Stoppuhren gefährden die Zukunft des Fertigungsaufschwungs

Vor fast 25 Jahren sammelte ich meine ersten Erfahrungen auf dem Werksgelände von General Motors (GM) – sowohl in der hochautomatisierten Rohbaufertigung als auch in der menschenzentrierten Montagelinie. Ich lernte schnell: Roboterprozesse übertragen Daten nahtlos über Ethernet, während menschliche Aktivitäten manuell von Industrial Engineers mit Stoppuhren erfasst werden mussten – eine Methode, die Frederick Taylor schon im Zeitalter des Model T einführte. Der Kontrast war eklatant: eine moderne Industrieära, die mit einer Datenerfassungsmethode kollidierte, die bereits 75 Jahre alt war.

Heute gehe ich noch immer durch Montagelinien und sehe junge Ingenieure Zeitstudien durchführen. Die Werkzeuge haben sich gewandelt – von Casio-Uhren zu iPhones –, doch die Praxis blieb unverändert, und diese alarmierend veraltete Methode behindert weiterhin den Fortschritt. Zeit- und Bewegungsstudien haben die amerikanische Fertigung einst an die Weltspitze geführt; heute sind sie im Zeitalter des Industrial Internet of Things (IIoT) grundlegend fehlerhaft.

Fokus auf Time-to-Market und Produktivität

Die amerikanische Fertigung erlebt eine Renaissance und wächst so schnell wie seit 2004 nicht mehr. Allein 2017 kehrten 171.000 Arbeitsplätze durch Reshoring und ausländische Direktinvestitionen in die USA zurück. Marktzugang ist ein entscheidender Treiber: „Reshoring dreht sich ganz um Time-to-Market“, sagt Ben Smith, Senior Advisor bei AT Kearney. „Moderne Hersteller bevorzugen vielleicht 15 kleine Werke im ganzen Land für besseren Marktzugang und verlagern ihren Fokus von Kosten auf Produktivität.“

Der Branchenkonsens besagt, dass IIoT der primäre Motor für Produktivitätswachstum sein wird. Accenture prognostiziert es als größten Produktivitätstreiber des Jahrzehnts, während GE Digital jährliche Leistungsgewinne von rund 8,6 Billionen Dollar schätzt. Doch der größte Wert in einer Fabrik entsteht durch Menschen – Boston Consulting Group berichtet, dass Menschen bis zu 90 % der Aufgaben auf dem Shopfloor ausführen. Die reine Maschinenoptimierung erfasst nur einen Bruchteil der tatsächlichen Aktivität.

Time-to-Market stößt auf Time-to-Data

Peter Marcotullio, VP Commercial R&D bei SRI International, merkt an, dass „nur ein kleiner Prozentsatz der Aufgaben von Maschinen ausgeführt wird“. Die Instrumentierung von Maschinen erfasst also nur einen Bruchteil des Prozesses. Während IIoT in der Zeit, die eine herkömmliche Zeitstudie benötigt, 50 GB Maschinendaten generieren kann, bleibt der Zusammenhang zwischen Equipment-Optimierung und gesamtem Werkproduktivität schwach. Entscheidungen, die tägliche Personaleinsatzplanung, Output-Prognosen, Kalkulation und Angebotserstellung prägen, basieren auf menschengenerierten Daten – sie bestimmen sowohl Umsatz als auch Gewinn.

Ein unvollständiger und unzuverlässiger Datensatz

Zeitstudien leiden unter zwei gravierenden Mängeln: begrenztem Datenvolumen und fragwürdiger Reliabilität. Ein typischer Ingenieur sampelt vielleicht zehn Vorgänge pro Station – zu wenig, um Operator-Variabilität oder Kontextfaktoren wie Wochentag, Abrechnungszeitraum oder Tagesmüdigkeit abzubilden. Dieser spärliche Datensatz lässt keine robusten Korrelationen oder Kausalitäten zu.

Hinzu kommt: Die bloße Beobachtung kann die Leistung verändern. Inspiriert von Heisenbergs Unschärferelation beschleunigen oder verlangsamen manche Arbeiter unter Beobachtung, und inkonsistente Start- und Enddefinitionen mindern die Genauigkeit weiter. Folglich liefern Zeitstudien zweifelhafte Messwerte, die sowohl Bediener als auch Manager in die Irre führen können.

Was dem modernen Werk fehlt

Modernen Werken fehlen skalierbare, Echtzeit-Daten mit menschlichem Fokus. Zwar können Gemba-Walks, instrumentierte Lichtvorhänge und Poka-Yoke-Systeme einige menschliche Aktivitäten erfassen, doch das Volumen reicht für aussagekräftige Analysen nicht aus. Anik Bose, General Partner bei Benhamou Global Ventures, erklärt: „Hersteller versammeln Arbeiter und Manager zum Brainstorming, aber ohne Echtzeitdaten verlassen sie sich auf manuelle, ad-hoc-Methoden.“ Ohne verlässliche Metriken zur menschlichen Produktivität können Werke die Ressource nicht verbessern, die den meisten Wert schafft.

Marshall Goldsmith sagte bekanntlich: „Was dich hierher gebracht hat, wird dich nicht dorthin bringen.“ Die Zeitstudien-Methode hat uns zum aktuellen Fertigungsgipfel geführt, reicht aber nicht mehr aus, um Time-to-Market durch Steigerung der menschlichen Arbeitsproduktivität zu beschleunigen. Es ist an der Zeit, die Stoppuhr in den Ruhestand zu schicken und datengetriebene, KI-gestützte menschliche Zusammenarbeit auf dem Shopfloor willkommen zu heißen.

Über den Autor

Dr. Prasad Akella leitete das Team, das die weltweit ersten kollaborativen Roboter bei GM entwickelte. Er ist CEO von Drishti, einem Unternehmen, das künstliche Intelligenz einsetzt, um Menschen auf dem Fabrikboden zu unterstützen und zu erweitern.