(Turkcesi asagida…)
Perhaps one of the biggest misconceptions businesses have about Artificial Intelligence (AI) is not that AI is not smart enough, but that it is exposing just how fragile their own systems are.
AI is the new favourite of businesses.
In the 1970s, businesses had high expectations from Continuous Improvement (CI). Yet, instead of treating CI as a cultural transformation and preparing the organisation for that transformation from the ground up, many adopted a similar mindset: they focused on the tools, often driven by superficial and aesthetic concerns.
Today, we are doing something very similar with AI. We expect AI to solve all our problems while we barely have to lift a finger.
And there is another problem.
By its very nature, AI needs to be fed with the right data. It is actually remarkably consistent about this. It exposes gaps in our data, processes and systems.
And when AI does exactly that, we blame AI — just as we used to blame CI and the “inadequacy” of CI departments.
The difference is that, unlike CI, this time there is no human counterpart in front of us to blame.
So the “blame” becomes meaningless, while the applications either die at birth or simply stop where they are.
Continuous Improvement Is Not a Department. It Is a Culture.
We have started to understand, to some extent through Toyota Kata, that CI is a cultural transformation. We also understand that simply implementing CI tools without a Kata culture will remain visual and superficial — and may even create more waste.
Yet, we still have not fully understood what we actually need to do.
Many organisations still state in their deployment policies, missions and values that CI cannot belong to a single department.
Yet, in practice, many of these same organisations have handed CI over to a department. Sometimes, it is reduced to one or two people responsible for CI, trying to convince hundreds of people to adopt it and keeping this vital function alive in intensive care.
And when it does not deliver the expected results, instead of supporting the cultural transformation and deployment, we look for another set of tools to fix it — digitalisation and AI being the trends of the day.
And once again, we end up holding AI, which has no hands, arms, mind or prefrontal cortex, responsible for everything.
But CI is not a department.
CI is a culture.
CI is not “daily work + improvement”. It is the step-by-step improvement of daily work, happening consistently across all levels of the organisation.
This is why Toyota, one of the best-known examples, keeps this culture alive at every level through Kata — Improvement Kata and Coaching Kata.
The target condition is, in fact, the answer to one simple question:
Why?
If an organisation cannot answer the “why” when implementing any CI tool, that tool and its application are destined to eventually destroy themselves.
This is where Simon Sinek’s famous “Why” video is probably worth watching.
Kanban Is Much More Than a Card
One of the best examples of this is Kanban — one of the most well-known and, in practice, one of the most difficult tools to implement properly.
Kanban is much more than a mathematical and visual signalling tool. It is a discipline and a set of rules.
When implemented correctly, it helps prevent many forms of Muda, particularly overproduction, but also waiting and inventory.
However, when Kanban is implemented purely as a visual system, without understanding what the signal — Kanban literally means “signal” — is actually telling us, and instead manipulating the system rather than solving the problem, something predictable happens.
The application first becomes the responsibility of a few selected people.
Eventually, one or two people end up constantly counting cards and stock just to keep the system alive.
Before long, Kanban cards start disappearing. We create “counters”. Extra communication and phone calls begin.
And eventually, we return to exactly the same chaos we had before Kanban — except now we have card counting on top of it.
Now let’s consider the role of AI in such a situation.
We can ask AI to count our Kanban cards, calculate them correctly, even generate accurate seasonal Kanban statistics and optimise inventory based on customer trends.
But if there is no mechanism to check whether what AI is producing is actually meeting our expectations, or if we operate in an environment where people at every level prefer to cover up a problem and get through the day rather than find and fix its root cause, can the statistical information generated by AI really create value?
Will AI Solve the Problem, or Just Analyse It?
Let’s take another example.
Imagine that, for a line balancing exercise, we use AI to continuously update the statistically repeated minimum value of station times and rebalance our lines according to the required cycle time.
If there are no process engineers or team leaders using this statistical data as meaningful information and continuously following up on whether the output of the line is actually increasing, can we really expect these analyses to magically improve productivity?
