Taiichi Ohno w epoce autonomicznej fabryki

Taiichi Ohno, tworząc w powojennej Toyocie podwaliny myślenia, które na całym świecie jest nazywane Systemem Produkcyjnym Toyoty, nie dysponował narzędziami, które współczesny dyrektor operacyjny uznaje za oczywisty element swojego warsztatu zarządzania. Nie miał czujników przemysłowego Internetu rzeczy, systemów uczenia maszynowego analizujących miliony rekordów procesowych czy cyfrowych bliźniaków symulujących zachowanie linii produkcyjnej przed jej fizycznym uruchomieniem. Dysponował za to czymś, co okazało się trwalsze niż jakiekolwiek narzędzie: sposobem myślenia o procesie, marnotrawstwie i roli człowieka w systemie produkcyjnym, który po siedemdziesięciu latach nadal stanowi punkt odniesienia dla organizacji budujących swoją przewagę konkurencyjną wokół doskonałości operacyjnej.

Teza, którą stawiam, brzmi następująco: filozofia Ohno nie tylko przetrwa w autonomicznej fabryce, ale okaże się w niej aktualniejsza niż w środowisku, dla którego została pierwotnie sformułowana, ponieważ Ohno nigdy nie budował swojego systemu wokół konkretnej technologii, lecz wokół relacji człowieka, procesu i marnotrawstwa, którą każda technologia, niezależnie od poziomu zaawansowania, może wyłącznie obsługiwać lub zakłócać, nigdy zaś zastąpić. Wielu menedżerów produkcji odczytuje dziś dorobek Ohno przez pryzmat jego najbardziej rozpoznawalnych narzędzi, kart Kanban, tablic Andon, procedury pięciu pytań dlaczego, a w konsekwencji uznaje, że wraz z automatyzacją tych narzędzi w postaci cyfrowej ich pierwotny sens ulega naturalnej dezaktualizacji. Uważam to rozumowanie za fundamentalnie błędne, ponieważ myli formę, w jakiej Ohno wyrażał swoją filozofię, z samą filozofią, która pozostaje aktualna niezależnie od tego, czy jej nośnikiem jest papierowa karta, czy autonomiczny algorytm planowania.

Jidoka, jeden z dwóch filarów Systemu Produkcyjnego Toyoty obok just-in-time, bywa dziś tłumaczona w zbyt uproszczony sposób jako zwykła automatyzacja procesu, podczas gdy jej pierwotny sens, ukuty przez Ohno na podstawie doświadczeń z krosnami automatycznymi Sakichiego Toyody, był znacznie precyzyjniejszy i, jak się dziś okazuje, zaskakująco proroczy w świetle debaty o sztucznej inteligencji w przemyśle. Krosno, które zaprojektował Toyoda, zatrzymywało się automatycznie w momencie zerwania nici, zapobiegając produkcji wadliwej tkaniny. Działo się to bez konieczności ciągłego nadzoru operatora nad każdą maszyną z osobna. Istotą tego rozwiązania nie było wyeliminowanie człowieka z procesu, lecz uwolnienie go od konieczności biernej obserwacji prawidłowo działającej maszyny, przy jednoczesnym zagwarantowaniu, że w momencie pojawienia się nieprawidłowości maszyna sama zasygnalizuje potrzebę ludzkiej interwencji.

