KI und Lean werden im Mittelstand gerne gegeneinander gestellt, dabei greifen sie ineinander. Wer allerdings automatisiert, bevor er seine Abläufe verstanden hat, macht das Chaos nur schneller. Babak Seghatoleslam arbeitet als Prozessingenieur mit Lean Six Sigma in der Fertigung. Im Interview erklärt er, wie sich die Rolle des Lean-Verantwortlichen verschiebt, woran man einen reifen Prozess erkennt und mit welchem ersten Projekt ein Mittelständler in acht bis zwölf Wochen ein messbares Ergebnis bekommt.
KI und Lean: vom Datensammler zum Kurator
Die klassische Lean-Arbeit besteht zu einem großen Teil aus Beobachtung vor Ort (Gemba), Zeitaufnahmen, Daten sammeln, Abweichungen erkennen, Ursachen analysieren, Wertströme aufnehmen und gemeinsam mit den Mitarbeitenden verbessern. Genau bei den ersten Schritten sieht Babak Seghatoleslam den größten Hebel für KI.
Drei Dinge ändern sich dadurch konkret:
- Die Analyse wird schneller und tiefer. Große Datenmengen lassen sich in kurzer Zeit auswerten, auch über Systemgrenzen hinweg. Prozessdaten aus ERP-Systemen, Maschinen und Ticketsystemen können miteinander verbunden werden.
- Die Datenerhebung läuft kontinuierlich statt punktuell. Eine Zeitstudie lieferte früher eine Momentaufnahme. Sensordaten, MES-Logs oder Kamerabilder liefern heute einen fortlaufenden Datenstrom. Der Lean-Verantwortliche muss nicht mehr selbst stoppen und zählen, sondern kann Muster über Wochen hinweg erkennen.
- Die Mustererkennung wird skalierbar. Ein Mensch erkennt Auffälligkeiten in einer Linie gut. In zehn parallelen Linien ist das kaum möglich. KI kann Abweichungen, Rüstzeitstreuung oder Qualitätsdrift über viele Prozesse gleichzeitig anzeigen.
Damit verschiebt sich die Rolle: weg vom Datensammler, hin zum Kurator, der entscheidet, welchen Auffälligkeiten überhaupt nachgegangen wird. Es bleibt weniger Zeit im mühsamen Zusammentragen und mehr Zeit für Interpretation, Ursachenanalyse und Umsetzung. Je mehr Analyseaufgaben die Maschine übernimmt, desto wichtiger wird die Fähigkeit, Ergebnisse zu hinterfragen, sie mit den Mitarbeitenden zu validieren und daraus echte Gegenmaßnahmen abzuleiten.
„Ich sehe KI nicht als Ersatz für Lean, sondern als eine Art Verstärker.“
Die Fragen stellt weiterhin Lean Management: Was wollen wir verbessern? Was ist Verschwendung? Wo entsteht der Kundennutzen? KI hilft, schneller herauszufinden, wo sich ein genauerer Blick lohnt. Das Werkzeug ändert sich, die Kernkompetenz bleibt: Ursachen verstehen, Menschen einbinden, den PDCA-Zyklus konsequent durchziehen. Eine KI kann einen Prozess analysieren, kennt aber nicht automatisch den betrieblichen Kontext. Das Wissen der Menschen, die im Prozess stehen, bleibt unverzichtbar.
Woran man erkennt, ob ein Prozess reif für KI ist
Ein geeigneter Prozess ist für Babak Seghatoleslam nicht der technologisch interessanteste, sondern der mit klarem Nutzen. Er arbeitet mit fünf praktikablen Reifekriterien:
- Stabilität: Der Prozess läuft nach einem erkennbaren, wiederholbaren Muster ab, er wiederholt sich jedes Mal auf die gleiche Weise.
- Standardisierung: Es gibt einen dokumentierten Standard (SOP), an dem sich Abweichungen überhaupt erst messen lassen.
- Datenqualität: Die relevanten Daten werden bereits erfasst, sind einigermaßen sauber und zeitnah verfügbar, nicht erst nachträglich in Excel zusammengesucht.
