Eine weitere Möglichkeit besteht darin, Inputfaktoren heranzuziehen, die den technologischen Fortschritt indirekt messen, wie Ausgaben für Forschung und Entwicklung (F&E) oder die Anzahl von Patenten. Genutzt werden zudem Maßzahlen zur Verwendung neuer Technologien durch Unternehmen, also zur technologischen Durchdringung von Produktions- und Dienstleistungsprozessen, wie beispielsweise Investitionen in Informations- und Kommunikationstechnologien (IKT) oder die Anzahl der eingesetzten Roboter. Zur Analyse der Auswirkungen auf den Arbeitsmarkt werden direkte Technologie-Maße, exogene Einflussfaktoren und heterogene Effekte betrachtet. So werden etwa Zahlen zum Einsatz von IKT oder Robotern dahingehend überprüft, ob und wie sie sich auf die Beschäftigungswahrscheinlichkeit, die Wahrscheinlichkeit eines Jobverlusts oder eines Berufswechsels oder den Lohn auswirken (z. B. Acemoglu und Restrepo 2020; Dauth et al. 2021). Die Analyse heterogener Effekte erfolgt oft vor dem Hintergrund des theoretischen Ansatzes des Routine-Biased Technological Change (RBTC), der einen Zusammenhang zwischen repetitiver Routinetätigkeit und Automatisierungs- bzw. Ersetzungspotenzial annimmt (Acemoglu und Autor 2010).

In soziologischen Studien zur Transformation der Arbeitswelten finden sich zwar teils auch Kombinationen von qualitativen und quantitativen Erhebungsmethoden (vgl. im Überblick Hense und Kuhlmann 2017).Footnote 1 Methodisch dominieren jedoch qualitative und dem verstehenden Paradigma folgende Ansätze, insbesondere arbeitssoziologische (Meyn und Peter 2010; Pongratz und Trinczek 2010) oder organisationssoziologische Fallstudien (Klemm und Liebold 2017). Von Bedeutung sind auch ethnologische (Eckhardt et al. 2020) und techniksoziologische Ansätze wie die Technografie (Rammert 2007) oder die Workplace Studies (Luff et al. 2000). Wir konzentrieren uns hier auf arbeitssoziologische Methoden, da mit ihnen das Ziel verfolgt wird, unternehmensübergreifend und branchenkontrastierend Aussagen über längere Wandlungsprozesse hinweg zu treffen. Zudem war der Zusammenhang von Technik und Arbeit durchgängig Gegenstand von Theorieentwicklung (Lutz 1987; Pfeiffer 2023a). Die klassische Fallstudie wird teils ergänzt durch partizipative (Fricke 2013; Mayer-Ahuja 2014; Sauer et al. 2021) und visualisierende Methoden (Pfeiffer et al. 2012) sowie durch klassische qualitative Methoden wie biografische und Expert*innen-Interviews, aber auch durch Mixed-Methods-Ansätze und qualitative Sekundärdaten (Dunkel et al. 2019). Thematisch geht es meist um betriebliche Aushandlungsprozesse zu Technikeinsatz und -gestaltung sowie um Folgen für Autonomie oder Kontrolle, De- oder Re-Qualifizierung oder auch die Veränderung von Arbeitsprozessen und -organisation mit entsprechend neuen oder verschwindenden Tätigkeitszuschnitten.

Ohne dass wir dazu eine systematische Literaturstudie vorgenommen haben, ist der geteilte Eindruck beider Autor*innen: Beide Disziplinen und damit verbunden die je vorherrschenden Paradigmen und Methodenschulen nehmen den jeweiligen Forschungsstand der anderen Fachrichtung aktuell wohl mehr zur Kenntnis als in weniger transformativen Zeiten, allerdings finden sich selten dezidiert interdisziplinäre Ansätze oder gar ein systematisch verzahntes Vorgehen. Ob und wie aber quantitatives Vermessen und qualitatives Verstehen gemeinsam ein anderes und vollständigeres Bild der digitalen Transformation der Arbeitswelten generieren können, möchten wir in diesem Beitrag diskutieren, oder besser: einen Dialog dazu in seiner ganzen interdisziplinären Breite und über bisherige Methodenschulen und -grenzen hinweg initiieren.

Dazu konfrontieren wir zu zwei klassischen Themen der Digitalisierungsforschung die wirtschaftswissenschaftliche und arbeitssoziologische Sichtweise am Beispiel der Forschung beider Autor*innen. In Kap. „Datenarbeit. Der Anbruch des digitalen Zeitalters und die Entwicklung von Computerdienstleistungen in der Bundesrepublik“ startet die Analyse aus Richtung der Technik am Beispiel der Robotik und in Kap. „Computer in der Fabrik. Die digitale Transformation in der Produktionstechnik, 1950 bis 1990“ ausgehend von Tätigkeiten und dem Routinegehalt von Arbeit. Beide Kapitel stellen jeweils die einzeldisziplinären Befunde in zwei getrennten Unterkapiteln gegenüber und in Bezug zueinander. Diese Beispiele sind besonders relevant, da sie aus verschiedenen Blickwinkeln die Effekte des technologischen Wandels auf Arbeit betrachten: Zum einen ist die Analyse von Tätigkeiten und des Routinegehalts von Arbeit ein klassischer analytischer Zugriff, um mögliche Auswirkungen des technischen Wandels auf Arbeit zu prognostizieren. Zum anderen ist der Fokus auf eine spezifische neue Technologie wie die Robotik ein ebenso typischer Ausgangspunkt für arbeits(markt)bezogene Analysen. Beide Beispiele stehen damit für einen großen Teil der Herangehensweisen bei Analysen zum technologischen Wandel. Das abschließende Kap. „Analysing the digital traces of collaborative work in large-scale enterprise collaboration systems“ diskutiert auf dieser Basis die Potenziale eines systematisch interdisziplinären und konsequenten Mixed-Methods-Ansatzes für eine aussagekräftigere Erforschung der digitalen Transformation der Arbeitswelten.

2 Die Transformation vermessen und verstehen Beispiel 1: Robotik und Arbeit

2.1 Robotik und Arbeitsmarktdynamiken vermessen

Ein Beispiel für ein direktes Technologiemaß ist der Robotereinsatz. Laut der Internationalen Organisation für Normung (ISO 8373:201) wird ein Industrieroboter verstanden als „automatisch gesteuerter, umprogrammierbarer, in drei oder mehr Achsen programmierbarer Mehrzweckmanipulator, der für den Einsatz in industriellen Automatisierungsanwendungen entweder ortsfest oder mobil sein kann“. Außerdem führt ein Industrieroboter in der Regel mehrere Bewegungen in verschiedene Richtungen aus, um etwas zu greifen oder zu transportieren.