Taiichi Ohno rozwinął tę zasadę w koncepcję automatyzacji z ludzką inteligencją, w której maszyna nie tylko wykonuje zaprogramowaną sekwencję operacji, ale jest wyposażona w zdolność rozpoznania własnej anomalii i zatrzymania się, zanim wygeneruje defekt lub zagrożenie. Ta koncepcja jest biegunowo różna od czystej automatyzacji, która realizuje sekwencję operacji bez względu na to, czy jej wynik jest prawidłowy. To właśnie ta różnica czyni Jidoka tak ważną przy analizie współczesnych systemów opartych na sztucznej inteligencji, które w przeważającej większości nie zostały zaprojektowane zgodnie z tą logiką. Algorytm predykcyjnego planowania, który generuje rekomendację produkcyjną na podstawie błędnych lub przestarzałych danych wejściowych, nie zatrzymuje się samoistnie w momencie, gdy jego rekomendacja przestaje być trafna, ponieważ nie ma wbudowanego mechanizmu Jidoka, zdolności do rozpoznania własnej anomalii poznawczej i zasygnalizowania jej człowiekowi, zanim wadliwa decyzja zostanie wdrożona operacyjnie.

Redefinicja Jidoka dla autonomicznej fabryki wymaga zatem przeniesienia zasady Ohno z poziomu pojedynczej maszyny na poziom całej architektury decyzyjnej organizacji: każdy system autonomiczny, niezależnie od tego, czy steruje pojedynczym urządzeniem, czy całym łańcuchem planowania produkcji, powinien być projektowany z wbudowanym mechanizmem wykrywania własnej niepewności i eskalowania tej niepewności do człowieka, zamiast kontynuowania działania na podstawie rekomendacji, których wiarygodności system sam nie jest w stanie ocenić. Organizacje, które wdrażają systemy autonomiczne bez takiego mechanizmu, powielają błąd, który Ohno krytykował już siedemdziesiąt lat temu: budują automatyzację, która działa sprawnie w warunkach normalnych, lecz w warunkach anomalii generuje straty proporcjonalne do skali swojej autonomii, zamiast zatrzymać się i poprosić o pomoc.

System just-in-time, drugi filar filozofii Ohno, opierał się na fundamentalnej zasadzie, że produkcja powinna być wyzwalana przez rzeczywisty sygnał popytu, a nie przez prognozę tego popytu, ponieważ prognoza, niezależnie od precyzji jej sporządzenia, pozostaje zawsze estymacją obarczoną błędem, podczas gdy sygnał rzeczywistej konsumpcji jest faktem niepodlegającym dyskusji. Karta Kanban była fizycznym wcieleniem tej zasady: uruchamiała produkcję dopiero w momencie, gdy rzeczywisty ubytek zapasu potwierdzał, że klient końcowy skonsumował produkt, eliminując w ten sposób ryzyko nadprodukcji wynikającej z błędnej prognozy.

Systemy planowania predykcyjnego, które w autonomicznej fabryce zastępują dziś klasyczny Kanban, wprowadzają subtelne, lecz strategicznie istotne odejście od pierwotnej logiki Ohno, ponieważ przestawiają wyzwalacz produkcji z sygnału rzeczywistej konsumpcji na prognozę przyszłego popytu generowaną przez model statystyczny. Prognoza ta, nawet jeśli oparta na zaawansowanych algorytmach uczenia maszynowego analizujących dziesiątki zmiennych rynkowych, pozostaje w swojej istocie estymacją, a nie faktem, i tym samym przywraca do systemu produkcyjnego dokładnie to ryzyko nadprodukcji, które Ohno przez całe swoje zawodowe życie starał się wyeliminować. Organizacje, które bezrefleksyjnie zastępują logikę pull logiką predykcyjną, w praktyce cofają się do filozofii produkcji masowej opartej na prognozie, którą Ohno odrzucał jako źródło najpoważniejszego z siedmiu rodzajów marnotrawstwa.

