Als ich vor einigen Jahren meine ersten Lean-Projekte in mittelständischen Fertigungsunternehmen begleitete, war das Muster immer gleich: Das Unternehmen hatte ein Problem — zu viel Verschwendung, zu lange Durchlaufzeiten, zu viele Fehler. Die Lösung sollte ein neues System sein. Oft ein ERP, manchmal eine neue Maschine, später dann KI-Tools.
Das Ergebnis war fast immer dasselbe: Die Einführung kostete mehr Zeit und Geld als geplant. Der erhoffte Nutzen blieb aus. Und nach einem Jahr wurde das alte System durch das neue System — mit denselben Problemen — ersetzt.
Heute sehe ich dasselbe Muster bei KI-Projekten. Und ich beginne jedes Gespräch mit derselben Frage:
Bevor wir über KI sprechen: Was genau passiert heute in diesem Prozess — und wer ist dafür verantwortlich?
Was Lean und KI gemeinsam haben
Operational Excellence — das Prinzip, das hinter Lean, Kaizen und ähnlichen Methoden steht — lässt sich in einem Satz beschreiben: Erst verstehen, was wirklich passiert. Dann verbessern.
Dieses Prinzip gilt für KI genauso. Wer KI einführt, ohne den Ist-Zustand zu verstehen, riskiert dasselbe wie jemand, der eine Lean-Methode einführt, ohne den Prozess zu kennen: Er automatisiert das Falsche — und macht es schneller.
Die fünf Lean-Prinzipien — und ihre KI-Entsprechung
1. Wert definieren
Was ist dem Kunden tatsächlich wichtig? Lean beginnt mit der Kundenperspektive, nicht mit internen Annahmen.
2. Wertstrom verstehen
Alle Aktivitäten, die nötig sind, um Wert zu liefern — und alle Aktivitäten, die es nicht sind (Verschwendung).
3. Fluss erzeugen
Unterbrochene Prozesse, Wartezeiten und Übergaben reduzieren — bis der Wert ohne Stopp fließt.
4. Pull statt Push
Nur produzieren, was tatsächlich benötigt wird — gesteuert durch Nachfrage, nicht durch Kapazität.
Für jeden dieser Schritte gibt es eine KI-Entsprechung: Predictive Analytics für Wertstrom-Analyse, Automatisierung für Fluss-Optimierung, KI-gestützte Planung für Pull-Steuerung. Aber — und das ist entscheidend — diese KI-Anwendungen funktionieren nur dann, wenn die Lean-Basis vorhanden ist.
Kein sauberer Wertstrom? Dann visualisiert KI das Chaos — sie macht es nicht besser. Keine Pull-Steuerung? Dann automatisiert KI die Überproduktion — schneller.
Was in der Praxis fehlt: die Struktur-Voraussetzung
In vielen KMU, die ich kennenlerne, fehlen drei Dinge, bevor KI sinnvoll eingesetzt werden kann:
1. Prozessdokumentation
Nicht im Sinne von 50-seitigen Handbüchern — sondern im Sinne von: Weiß der Mensch, der diesen Prozess morgen neu anfängt, wie er abläuft? Ohne Dokumentation kein Training, kein Monitoring, keine Übergabe. Und kein KI-System, das darauf aufgebaut werden kann.
2. Klare Verantwortlichkeiten
Wer entscheidet? Wer führt aus? Wer prüft? In Lean-Projekten ist das die RACI-Matrix. Bei KI-Projekten ist es dasselbe — nur dass hier zusätzlich die Fragen kommen: Wer überwacht KI-Outputs? Wer eskaliert bei Fehlern? Wer ist die letzte Instanz?
3. Datenqualität und -verfügbarkeit
KI braucht Daten, die konsistent, vollständig und zugänglich sind. Lean braucht Kennzahlen, die valide und regelmäßig erfasst werden. Beides setzt voraus, dass das Unternehmen weiß, was es messen will — und warum.
Unternehmen, die zuerst in Operational Excellence investiert haben — also in saubere Prozesse, klare Zuständigkeiten und valide Daten — profitieren von KI überproportional. Sie können KI dort einsetzen, wo es wirkt: als Verstärker guter Strukturen.