Roboter sind insofern von großem Interesse, als sie eine verbreitete Technologie darstellen, die weiterhin schnell wächst. So hat sich der Einsatz von Robotern, gemessen an der Anzahl der Industrieroboter pro 1000 Arbeitskräften, in Europa zwischen 2000 und 2017 insgesamt vervierfacht und in Deutschland, das die höchste Anzahl von Robotern pro Arbeitskraft in Europa einsetzt, verdoppelt. In Ländern mit hohem Einkommen konnten durch den Einsatz von Robotern das BIP, die Arbeitsproduktivität und die Löhne erhöht werden (Graetz und Michaels 2018). Die Arbeitsmarkteffekte dieser Technologie sind zwar erheblich, die internationale Evidenz zu den Beschäftigungseffekten ist jedoch uneinheitlich.

Die Einführung von Robotern hat in den USA die Beschäftigung insgesamt verringert (Acemoglu und Restrepo 2020), nicht aber in anderen hoch industrialisierten Ländern wie Deutschland (Dauth et al. 2021). Zudem zeigen de Vries et al. (2020), dass in Ländern mit hohem Einkommen durch den Einsatz von Robotern der Beschäftigungsanteil von Arbeitsplätzen mit manuellen Routineaufgaben zurückging, nicht aber in Schwellen- oder Übergangsländern. Diese Beobachtungen gaben den Anstoß zu einer Analyse der Auswirkungen von Robotern auf Arbeitsmarktübergänge in Europa, die nachfolgend exemplarisch diskutiert werden soll. Bachmann et al. (2024) verwenden, genau wie die zuvor genannten Roboterstudien, eine Maßzahl zum Robotereinsatz für ihre empirischen Analysen und gehen drei Forschungsfragen nach: Erstens wird auf individueller Ebene untersucht, wie sich der steigende Robotereinsatz auf Arbeitsmarktübergänge zwischen Beschäftigung und Arbeitslosigkeit ausgewirkt hat und welche Rolle die Arbeitskosten für die beobachteten Länderunterschiede spielten. Zweitens wird heterogenen Effekten nachgegangen, insbesondere bezüglich Alter, Qualifikationsniveau und ausgeübter Tätigkeit. Drittens wird quantifiziert, welche Implikationen die ermittelten Effekte auf Arbeitsmarktübergänge für die Beschäftigungsquoten auf nationaler Ebene hatten.

Methodisch werden mithilfe von Logitmodellen die Übergangswahrscheinlichkeiten von Beschäftigung in die Arbeitslosigkeit (als Indikator für Beschäftigungsstabilität) und von Arbeitslosigkeit in die Beschäftigung geschätzt. Die Untersuchung erfolgt für 16 europäische Länder. Für die Ergebnisvariablen (die Übergangswahrscheinlichkeiten) werden Individualdaten der Arbeitskräfteerhebung der Europäischen Union (EU-AKE) verwendet. Die EU-AKE liefert repräsentative und harmonisierte Informationen über Personen ab 15 Jahren, die in privaten Haushalten leben. Die Daten der EU-AKE sind als wiederholte Querschnitte verfügbar. Die Befragten gaben ihren Arbeitsmarktstatus im Monat der Erhebung und ein Jahr zuvor an, wodurch jährliche Arbeitsmarktübergänge auf individueller Ebene identifiziert werden können (vgl. Bachmann und Felder 2021).

Die Daten zu Robotern, der wichtigsten erklärenden Variable, stammen von der International Federation of Robotics (IFR), die jährlich Informationen über den aktuellen Bestand und die Auslieferungen von Industrierobotern in den einzelnen Ländern, nach Industriezweigen und Anwendungen (z. B. Montage und Demontage, Schweißen, Laserschneiden) und unter Berücksichtigung der Abschreibung bereitstellt (IFR 2017). Datengrundlage sind konsolidierte Informationen, die von fast allen Industrieroboteranbietern weltweit gesammelt wurden. Das IFR stellt sicher, dass die Daten international vergleichbar sind und eine hohe Zuverlässigkeit aufweisen. Die Verknüpfung der IFR-Daten mit den Individualdaten der EU-AKE erfolgt auf Jahres-Industrie-Ebene.

Bei der Schätzung wird beachtet, dass die Einführung von Robotern endogen sein könnte. Demnach könnten beispielsweise produktivere Wirtschaftszweige eine höhere Wahrscheinlichkeit haben, Roboter einzusetzen. Um diese potenzielle Endogenität zu berücksichtigen, werden ein Kontrollfunktionsansatz wie in Aghelmaleki et al. (2022) und als Instrument die durchschnittliche Roboterexposition in vergleichbaren Ländern verwendet (vgl. Acemoglu und Restrepo 2020; Dauth et al. 2021). Zudem wird für potenzielle weitere Faktoren wie allgemeine Investitionen, Globalisierung und Handel sowie Schocks bei der Arbeitsnachfrage kontrolliert.

Die Ergebnisse der Studie zeigen, dass Roboter sich tendenziell positiv auf Arbeitsmarktübergänge auswirken. So sinkt mit steigendem Robotereinsatz die Wahrscheinlichkeit, den Arbeitsplatz zu verlieren (vgl. Abb. 1). Dagegen steigt die Wahrscheinlichkeit, aus der Arbeitslosigkeit heraus einen neuen Job zu finden. Diese Effekte sind in Ländern mit relativ niedrigen bis mittleren Arbeitskosten stärker ausgeprägt.

Abb. 1
figure 1

(Quelle: Bachmann et al. 2024, S. 22)

Marginale Effekte des Robotereinsatzes auf die Wahrscheinlichkeit einer Jobtrennung nach landesspezifischen Arbeitskosten. Ergebnisse einer Logitschätzung mit Kontrollvariablenansatz.

Full size image

Die Studie liefert somit wichtige Erkenntnisse für die aggregierten Arbeitsmarkteffekte des Robotereinsatzes in Europa. Im Gegensatz zu den USA sind die Effekte in Europa weitgehend positiv, insbesondere in Ländern mit relativ niedrigen bis mittleren Arbeitskosten. Offenbar wirkt hier der Robotereinsatz am stärksten komplementär zum Faktor Arbeit.