Wierne zastosowanie filozofii Ohno w architekturze planowania predykcyjnego wymaga zachowania rozróżnienia, które łatwo zaciera się w praktyce operacyjnej: modele predykcyjne powinny wspomagać przygotowanie zdolności produkcyjnej, buforów materiałowych i harmonogramów zmianowych, ale rzeczywiste uruchomienie produkcji konkretnej partii wyrobu powinno pozostawać wyzwalane przez sygnał możliwie najbliższy rzeczywistej konsumpcji, jaki dostępna infrastruktura danych jest w stanie zapewnić: potwierdzone zamówienie klienta, rzeczywisty ubytek zapasu w punkcie sprzedaży, faktyczne zużycie komponentu na linii montażowej. Organizacje wdrażające tę zasadę konsekwentnie budują dziś architektury hybrydowe, w których predykcja informuje planowanie, a Kanban – w formie cyfrowej, elektronicznej, ale zachowującej swoją pierwotną logikę wyzwalania z rzeczywistego zdarzenia – pozostaje mechanizmem uruchamiającym rzeczywistą produkcję.

Metoda pięciu kolejnych pytań dlaczego, którą Ohno uczynił centralnym narzędziem analizy przyczyn źródłowych w Toyocie, zakładała milcząco, że przyczynowość procesu produkcyjnego jest w zasadzie możliwa do prześledzenia przez dociekliwego obserwatora, który konsekwentnie odrzuca powierzchowne wyjaśnienia na rzecz coraz głębszych warstw przyczyny. Metoda ta sprawdzała się znakomicie w środowisku, w którym łańcuch przyczynowo-skutkowy prowadzący do defektu czy awarii dało się w zasadzie zrekonstruować przez rozmowę z operatorami, analizę zapisów procesowych i bezpośrednią obserwację stanowiska pracy.

Systemy sztucznej inteligencji oparte na głębokich sieciach neuronowych, które dziś generują znaczną część rekomendacji operacyjnych w zaawansowanych zakładach produkcyjnych, funkcjonują fundamentalnie odmiennie od klasycznego łańcucha przyczynowo-skutkowego, który metoda Ohno zakładała jako punkt wyjścia. Model tego typu identyfikuje korelacje statystyczne między setkami zmiennych wejściowych a wynikiem, którego szuka, lecz w wielu wypadkach nie jest w stanie wyjaśnić w kategoriach zrozumiałych dla człowieka, dlaczego konkretna kombinacja parametrów doprowadziła do konkretnej rekomendacji. Zjawisko to, określane w literaturze technicznej jako problem czarnej skrzynki, stawia menedżerów produkcji w sytuacji, w której klasyczne pytanie „dlaczego”, zadane wobec rekomendacji algorytmu, często pozostaje bez satysfakcjonującej odpowiedzi.

Sądzę, że właśnie w tym wymiarze metoda Ohno zyskuje nowe, bardziej wymagające zastosowanie, zamiast tracić na znaczeniu. Pierwsze pytanie „dlaczego” nie powinno być już kierowane wyłącznie do procesu fizycznego, lecz do samego systemu decyzyjnego: dlaczego algorytm wygenerował taką, a nie inną rekomendację, jakie dane wejściowe miały na nią największy wpływ, czy dane te były aktualne i reprezentatywne dla bieżącej sytuacji operacyjnej. Organizacje, które traktują rekomendację systemu autonomicznego jako ostateczną odpowiedź niewymagającą dalszego dociekania, rezygnują z najcenniejszego elementu metody Ohno, czyli dyscypliny nieakceptowania pierwszego, powierzchownego wyjaśnienia. Praktycznym rozwinięciem tej dyscypliny w środowisku algorytmicznym jest wymóg, aby każdy system rekomendujący istotne decyzje operacyjne dostarczał wraz z rekomendacją interpretowalne uzasadnienie, choćby częściowe, oraz aby organizacja utrzymywała zespoły zdolne do zadawania kolejnych pytań „dlaczego” temu uzasadnieniu, zamiast przyjmować je bezkrytycznie z racji samej reputacji technologicznej systemu, który je wygenerował.

Autonomiczna fabryka z 2030 r. oferuje możliwość, o jakiej Ohno nie mógł nawet marzyć: przeniesienia znacznej części decyzji operacyjnych na systemy zdolne działać szybciej, precyzyjniej i w większej skali niż jakikolwiek zespół ludzki.