- Klar definiertes Ziel: Man weiß, welche Kennzahl sich verbessern soll, also Durchlaufzeit, Ausschuss oder Rüstzeit, statt „irgendwie besser werden“.
- Wiederholungshäufigkeit: Hoher Durchsatz rechtfertigt den Aufwand. Ein Prozess, der zweimal im Jahr läuft, lohnt sich selten.
„Wenn ein erfahrener Mitarbeiter den Prozess nicht in wenigen Sätzen konsistent beschreiben kann, ist er noch nicht reif für KI. Dann fehlt der Standard, nicht die Technologie.“
Vor jedem Vorhaben stellt er fünf Fragen: Ist der Prozess grundsätzlich verstanden und beschrieben? Gibt es ein klares Ziel, das mit KI erreicht werden soll? Sind ausreichend gute und relevante Daten vorhanden? Sind die Prozessschritte zumindest teilweise standardisiert und wiederholbar? Und lässt sich der Nutzen messen?
Ein einfacher Einstieg ist die Bearbeitung von Anfragen oder Dokumenten. Wenn Mitarbeitende täglich große Mengen ähnlicher Informationen aus E-Mails, PDFs oder Formularen übertragen, kann KI Informationen extrahieren, klassifizieren oder vorbereiten. Der Mitarbeiter kontrolliert anschließend das Ergebnis. Weniger geeignet ist ein Prozess, bei dem niemand genau weiß, wie er funktionieren soll, ständig Sonderfälle auftreten und die Datenqualität schlecht ist. Dort würde er zuerst stabilisieren.
„Die wichtige Frage lautet nicht: Wo können wir KI einsetzen? Sondern: Welches konkrete Problem wollen wir damit lösen?“
Dass diese Reihenfolge auch über den Piloten hinaus trägt, zeigt sich später beim Übergang in den Regelbetrieb. Wie das gelingt, ist im Beitrag zu KI-Pilotprojekten, die im Mittelstand skalieren, beschrieben.
6 Warnsignale: KI trifft Lean auf ungeordnete Prozesse
Automatisiert ein Unternehmen bestehendes Chaos, wird die Unordnung nur schneller sichtbar, nicht besser. Sechs Signale sprechen aus seiner Sicht dafür, zuerst aufzuräumen:
- Für dieselbe Tätigkeit gibt es je nach ausführender Person mehrere unterschiedliche Vorgehensweisen.
- Kennzahlen werden erst im Nachhinein rekonstruiert, einen Echtzeit- oder Tagesüberblick gibt es nicht.
- Bei Störungen heißt es „das kommt drauf an“, statt dass es einen klaren Eskalationsweg gibt.
- Es gibt kein aktuelles Prozess-Standard-Dokument, das gelebt wird, sondern nur veraltete Anweisungen in der Schublade.
- Ursachenanalysen enden regelmäßig bei „menschlichem Versagen“ statt bei systemischen Gründen.
- Häufige Prioritätenwechsel im Feuerwehr-Modus verhindern, dass irgendein Prozess zur Ruhe kommt.
Treffen zwei oder mehr dieser Punkte zu, würde er erst 5S und Standardarbeit einführen, bevor überhaupt über KI gesprochen wird.
Dazu kommen drei Muster aus der Praxis. Große Unterschiede in der Arbeitsweise: Wenn fünf Mitarbeitende denselben Vorgang auf fünf verschiedene Arten bearbeiten und jeder seine eigene Excel-Datei hat, ist eine sofortige Automatisierung meist nicht sinnvoll. Viele manuelle Nacharbeiten: Wenn ein automatisierter Prozess anschließend regelmäßig korrigiert werden muss, gehört zuerst geklärt, warum die Fehler überhaupt entstehen. Und unklare Verantwortlichkeiten: Wenn niemand eindeutig sagen kann, wer für einen Prozessschritt verantwortlich ist oder wer entscheiden darf, löst KI dieses Problem nicht. Auch ständig wechselnde Regeln, zahlreiche Sonderfälle und schlechte Datenqualität sprechen dafür, zuerst Ordnung zu schaffen.