2.2 Leichtbaurobotik und ihre Diffusionsprobleme verstehen

Im Gegensatz zur Messung in den Wirtschaftswissenschaften, die häufig auf sehr aggregierter Ebene erfolgt und dabei in der Regel eine einzige, einheitliche Maßzahl zur Erfassung der Robotisierung verwendet, berücksichtigt die Arbeitssoziologie verschiedene Typen der Robotik. Zudem kann sie mit einem qualitativen Blick in die Unternehmen auch nach arbeitsorganisatorisch unterschiedlichen Einsatzformen differenzieren. Hier spielen aktuell Leichtbauroboter eine besondere Rolle. Diese werden wegen ihrer Fähigkeit zur direkten Kollaboration auch als Cobots bezeichnet und gelten als eine der typischen Industrie-4.0-Technologien. Anders als ihre schweren Vorgänger sind sie ausgerüstet mit hochempfindlicher, adaptiver Sensorik und können daher außerhalb des für den Industrieroboter aus Sicherheitsgründen obligatorischen Schutzzauns eingesetzt werden. Der viel zitierte „Kollege Roboter“ verlässt die sogenannte Zelle. Mensch und Roboter – so das Technik- und Marketingversprechen – koexistieren damit nicht nur, sondern teilen sich abwechselnd und sequenziell den gleichen Arbeitsraum (Synchronisation), nutzen diesen gemeinsam und zeitgleich, ohne direkt am selben Bauteil tätig zu sein (Kooperation), oder sie arbeiten tatsächlich gleichzeitig am selben Bauteil (Kollaboration; vgl. zu den üblichen Unterscheidungen Bauer et al. 2016, S. 8). Es geht damit also um Robotik, die einerseits in der Tradition bisheriger Robotik zu verorten ist, weil es um die Bewegung physischer Objekte geht. Andererseits sind Leichtbauroboter etwas Neues, sie können durch ihr kollaboratives Potenzial und die geringeren Investitionskosten (von teils unter 10.000 €) bekannte Muster der Automatisierung in Bereiche tragen, für die das bisher nicht ökonomisch sinnvoll erschien. All dies spricht für eine schubartige Verbreitung mit entsprechenden Effekten für Arbeit und Beschäftigung. Angesichts ihres doppelten Produktivitätserhöhungsversprechens sollte die Leichtbaurobotik also längst einen Siegeszug angetreten haben. Zudem ist das Angebot vielfältig: Weit über 20 Hersteller bieten in Deutschland serienreife, leicht bedienbare und vergleichsweise kostengünstige Leichtbauroboter an. Vor etwa 10 Jahren gaben rund 86 % der von der Zeitschrift Produktion befragten Unternehmen an, in Leichtbaurobotik investieren zu wollen (vgl. Bauer et al. 2014, S. 2). Dies müsste sich mittlerweile empirisch in Verbreitungs- und Produktivitätszahlen widerspiegeln.

Und so scheint es im Hinblick auf Wachstum auch zu sein: Die IFR (2022) gibt für 2021 an, dass weltweit 478.000 Industrie- und 39.000 kollaborative Roboter verkauft worden sind; 2017 waren es 389.000 Industrie- und 11.000 kollaborative Roboter. In diesen vier Jahren – die zudem stark von Corona geprägt waren – sieht man also einen Anstieg der kollaborativen Roboter um 255 % gegenüber einem Plus von 23 % bei den Industrierobotern. Auch der Anteil der kollaborativen Roboter an allen industriell eingesetzten Robotern erhöhte sich in diesem Zeitraum deutlich, und zwar von unter 2,8 auf 7,5 % (Zahlenbasis ebd., eigene Berechnung).

Historisch betrachtet wurde durch den extensiven Einsatz der bisherigen Industrieroboter die Fließbandfertigung produktiver als jemals zuvor (Nye 2013). Daran lassen auch die oben zitierten quantitativen Studien keinen Zweifel. Jedoch hielt der Industrieroboter nicht in allen produzierenden Branchen gleichermaßen Einzug und selbst in der gleichen Branche wurde er höchst unterschiedlich eingesetzt (Windolf 1985). Die Folgen von Technologie sind demnach nicht eindimensional, sondern abhängig von vielfältigen konkreten Bedingungen und spezifischen Formen der Gestaltung der Technik in unterschiedlichen organisatorischen Settings von Arbeit im Betrieb.

Im Kern der Robotikanwendung, der Automobilindustrie, sind aktuell 10 % der Beschäftigten mit Leichtbaurobotik befasst (Pfeiffer 2023b) – das macht eine arbeitssoziologische Mixed-Methods-Studie deutlich. In vielen rein quantitativen Erhebungen auf Beschäftigtenebene wird dazu jedoch zu unkonkret oder gar nicht gefragt. So unterscheidet der DGB-Index „Gute Arbeit“ (Zusatzbefragung Digitalisierung 2022) nicht zwischen computergesteuerten Maschinen und Robotern (21 % aller Beschäftigten arbeiteten sehr oft oder oft mit diesen Technologien). Der Anteil von Leichtbaurobotik oder gar eines kollaborativen Settings lässt sich aus diesen Daten nicht extrahieren. In der BIBB/BAuA-Erwerbstätigenbefragung (Rohrbach-Schmidt und Hall 2020) wird nur die Tätigkeit „Überwachen, Steuern von Anlagen, Maschinen“ erhoben (37 % tun dies häufig oder manchmal, in der Erhebung 2012 waren es noch 39 %). Wie viele davon jeweils mit Robotik und erst recht mit Leichtbaurobotik zu tun haben, ist nicht zu identifizieren. Mehr Durchdringung lässt sich nicht finden. Doch warum? Zum einen liegt das offensichtlich an der unpräzisen Fragestellung zur eingesetzten Technologie. Zum anderen können insbesondere neue Technologien bei verschiedenen Einsatzszenarien zu unterschiedlichen Effekten auf Arbeit und Arbeitsmarkt führen. Demnach müssten nicht nur die Technologien, sondern auch deren Einsatzformen differenzierter abgefragt werden. Dies lässt sich am Beispiel der Leichtbaurobotik folgendermaßen verdeutlichen: Der Leichtbauroboter kann a) außerhalb des Schutzraums eingesetzt werden und mit dem Menschen zeitgleich im selben Arbeitsraum gemeinsame Arbeitsschritte am gleichen Bauteil ausführen; er benötigt b) keine aufwendige Programmierung und kann damit auch von Nicht-Fachpersonal bedient werden und erfordert c) nur geringe Investitionen. So zumindest das Versprechen der Anbieter. Warum der klare Siegeszug ausbleibt, zeigt sich bei einem konkreteren Blick auf die drei Dimensionen Kollaboration, Programmierung und Investition.

Kollaboration jenseits des Schutzraums: Empirisch durchgesetzt hat sich überwiegend das Modell der Koexistenz und nicht das der Kollaboration (Bauer et al. 2016), bei dem Mensch und schutzzaunloser Roboter nebeneinander arbeiten. Vielleicht kein Zufall, immerhin lag der große Produktivitätsfortschritt beim Wechsel von der konventionellen zur programmierbaren Bearbeitungsmaschine gerade in der zeitlichen und räumlichen Trennung von Mensch und Maschine. Erst damit etablierte sich ab den 1980er Jahren die qualifikatorische Dreiteilung von Bedienung, Programmierung und Wartung (Windolf 1985). Eine qualitative Studie mit Anbieterfirmen von kollaborativen Leichtbaurobotern zeigte, dass diese selbst mehr oder weniger verzweifelt nach kollaborativen Anwendungsfällen suchen, die sich ökonomisch rechnen (Pfeiffer 2022).