 

Prawo każdego pracownika linii montażowej do zatrzymania całej produkcji przez pociągnięcie sznura Andon było jednym z najbardziej radykalnych, a jednocześnie najgłębiej przemyślanych elementów filozofii Ohno, ponieważ odwracało klasyczną hierarchię decyzyjną fabryki: to nie kierownik zmiany decydował, kiedy zatrzymać linię, lecz operator, który pierwszy dostrzegał odchylenie od standardu. Ohno bronił tego rozwiązania wbrew silnemu oporowi kadry zarządzającej, przekonanej, że częste zatrzymania linii obniżą wydajność, argumentując, że koszt krótkotrwałego zatrzymania jest zawsze niższy niż koszt kontynuowania produkcji wadliwej lub niebezpiecznej.

Pytanie, które autonomiczna fabryka stawia wprost, brzmi: kto dziś posiada odpowiednik sznura Andon wobec decyzji podejmowanych przez systemy autonomiczne i czy prawo to jest równie rzeczywiste, jak było w klasycznej linii montażowej Toyoty? Obserwuję w praktyce, że wiele organizacji, które formalnie deklarują pełną autonomię pracowników w zakresie zgłaszania nieprawidłowości, w rzeczywistości nie zbudowało analogicznego mechanizmu wobec decyzji algorytmicznych: operator hali, który dostrzega, że rekomendacja systemu autonomicznego wydaje się nietrafna w świetle jego bezpośredniej obserwacji procesu, często nie dysponuje ani formalnym uprawnieniem, ani praktycznym interfejsem pozwalającym zatrzymać wykonanie tej rekomendacji w czasie rzeczywistym, a jedynie możliwością zgłoszenia wątpliwości w trybie, który dociera do właściwej osoby z opóźnieniem uniemożliwiającym interwencję.

Zbudowanie cyfrowego odpowiednika sznura Andon jest jednym z najpilniejszych zadań architektury organizacyjnej autonomicznej fabryki, ponieważ bez niego cała warstwa autonomicznych systemów decyzyjnych funkcjonuje z asymetrią, którą Ohno uznałby za nieakceptowalną: maszyna zyskuje zdolność autonomicznego działania szybciej, niż człowiek zyskuje rzeczywistą zdolność zatrzymania tego działania w razie potrzeby. Praktyczne wdrożenie tej zasady wymaga zaprojektowania interfejsów, przez które każdy pracownik mający bezpośredni kontakt z procesem może w czasie rzeczywistym wstrzymać wykonanie rekomendacji systemu autonomicznego, wymaga jasno zdefiniowanej procedury eskalacji takiego wstrzymania do osoby decyzyjnej oraz, co równie istotne, kultury organizacyjnej, w której skorzystanie z tego uprawnienia nie jest postrzegane jako kwestionowanie inwestycji technologicznej zarządu, lecz jako realizacja dokładnie tej samej wartości, którą Ohno wpisał w klasyczny sznur Andon siedemdziesiąt lat temu.

System Produkcyjny Toyoty bywa powszechnie przedstawiany jako konstrukcja opierająca się na dwóch filarach: just-in-time oraz Jidoka, jednak sam Ohno oraz jego bezpośredni następcy konsekwentnie podkreślali istnienie trzeciego podstawowego elementu, bez którego oba wymienione filary pozostają jedynie zbiorem technik pozbawionych rzeczywistej mocy transformacyjnej: szacunku dla człowieka, rozumianego jako przekonanie, że pracownik na każdym szczeblu organizacji posiada wiedzę o procesie i zdolność do jego doskonalenia, którą kierownictwo ma obowiązek aktywnie pozyskiwać, a nie jedynie tolerować.