„Wenn ein Prozess schlecht funktioniert, sollte man zuerst verstehen, warum. Erst danach sollte man entscheiden, welchen Teil davon man automatisieren kann.“
Sonst wird die Verschwendung nicht beseitigt, sondern nur digitalisiert. Dass es dabei selten an der Technologie liegt, deckt sich mit der Beobachtung zu KI und Entscheidungsproblemen im Unternehmen.
Daten, Prozess und Mensch: die dreistufige Kette
KI erkennt Muster, Korrelationen und Auffälligkeiten. Eine belastbare Ursachenanalyse ersetzt sie damit nicht. Babak Seghatoleslam beschreibt das Zusammenspiel als Kette aus drei Stufen:
- KI liefert Hypothesen, keine Urteile. Sie zeigt Korrelationen, etwa „Ausschuss steigt montags nach Schichtwechsel“. Das ist ein Hinweis, aber keine Erklärung.
- Prozesswissen prüft die Plausibilität. Hier kommt die Ingenieurs- und Prozesssicht ins Spiel: Ist der Zusammenhang physikalisch oder organisatorisch überhaupt denkbar? Viele statistische Auffälligkeiten sind Artefakte, etwa weil die Schichtübergabe lediglich anders dokumentiert wird.
- Die Erfahrung der Mitarbeitenden validiert vor Ort. Nur die Leute an der Linie wissen, ob die Maschine tatsächlich anders läuft oder ob montags ein bestimmter Werker einspringt. Ohne dieses Gemba-Gespräch bleibt jede Analyse Theorie.
KI beschleunigt also den ersten Schritt der klassischen Ursachenanalyse, das Finden der Auffälligkeit. Die Schritte zwei und drei, verstehen und verifizieren, ersetzt sie nicht. 5-Why oder Ishikawa bleiben notwendig, um aus einer Korrelation eine belastbare Kausalkette zu machen.
Die Daten zeigen zunächst, was passiert, etwa dass die Durchlaufzeit freitags deutlich höher liegt oder bestimmte Aufträge besonders häufig Nacharbeit verursachen. Die Ursache ergibt sich daraus noch nicht. Dafür braucht es Prozesswissen, und genau hier sind die Mitarbeitenden entscheidend. Sie wissen oft Dinge, die in keinem System stehen: dass eine bestimmte Maschine regelmäßig Probleme macht, dass eine Information im System fehlt oder dass ein Prozessschritt in der Realität anders abläuft als dokumentiert.
Die Reihenfolge sieht für ihn deshalb so aus: Daten zeigen eine Auffälligkeit, KI hilft bei der Analyse, Prozessverantwortliche und Mitarbeitende überprüfen die Hypothese, die Ursache wird gemeinsam validiert, die Verbesserung wird umgesetzt, das Ergebnis wird erneut gemessen. So werden zwei Extreme verhindert: reine Bauchentscheidungen ohne Datenbasis und Entscheidungen, die ausschließlich auf Daten beruhen und den betrieblichen Kontext ignorieren.
Warum Veränderungen scheitern, obwohl alle Bescheid wissen
Die Beschäftigten wissen meist sehr genau, wo es hakt. Trotzdem passiert nichts. Vier Gründe sieht er dafür immer wieder:
- Fehlende Konsequenz statt fehlenden Wissens. Die Probleme sind bekannt, aber es gibt keinen verbindlichen Prozess, um sie in Maßnahmen zu überführen: kein Kaizen-Board, keine Verantwortlichkeiten, keine Nachverfolgung.
- Angst vor Konsequenzen. Wer ein Problem benennt, befürchtet, dass es ihm als Fehler angelastet wird. Also wird geschwiegen.
- Vorherige Enttäuschung. Bleiben frühere Verbesserungsvorschläge folgenlos, sinkt die Bereitschaft, sich erneut einzubringen: „Haben wir schon mal gesagt, hat nichts gebracht.“
- Verordnete Lösungen. Werden Lösungen von oben beschlossen, ohne die Ausführenden einzubinden, werden sie als Bedrohung erlebt, nicht als Hilfe.