Or take quality.
If, during an 8D investigation, AI calculates the probability percentage of different root causes and provides us with a list of potential failure causes, does that analysis actually mean anything if those potential causes are not tested through the Go and See principle?
Can we really close an 8D that satisfies the customer this way?
Improvements without a purpose are born dead because they have no meaning — and they quickly become victims of entropy.
When Does AI Become a Truly Powerful Tool?
AI and digitalisation are powerful tools capable of delivering breakthrough results in companies where CI culture is embedded in their DNA.
If we look at the examples above in a positive CI environment, a Kanban system supported and optimised by seasonal statistics, 8Ds where multiple DOE experiments can be run within a short period to identify the root cause of a customer complaint, or line balancing where cycle times can be continuously updated based on statistical data could genuinely revolutionise productivity.
But there is one important detail here:
In this environment, CI tools are already being used maturely and are owned multidisciplinarily across the organisation.
In other words, AI is not creating a system that does not exist.
It is strengthening a system that already works.
There is a big difference between using AI because we are trying to create a space for it — “Oh no, we cannot fall behind. Let’s see where we can use AI” — and integrating AI into the solution of a specific problem.
Resistance to AI or Adoption of AI?
In the second scenario, when companies are pursuing an application that serves a clear purpose, the department or departments using AI support are also much less likely to see the improvement as a burden.
On the contrary, they are more likely to embrace a form of intelligence that takes away the boring and repetitive parts of their own work.
In the first scenario, however, employees who already see CI as a burden — “daily work + CI” — will feel that they are now being given an even bigger workload with “daily work + CI + AI”.
And ultimately, the new applications will be left to die in the arms of entropy.
Muda Before AI
There is another important point here: when asking “why?”, CI should always be part of the conversation.
Unfortunately, another very common mistake in practical applications is to outsource existing waste to digitalisation or AI instead of eliminating it.
Thinking that we are saving labour by using digitalisation or AI to deal with waste is fundamentally wrong.
Doing so will only hide the waste even further and move us further away from the solution.
Any project that aims to be improved through digitalisation or AI should go through the organisation’s CI governance, and there should be agreement on whether we are actually dealing with a problem or simply existing waste.
If it is identified as waste, it should first go through Muda elimination. Only then should we move on to the AI- or digitalisation-supported improvement.
Because digitising a process does not make it a good process.
It may simply make the existing process run faster.
If the process contains waste, we may simply be producing waste faster.
Conclusion: AI Won’t Save Us. But It Can Make Us Much Better.
So, in summary, AI and digitalisation are also CI tools, just like Kanban, Heijunka, SMED or PFMEA.
None of these tools creates a culture on its own.
Using AI and digitalisation when we can first answer “What problem are we solving?”, and applying them to daily work that has already been stripped of unnecessary waste, is what creates real and sustainable improvement.
Perhaps, therefore, we should evaluate the success of AI in organisations not by how advanced the AI itself is, but by how mature the organisation’s problem-solving and Continuous Improvement culture is.
Because AI cannot rescue a broken system by replacing a culture of improvement.
But it can take a well-designed, well-managed and continuously improving system further — at a speed and scale that would not have been possible before.
The question is not where we can use AI.
The question is whether we actually know which problem we need to solve first.
This article was inspired in part by Lean Competency System’s article, “AI Won’t Fix a Broken System: Why Continuous Improvement and Resilience Determine Whether AI Succeeds or Fails.”
AI İşletmelerin Yeni Gözdesi mi?
Belki de işletmelerin Yapay Zekâ (AI) ile ilgili en büyük yanılgısı, AI’ın yeterince akıllı olmaması değil; kendi sistemlerinin ne kadar kırılgan olduğunu AI’ın yüzlerine göstermesidir.
İşletmelerin yeni gözdesi AI.