Zachodnie interpretacje Systemu Produkcyjnego Toyoty przez dekady systematycznie marginalizowały ten filar na rzecz łatwiejszych do skopiowania narzędzi, ponieważ wdrożenie karty Kanban czy tablicy Andon wymaga tygodni, podczas gdy zbudowanie kultury organizacyjnej opartej na rzeczywistym szacunku dla wiedzy operacyjnej pracowników wymaga lat konsekwentnej praktyki przywódczej. Konsekwencją tego uproszczenia były liczne wdrożenia Lean, które skopiowały formę japońskich narzędzi, nie osiągając rezultatów porównywalnych z oryginałem, ponieważ pominęły element, który Ohno uważał za pierwotny wobec wszystkich pozostałych.

Organizacja, która nie zbudowała rzeczywistego szacunku dla wiedzy operacyjnej swoich pracowników, nie pozyskuje od nich informacji zwrotnej o nietrafności rekomendacji algorytmicznych, nie buduje kultury korzystania z cyfrowego sznura Andon, i nie generuje wiedzy ucieleśnionej niezbędnej do interpretowania sytuacji wyjątkowych, których żaden model predykcyjny nie przewidział. Szacunek dla człowieka – filar najtrudniejszy do zbudowania i najłatwiejszy do pominięcia – okazuje się w epoce autonomicznej fabryki filarem najbardziej strategicznym.

Taiichi Ohno definiował standaryzowaną pracę w sposób, który wielu współczesnym menedżerom umyka: standard nie był dla niego ostatecznym, sztywnym przepisem, lecz najlepszą w danym momencie znaną metodą wykonania operacji, obowiązującą dopóty, dopóki ktoś nie zaproponuje metody lepszej, po czym nowa metoda sama staje się nowym standardem. Ta definicja czyniła standaryzację nie przeciwieństwem doskonalenia, lecz jego warunkiem koniecznym, ponieważ bez jednoznacznie zdefiniowanego punktu odniesienia niemożliwe jest odróżnienie odchylenia będącego błędem od odchylenia będącego innowacją wartą przetestowania i ewentualnego upowszechnienia.

Systemy samouczące, które w autonomicznej fabryce samodzielnie korygują parametry swojej pracy na podstawie bieżących danych, wydają się na pierwszy rzut oka sprzeczne z logiką standaryzacji, ponieważ nieustannie zmieniają metodę wykonania operacji bez jednoznacznego, statycznego punktu odniesienia. Głębsza analiza filozofii Ohno prowadzi jednak do wniosku odwrotnego: system samouczący realizuje w istocie dokładnie tę logikę, którą Ohno opisywał, jedynie w tempie i skali niedostępnej dla ludzkiego procesu doskonalenia, ponieważ nieustannie testuje nowe metody wykonania operacji i przyjmuje jako nowy standard te, które okazują się skuteczniejsze od poprzednich.

Różnica, która ma znaczenie praktyczne, dotyczy nie samej logiki zmiany standardu, lecz sposobu, w jaki ta zmiana jest dokumentowana, weryfikowana i komunikowana organizacji. Ohno wymagał, aby każda zmiana standardu przechodziła przez proces uzgodnienia z operatorami wykonującymi daną pracę, była udokumentowana w sposób zrozumiały i dostępny na stanowisku pracy oraz poprzedzona weryfikacją, że nowa metoda rzeczywiście przewyższa poprzednią, a nie tylko wydaje się lepsza w krótkim horyzoncie obserwacji. System samouczący, który zmienia parametry swojej pracy bez analogicznego procesu dokumentacji, uzgodnienia i weryfikacji długoterminowej, narusza istotę filozofii standaryzacji Ohno, nawet jeśli formalnie realizuje jej powierzchowną logikę ciągłej zmiany. Organizacje wdrażające systemy samouczące zgodnie z duchem, a nie tylko literą myśli Ohno, budują dziś nowe formy dokumentacji standardu, opisujące nie sekwencję kroków fizycznych, lecz granice autonomii systemu, kryteria oceny trafności jego decyzji oraz protokoły, przez które zmiana wprowadzona przez algorytm zostaje przedstawiona człowiekowi do zrozumienia, zanim stanie się nowym, obowiązującym punktem odniesienia.

