Stophorloges bedreigen de toekomst van de productieheropleving

Bijna 25 jaar geleden maakte ik mijn eerste stappen op de vloer van een General Motors (GM) fabriek, werkend in zowel de hooggeautomatiseerde carrosseriewerkplaats als de mensgerichte montagelijn. Ik leerde snel dat robotprocessen naadloos data overdragen via Ethernet, terwijl menselijke activiteit handmatig vastgelegd moest worden door industriële ingenieurs met stophorloges – een techniek geïntroduceerd door Frederick Taylor in de Model T-epoche. De contrast was schokkend: een moderne industriële tijdperk botste met een dataverzamelingsmethode die al 75 jaar oud was.

Vandaag nog loop ik montagelijnen en zie jonge ingenieurs tijdstudies uitvoeren. De tools zijn geëvolueerd – van Casio horloges naar iPhones – maar de praktijk is onveranderd, en die alarmerend verouderde methode blijft vooruitgang hinderen. Tijd- en bewegingsstudies deden de Amerikaanse productie ooit naar de top van de wereld; vandaag zijn ze diepgeworteld geflouteerd in een tijdperk van het Industrial Internet of Things (IIoT).

Focus op Time-to-Market en Productiviteit

De Amerikaanse productie beleeft een renaissance, met de snelste groei sinds 2004. In 2017 keerden 171.000 banen terug naar de Verenigde Staten als gevolg van reshoring en buitenlandse directe investeringen. Markttoegang is een sleuteldriver: "Reshoring gaat helemaal om time-to-market," zegt Ben Smith, senior adviseur bij AT Kearney. "Moderne fabrikanten kunnen 15 kleine fabrieken over het land prefereren voor betere markttoegang, wat hun focus verschuift van kosten naar productiviteit."

De industriële consensus is dat IIoT de primaire motor van productiviteitsgroei zal zijn. Accenture voorspelt het als de grootste productiviteitsdriver van het decennium, terwijl GE Digital jaargelijks prestatiewinst van ongeveer $8,6 biljoen schat. Toch komt de meeste waarde die in een fabriek gecreëerd wordt van mensen – Boston Consulting Group rapporteert dat mensen tot 90% van de taken op de productievloer uitvoeren. Alleen machines optimaliseren vangt slechts een fractie van de echte activiteit.

Time-to-Market botst op Time-to-Data

Peter Marcotullio, VP van commercieel onderzoek en ontwikkeling bij SRI International, merkt op dat "slechts een klein percentage taken door machines wordt uitgevoerd." Dus het instrumenteren van machines vangt slechts een fractie van het proces. Terwijl IIoT 50 GB machinedata kan genereren in de tijd die het kost om een traditionele tijdstudie uit te voeren, blijft de link tussen machine-optimalisatie en algehele fabrieksproductiviteit zwak. Beslissingen die dagelijkse bemanning, productieprojecties, jobcosting, en offertes vormgeven, vertrouwen op door mensen gegenereerde data, wat zowel de top- als bottom-line drijft.

Een onvolledige en onbetrouwbare dataset

Tijdstudies lijden aan twee grote gebreken: beperkt datavolume en twijfelachtige betrouwbaarheid. Een typische ingenieur bemonsterdt misschien tien operaties per station – onvoldoende om rekening te houden met operatorvariabiliteit of contextuele factoren als dag van de week, salarisperiode, of werkdage-uitputting. Deze dunne dataset kan geen robuuste correlaties of causaliteit vaststellen.

Bovendien kan het act van waarnemen de prestaties veranderen. Geïnspireerd op Heisenberg's onzekerheidsprincipe, kunnen werknemers versnellen of vertragen onder observatie, en inconsistent start-en-eind definities compromitteren de nauwkeurigheid verder. Gevolgelijk produceren tijdstudies twijfelachtige metingen die zowel operators als managers kunnen misleiden.

Wat ontbreekt in de moderne fabriek?

Moderne fabrieken missen schaalbare, real-time mensgerichte data. Terwijl Gemba-wandelingen, geïnstrumenteerde lichtgordijnen, en poka-yoke systemen enige menselijke activiteit kunnen vastleggen, blijft het volume te laag voor betekenisvolle analyses. Anik Bose, general partner bij Benhamou Global Ventures, legt uit dat "fabrikanten werknemers en managers bijeenroepen om te brainstormen, maar zonder real-time data vertrouwen ze op handmatige, ad-hoc methoden." Zonder betrouwbare menselijke productiviteitsmetrieken kunnen fabrieken de bron niet verbeteren die de meeste waarde drijft.

Marshall Goldsmith zei bekenderwijs: "Wat je hier bracht, brengt je niet verder." De tijdstudiemethodologie heeft ons naar ons huidige productiepiek gebracht, maar is niet langer voldoende voor het versnellen van time-to-market door menselijke arbeidsproductiviteit te verbeteren. Het is tijd om de stopwatch te pensioneren en data-gedreven, AI-verbeterde menselijke samenwerking op de fabrieksvloer te omarmen.

Over de Auteur

Dr. Prasad Akella leidde het team dat de werelds eerste collaboratieve robots bij GM bouwde. Hij is CEO van Drishti, een bedrijf dat kunstmatige intelligence inzet om te collaboreren met en te verbeteren van mensen op de fabrieksvloer.