Leichte Programmierung: Unterschieden wird zwischen klassischer und visueller Programmierung sowie Teach-in-Verfahren, wobei letztere alles andere als neu sind (Hirzinger 1983). Allerdings stellt sich die Frage nach dem Bedarf an einfacher Programmierung, gehört doch CNC-Programmierung von Bearbeitungsmaschinen seit der ersten Reform der Metallberufe in den 1980er Jahren fest zum Ausbildungs-Curriculum. Viel wichtiger als die Programmierung des Roboters im Sinne von Positionierungsbefehlen ist, was der Roboter (ob Industrie oder Leichtbau) tun soll. Die Programmierung eines Industrieroboters zum Punktschweißen entlang einer Karosseriegeometrie funktioniert nicht ohne Fach- und Erfahrungswissen des Schutzgasschweißens oder zu den Materialien der zu schweißenden Teile. Genauso muss auch der Leichtbauroboter mit mehr Überblicks- und je nach Einsatzort Fachwissen jenseits der reinen Roboterpositionierung gefüttert werden (zum Beispiel über Sinn und Unsinn bestimmter Montage- oder Verfahrensanforderungen und -schritte). Hier steckt die eigentliche Herausforderung für Leichtbaurobotik. Diese wird auf Facharbeitsebene in Bereichen mit Metall- und Elektro-Berufen nicht zum Problem, sehr wohl aber beim Einsatz von Robotik in anderen Branchen ohne diese Qualifikationsprofile.

Investition: Als Ziel für die Investition in Leichtbauroboter wird neben verbesserter Ergonomie und der Erprobung innovativer Technologie in erster Linie eine höhere Wirtschaftlichkeit genannt. In der Praxis zeigen sich allerdings wesentlich längere Amortisationszeiten als bei klassischer Automatisierung (Bauer et al. 2016). Brynjolfsson et al. (2018) betonen, dies sei typisch für sogenannte General Purpose Technologies (GPT).Footnote 2 Bei GPT käme es in den ersten Jahren zu weniger Ertrag und Produktivität als erwartet, diese würden sich erst später spürbar erhöhen. Begründet wird das damit, dass ein Großteil der anfänglichen Investitionen nicht für die Anschaffung der eigentlichen Produktionsmittel, sondern für die benötigten „Intangibles“ nötig sei. Gemeint sind die ökonomisch schwerer fassbaren Aufwände für das mit diesen Technologien einhergehende Re-Design der Geschäftsprozesse, die Ko-Investitionen in neue Produkte und Geschäftsmodelle sowie Investitionen in das „Humankapital“. Dieser Befund müsste in gleicher Art und Weise auch für Industrieroboter oder CNC-gesteuerte Werkzeugmaschinen gelten – diese wären, zumindest für den stofflichen Bereich, ebenso als GPT einzuordnen. Gerade die geringe Investitionssumme führt bei Leichtbaurobotern jedoch zu völlig anderen, ökonomisch kaum rationalen Kaufentscheidungen. So zeigte eine qualitative Studie mit Anbietern (Pfeiffer 2022) eine Tendenz zu einer prestigeträchtigen „me too“-Entscheidung, also einer Anschaffung ohne genaue Nutzungsvorstellung und Amortisationsidee, oft aber verbunden mit dem Wunsch des Managements, damit ein Image als attraktiver Arbeitgeber und/oder innovatives „4.0-Unternehmen“ zu unterstreichen.

Aus der leichteren und intuitiveren Programmierung der Leichtbauroboter, den Kollaborationsoptionen und den geringen Investitionskosten ergeben sich die oben ausgeführten und aus Unternehmenssicht eigentlich vielversprechenden Einsatzoptionen, die sich jedoch bisher praktisch kaum realisieren. Das ließe sich als Übergangsphänomen abtun oder als Symptom unprofessionellen Managementhandelns. Beides mag auch stimmen, erklärt aber alleine nicht den Gap zwischen Produktivitätsversprechen und dessen Nichteinlösung. Es scheint dagegen so, dass der Leichtbauroboter für die hoch automatisierten und hoch arbeitsteiligen Kooperationsformen der heutigen Industrie in den entwickelten kapitalistischen Ländern in seiner kollaborativen Nutzungsform kein ökonomischer Fortschritt ist. Die historisch in langen Zyklen aufgebaute, arbeitsteilige Kooperationsform kann eine letztlich manufakturielle individuelle Kooperation (auch wenn sie sich zwischen Mensch und Maschine abspielt) nicht integrieren. Darüber hinaus fehlt dem Leichtbauroboter in nicht-industriellen Bereichen das notwendige technisch-qualifikatorische Ecosystem. In beiden Fällen mangelt es an dem, was zur technischen Option hinzukommen muss, um Arbeitswelten zu verändern: Es muss sich ökonomisch rechnen. Wenn also quantitative Ergebnisse zu den Auswirkungen von Industrierobotern einfach auf kollaborative Leichtbaurobotik übertragen werden, ist dies mit Vorsicht zu betrachten. Die Gründe für die bisher zögerliche Umsetzung lassen sich nicht aus den quantitativen Verbreitungszahlen der IFR ablesen, sondern finden sich im Feld der Anbieter und Umsetzungsformen.

Wie aus den Abschn. 2.1 und 2.2 ersichtlich, unterscheiden sich Arbeitsmarktökonomik und qualitative Arbeitssoziologie bei der Untersuchung der Auswirkungen von Robotik deutlich in ihren Forschungsfragen und Herangehensweisen. Ein Vergleich der Unterschiede und entsprechender methodischer Schlussfolgerungen erfolgt in Kap. „Analysing the digital traces of collaborative work in large-scale enterprise collaboration systems“. Dort fließen auch die entsprechenden Ergebnisse aus dem folgenden Kapitel ein, das sich mit einem zweiten Beispiel zur Untersuchung der digitalen Transformation befasst.

3 Die Transformation vermessen und verstehen Beispiel 2: Digitalisierung und Tätigkeiten

Prognosen zu den Beschäftigungswirkungen der Digitalisierung haben seit einigen Jahren Hochkonjunktur und finden ein reges mediales Echo. So berechnen Frey und Osborne (2013, 2017) für die USA einen Verlust von 47 % aller „Jobs“ und für Deutschland wird auf Basis des BERUFENET (Dengler et al. 2014; Dengler und Matthes 2015) für 15 % aller sozialversicherungspflichtig Beschäftigten ein sehr hohes Substituierbarkeitspotenzial ermittelt. Beide Studien distanzieren sich ausdrücklich davon, Prognosen über reale Automatisierungsfolgen abzugeben (vgl. Pfeiffer 2018a). So gut wie alle Studien konstatieren, dass selten ganze Berufe oder Arbeitskraftkategorien verschwinden, sondern technisch meist einzelne Tätigkeiten ersetzt werden (könnten). Dieser Blick auf digitalen Wandel und Tätigkeiten (ursprünglich vor allem Autor et al. 2003; für Deutschland u. a. Spitz-Oener 2006) steht im Mittelpunkt der nachfolgenden interdisziplinären Betrachtung. Dabei wird ein sehr unterschiedliches Verständnis von den Folgen und der Bedeutung des technologischen Wandels für (Nicht-)Routine-Tätigkeiten sichtbar.