Wie die Verbindung in der Praxis aussieht
Ein Beispiel aus einem Produktionsunternehmen, das wir begleitet haben: Der Qualitätssicherungsprozess war schlecht — hohe Fehlerrate, hohe Nacharbeitskosten, unklare Ursachen. Die erste Idee der Geschäftsführung: ein KI-gestütztes Qualitätskontrollsystem.
Unsere Empfehlung: Zuerst Lean. Erst nach drei Monaten Prozessarbeit — Wertstrom-Analyse, Ursachen-Analyse, Standardisierung — war klar, wo die Fehler tatsächlich entstanden. Dann wurde KI eingesetzt: zur Mustererkennung in den Prüfdaten, zur Frühwarn-Eskalation. Das Ergebnis war eine Fehlerreduktion um 40% — in sechs Monaten.
Hätten wir mit KI begonnen, wären wir mit KI am falschen Problem gescheitert.
Was das für Ihr Unternehmen bedeutet
Wenn Sie über KI-Einführung nachdenken, stellen Sie sich drei Fragen:
- Sind Ihre Kernprozesse dokumentiert? Nicht perfekt — aber ausreichend, um sie zu analysieren und zu automatisieren?
- Sind Zuständigkeiten klar? Weiß jede Führungskraft, für welche Ergebnisse sie verantwortlich ist?
- Haben Sie valide Daten? Können Sie heute sagen, wie gut Ihre Prozesse funktionieren — mit Zahlen, nicht mit Bauchgefühl?
Wenn Sie alle drei mit „Ja" beantworten: Sehr gut. KI kann für Sie ein echter Verstärker sein.
Wenn Sie bei einer oder mehreren Fragen zögern: Das ist kein Problem — es ist ein Hinweis auf den nächsten sinnvollen Schritt. Und der führt nicht direkt zu KI, sondern zur Struktur, die KI erst ermöglicht.
Operational Excellence ist kein Gegensatz zu Digitalisierung und KI. Es ist ihre Voraussetzung. Die besten KI-Projekte, die ich begleitet habe, hatten eine gemeinsame Eigenschaft: Sie fanden in Unternehmen statt, die bereits wussten, was sie tun — und warum.
Wenn Sie herausfinden möchten, ob Ihr Unternehmen bereit ist für KI — oder was noch zu tun ist —, ist unser Quick Scan der richtige erste Schritt.
Kiedy kilka lat temu towarzyszyłam pierwszym projektom Lean w średnich firmach produkcyjnych, wzorzec był zawsze taki sam: firma miała problem — za dużo marnotrawstwa, za długie czasy realizacji, za wiele błędów. Rozwiązaniem miał być nowy system. Często ERP, czasem nowa maszyna, później narzędzia AI.
Wynik był prawie zawsze ten sam: wdrożenie kosztowało więcej czasu i pieniędzy niż planowano. Oczekiwane korzyści nie nastąpiły. Po roku stary system zastąpiono nowym — z tymi samymi problemami.
Dziś widzę ten sam wzorzec w projektach AI. I każdą rozmowę zaczynam od tego samego pytania:
Zanim porozmawiamy o AI: Co dokładnie dzieje się dziś w tym procesie — i kto za to odpowiada?
Co Lean i AI mają wspólnego
Operational Excellence — zasada stojąca za Lean, Kaizen i podobnymi metodami — można opisać jednym zdaniem: Najpierw zrozum, co naprawdę się dzieje. Potem ulepszaj.
Ta zasada dotyczy AI w równym stopniu. Kto wdraża AI bez rozumienia stanu obecnego, ryzykuje to samo, co ktoś, kto wdraża metodę Lean bez znajomości procesu: automatyzuje to, co złe — i robi to szybciej.
Pięć zasad Lean — i ich odpowiedniki w AI
1. Zdefiniuj wartość
Co jest naprawdę ważne dla klienta? Lean zaczyna od perspektywy klienta, nie od wewnętrznych założeń.
2. Zrozum strumień wartości
Wszystkie działania potrzebne do dostarczenia wartości — i te, które są marnotrawstwem.
3. Stwórz przepływ
Redukuj przerwy w procesach, czasy oczekiwania i przekazania — aż wartość płynie bez zatrzymań.
4. Pull zamiast Push
Produkuj tylko to, co faktycznie jest potrzebne — sterowane popytem, nie wydajnością.
Dla każdego z tych kroków istnieje odpowiednik AI: analityka predykcyjna dla analizy strumienia wartości, automatyzacja dla optymalizacji przepływu. Ale — i to jest kluczowe — te zastosowania AI działają tylko wtedy, gdy istnieje baza Lean.