1970’lerde Sürekli İyileştirme’den (CI) yüksek beklentileri olan; fakat CI’ı kültürel bir dönüşüm olarak ele almak yerine, organizasyonu temelden bu dönüşüme hazırlamadan, yüzeysel ve estetik kaygılarla yalnızca araçlarını benimseyen benzer bir zihniyetle, bugün de AI’dan bütün problemlerimizi kılımızı kıpırdatmadan çözmesini bekliyoruz.
Üstelik AI, yapısı gereği doğru veriyle beslenmeye ihtiyaç duyuyor. Bu konuda da oldukça tutarlı: İşletmelerin veri, süreç ve sistemlerindeki eksikleri görünür kılıyor.
AI bunu yaptığında ise, tıpkı geçmişte CI’ı ve CI departmanlarının “yetersizliğini” suçladığımız gibi, bugün de AI’ı suçluyoruz.
Fakat CI’dan farklı olarak bu sefer karşımızda insan bir muhatap yok.
Dolayısıyla “suçlamalarımız” anlamsız kalıyor ve uygulamalar ya ölü doğuyor ya da oldukları yerde kalıyor.
Sürekli İyileştirme Bir Departman Değil, Kültürdür
CI’ın bir kültürel dönüşüm olduğunu ve yalnızca araçların uygulanmasının, bir Kata kültürü olmadan, görsel ve yüzeysel kalacağını; hatta daha büyük israflara sebep olabileceğini Toyota Kata sayesinde bir nebze idrak etsek de, hâlâ tam olarak ne yapmamız gerektiğini anlayabilmiş değiliz.
Birçok işletme hâlâ yayılım politikalarında, misyonlarında ve değerlerinde CI’ın bir departmana ait olamayacağını sözel olarak dile getiriyor.
Ancak aynı işletmelerin birçoğunda CI hâlâ bir departmana teslim edilmiş durumda. Hatta bazen CI’dan sorumlu bir veya iki çalışanın yüzlerce kişiyi ikna ederek bu hayati fonksiyonu yoğun bakım ünitelerinde yaşatma çabasına dönüştüğünü görüyoruz.
Sonuç alınamadığında ise kültürel dönüşümü ve yayılımı desteklemek yerine, günümüzün trendi olan dijitalizasyon ve AI gibi teknolojilerle iyileştirmeyi yine başka araçlarla yapabileceklerini düşünüyor ve her şeyden eli, kolu, zihni ve prefrontal korteksi olmayan AI’ı sorumlu tutuyorlar.
Oysa CI bir departman değil, bir kültürdür.
CI; “günlük işler + iyileştirmeler” değil, günlük işlerin adım adım iyileştirilmesi ve bunun organizasyonun tüm seviyelerinde gerçekleşiyor olmasıdır.
Bu nedenle bilinen en iyi örneklerden biri olan Toyota, Kata — iyileştirme ve koçluk kataları — yardımıyla bu kültürü her seviyede canlı tutar.
Buradaki hedef koşul aslında “neden?” sorusunun cevabıdır.
Herhangi bir CI aracını uygularken organizasyon “neden?” sorusunu cevaplayamıyorsa, o araç ve uygulama kısa sürede kendi kendini yok etmeye mahkûmdur.
Bu noktada Simon Sinek’in meşhur “Why” videosunu izlemekte fayda var.
Kanban: Bir Karttan Çok Daha Fazlası
En bilinen ve uygulamada en çok zorlanılan araçlardan biri olan Kanban bunun çok iyi bir örneğidir.
Kanban, bir matematik ve görsel sinyal aracının çok ötesinde, bir disiplin ve kurallar bütünüdür. Doğru uygulandığında, başta fazla üretim olmak üzere bekleme ve stok gibi birçok Muda’nın önlenmesini sağlar.
Fakat Kanban’ı sadece görsel olarak uygulamak; sinyalin — Kanban zaten “sinyal” demektir — gerçekten bize ne söylediğini algılamadan sistemi manipüle etmek, uygulamanın önce sadece belli kişilerin sorumluluğuna teslim edilmesine, nihayetinde de bir veya iki kişinin sürekli kart ve stok sayarak sistemi yaşatma çabasına dönüşmesine neden olur.