Trzy japońskie pojęcia, które Ohno uczynił centralnymi kategoriami analizy strat w systemie produkcyjnym – mudaoznaczające marnotrawstwo, muri oznaczające przeciążenie oraz mura oznaczające nierównomierność – tworzyły spójną triadę diagnostyczną, w której Ohno kładł szczególny nacisk na fakt, że eliminacja samej muda bez jednoczesnego odniesienia do muri i mura prowadzi jedynie do przeniesienia problemu w inne miejsce systemu, a nie do jego rzeczywistego rozwiązania.

Muri w klasycznym rozumieniu Ohno odnosiło się do przeciążenia ludzi lub maszyn ponad ich naturalną, zrównoważoną zdolność wykonawczą, wynikające zazwyczaj z nierealistycznych celów produkcyjnych lub źle zaprojektowanego procesu. W autonomicznej fabryce kategoria ta wymaga rozszerzenia o wymiar, którego Ohno nie mógł przewidzieć: przeciążenie systemów analitycznych wolumenem danych przekraczającym ich rzeczywistą zdolność przetwarzania w sposób generujący wiarygodne rekomendacje oraz przeciążenie ludzkiej uwagi menedżerskiej liczbą alertów i rekomendacji, które ograniczona przepustowość poznawczą człowieka nie jest w stanie efektywnie przetworzyć. Murialgorytmiczne i muri poznawcze są dziś równie realnymi formami przeciążenia jak muri fizyczne, które Ohno obserwował na hali produkcyjnej Toyoty, i wymagają analogicznej dyscypliny w projektowaniu procesu, polegającej na dostosowaniu wolumenu wymagań do rzeczywistej, a nie teoretycznej zdolności przerobowej zaangażowanego zasobu.

Mura, nierównomierność przepływu, przyjmuje w środowisku cyfrowym postać nierównomierności strumienia danych zasilających systemy decyzyjne: okresów, w których dane napływają w nadmiarze, przeplatanych okresami niedoboru lub opóźnienia, generujących decyzje algorytmiczne oparte na niepełnym lub niereprezentatywnym obrazie rzeczywistości operacyjnej. Ohno uczył, że to właśnie mura jest często pierwotną przyczyną zarówno muda, jak i muri, ponieważ nierównomierny przepływ zmusza system do budowania buforów kompensujących tę nierównomierność, generujących marnotrawstwo zapasów, oraz do okresowego przeciążenia zasobów w momentach szczytowego natężenia przepływu. Diagnoza tej zależności, przeniesiona na architekturę danych autonomicznej fabryki, prowadzi do wniosku, że stabilizacja i wyrównanie przepływu danych między systemami ERP, MES i warstwą analityczną jest warunkiem wstępnym skutecznej eliminacji zarówno marnotrawstwa informacyjnego, jak i przeciążenia poznawczego menedżerów, a nie zadaniem drugorzędnym wobec samego wdrożenia algorytmów decyzyjnych.

Taiichi Ohno był znany z praktyki, którą jego współpracownicy nazywali kręgiem Ohno: nakazywał młodym inżynierom stanąć w wyznaczonym miejscu na hali produkcyjnej i obserwować proces przez wiele godzin, bez żadnego innego zadania poza samą obserwacją, dopóki samodzielnie nie zidentyfikowali źródeł marnotrawstwa, których wcześniej nie dostrzegali. Praktyka ta była wyrazem głębokiego przekonania Ohno, że zrozumienie procesu wymaga bezpośredniego, długotrwałego kontaktu z rzeczywistością, a nie analizy raportów czy zestawień statystycznych sporządzonych przez kogoś innego.