Czego brakuje w praktyce: warunek struktury
W wielu MŚP, które poznaję, brakuje trzech rzeczy, zanim AI może być sensownie zastosowane:
1. Dokumentacja procesów
Nie w sensie 50-stronicowych podręczników — ale w sensie: czy osoba, która jutro zaczyna ten proces od nowa, wie, jak on przebiega? Bez dokumentacji nie ma szkoleń, monitorowania ani przekazania. I żadnego systemu AI, który można na tym zbudować.
2. Jasna odpowiedzialność
Kto decyduje? Kto wykonuje? Kto sprawdza? W projektach Lean to macierz RACI. W projektach AI to samo — z dodatkowymi pytaniami: kto monitoruje wyniki AI? Kto eskaluje przy błędach? Kto jest ostateczną instancją?
3. Jakość i dostępność danych
AI potrzebuje danych, które są spójne, kompletne i dostępne. Lean potrzebuje wskaźników, które są rzetelne i regularnie zbierane. Oba wymagają, by firma wiedziała, co chce mierzyć — i dlaczego.
Firmy, które najpierw zainwestowały w Operational Excellence — czyste procesy, jasną odpowiedzialność i rzetelne dane — korzystają z AI nieproporcjonalnie. Mogą stosować AI tam, gdzie działa: jako wzmacniacz dobrych struktur.
Jak to wygląda w praktyce
Przykład z firmy produkcyjnej, którą towarzyszyliśmy: proces kontroli jakości był zły — wysoki wskaźnik błędów, wysokie koszty napraw, niejasne przyczyny. Pierwsza myśl zarządu: system kontroli jakości wspomagany AI.
Nasza rekomendacja: najpierw Lean. Dopiero po trzech miesiącach pracy procesowej — analizie strumienia wartości, analizie przyczyn, standaryzacji — było jasne, gdzie faktycznie powstają błędy. Następnie wdrożono AI: do rozpoznawania wzorców w danych kontrolnych, do wczesnego ostrzegania. Efekt: redukcja błędów o 40% w sześć miesięcy.
Gdybyśmy zaczęli od AI, ponieślibyśmy porażkę z AI przy złym problemie.
Co to oznacza dla Twojej firmy
Jeśli myślisz o wdrożeniu AI, zadaj sobie trzy pytania:
- Czy Twoje kluczowe procesy są udokumentowane? Nie doskonale — ale wystarczająco, by je analizować i automatyzować?
- Czy odpowiedzialność jest jasna? Czy każdy menedżer wie, za jakie wyniki odpowiada?
- Czy masz rzetelne dane? Czy możesz dziś powiedzieć, jak dobrze działają Twoje procesy — liczbami, nie intuicją?
Jeśli na wszystkie trzy odpowiadasz „tak": bardzo dobrze. AI może być dla Ciebie prawdziwym wzmacniaczem.
Jeśli przy którymś pytaniu się wahasz: to nie problem — to wskazówka dotycząca następnego sensownego kroku.
Operational Excellence nie jest przeciwieństwem cyfryzacji i AI. Jest jej warunkiem wstępnym. Jeśli chcesz dowiedzieć się, czy Twoja firma jest gotowa na AI — nasz Quick Scan jest właściwym pierwszym krokiem.
When I accompanied my first Lean projects in mid-sized manufacturing companies a few years ago, the pattern was always the same: the company had a problem — too much waste, too-long lead times, too many errors. The solution was supposed to be a new system. Often an ERP, sometimes new machinery, later AI tools.
The result was almost always the same: implementation cost more time and money than planned. The hoped-for benefit didn't materialise. And after a year, the old system was replaced by the new system — with the same problems.
Today I see the same pattern in AI projects. And I begin every conversation with the same question:
Before we talk about AI: what exactly happens in this process today — and who is responsible for it?
What Lean and AI Have in Common
Operational Excellence — the principle behind Lean, Kaizen, and similar methods — can be described in one sentence: First understand what is actually happening. Then improve.
This principle applies equally to AI. Whoever introduces AI without understanding the current state risks the same as someone who introduces a Lean method without knowing the process: they automate the wrong thing — and make it happen faster.
