Keine Fabrik misst alles. Manche Einflussgroessen sind technisch schwer messbar. Andere werden vergessen, manuell dokumentiert oder erst sichtbar, wenn ein erfahrener Operator sie benennt. Materialverhalten, Werkzeugzustand, Reinigung, Umgebungsbedingungen, Handling, Schichtpraxis: Nicht alles liegt sauber als Parameter vor.
Heisst das, AI-basierte Ursachenanalyse ist wertlos?
Nein. Aber sie muss mit Demut eingesetzt werden.
Unvollstaendige Daten sind normal
In der Theorie wuenscht man sich alle relevanten Ursachen als saubere Variablen. In der Praxis gibt es Luecken, Stellvertreter, Messfehler und zeitliche Verschiebungen.
Eine gute Analyse tut deshalb nicht so, als waere sie allwissend. Sie zeigt, welche gemessenen Faktoren auffaellig sind, welche Hypothesen plausibel werden und wo weitere Beobachtung oder Datenerfassung sinnvoll ist.
Datenluecken koennen sichtbar werden
Manchmal ist der wichtigste Nutzen einer Analyse nicht die finale Ursache, sondern die Erkenntnis: Uns fehlt eine kritische Messung.
Wenn ein Team immer wieder an derselben Stelle unsicher bleibt, kann das eine Investitionsentscheidung rechtfertigen: zusaetzlicher Sensor, bessere Losverknuepfung, sauberere Schichtnotizen, andere Prueffrequenz oder ein neues Feld im MES.
Prozesswissen bleibt entscheidend
Unmessbare oder ungemessene Faktoren werden oft zuerst am Gemba sichtbar. Ein erfahrener Praktiker fragt: Was hat sich wirklich geaendert? Wer faehrt den Prozess anders? Welche Reinigung war ungewoehnlich? Welche Materialcharge fuehlte sich anders an? Welche Wartung ist nicht im System erfasst?
AI kann den Suchraum strukturieren. Menschen muessen die blinden Flecken benennen.
Wie man sauber damit umgeht
Gute Jidokai-Kommunikation sollte sagen:
- AI unterstuetzt Hypothesen, ersetzt aber keine Validierung.
- Datenluecken werden als Teil des Lernens behandelt.
- Neue Messungen werden nach Nutzen priorisiert, nicht nach Technikinteresse.
- Entscheidungen bleiben im Operating Model verankert.
Fazit
Unvollstaendige Daten sind kein Grund, nichts zu tun. Sie sind ein Grund, Ursachenarbeit als Lernsystem zu gestalten: messen, verstehen, pruefen, verbessern, nachschaerfen.