3.1 (Nicht-)Routine und Lohnentwicklung vermessen

Zur Untersuchung der Auswirkungen der digitalen Transformation auf den Arbeitsmarkt werden Effektheterogenitäten geprüft, die auf den technologischen Wandel zurückgeführt werden können. Hierbei handelt es sich in erster Linie um Unterschiede zwischen Beschäftigten, die Berufe mit verschiedenen Jobtätigkeiten ausüben. Grundsätzlich wird zwischen Berufen mit Tätigkeiten mit hohem Routinegehalt (Routine Task Intensity, RTI) und Berufen mit Tätigkeiten mit abwechslungsreicheren, Nicht-Routinetätigkeiten differenziert. So zeigen Bachmann et al. (2019) beispielsweise, dass Beschäftigte, die in Berufen mit hoher RTI arbeiten, häufiger ihren Job verlieren, dass sie aber auch relativ schnell wieder einen neuen Job finden. Bachmann et al. (2022) führen diese Analyse weiter, indem sie die Lohnentwicklung von Beschäftigten untersuchen, die ursprünglich in Routineberufen tätig sind, deren Berufe sich im Laufe der Zeit jedoch verschieden entwickeln. Insbesondere geht es dabei um die Bedeutung von Tätigkeiten, die einen kognitiven Nicht-Routine-Charakter (non-routine cognitive, NRC) haben.

Die Studie nutzt zwei Datenquellen: die Stichprobe der Integrierten Erwerbsbiografien des IAB (SIAB) und die BIBB-BAuA-Erwerbstätigenbefragung (ETB). Bei der SIAB handelt es sich um eine repräsentative 2-%-Zufallsstichprobe aus den Integrierten Erwerbsbiografien (IEB), die die Grundgesamtheit der Personen in Deutschland mit sozialversicherungspflichtiger Beschäftigung bzw. mit gemeldeten Arbeitslosigkeitszeiten abdeckt (Frodermann et al. 2021). Die Daten enthalten neben soziodemografischen Charakteristika insbesondere Informationen über die Beschäftigung wie den Tageslohn und den Beruf. Die ETB ist eine repräsentative Stichprobe von Arbeitnehmer*innen in Deutschland mit einer Wochenarbeitszeit von mindestens 10 h (Hall und Tiemann 2020). Die ETB besteht aus wiederholten Querschnitten von etwa 20.000 bis 30.000 Befragten für jede Erhebungswelle; verwendet werden die Wellen 1985–86, 1991–92, 1998–9 und 2006.

Dieser Datensatz wird dazu genutzt, um mithilfe der Informationen über die ausgeführten Arbeitsaufgaben die Tätigkeitsintensität (z. B. die Intensität von Routinetätigkeiten) auf individueller Ebene zu berechnen. Hierbei wird dem Ansatz von Antonczyk et al. (2009) gefolgt, indem die am Arbeitsplatz ausgeführten Tätigkeiten in routinemäßige (R), nicht-routinemäßige manuelle (NRM) und nicht-routinemäßige kognitive (NRC) Tätigkeiten eingeteilt werden. Die jeweilige Intensität wird als der Anteil der in einer Kategorie ausgeübten Tätigkeiten (z. B. Routinetätigkeiten) an allen von einem Individuum ausgeübten Tätigkeiten erfasst. Somit kann für alle Kategorien eine entsprechende Intensität auf der Ebene von Berufsfeldern berechnet werden, indem der Durchschnitt der individuellen Intensitäten gebildet wird. Für Untergruppen der Routinekategorie wird auf ähnliche Art und Weise ermittelt, wie sich die Intensität an NRC-Tätigkeiten entwickelt. Die Verknüpfung mit den SIAB-Daten erfolgt auf der Ebene von Berufsfeldern und Jahren.

Die Ergebnisse der Studie zeigen, dass ursprüngliche Routineberufe, in denen im Zeitverlauf vermehrt NRC-Tätigkeiten ausgeübt werden, eine deutlich positivere Lohnentwicklung aufweisen als Berufe, in denen dies nicht der Fall ist (vgl. Abb. 2). Bei Routineberufen, die keinen deutlichen Anstieg von NRC-Tätigkeiten verzeichnen konnten, wird hingegen ein ähnliches Lohnwachstum wie in der Vergleichsgruppe der manuellen Nicht-Routineberufe sichtbar.

Abb. 2
figure 2

(Quelle: Bachmann et al. 2022)

Tätigkeitsspezifische Lohnentwicklung (Routine-Untergruppen nach Veränderung der Intensität in kognitiven Nicht-Routinetätigkeiten) – NRC: nicht-routine kognitiv; R – Routine. Lohnentwicklung relativ zu manuellen Nicht-Routineberufen (NRM).

Full size image

Durch die Untersuchung wird somit die Bedeutung des Wandels von beruflichen Tätigkeitsprofilen unterstrichen. Aus den Ergebnissen kann geschlussfolgert werden, dass die Anpassung an den technologischen Wandel häufig über den Wandel von Berufen erfolgt. Diese Entwicklung vollzieht sich zusätzlich zum Schrumpfen bzw. Verschwinden von Berufen, bei denen die Nachfrage zurückgeht, und dem Wachsen bzw. Entstehen von Berufen, bei denen sich die Nachfrage erhöht. Auf individueller Ebene impliziert dies, dass eine Anpassung an den technologischen Wandel nicht zwangsläufig darin bestehen muss, den Beruf zu wechseln, sondern dass dies auch innerhalb bestehender Berufe erfolgen kann. Dieser Mechanismus erfordert unter anderem vermehrte Weiterbildungen, damit Beschäftigte in einem Beruf mit den sich wandelnden Anforderungen Schritt halten können.

3.2 Die Bedeutung von (Nicht-)Routine für die Transformation verstehen

Ganz grundsätzlich lässt sich festhalten, dass der arbeitssoziologische Blick stärker auf den Prozess der Transformation (wer macht sie und warum entwickelt sie sich in welcher Form?) als auf deren Ergebnisse gerichtet ist. Zumindest spielt die Frage nach der quantitativen Ersetzung von Arbeit durch Technologie meist eine untergeordnete Rolle. Es geht also nicht nur um das Verhältnis von Technik und Arbeit, sondern auch um den Prozess der Technisierung selbst – der sich immer in betrieblichen Verhältnissen konkretisiert und dort ausgehandelt wird.

Aus arbeitssoziologischer Perspektive erscheint vor allem die in der quantitativen Forschung schnell getroffene Einordnung von Tätigkeiten als Routine oder Nicht-Routine wenig nachvollziehbar. Zwar ist plausibel, dass Routine-Tätigkeiten prinzipiell technisch besser und vergleichsweise einfacher ersetzbar sind, da die Abläufe meist schon stark standardisiert sind. Die getroffene Zuordnung aber, auf deren Grundlage bestimmte Tätigkeiten als stark oder weniger stark routinehaltig eingeschätzt werden, wirkt äußerst restriktiv. Aus dem Blick gerät dabei, dass Routine und Nicht-Routine untrennbare Anteile innerhalb einzelner Tätigkeiten sind und jede Zuordnung einer Tätigkeit zur einen oder anderen Kategorie eine starke Vereinfachung darstellt (vgl. Levy et al. 1999). Auch Technologien, die Arbeit teilweise ersetzen, werden in den beiden stark rezipierten Studien (Frey und Osborne 2013; Dengler und Matthes 2015) höchst vage gefasst, der Computer, der Roboter, die künstliche Intelligenz. Dabei wird die Vielfalt der Ausprägungen und Einsatzgebiete ebenso ausgeblendet wie die Tatsache, dass es sich gerade in der aktuellen Digitalisierung um weitgehend „gestaltungsbedürftige“ (Pfeiffer und Huchler 2018) Technologien handelt, deren auch ökonomisch relevanten Effekte erst zum Tragen kommen, wenn sie an den jeweiligen Anwendungskontext sinnvoll angepasst und robust eingesetzt werden.

