AI w Lean: gdzie pomaga, a gdzie tylko przyspiesza marnotrawstwo
AI w Lean ma sens wtedy, gdy pomaga rozwiązać konkretny problem w przepływie pracy. Może uporządkować opisy usterek, ułatwić odnalezienie zatwierdzonej instrukcji albo przygotować szkic podsumowania. Samo szybsze tworzenie dokumentów nie oznacza jednak, że klient szybciej otrzyma prawidłowy produkt lub usługę.
Warto rozdzielić dwa zastosowania. Generatywna AI pracuje przede wszystkim z treścią: tekstem, obrazem czy kodem. Modele predykcyjne służą między innymi do wykrywania wzorców i przewidywania zdarzeń na podstawie danych. To różne narzędzia, wymagające innych testów. W tym artykule skupiamy się na pierwszym z nich.
Zacznij od problemu, który można zobaczyć w procesie
Zamiast celu „wdrożyć AI w dziale” zapisz obserwowalny kłopot: „pracownik poświęca dużo czasu na znalezienie aktualnej instrukcji”, „zgłoszenia wracają, bo brakuje danych” albo „analiza przyczyn czeka na uporządkowanie opisów”. Następnie sprawdź go tam, gdzie wykonywana jest praca. Rozmowa z operatorem i obserwacja kilku rzeczywistych przypadków często ujawniają więcej niż lista pomysłów z warsztatu.
Jeżeli problemem jest pięć wersji tej samej instrukcji, najpierw ustal jedną obowiązującą wersję i właściciela dokumentu. AI podłączona do nieuporządkowanych materiałów może szybciej dostarczać nieaktualne odpowiedzi. Usprawnienie źródła bywa tańsze i skuteczniejsze niż dodanie kolejnego narzędzia.
Trzy zastosowania, od których można zacząć
Porządkowanie opisów usterek. Model proponuje kategorię z krótkiej, wcześniej uzgodnionej listy. Zachowujesz oryginalny opis, a niejednoznaczne zgłoszenia trafiają do człowieka. Zestawienie kategorii pomaga wybrać problem do dalszej analizy, ale samo nie ustala przyczyny.
Wyszukiwanie wiedzy w zatwierdzonych instrukcjach. Odpowiedź powinna wskazywać konkretny dokument, wersję i fragment źródłowy. Gdy materiał nie zawiera odpowiedzi, poprawnym wynikiem jest informacja o braku danych i przekazanie sprawy odpowiedzialnej osobie.
Przygotowanie szkicu standardu pracy. AI porządkuje notatki z obserwacji w kroki, ważne wskazówki i ich uzasadnienia. Instruktor sprawdza szkic przy stanowisku. Dopiero po weryfikacji powstaje wersja zatwierdzona do użycia.
Przykład: czy porządkowanie zgłoszeń rzeczywiście oszczędza czas?
Poniższy przykład jest hipotetyczny. Zespół analizuje 100 opisów usterek. Ręczne przypisanie kategorii zajmuje średnio 4 minuty na zgłoszenie, czyli 400 minut. Narzędzie skraca przygotowanie propozycji do 1 minuty na zgłoszenie, lecz kontrola i poprawki pochłaniają kolejne 120 minut. Łączny czas pracy ludzi wynosi więc 220 minut, a oszczędność w tej próbie to 180 minut, czyli 45%.
To jeszcze nie dowód poprawy całego procesu. Trzeba sprawdzić, czy kategorie są wystarczająco trafne, czy nie pominięto ważnych zgłoszeń i czy analiza szybciej prowadzi do działania. Wynik może zniknąć po doliczeniu obsługi wyjątków, utrzymania narzędzia albo późniejszego wyjaśniania błędnych przypisań.
Jak przygotować polecenie dla AI
Dobre polecenie zawiera zadanie, dozwolone źródła, format wyniku i regułę postępowania przy braku informacji. Przykład do dostosowania: „Na podstawie poniższego opisu zaproponuj jedną kategorię z listy. Zacytuj fragment, który uzasadnia wybór. Jeżeli pasują dwie kategorie lub brakuje danych, oznacz: do weryfikacji. Nie dopisuj przyczyn, których nie podano”.
Używaj narzędzi dopuszczonych w organizacji i materiałów, które wolno w nich przetwarzać. Usunięcie nazwiska z opisu nie zawsze usuwa wszystkie informacje pozwalające rozpoznać klienta, pracownika albo zamówienie. W pilotażu można zacząć od danych syntetycznych, a zasady dostępu do danych rzeczywistych ustalić z ich właścicielem.
Co mierzyć i kiedy zatrzymać rozwiązanie
Całkowity czas obsługi: przygotowanie danych, użycie narzędzia, kontrola i poprawki.
Jakość: zgodność z oceną eksperta, liczba pominiętych ważnych przypadków oraz odsetek spraw wymagających ręcznej obsługi.
Przepływ: czas od zgłoszenia do decyzji lub zakończenia sprawy, a nie tylko czas pojedynczego kliknięcia.
Utrzymanie: kto aktualizuje źródła, sprawdza wyniki i przywraca poprzedni sposób pracy w razie pogorszenia jakości.
Próg akceptacji ustal przed testem i dopasuj do konsekwencji błędu. Nie istnieje jedna bezpieczna wartość trafności dla wszystkich zadań. Weryfikację rzadkich, lecz ważnych przypadków zaplanuj osobno. Dalsze wdrożenie ma sens dopiero wtedy, gdy poprawa utrzymuje się na nowych przypadkach, a zespół potrafi obsłużyć wyjątki.
Czy AI zastąpi gemba i kaizen?
Nie zastąpi bezpośredniego sprawdzenia, jak przebiega praca. Może pomóc przygotować pytania, zestawić obserwacje i przyspieszyć analizę materiałów. Decyzję o zmianie standardu trzeba jednak oprzeć na wiedzy o procesie oraz sprawdzonym wyniku. Odpowiedź brzmiąca przekonująco nie jest dowodem.
Czytaj dalej
Źródła i dalsza lektura
Źródła poniżej dotyczą relacji Lean i AI oraz zarządzania ryzykiem AI. Przykład liczbowy i plan pilotażu są ilustracją opracowaną na potrzeby tego tekstu.
Komentarze