Kısa sürede birçok Kanban kartı kaybolur, ortaya “sayımcılar” çıkar, ekstra iletişim ve telefon trafiği başlar.
Sonuç olarak kaosla birlikte, Kanban’sız günlerimizin aynısına, üzerine bir de kart sayma işlemi eklenmiş olarak geri döneriz.
Şimdi böyle bir durumda AI’ın fonksiyonunu ele alalım.
AI’dan bizim için Kanban kartlarını saymasını, doğru şekilde hesaplamasını, hatta sezonsal olarak doğru Kanban istatistiği yapmasını; müşteri trendlerini dikkate alarak stok optimizasyonu gerçekleştirmesini talep edebiliriz.
Fakat bunun beklentimiz doğrultusunda gerçekleşip gerçekleşmediğini kontrol edecek bir mekanizma yoksa veya her seviyede çalışan bir güven ortamı içerisinde problem ortaya çıktığında sebebini bulup düzeltmek yerine üzerini kapatıp günü kurtarmayı tercih ediyorsak, AI’ın bizim için ürettiği istatistiksel bilginin gerçek bir değeri olabilir mi?
AI Problemi Çözer mi, Yoksa Sadece Analiz mi Eder?
Başka bir örnek verelim.
Bir hat dengeleme çalışması için AI aracılığıyla istasyon sürelerinin tekrar eden en küçük değerini sürekli istatistiksel olarak güncellediğimizi ve olması gereken süreye göre hatlarımızı yeniden dengeleyebildiğimizi varsayalım.
Şayet bu istatistiksel veriyi anlamlı bir bilgi olarak kullanarak hattın çıktısını düzenli olarak artırmayı takip eden proses mühendisleri veya takım liderleri yoksa, bu analizlerin sihirli bir şekilde verimliliği artırması beklenebilir mi?
Ya da kalite alanında bir 8D çalışması için AI bize tüm kök nedenlerin yüzde olasılıklarını hesaplayıp potansiyel hata sebeplerini listelediğinde, bunun “git ve gör” prensibiyle test edilmemesi durumunda AI’ın çalışmasının bir anlamı var mı?
Müşteriyi tatmin edecek bir 8D çalışmasını bu şekilde nihayetlendirebilir miyiz?
Amaç olmadan yapılan iyileştirmeler anlam bulmadığından ölü doğar ve kısa sürede entropiye kurban gider.
AI Ne Zaman Gerçekten Güçlü Bir Araçtır?
AI ve dijitalizasyon, CI kültürünü DNA’larına işlemiş şirketlerde breakthrough sonuçlar getirecek güçlü araçlardır.
Yukarıdaki örnekleri pozitif bir CI ortamında ele alırsak; sezonsal istatistiklerle desteklenen ve optimize edilen bir Kanban sistemi, kısa sürede herhangi bir müşteri şikâyeti için çoklu DOE çalıştırarak kök neden tespiti yapılabilen 8D’ler veya çevrim süresini sürekli istatistiksel veriye göre güncelleyebildiğimiz hat dengeleme çalışmaları, verimlilik konusunda gerçekten çığır açabilir.
Fakat burada önemli bir detay var:
Bu ortamda CI araçları zaten olgun bir şekilde kullanılıyor ve organizasyon içerisinde multidisipliner olarak sahipleniliyor demektir.
Yani AI burada olmayan bir sistemi yaratmıyor.
Zaten çalışan bir sistemi güçlendiriyor.
AI için çalışma alanı yaratmaya çalışarak, “Eyvah, geri kalmayalım. Bakalım AI’ı nerede kullanalım?” şeklinde bir yaklaşımla AI kullanmak ile belirli bir problemin çözümüne AI kullanımını entegre etmek arasında büyük bir fark vardır.