Widerstand gegen Veränderung bedeutet nach seiner Erfahrung nicht, dass Menschen gegen Verbesserungen sind. Oft entsteht er, weil Mitarbeitende erlebt haben, dass Führungskräfte Veränderungen beschlossen haben, ohne die tatsächlichen Abläufe zu verstehen. Oder weil sie befürchten, dass Digitalisierung und KI am Ende nur Arbeitsplätze abbauen oder ihre Leistung stärker kontrollieren sollen.
„Widerstände überwindet man nicht durch bessere Überzeugungsarbeit, sondern durch echte Beteiligung.“
Erfolgreiche Prozessverbesserung beginnt für ihn deshalb nicht mit einem neuen Tool, sondern mit Zuhören. Mitarbeitende sollten nicht erst am Ende gefragt werden, ob eine Lösung funktioniert, sondern möglichst früh: Wo entstehen Probleme? Welche Ursachen gibt es? Was funktioniert heute gut? Was sollte auf keinen Fall verloren gehen? Sie selbst Ursachen analysieren und Gegenmaßnahmen vorschlagen zu lassen, kleine sichtbare Erfolge schnell umzusetzen und zu zeigen, dass gemeldete Probleme nicht bestraft werden, wirkt stärker als jedes Argument. Wie schwer der erste Teil davon fällt, zeigt der Beitrag zur Ehrlichkeit im Change-Prozess.
Interessant findet er, wie schnell Mitarbeitende erkennen, ob eine Veränderung wirklich eine Verbesserung bringt. Wird eine KI-Lösung eingeführt, die theoretisch 30 Prozent Zeit sparen soll, in der Praxis aber zusätzliche Kontrollarbeit erzeugt, wird das sehr schnell sichtbar. Veränderungen sollten deshalb gemeinsam entwickelt und anschließend anhand von Fakten überprüft werden.
„Mitarbeitende sollten nicht Objekt der Prozessoptimierung sein, sondern Teil der Lösung.“
Das erste Projekt: klein, abgegrenzt und messbar
Von einem großen KI-Leuchtturmprojekt rät er ab. Stattdessen empfiehlt er einen einzelnen, gut abgegrenzten Engpassprozess, also einen Arbeitsplatz, eine Linie oder einen Materialfluss, für den bereits Daten vorliegen.
Ein Beispiel aus der Praxis: die automatische Dokumentation der Rüstzeiten an einer Engpassmaschine, per einfacher Bilderkennung oder Zeiterfassung statt mit der Stoppuhr. Die Daten werden anschließend klassisch per SMED ausgewertet. Ziel ist eine messbare Verbesserung innerhalb von acht bis zwölf Wochen, etwa Rüstzeit minus 20 Prozent oder Durchlaufzeit minus 15 Prozent, bei überschaubarem Investitionsrisiko. Wichtig ist, den Erfolg sichtbar zu machen, über ein Shopfloor-Board oder eine kurze Case Study. Das schafft Vertrauen für das nächste, größere Projekt.
Ein zweiter guter Einstieg ist ein wiederkehrender administrativer Prozess mit viel manueller Datenverarbeitung, etwa die Bearbeitung von Kundenanfragen, Auftragsinformationen, Dokumenten oder internen Serviceanfragen. Zuerst wird er mit klassischen Lean-Methoden analysiert: Wo entstehen Wartezeiten? Welche Informationen werden mehrfach eingegeben? Wo gibt es unnötige Schleifen? Wo entstehen Fehler oder Nacharbeiten? Danach wird ein einzelner Schritt ausgewählt, bei dem KI einen klaren Vorteil bringt, beispielsweise das automatische Auslesen und Strukturieren von Informationen aus E-Mails oder Dokumenten.
