De fabriek die zichzelf kapot optimaliseerde

De fabriek die zichzelf kapot optimaliseerde

In 1984 onderzochten MIT-onderzoekers de productieprocessen van een grote autofabrikant. Ze volgden niet de CEO, niet de strategen, maar de magazijnmedewerkers. Wat ze zagen was verbluffend: de medewerkers waren constant bezig. Ze liepen, stapelden, sorteerden, registreerden. De bezettingsgraad was bijna negentig procent. Op papier een triomf van efficiëntie. Maar de auto's werden niet sneller gebouwd. Ze werden langzamer gebouwd. De medewerkers werkten zo hard aan de verkeerde dingen, dat de juiste dingen bleven liggen.

Dit is het moment waarop productiviteit gevaarlijk wordt.

We zijn, als professionals en als organisaties, geobsedeerd geraakt door een bepaald soort meten. Hoeveel taken zijn afgerond? Hoeveel uur is er gewerkt? Hoeveel e-mails beantwoord? Die cijfers stijgen jaar na jaar, en toch voelt het alsof er iets ontbreekt. De agenda zit vol, de voldoening niet.

De illusie van het drukke werk

Econoom Adam Smith beschreef in 1776 de kracht van arbeidsdeling. Splijs een taak op in kleine stukjes, geef elk stukje aan een specialist, en de output explodeert. Hij gebruikte het voorbeeld van een speldenmaker: één persoon maakt tien spelden per dag, tien gespecialiseerde mensen maken samen tienduizenden. De rekensom klopt. Maar Smith waarschuwde ook, en dit deel citeren we zelden, dat extreme specialisatie de werknemer verandert in iemand die alleen zijn eigen klein stukje ziet. Hij verliest het overzicht over waar het geheel naartoe gaat.

Driehonderd jaar later doen we precies dat, maar dan met AI-tools.

We gebruiken AI om sneller e-mails te schrijven, sneller rapporten samen te vatten, sneller vergaderingen voor te bereiden. De productiviteitswinst is reëel en meetbaar. McKinsey berekende in 2023 dat generatieve AI de productiviteit van kenniswerkers met twintig tot veertig procent kan verhogen. Dat is geen kleine marge. Maar de vraag die zelden gesteld wordt: veertig procent meer van wat, precies?

Als je veertig procent sneller de verkeerde dingen doet, heb je een probleem dat sneller groeit dan ooit.

Wat een waardestroom eigenlijk is

De term "waardestroom" komt uit het Toyota Production System, de productiemethode die Japan in de jaren zeventig en tachtig transformeerde tot een exportmacht. Het idee is simpel maar radicaal: kijk niet naar individuele handelingen, kijk naar de volledige route die waarde aflegt, van ruwe grondstof tot tevreden klant. Alles wat op die route bijdraagt aan waarde, telt. Alles wat de route vertraagt of omleidt, is verspilling, ook als het er druk uitziet.

Toyota noemde dat verspilling "muda". En ze ontdekten iets schokkends: in de meeste fabrieken was meer dan zeventig procent van alle activiteit muda. Mensen waren druk, machines draaiden, maar de waarde bewoog nauwelijks vooruit.

Nu is de vraag: als dat gold voor fabrieken met fysieke producten, wat geldt dan voor organisaties vol met kenniswerkers?

Het probleem met tachtig procent van de AI-inzet

Kijk naar hoe AI vandaag ingezet wordt in de meeste organisaties. De tool wordt geïntroduceerd als productiviteitsinstrument. Medewerkers leren prompts schrijven, leren hoe ze sneller een samenvatting maken, een presentatie opbouwen, een antwoord formuleren. De training gaat over snelheid. De KPI's gaan over tijdsbesparing.

Dat is het equivalent van de magazijnmedewerker die nóg harder begint te lopen.

Wat ontbreekt, is de vraag waar de waardestroom begint en eindigt. Voor een accountmanager is de waardestroom niet "e-mails versturen". De waardestroom is "klant helpt zijn eigen klanten beter bedienen". Alles wat daaraan bijdraagt is zinvol. Alles wat alleen de e-mailsnelheid verhoogt, zonder dat de klant er beter van wordt, is muda, hoe efficiënt het ook aanvoelt.

Onderzoek naar AI-inzet bij klantenserviceteams laat steeds hetzelfde patroon zien. AI verhoogt de productiviteit, maar vooral bij medewerkers die ook inzicht hadden in klantuitkomsten. Bij medewerkers die alleen sneller konden typen, zonder te weten of de klant geholpen was, vlakte het effect snel af. De tool was hetzelfde. Het verschil was of de medewerker zijn eigen rol in de waardestroom kon zien.

De verschuiving die nodig is

Dit vraagt om een andere manier van denken over AI-adoptie. Niet: hoe worden mijn mensen productiever? Maar: welke stroom van activiteiten levert waarde, en waar zit de weerstand in die stroom?

Soms is die weerstand een taak die veel tijd kost en weinig oplevert. Daar helpt AI met automatisering. Maar vaker zit de weerstand ergens anders. In de informatieachterstand waardoor mensen de verkeerde beslissingen nemen. In de communicatie die niet op het juiste moment bij de juiste persoon aankomt. In de analyse die pas klaar is als de beslissing allang genomen is. Dat zijn stroomproblemen, geen snelheidsproblemen.

Toyota had hiervoor een principe: stop de lijn als er iets mis gaat. Niet doorwerken, niet compenseren met snelheid, maar het probleem zichtbaar maken en oplossen. Dat principe heet jidoka. En het is precies het tegenovergestelde van wat de meeste organisaties doen als ze AI invoeren. Ze versnellen. Ze automatiseren. Ze meten output.

Maar ze vragen zelden: beweegt de waarde nu sneller vooruit?

Dat is de vraag die telt. Niet hoeveel je doet. Wat er aankomt.