AI’a Direnç mi, AI’ı Benimseme mi?
İkinci durumda, yani şirketler bir amaca hizmet eden bir uygulamanın peşinde olduklarında, AI desteğini kullanacak departman veya departmanlar da bu iyileştirmeyi bir külfet olarak görmez.
Aksine, kendi işlerinin sıkıcı ve tekrarlı kısmını onlar için yapan böyle bir zekâya direnç göstermek yerine, onu benimsemeleri çok daha olasıdır.
Birinci durumdaki şirketlerde ise çalışanlar nasıl “günlük işler + CI” modelinde CI’ı başlarını ağrıtan bir külfet olarak görüyorlarsa, “günlük işler + CI + AI” ile daha büyük bir yükün altına girdiklerini düşüneceklerdir.
Sonuç olarak yeni uygulamalar da entropinin kollarında ölüme terk edilecektir.
AI’dan Önce Muda
Burada bir diğer önemli nokta ise “neden?” sorusunu sorarken CI’dan her zaman destek almak gerekliliğidir.
Ne yazık ki pratik uygulamalarda çok yaygın olan bir diğer yanlış, mevcut israfın elimine edilmesi yerine dijitalizasyon ya da AI’a outsource edilmesidir.
İsrafı dijitalizasyon veya AI kullanarak iş gücünden tasarruf ettiğimizi düşünmek son derece yanlıştır.
Böyle bir durum, israfın görünürlüğünün üzerini daha da kapatacak ve bizi çözümden daha da uzaklaştıracaktır.
Herhangi bir dijitalizasyon veya yapay zekâ ile geliştirilmek istenen proje, işletmenin CI yönetişiminden geçirilmeli ve bunun gerçekten bir problem mi, yoksa mevcut bir israf mı olduğu konusunda mutabık kalınmalıdır.
İsraf olarak belirlenenler önce Muda eliminasyonuna tabi tutulmalı; sonrasında AI veya dijitalizasyon destekli iyileştirme kısmı ele alınmalıdır.
Çünkü bir süreci dijitalleştirmek, o süreci iyi bir süreç haline getirmez.
Sadece mevcut süreci daha hızlı çalıştırabilir.
Eğer süreç israf içeriyorsa, artık daha hızlı israf üretiyor olabiliriz.
Sonuç: AI Bizi Kurtarmayacak. Ama Bizi Çok Daha İyi Hale Getirebilir.
Özetleyecek olursak, AI ve dijitalizasyon da aslında tıpkı Kanban, Heijunka, SMED veya PFMEA gibi CI araçlarıdır.
Bunların hiçbirisi tek başına bir kültür yaratmaz.
AI’ı ve dijitalizasyonu, önce “hangi problemi çözüyoruz?” sorusuna cevap verebildiğimiz durumlarda ve gündelik işlerin israf içeren versiyonlarından arındırılmış halleri üzerinden uygulamak, gerçek ve sürdürülebilir iyileştirme sağlar.
Belki de bu nedenle AI’ın işletmelerdeki başarısını AI’ın ne kadar gelişmiş olduğu üzerinden değerlendirmek yerine, organizasyonun problem çözme ve sürekli iyileştirme kültürünün ne kadar olgun olduğu üzerinden değerlendirmeliyiz.
Çünkü AI, kırık bir sistemi iyileştirme kültürünün yerine geçerek kurtaramaz.
Ama doğru kurulmuş, doğru yönetilen ve sürekli gelişen bir sistemi, bugüne kadar mümkün olmayan bir hız ve ölçekte ileri taşıyabilir.
Mesele AI’ı nerede kullanacağımız değil.
Önce hangi problemi çözmemiz gerektiğini gerçekten bilip bilmediğimiz.
Bu yazının çıkış noktalarından biri, Lean Competency System’in “AI Won’t Fix a Broken System: Why Continuous Improvement and Resilience Determine Whether AI Succeeds or Fails” başlıklı makalesinden aldığım ilhamdır.