Selbst in der quantitativen Forschung findet sich zudem der bislang nicht ausgeräumte Einwand, dass keine „good measures of routine“ existierten (Fernández-Macías und Hurley 2014, S. 48). Allenfalls wird der verwendete Routine-Begriff von einem alltagsprachlichen Verständnis (Routine als eintönig, repetitiv, gewohnheitsmäßig etc.) abgegrenzt, da der Begriff selbst für die „Zerlegbarkeit in computerprogrammierbare Tätigkeitselemente und damit Ersetzbarkeit durch Computer“ stehe (Dengler und Matthes 2015, S. 17). So werden Ursache und Folge gleichgesetzt. Genau genommen ist wissenschaftlich nicht eindeutig bearbeitet, welche Zusammenhänge oder Unterschiede zwischen empfundener Routine und prinzipieller Ersetzbarkeit empirisch und faktisch bestehen. Die aus solchen Studien dann medial oft als Faktum kommunizierten „Potenziale“ von Ersetzbarkeit erklären damit im Handstreich, wer vermeintlich zu den Verlierer*innen der Transformation zählt. So wird etwa der im Anlagenbau arbeitenden Maschineneinrichterin oder dem im Karosseriebau beschäftigten Anlagenfahrer bei Frey und Osborne (2013) eine Ersetzungswahrscheinlichkeit von 98 % und bei Dengler und Matthes (2015) ein Substituierbarkeitspotenzial von 75 % zugesprochen. Dies geschieht unabhängig davon, wie standardisiert und automatisiert oder wie kleinserienlastig oder modular der Fertigungskontext jeweils ist oder wie stark die konkreten Beschäftigten „hinter“ der Zahl mit der Umsetzung der digitalen Transformation befasst sind. Dabei ist die methodisch entscheidende Grundlage für diese doch folgenschwere Aussage – nämlich die Einschätzung von Tätigkeiten als Routine (oder eben nicht) – aus arbeitssoziologischer Sicht weder ausreichend empirisch noch theoretisch abgesichert.

In der Arbeitssoziologie existiert seit Jahrzehnten ein immenser Forschungsstand und empirischer (qualitativer) Korpus dazu, was Nicht-Routinetätigkeiten sind, wie sie – trotz ihres informellen Charakters – zu fassen sind und vor allem: dass sie gerade auch in den Tätigkeiten vorkommen und bedeutsam sein können, die quantitativ als Routinetätigkeiten eingeordnet werden. Dieser Forschungsstand kann hier nicht ausführlich referiert werden, verwiesen sei daher nur auf zahlreiche Arbeiten zum subjektivierenden Arbeitshandeln (Böhle 2017), zum Arbeitsprozesswissen (Fischer und Röben 2004) oder Arbeitsvermögen (Pfeiffer 2004). Vor dem Hintergrund der aktuellen Digitalisierungsdebatte ist dabei vor allem von Interesse, dass diese impliziten Handlungsweisen sich in Arbeitssituationen erstens immer dann als relevant zeigen, wenn Routinehandeln an seine Grenzen stößt. Zweitens nimmt die Bedeutung dieser Form von Nicht-Routine (die etwas anderes meint als im quantitativen Verständnis das Synonym für (Nicht-)Ersetzbarkeit) bei zunehmender Automatisierung und Digitalisierung zu anstatt – wie häufig vermutet – ab: Dieser Befund bestätigte sich bei der CNC-Technik (Böhle und Milkau 1988) ebenso wie bei hoch automatisierter Prozesstechnik (Bauer et al. 2006), in industrieller Einfacharbeit (Hirsch-Kreinsen 2017) ebenso wie in hoch qualifizierter Wissensarbeit (Sauer 2017).

Um diesen qualitativen Forschungsstand in das Quantitative zu übersetzen, wurde in den letzten Jahren einiger Aufwand betrieben und die Messung von Nicht-Routine am Arbeitsplatz in Form eines normativen Indexes (Arbeitsvermögen-Index, nachfolgend AVI) ermöglicht. Für dessen Bildung (vgl. ausführlich Pfeiffer und Suphan 2015) wurden die Erkenntnisse des qualitativen, arbeitssoziologischen Forschungsstands zunächst systematisch auf die schon erwähnten quantitativen Daten der BIBB/BAuA-Erwerbstätigenbefragung (zunächst mit den Daten von 2012) angewendet. Dieses Vorgehen ist eher selten, hat aber das Potenzial, den in diesem Artikel angestrebten Brückenschlag zwischen den Methoden- und Disziplinwelten teilweise zu vollziehen. Daher sei das Vorgehen hier kurz erläutert. Der ursprünglich aus 18 Tätigkeitsitems generierte AVI bildet ab, wie häufig an einem Arbeitsplatz mit Wandel, Komplexität und Unwägbarkeiten umgegangen werden muss, und ist damit ein Indikator für den notwendigen Anteil an Nicht-Routine. Dafür wurden zunächst normierte Teilskalen gebildet für das Umgehen mit situativer Komplexität (drei Items), mit situativen Unwägbarkeiten (sieben Items) sowie mit struktureller Komplexitätszunahme und Wandel (sieben Items); zusätzlich wurde als Multiplikator ein Item zur Relevanz von Erfahrungslernen verwendet (vgl. ausführlich Pfeiffer 2018a). Der zwischen 0 und 1 normierte Index lag 2012 für alle Beschäftigten in Deutschland bei einem Mittelwert von 0,56 (SD = 0,281; N = 17.479). Die Mehrheit von 74 % der Befragten erreichte einen AV-Wert von über 0,5. Ergebnisse zum AVI liegen mittlerweile für unterschiedliche Branchen, Berufe und Beschäftigtengruppen und auch mit aktuelleren Daten der ETB 2018 vor (Pfeiffer 2018b; Pfeiffer und Suphan 2018, 2020; Baum et al. 2022). Zudem wurden der AVI und seine Items einer Inhalts- und Konstruktvalidierung unterzogen und seine ökologische Validität (Pfeiffer 2018a) überprüft. Ökologische Validität ist ein Gütekriterium, das insbesondere für Methoden bedeutsam ist, die von konkreten Anwendungskontexten abstrahieren (wie Laborexperimente oder Survey-Forschung). Eine ökologische Validierung erfordert zwingend die Anwendung verschiedener Methoden – im besten Fall qualitativer und quantitativer – innerhalb desselben Kontexts, das heißt mit denselben Personen und an denselben Arbeitsplätzen (vgl. Cicourel 2007; Knappertsbusch 2017). Genau dies konnte über die Kombination zweier qualitativer, arbeitssoziologischer Fallstudien mit der dort quantitativen Erhebung des AVI in der Automobilindustrie und für mehrere Berufe durchgeführt (Pfeiffer 2018a) und ebenfalls in der gleichen Branche aktuell neu erhoben werden (vgl. Pfeiffer und Autor*innenkollektiv 2023a, 2023b). Dadurch können die in der qualitativen Tiefenbohrung arbeitssoziologischer Fallstudien gewonnenen Erkenntnisse zur Differenziertheit betrieblicher Umsetzung zumindest teilweise mit den aggregierten Daten und aus Vergleichsgründen nicht leicht abänderbaren und somit zwangsläufig abstrakteren Variablen quantitativer Beschäftigtendatensätze verbunden werden.