Cyfrowy bliźniak, wirtualna reprezentacja procesu aktualizowana w czasie rzeczywistym na podstawie danych z hali produkcyjnej, wydaje się na pierwszy rzut oka technologią zdolną zastąpić potrzebę fizycznej obserwacji, którą reprezentował krąg Ohno, ponieważ pozwala obserwować zachowanie procesu z dowolnego miejsca i w dowolnym momencie, bez konieczności fizycznej obecności na hali. Sądzę jednak, że taka interpretacja pomija istotę tego, czego krąg Ohno uczył młodych inżynierów: nie chodziło w nim wyłącznie o dostęp do informacji o procesie, lecz o wykształcenie dyscypliny cierpliwej, nieprzerwanej uwagi, zdolnej dostrzec subtelne wzorce i anomalie, których żaden pojedynczy wskaźnik nie ujawnia w oderwaniu od pełnego obrazu obserwowanej sytuacji.

Cyfrowy bliźniak jest narzędziem potężnym, lecz pozostaje modelem rzeczywistości, zaprojektowanym do rejestrowania określonego zestawu parametrów, i tym samym systematycznie pomija te aspekty procesu, których projektanci systemu nie uznali za warte pomiaru. Praktyczna reinterpretacja kręgu Ohno dla autonomicznej fabryki nie polega na zastąpieniu fizycznej obserwacji cyfrową symulacją, lecz na połączeniu obu form poznania w sposób komplementarny: inżynier, który przed wejściem na halę analizuje dane z cyfrowego bliźniaka w poszukiwaniu anomalii i tendencji, a następnie weryfikuje swoje hipotezy przez bezpośrednią, cierpliwą obserwację fizycznego procesu, realizuje w istocie dokładnie tę samą dyscyplinę poznawczą, której Ohno uczył swoich inżynierów siedemdziesiąt lat temu, jedynie wzbogaconą o narzędzie, którego on sam nie miał do dyspozycji, a nie zastąpioną przez to narzędzie.

Rekonstrukcja stanowiska, jakie Taiichi Ohno przyjąłby wobec współczesnej fali automatyzacji opartej na sztucznej inteligencji, jest z konieczności ćwiczeniem interpretacyjnym, lecz jego pisma i udokumentowane wypowiedzi pozostawiają wystarczająco dużo materiału, aby sformułować ją z dużą dozą pewności. Ohno nigdy nie był przeciwnikiem technologii jako takiej, wielokrotnie podkreślał, że automatyzacja dobrze zaprojektowanego procesu jest pożądana i konieczna dla konkurencyjności przedsiębiorstwa. Sprzeciwiał się jednak konsekwentnie automatyzacji procesu, który nie został uprzednio poddany analizie i uproszczeniu, ponieważ uważał, że zautomatyzowanie marnotrawstwa jedynie utrwala je w formie trudniejszej do rozpoznania i wyeliminowania niż marnotrawstwo generowane ręcznie.

Zasada ta, przeniesiona na współczesną falę wdrożeń sztucznej inteligencji w przemyśle, prowadzi do wniosku, którego wiele organizacji nie chce słyszeć: automatyzacja procesu decyzyjnego, który sam w sobie jest źle zaprojektowany, oparty na niewłaściwych wskaźnikach lub obciążony organizacyjnym marnotrawstwem informacyjnym, nie rozwiązuje problemu, lecz utrwala go w formie algorytmicznej, znacznie trudniejszej do zakwestionowania niż analogiczna decyzja podejmowana wcześniej przez człowieka. Decyzje algorytmiczne bywają bowiem postrzegane jako obiektywne i wolne od błędu w stopniu, na jaki rzeczywiście nie zasługują. Ohno wymagałby dziś od każdej organizacji wdrażającej systemy autonomiczne tego samego, czego wymagał od inżynierów wdrażających nowe maszyny siedemdziesiąt lat temu: uprzedniej, rygorystycznej analizy procesu, który ma zostać zautomatyzowany. Upewnienia się, że sam proces reprezentuje najlepszą aktualnie znaną metodę, zanim jego wykonanie zostanie powierzone systemowi, który będzie tę metodę powielał w skali i tempie niedostępnym dla człowieka.

