Mensch, Maschine, Methode: Wie KI die echten Ursachen von Produktionsstillständen unterscheidet

Das Ishikawa-Framework (Mensch, Maschine, Methode, Material, Messung — auch als 5M bekannt) ist eines der ältesten Werkzeuge in industrieller Ursachenanalyse. Es stammt aus der Toyota-Production-System-Arbeit der 1960er Jahre und wird in jedem Continuous-Improvement-Programm gelehrt. Das Framework ist solide; das praktische Problem ist, dass Menschen unzuverlässig darin sind, Stillstandsereignisse in Echtzeit in diese Kategorien zu klassifizieren. Ein Bediener, der einen Stillstand als „Maschinenausfall“ loggt, könnte tatsächlich ein Prozessproblem (Methode) erleben, ausgelöst durch Rohstoffvariation (Material), die einen Maschinenalarm (Maschine) ausgelöst hat — der Bediener wählt die sichtbarste Ursache und macht weiter. Über hunderte Ereignisse pro Schicht akkumuliert sich diese Fehlzuordnung zu einer Pareto-Auswertung, die Verbesserungsinvestitionen auf die falsche Kategorie lenkt.

KI-Ursachenanalyse kann die 5M-Kategorien mit 85%+ Genauigkeit unterscheiden, indem sie bedienereingegebene Codes mit Maschinensensordaten, Produktkontext, Schichtkontext und historischen Mustern korreliert. Dieser Artikel geht durch die praktische Funktionsweise der KI-getriebenen 5M-Kategorisierung, warum es für die Priorisierung von Verbesserungsinvestitionen zählt, und wie realistisch die Genauigkeit über die fünf Kategorien hinweg ist.

Warum menschliche 5M-Kategorisierung unzuverlässig ist

Drei strukturelle Gründe, warum menschliche Kategorisierung scheitert. Sichtbarkeitsbias: Bediener sehen den unmittelbaren Auslöser, aber nicht die zugrundeliegende Ursache. Kognitive Abkürzungen: unter Zeitdruck wählen Bediener vertraute Grundcodes statt analytische Kategorisierung. „Maschine“ und „Sonstiges“ machen 60–70 % der geloggten Stillstände in den meisten Werken aus, unabhängig von der tatsächlichen Ursachenverteilung. Prozessbias: Bediener zögern, Mensch- (Bedienerfehler) oder Methode-Kategorien (Prozessproblem) zu loggen, weil sie sich wie Schuldzuweisung anfühlen.

Werke, die ihre 5M-Pareto-Auswertungen gegen Ground-Truth-Analyse (Engineering-Untersuchung einer Stichprobe von Ereignissen) auditieren, finden konsistent, dass bedienergeloggte Verteilungen 30–45 Prozentpunkte von tatsächlichen Verteilungen abweichen. Die Maschine-Kategorie wird überberichtet; Mensch und Methode werden unterberichtet.

Wie KI-5M-Kategorisierung funktioniert

KI-Kategorisierung nutzt mehrere Datenquellen zur Triangulation der tatsächlichen Ursache. Die Inputs umfassen: bedienereingegebenen Grundcode, Maschinensensordaten 60 Sekunden vor dem Ereignis, gerade laufendes Produkt, Schicht, diensthabender Bediener, Zeit seit letzter Wartung, kürzliche Qualitätsdaten, historisches Muster dieser Maschine für dieses Produkt auf dieser Schicht. Das Modell wird auf gelabelten historischen Daten trainiert — Ereignisse, bei denen Engineering-Untersuchung die tatsächliche Ursache bestimmt hat — um zu lernen, welche Kombinationen von Inputs mit welchen 5M-Kategorien korrelieren.

Die Ausgabe ist eine Wahrscheinlichkeitsverteilung über 5M-Kategorien statt eines einzelnen Labels. Ein typisches Ereignis könnte als „Maschine 35 %, Methode 40 %, Material 20 %, Mensch 5 %“ klassifiziert werden — was bedeutet, dass die tatsächliche Ursache am wahrscheinlichsten Methode ist, mit signifikanter Wahrscheinlichkeit Maschine.

Was KI-5M-Kategorisierung in der Praxis offenbart

Über 450+ Implementierungen, in denen KI-5M-Kategorisierung mit bedienergeloggter Kategorisierung verglichen wurde, war die Lücke konstant. Bedienergeloggte Verteilung (typisch): Maschine 55 %, Material 15 %, Sonstiges 15 %, Methode 10 %, Mensch 5 %. KI-bestimmte Verteilung (typisch): Maschine 28 %, Methode 35 %, Material 18 %, Mensch 12 %, Messung 7 %.

Die Verschiebung der Verteilung ist operativ signifikant. Werke, die „Maschine“-Probleme basierend auf Bedienerdaten verbessern, investieren in Wartung und Anlagen, aber die tatsächliche Ursache ist oft Methode (Prozess- oder Planungsprobleme) — Investitionen produzieren nicht die erwarteten Renditen, weil sie die falsche Kategorie zielen. Werke, die KI-Kategorisierung nutzen, verschieben Verbesserungsausgaben in Richtung Methode (Prozessfixes) und Mensch (Bedienertraining, Workflow-Design) und sehen 2–3-fachen besseren ROI auf Verbesserungsinvestitionen innerhalb von 12 Monaten.

Die drei spezifischen Muster, die KI fängt und Menschen übersehen

Muster 1: Methode-Fehler maskiert als Maschine-Fehler. Eine Planungsentscheidung (Produkt A direkt nach Produkt B fahren ohne ordentliche Rüstvalidierung) verursacht einen Maschinenfehler 3 Minuten in Produkt A. Bediener loggt als Maschine. KI sieht das Produktübergangsmuster und ordnet korrekt Methode zu. Muster 2: Materialvariation manifestiert als Qualitätsverluste. Eine spezifische Rohstoffcharge hat leicht andere Eigenschaften; Qualitätsdefektrate steigt um 15 % während der 4 Stunden, in denen diese Charge in Produktion ist. Bediener loggt jeden Defekt als Qualität. KI korreliert mit Chargenrückverfolgungsdaten und identifiziert Material-Kategorie. Muster 3: Bediener-Workflow-Probleme verborgen in Rüstzeiten. Eine spezifische Schicht macht konstant 25 % längere Rüstungen als andere Schichten. KI korreliert über Schichten hinweg und identifiziert, dass das Problem Workflow-Training (Mensch-Kategorie) ist.

Was KI-5M nicht leisten kann

Ehrliche Grenzen. KI-Kategorisierung funktioniert gut für Ereignisse, die in ähnlichen Kontexten zuvor passiert sind; sie kämpft mit wirklich neuartigen Ereignissen. KI-Kategorisierung funktioniert gut, wenn Sensor- und Kontextdaten reichhaltig sind; sie kämpft, wenn die einzigen Daten bedienereingegebene Codes sind. KI-Kategorisierung ist statistisch; sie macht probabilistische Aussagen, keine deterministischen.

Aus diesen Gründen wird KI-5M-Kategorisierung am besten zur Priorisierung auf Portfolioebene genutzt (wo Verbesserungsbemühungen investieren) statt zur Adjudikation auf Vorfallebene (was spezifisch dieses Ereignis verursacht hat).