Während die zitierten Studien von Frey und Osborne oder Dengler und Matthes jeweils vor allem maschinennahe Arbeit als besonders von Automatisierung bedrohte Routinearbeit sehen, ergeben die Auswertungen zum AVI ein gegenläufiges Bild: Industrielle, maschinennahe Tätigkeiten – insbesondere auf Facharbeitsniveau – zeigen überdurchschnittliche AV-Werte und deuten damit auf hohe Anteile an Nicht-Routine-Anforderungen am Arbeitsplatz hin. Und: Mit Fortschreiten der digitalen Transformation steigt der AVI an: 2018 ist der Wert für alle Beschäftigten in Deutschland höher als noch 2012 (MW = 0,58; SD = 0,271; N = 17.339) und mit 75 % erreichen noch mehr Befragte einen AV-Wert von über 0,5. Die hier nur kurz zusammengefassten Ergebnisse belegen: Aus qualitativ-arbeitssoziologischer Perspektive ergibt sich nicht nur ein anderer, sondern auch ein empirisch mehrfach abgesicherter Blick auf (Nicht-)Routine und den Zusammenhang mit der digitalen Transformation.

4 Die Transformation benötigt interdisziplinäres Verstehen und Vermessen

Vor dem Hintergrund der disziplinär und methodisch unterschiedlichen Perspektiven auf dieselben Forschungsfelder ergeben sich verschiedene Ansatzpunkte für einen fruchtbaren interdisziplinären Austausch zwischen Arbeitssoziologie und Wirtschaftswissenschaften.

Ein erster Ansatzpunkt besteht in der Definition von (Nicht-)Routine, der Messung des Tätigkeitsgehalts und der daraus resultierenden Einschätzung zur Substituierbarkeit von Tätigkeiten durch Technologie. Hier fokussieren wirtschaftswissenschaftliche Studien überwiegend auf den Gehalt an Routinetätigkeiten, die mit einer hohen Substituierbarkeit gleichgesetzt werden.Footnote 3 Zudem untersuchen zahlreiche wirtschaftswissenschaftliche Studien quantitativ die Auswirkungen der Substituierbarkeit auf verschiedenen Ebenen (individuell, regional, betrieblich) und zielen darauf ab, ein aggregiertes und repräsentatives Bild der untersuchten Phänomene zu zeichnen. Die Arbeitssoziologie wirft mit qualitativen Methoden einen vertieften und detaillierten Blick auf Tätigkeitsveränderungen und kommt zu einem anderen Verständnis von (Nicht-)Routinetätigkeiten, das auf Basis der ETB auch quantifiziert wurde (Pfeiffer 2018a). In diesem Zusammenhang verweist die qualitative Arbeitssoziologie auf die Notwendigkeit, Tätigkeiten und deren Einsatzgebiet grundsätzlich gut zu verstehen, um die Auswirkungen von Technologie auf die Substituierbarkeit von Berufen beurteilen zu können. Dieses Verständnis bezieht sich auf die jeweilige Tätigkeit selbst, aber auch auf die zu verwendende Technologie und deren Reifegrad. Hinzu kommen Kenntnisse zu Spezifika des Anwendungskontexts, der Arbeitsorganisation, bisher eingesetzter (IT-)Technologien, Marktstrategien, industrieller Beziehungen usw. Für den Bezugsrahmen von Tätigkeit, (Nicht-)Routine und Technikeinsatz legt die hier vorgenommene Gegenüberstellung beider disziplinärer Zugriffe nahe, dass ein systematischer angelegtes und methodisch abgestimmtes, gemeinsames Vorgehen von Wirtschaftswissenschaften und Arbeitssoziologie insbesondere für die Frage der Substituierbarkeit von Tätigkeiten und für den Umgang mit Technologie und deren Effekten wichtige neue Erkenntnisse generieren könnte. Gleichzeitig kann nur der quantitative Blick die Auswirkungen in der Breite abschätzen, dies wiederum ist die Stärke der Wirtschaftswissenschaften. Hier tut sich die qualitative Arbeitssoziologie – trotz oder besser: wegen – ihrer Differenziertheit vergleichsweise schwer und scheitert immer dann, wenn zahlenbasierte Evidenz gefordert ist.

Ein zweiter Ansatzpunkt für einen interdisziplinären Austausch liegt im qualitativen Verstehen und quantitativen Messen der Auswirkungen von Technologien auf Arbeit und Beschäftigung. Besonderes Potenzial könnte demnach ein methodischer und disziplinärer Bezug aufeinander bieten: Qualitative Fallstudien der Arbeitssoziologie können Entwicklungen und konkrete Auswirkungen beim Einsatz neuer Technologien in Unternehmen nachzeichnen und auf dieser Basis werden eine fundiertere Hypothesenbildung für quantitative Untersuchungen zur Auswirkung spezifischer Technologien in der Breite möglich. So eröffnet, wie in Abschn. 3.2 beschrieben, die Leichtbaurobotik zwar gegenüber dem Industrieroboter zahlreiche neue Einsatzszenarien, verweist aber auch auf spezifische Hemmnisse. Die Effekte der Leichtbaurobotik dürften damit eine andere Dynamik zeigen als die der bislang dominierenden Industrieroboter. Diese Entwicklung wurde in den quantitativen Analysen der Wirtschaftswissenschaften bisher kaum berücksichtigt. Es erscheint daher sinnvoll, die diesbezüglich existierende qualitative Evidenz aus der Arbeitssoziologie systematischer in die quantitativen Analysen der Wirtschaftswissenschaften einfließen zu lassen. Dies könnte die Stärken der Wirtschaftswissenschaften, die quantitative Untersuchung mit dem Ziel repräsentativer Ergebnisse – aufbauend auf den genannten Erkenntnissen der Arbeitssoziologie –, zur Geltung bringen.