Taiichi Ohno wymagałby również, jak sądzę, aby każda autonomiczna decyzja pozostawała widoczna, zrozumiała i kwestionowana przez człowieka bezpośrednio zaangażowanego w proces, ponieważ cała jego filozofia opierała się na przekonaniu, że widoczność problemu jest warunkiem koniecznym jego rozwiązania, a ukrycie problemu, choćby w postaci nieprzejrzystej rekomendacji algorytmicznej, jest równoznaczne z jego utrwaleniem. Wymagałby wreszcie, aby technologia służyła wzmocnieniu, a nie zastąpieniu zdolności człowieka do obserwacji, interpretacji i doskonalenia procesu, ponieważ w jego rozumieniu to właśnie ta zdolność, a nie żadne konkretne narzędzie, stanowiła rzeczywiste źródło przewagi konkurencyjnej Toyoty.

Zarządy przedsiębiorstw produkcyjnych, planując dalszy rozwój autonomicznych systemów decyzyjnych w swoich zakładach, zyskują w dorobku Taiichiego Ohno coś znacznie cenniejszego niż zestaw historycznych narzędzi wymagających cyfrowej aktualizacji. Zyskują sprawdzoną, spójną filozofię relacji między człowiekiem a technologią, która została sformułowana w innych realiach technologicznym, lecz opiera się na zasadach niezależnych od konkretnej epoki automatyzacji. Filozofia ta uczy, że automatyzacja pozbawiona wbudowanego mechanizmu ujawniania własnej anomalii jest automatyzacją niebezpieczną, że wyzwalanie produkcji z prognozy zamiast z rzeczywistego sygnału popytu odtwarza dokładnie to marnotrawstwo, które system produkcyjny miał wyeliminować, że prawo do zatrzymania autonomicznej decyzji musi być równie realne jak prawo do zatrzymania linii montażowej oraz że żadna technologia nie zastąpi organizacyjnego szacunku dla wiedzy i osądu ludzi bezpośrednio zaangażowanych w proces.

Organizacje, które traktują dorobek Ohno jako zamkniętą, historyczną kartę zarządzania operacyjnego, tracą dostęp do najbardziej wartościowego elementu tej filozofii w momencie, w którym jest on najbardziej potrzebny, ponieważ to właśnie w epoce autonomicznej fabryki pytania, które Ohno stawiał każdemu nowemu rozwiązaniu technicznemu – czy eliminuje ono rzeczywiste marnotrawstwo, czy pozostawia widoczność problemu dla człowieka, wzmacnia czy osłabia zdolność organizacji do ciągłego doskonalenia, stają się pytaniami o być albo nie być konkurencyjności przedsiębiorstwa.

Taiichi Ohno budował swój system w fabrykach, w których każda decyzja wymagała fizycznej obecności i bezpośredniego zaangażowania człowieka, ponieważ innej możliwości wówczas nie było. Autonomiczna fabryka z lat trzydziestych obecnego stulecia oferuje możliwość, o jakiej Ohno nie mógł nawet marzyć: przeniesienia znacznej części decyzji operacyjnych na systemy zdolne działać szybciej, precyzyjniej i w większej skali niż jakikolwiek zespół ludzki. Ironia, którą warto dostrzec, polega na tym, że pełne wykorzystanie tej możliwości wymaga dziś powrotu do dokładnie tych zasad, które Ohno sformułował siedemdziesiąt lat temu: widoczności problemu, prawa do zatrzymania, szacunku dla ludzkiego osądu oraz nieustannego, dociekliwego pytania dlaczego, kierowanego tym razem nie tylko do maszyny, lecz również do algorytmu, który tę maszynę dziś nadzoruje.