The Five Lean Principles — and Their AI Counterparts
1. Define Value
What is actually important to the customer? Lean starts from the customer perspective, not internal assumptions.
2. Understand the Value Stream
All activities needed to deliver value — and all activities that don't (waste).
3. Create Flow
Reduce interrupted processes, waiting times, and handoffs — until value flows without stops.
4. Pull, Not Push
Only produce what is actually needed — driven by demand, not capacity.
For each of these steps there is an AI counterpart: predictive analytics for value stream analysis, automation for flow optimisation. But — and this is crucial — these AI applications only work when the Lean foundation exists.
What Is Missing in Practice: The Structure Prerequisite
In many SMEs I encounter, three things are missing before AI can be meaningfully deployed:
1. Process Documentation
Not 50-page manuals — but enough that someone starting the process fresh tomorrow would know how it works. Without documentation: no training, no monitoring, no handover. And no AI system that can be built on it.
2. Clear Responsibilities
Who decides? Who executes? Who checks? In Lean projects, that's the RACI matrix. In AI projects, it's the same — with additional questions: who monitors AI outputs? Who escalates on errors? Who is the final authority?
3. Data Quality and Availability
AI needs data that is consistent, complete, and accessible. Lean needs metrics that are valid and regularly captured. Both require that the company knows what it wants to measure — and why.
Companies that first invested in Operational Excellence — clean processes, clear responsibilities, valid data — benefit from AI disproportionately. They can deploy AI where it works: as an amplifier of good structures.
What This Looks Like in Practice
An example from a manufacturing company we accompanied: the quality assurance process was poor — high error rate, high rework costs, unclear causes. Management's first idea: an AI-assisted quality control system.
Our recommendation: Lean first. Only after three months of process work — value stream analysis, root cause analysis, standardisation — did it become clear where errors actually originated. Then AI was deployed: for pattern recognition in inspection data, for early warning escalation. The result was a 40% error reduction in six months.
Had we started with AI, we would have failed with AI on the wrong problem.
What This Means for Your Company
If you're thinking about AI adoption, ask yourself three questions:
- Are your core processes documented? Not perfectly — but enough to analyse and automate?
- Are responsibilities clear? Does every manager know which outcomes they are accountable for?
- Do you have valid data? Can you say today how well your processes perform — with numbers, not gut feeling?
If you answer "yes" to all three: excellent. AI can be a genuine amplifier for you.
If you hesitate on one or more: that's not a problem — it's a pointer to the next sensible step. And that step doesn't lead directly to AI, but to the structure that makes AI possible.
Operational Excellence is not the opposite of digitalisation and AI. It is its prerequisite. The best AI projects I've accompanied shared one characteristic: they took place in companies that already knew what they did — and why.
To find out whether your company is ready for AI — our Quick Scan is the right first step.
Lorsque j’ai accompagné mes premiers projets Lean dans des entreprises industrielles de taille intermédiaire il y a quelques années, le schéma était toujours le même : l’entreprise avait un problème — trop de gaspillage, des délais trop longs, trop d’erreurs. La solution devait être un nouveau système. Souvent un ERP, parfois une nouvelle machine, puis plus tard des outils d’IA.
Le résultat était presque toujours le même : la mise en œuvre coûtait plus de temps et d’argent que prévu. Le bénéfice escompté ne se concrétisait pas. Et au bout d’un an, l’ancien système était remplacé par le nouveau — avec les mêmes problèmes.
Aujourd’hui, j’observe le même schéma dans les projets d’IA. Et je commence chaque conversation par la même question :
Avant de parler d’IA : que se passe-t-il exactement aujourd’hui dans ce processus — et qui en est responsable ?
Ce que le Lean et l’IA ont en commun
L’Excellence Opérationnelle — le principe qui sous-tend le Lean, le Kaizen et les méthodes similaires — peut se résumer en une phrase : D’abord comprendre ce qui se passe réellement. Ensuite améliorer.
Ce principe s’applique tout autant à l’IA. Quiconque introduit l’IA sans comprendre l’état actuel court le même risque que celui qui introduit une méthode Lean sans connaître le processus : il automatise la mauvaise chose — et la fait arriver plus vite.
Les cinq principes Lean — et leurs équivalents IA
1. Définir la valeur
Qu’est-ce qui compte réellement pour le client ? Le Lean part de la perspective du client, pas des hypothèses internes.