Ein dritter Ansatzpunkt ist die Frage nach der zeitlichen Dynamik und der Reichweite der Auswirkungen neuer Technologie. Dies wurde oben ebenfalls am Beispiel Robotik diskutiert. Die wirtschaftswissenschaftliche Literatur thematisiert diesen Punkt häufig nicht und viele Studien betrachten einen langen Zeitraum (long lags) von mehreren Jahrzehnten (etwa Acemoglu und Restrepo 2020). Diese Effekte sind für eine Gesamtschau wichtig, müssen jedoch ergänzt werden, um Anpassungsdynamiken erforschen und Aussagen darüber treffen zu können, wann welche Effekte zu erwarten sind. Diese sind für die (potenziell) Betroffenen sowie für die Wirtschafts- und Arbeitsmarktpolitik von größtem Interesse. Die qualitative Arbeitssoziologie kann hier wertvolle Einsichten liefern, beispielsweise um ökonometrische Spezifikationen zu zeitverzögerten Variablen zu erstellen, aber auch um generell auf diese Frage aufmerksam zu machen. Letztlich spielen auch hier, wie bei der Untersuchung der Substituierbarkeit von Tätigkeiten, verschiedene Kontextfaktoren für die Wirkung von spezifischen Technologien eine wichtige Rolle. Zu diesen Faktoren zählen die oben genannten, wie Anwendungskontext, andere im Betrieb eingesetzte Technologien etc. Für viele Forschungsfragen sind somit nicht nur genaue Kenntnisse der jeweiligen Technologie, sondern eben auch der Kontextfaktoren äußerst wichtig.

Ein vierter Ansatzpunkt für einen vertieften interdisziplinären Austausch besteht in der Erklärung von Wirkmechanismen. Die Erkenntnisse aus der Arbeitssoziologie können nicht nur zu Beginn einer Studie, also zur Hypothesenbildung, eingesetzt werden, sondern auch gegen Ende einer Studie, um das Zustandekommen der identifizierten (kausalen) Effekte besser zu erklären. In diesem Zuge spielt das anfangs angesprochene verstehende Paradigma der in der Arbeitssoziologie überwiegend verwendeten qualitativen Methoden eine besondere Rolle.

Ein fünfter Ansatzpunkt ist die Frage nach Korrelation und Kausalität. Die Wirtschaftswissenschaften konzentrieren sich stark auf die Kausalität, sodass ein gut entwickeltes methodisches Instrumentarium existiert, das sich in vielen empirischen Bereichen der Fachrichtung bewährt hat. Dementsprechend kann diese Stärke der Wirtschaftswissenschaften einen wichtigen Beitrag in der interdisziplinären Zusammenarbeit leisten, genau wie die Arbeitssoziologie dies für die Hypothesenbildung und die detaillierte Analyse von Wirkmechanismen kann. Gleichzeitig finden sich die Gründe für Kausalität und deren Richtung oft nicht alleine in den quantitativen Daten, hier kann ein systematischer Bezug von quantitativen und qualitativen Daten vor ökologischen Fehlschlüssen schützen.

Letztlich wollen wir darauf verweisen, dass die beiden hier versammelten Disziplinen und methodischen Ansätze jeweils wichtige Bausteine liefern, um die Verbreitung und Wirkung von Technologie in der Arbeitswelt besser zu verstehen. Daher können sie sich, wie oben aufgeführt, konstruktiv ergänzen. Dies bezieht sich einerseits auf die eingesetzten Methoden. Andererseits sollte beachtet werden, dass die beiden Disziplinen zumindest teilweise unterschiedliche Fragestellungen verfolgen. Während die Arbeitssoziologie sich verstärkt mit detaillierten Entwicklungen und den zugrunde liegenden Mechanismen befasst, sind die Wirtschaftswissenschaften häufig an den kausalen Effekten, zum Beispiel einer spezifischen Technologie, interessiert. Erst eine Kombination der Antworten beider Disziplinen ergibt ein vollständige(re)s Bild der zu untersuchenden Phänomene.

Diese Überlegungen haben auch Implikationen für die in der Einleitung aufgeworfene Frage, inwiefern Prognosen für eine vermutlich transformative Entwicklung wie die Digitalisierung der Arbeitswelten in der Zukunft überhaupt möglich sind. Ob sie möglich sind, lässt sich an dieser Stelle zwar kaum beantworten. Sicher erscheint jedoch, dass ein so vielschichtiges und umfassendes Phänomen nur in einem interdisziplinären Ansatz erfasst und verstanden werden kann, was die Grundlage für jede Art von belastbarer Prognose sein muss.

Neben der beschriebenen Komplementarität der Disziplinen können sich Arbeitssoziologie und Wirtschaftswissenschaften aber auch gegenseitig die Grenzen der jeweiligen Herangehensweisen bewusst machen. So zeigt der arbeitssoziologische Blick, dass die Hypothesenbildung in den Wirtschaftswissenschaften teilweise zu ad hoc verläuft, zudem Wirkmechanismen und Kontextfaktoren häufig wenig Beachtung finden. Dadurch besteht die Gefahr, dass die Ergebnisse von quantitativen Studien als allgemeingültig, also beispielsweise als in jeglichem betrieblichen Kontext wirksam, angesehen werden. Dies wiederum kann dazu führen, dass Beschäftigte, Betriebe und Wirtschaftspolitik sich zu einer „one-size-fits-all“-Reaktion veranlasst sehen. Die Erkenntnisse der Arbeitssoziologie können hier einen wichtigen Korrektivmechanismus darstellen. Im Gegenzug können die Wirtschaftswissenschaften auf bestimmte Grenzen der qualitativen Methodik verweisen, insbesondere hinsichtlich der Repräsentativität und der Kausalität von Ergebnissen, aber auch in Bezug auf zeitliche und räumliche Dynamiken. Somit besteht auch im gegenseitigen – teilweise kritischen – Bezug ein wichtiger Beweggrund für verstärkte interdisziplinäre Zusammenarbeit und Austausch. Beides wird umso wichtiger, wenn von transformativen statt inkrementellen Veränderungsprozessen ausgegangen wird.

Die in diesem Beitrag beschriebene Notwendigkeit, Richtung und Ausprägung der digitalen Transformation in all ihren Facetten mithilfe eines interdisziplinären Ansatzes zu verstehen, wird aus unserer Sicht bisher nicht ausreichend erkannt. Um diesen Mangel zu beheben, sind neben der entsprechenden Einsicht größere Forschungsstrukturen nötig, die interdisziplinäre und auch qualitative Erkenntnisse aus Informatik und Ingenieurwissenschaft, aus Arbeitssoziologie und -wissenschaft sowie aus der Techniksoziologie systematisch mit quantitativer Arbeitsmarktforschung integrieren. Die interdisziplinäre Arbeit im DFG-Schwerpunktprogramm „Digitalisierung der Arbeitswelten“ gibt für eine methodologische Annäherung dieser Art einen inspirierenden Rahmen. Für ein systematisches, Mixed-Discipline-/Mixed-Methods-Monitoring transformativer Prozesse bräuchte es jedoch mehr als das, nämlich institutionalisierte und auf Langfristigkeit abzielende passfähige Förderstrukturen.