Messbar sein muss der Erfolg von Anfang an. Seine Kennzahlen dafür:
- Bearbeitungszeit pro Vorgang
- Fehlerquote
- Anzahl manueller Arbeitsschritte
- Durchlaufzeit
- Nacharbeitsaufwand
- Anzahl der bearbeiteten Vorgänge
So entsteht innerhalb weniger Monate ein überschaubares Pilotprojekt mit klarem Vorher-Nachher-Vergleich, das sich bei Erfolg auf weitere Prozesse übertragen lässt. Wie sich der Nutzen anschließend sauber belegen lässt, zeigt der Beitrag zum ROI von KI-Projekten.
„Erst das Problem verstehen, dann den Prozess verbessern, dann KI gezielt einsetzen. Und anschließend messen, ob es tatsächlich besser geworden ist.“
Einordnung
KI und Lean sind keine konkurrierenden Ansätze. Lean sorgt dafür, dass ein Unternehmen die richtigen Probleme angeht, KI hilft danach, Lösungen schneller, datenbasierter und skalierbarer umzusetzen. Der Fehler passiert dort, wo die Reihenfolge umgedreht wird und Technik ein Problem lösen soll, das niemand beschrieben hat. Wer vor dem ersten Tool ehrlich prüft, ob sein Prozess stabil, standardisiert und messbar ist, spart sich die teuerste Variante der Digitalisierung: eine, die nichts verbessert.
FAQ zum Thema KI und Lean
Ersetzt KI die klassische Lean-Arbeit?
Nein. KI und Lean ergänzen sich: KI beschleunigt Datenerhebung und Mustererkennung, die Fragen nach Verschwendung, Kundennutzen und Ursachen stellt weiterhin Lean. Der Lean-Verantwortliche wird vom Datensammler zum Kurator, der entscheidet, welchen Auffälligkeiten nachgegangen wird.
Woran erkenne ich, ob ein Prozess reif für KI ist?
An fünf Kriterien: Stabilität, dokumentierter Standard, brauchbare und zeitnah verfügbare Daten, ein klar definiertes Ziel und ausreichend Wiederholungen. Als Faustregel gilt: Wenn ein erfahrener Mitarbeiter den Prozess nicht in wenigen Sätzen konsistent beschreiben kann, fehlt der Standard, nicht die Technologie.
Welche Warnsignale sprechen gegen eine schnelle Automatisierung?
Unterschiedliche Vorgehensweisen für dieselbe Tätigkeit, nachträglich rekonstruierte Kennzahlen, fehlende Eskalationswege, veraltete Standarddokumente, Ursachenanalysen, die bei „menschlichem Versagen“ enden, und ständiger Feuerwehr-Modus. Bei zwei oder mehr Punkten zuerst 5S und Standardarbeit einführen.
Kann KI eine Ursachenanalyse übernehmen?
Sie übernimmt den ersten Schritt, das Finden der Auffälligkeit. Plausibilitätsprüfung durch Prozesswissen und Validierung vor Ort durch die Mitarbeitenden bleiben notwendig. 5-Why oder Ishikawa sind weiterhin nötig, um aus einer Korrelation eine belastbare Kausalkette zu machen.
Warum scheitern Veränderungen, obwohl alle die Probleme kennen?
Weil ein verbindlicher Prozess fehlt, um Bekanntes in Maßnahmen zu überführen, weil Problemmelder Konsequenzen fürchten, weil frühere Vorschläge folgenlos blieben und weil Lösungen ohne die Ausführenden beschlossen werden. Es hilft echte Beteiligung, nicht mehr Überzeugungsarbeit.
Mit welchem ersten Projekt sollte ein Mittelständler starten?
Mit einem einzelnen, gut abgegrenzten Engpassprozess, für den bereits Daten vorliegen, etwa der automatischen Rüstzeiterfassung an einer Engpassmaschine mit anschließender SMED-Auswertung. Ziel: eine messbare Verbesserung in acht bis zwölf Wochen, zum Beispiel 20 Prozent weniger Rüstzeit.
Weiterlesen
- KI-Pilotprojekte skalieren im Mittelstand: Vom Proof of Concept zum produktiven Regelbetrieb
- ROI von KI-Projekten messen: Nutzen belegen statt Erwartungen fortschreiben
- Change Fatigue im Unternehmen vermeiden: 6 wirksame Gegenmaßnahmen für den Mittelstand