2. Comprendre le flux de valeur
Toutes les activités nécessaires pour créer de la valeur — et toutes celles qui ne le sont pas (gaspillage).
3. Créer le flux
Réduire les processus interrompus, les temps d’attente et les transferts — jusqu’à ce que la valeur circule sans interruption.
4. Tirer plutôt que pousser
Ne produire que ce qui est réellement nécessaire — piloté par la demande, non par la capacité.
Pour chacune de ces étapes, il existe un équivalent IA : l’analyse prédictive pour l’analyse du flux de valeur, l’automatisation pour l’optimisation du flux. Mais — et c’est décisif — ces applications IA ne fonctionnent que lorsque la base Lean est en place.
Ce qui manque en pratique : le préalable structurel
Dans de nombreuses PME que je rencontre, trois éléments font défaut avant que l’IA puisse être déployée de manière pertinente :
1. Documentation des processus
Pas des manuels de 50 pages — mais suffisamment pour qu’une personne découvrant le processus demain sache comment il fonctionne. Sans documentation : pas de formation, pas de suivi, pas de transmission. Et aucun système d’IA ne peut être construit dessus.
2. Des responsabilités claires
Qui décide ? Qui exécute ? Qui vérifie ? Dans les projets Lean, c’est la matrice RACI. Dans les projets d’IA, c’est la même chose — avec des questions supplémentaires : qui surveille les résultats de l’IA ? Qui escalade en cas d’erreur ? Qui est l’autorité finale ?
3. Qualité et disponibilité des données
L’IA a besoin de données cohérentes, complètes et accessibles. Le Lean a besoin d’indicateurs valides et collectés régulièrement. Les deux présupposent que l’entreprise sait ce qu’elle veut mesurer — et pourquoi.
Les entreprises qui ont d’abord investi dans l’Excellence Opérationnelle — des processus propres, des responsabilités claires, des données valides — tirent un bénéfice disproportionné de l’IA. Elles peuvent déployer l’IA là où elle fonctionne : comme amplificateur de bonnes structures.
À quoi cela ressemble en pratique
Un exemple tiré d’une entreprise industrielle que nous avons accompagnée : le processus d’assurance qualité était défaillant — taux d’erreur élevé, coûts de reprise importants, causes incertaines. La première idée de la direction : un système de contrôle qualité assisté par l’IA.
Notre recommandation : le Lean d’abord. Ce n’est qu’après trois mois de travail sur les processus — analyse du flux de valeur, analyse des causes profondes, standardisation — qu’il est devenu clair où les erreurs trouvaient véritablement leur origine. L’IA a ensuite été déployée : pour la reconnaissance de schémas dans les données d’inspection, pour l’escalade d’alerte précoce. Le résultat : une réduction des erreurs de 40 % en six mois.
Si nous avions commencé par l’IA, nous aurions échoué avec l’IA sur le mauvais problème.
Ce que cela signifie pour votre entreprise
Si vous envisagez l’adoption de l’IA, posez-vous trois questions :
- Vos processus clés sont-ils documentés ? Pas parfaitement — mais suffisamment pour être analysés et automatisés ?
- Les responsabilités sont-elles claires ? Chaque dirigeant sait-il de quels résultats il est responsable ?
- Disposez-vous de données valides ? Pouvez-vous dire aujourd’hui comment vos processus fonctionnent — avec des chiffres, pas un ressenti ?
Si vous répondez « oui » aux trois questions : excellent. L’IA peut être un véritable amplificateur pour vous.
Si vous hésitez sur une ou plusieurs questions : ce n’est pas un problème — c’est un indicateur de la prochaine étape pertinente. Et cette étape ne mène pas directement à l’IA, mais à la structure qui rend l’IA possible.
L’Excellence Opérationnelle n’est pas l’opposé de la digitalisation et de l’IA. Elle en est le préalable. Les meilleurs projets d’IA que j’ai accompagnés partageaient une caractéristique commune : ils se déroulaient dans des entreprises qui savaient déjà ce qu’elles faisaient — et pourquoi.
Pour savoir si votre entreprise est prête pour l’IA, notre Quick Scan constitue la première étape idéale.
Führungsstruktur-Check
Wie gut ist Ihre Führungsstruktur aufgestellt? 8 Fragen, 5 Minuten, konkrete Handlungsempfehlungen — kostenlos, kein Login.
Führungsstruktur prüfen →