AI kan Value Stream Mapping slimmer maken, maar niet door de mensen uit de workshop te vervangen.
Value Stream Mapping is voor veel Lean-professionals een bekende methode. Een grote rol brown paper aan de muur, een flinke hoeveelheid post-its, stiften in verschillende kleuren en een groep medewerkers die samen probeert te begrijpen hoe een product of dienst daadwerkelijk door de organisatie stroomt.
Juist dat beeld is belangrijk, want hoewel AI steeds beter wordt in het analyseren van processen en het verwerken van grote hoeveelheden data, zit de kracht van Value Stream Mapping niet in het maken van een mooie procesplaat. De echte waarde ontstaat wanneer medewerkers samen naar hun eigen proces kijken, de werkelijkheid onderzoeken, metingen uitvoeren en met elkaar in gesprek gaan over wat er werkelijk gebeurt.
Daarom is de interessante vraag niet: hoe kan AI een Value Stream Map maken?
De betere vraag is:
Hoe kan AI het VSM-proces versterken zonder de essentie van Lean te verliezen?
De werkelijkheid begint op de Gemba
Een goede Value Stream Map begint wat mij betreft niet achter een computer, maar op de werkvloer. Medewerkers die dagelijks in het proces werken, weten waar de werkelijkheid afwijkt van de standaard. Zij weten waar orders blijven liggen, waar machines regelmatig wachten, waar producten opnieuw bewerkt moeten worden en waar het proces regelmatig wordt verstoord.
Daarom laat je medewerkers tijdens een VSM-sessie zelf informatie verzamelen en meten. Dat is niet alleen belangrijk om betrouwbare informatie te krijgen. Het heeft nog een veel belangrijker effect: mensen worden eigenaar van het probleem én van de mogelijke oplossing. Dat is een essentieel onderdeel van Lean.
Ook systeemdata moet daarom met enige voorzichtigheid worden gebruikt. Een bewerkingstijd in een ERP- of MES-systeem kan bijvoorbeeld gebaseerd zijn op een technische standaard en niet op de werkelijke tijd die een operator nodig heeft. Voorraadgegevens in een systeem kunnen eveneens afwijken van wat er daadwerkelijk op de vloer staat.
Dat betekent niet dat systeemdata waardeloos is. Integendeel. AI kan juist enorm krachtig zijn bij het analyseren van dergelijke gegevens. Maar systeemdata moet worden gezien als een bron van informatie die je toetst aan de werkelijkheid. Go and see blijft belangrijk.
Een VSM hoeft niet perfect te zijn
Een andere misvatting die gemakkelijk kan ontstaan wanneer we AI inzetten, is dat een Value Stream Map zo nauwkeurig mogelijk moet worden. Dat is niet het doel. Een Current State Map is geen exacte wetenschap. Het gaat erom dat je voldoende inzicht krijgt om de belangrijkste problemen en verspillingen zichtbaar te maken. Als de kaart voor het overgrote deel klopt en het team daardoor begrijpt waar de grootste kansen liggen, heb je je doel bereikt. Sterker nog: juist het samen bouwen aan de kaart is vaak belangrijker dan de kaart zelf.
Een groep medewerkers die rond een grote brown paper staat, processen tekent, post-its verplaatst, discussieert over de werkelijkheid en elkaar vragen stelt, ontwikkelt een gezamenlijk beeld van het proces. Dat beeld vormt de basis voor de Future State. En precies daar ligt een belangrijke grens voor AI.
AI moet de workshop niet vervangen
Stel dat je een foto van een brown paper aan AI geeft en binnen enkele seconden een perfect uitziende digitale Value Stream Map terugkrijgt. Dat klinkt aantrekkelijk, maar daarmee heb je mogelijk het belangrijkste onderdeel van de VSM overgeslagen.
De medewerkers hebben niet samen gemeten. Ze hebben niet gediscussieerd over de verschillen tussen de werkelijkheid en de standaard. Ze hebben geen post-its verschoven en elkaar niet uitgedaagd over aannames. Je hebt dan wel een kaart, maar misschien geen eigenaarschap.
Daarom zou ik AI niet inzetten als vervanging van de traditionele VSM-workshop. Ik zou AI vooral gebruiken vóór, tijdens en ná de workshop. En daar liggen verrassend veel mogelijkheden.
Voor de workshop kan AI al veel werk uit handen nemen
Een goede VSM begint met een goede voorbereiding. Welke productfamilie gaan we volgen? Welke informatie moeten we verzamelen? Welke metingen moeten medewerkers uitvoeren? Welke vragen moeten tijdens de Gemba worden beantwoord?
AI kan helpen om hiervoor een praktische checklist of meetinstructie te maken. Ook kan AI helpen om de workshopstructuur voor te bereiden, mogelijke valkuilen te benoemen en deelnemers vooraf duidelijk te maken welke informatie nodig is.
Zo wordt de voorbereiding efficiënter, zonder dat AI het daadwerkelijke onderzoek op de werkvloer overneemt.
Tijdens de workshop wordt AI vooral een slimme assistent
Misschien ligt hier wel een van de meest interessante toepassingen. Een VSM-workshop levert namelijk enorm veel informatie op. Niet alleen de informatie die uiteindelijk op de brown paper terechtkomt, maar ook alle gesprekken daaromheen. Bijvoorbeeld opmerkingen als: Waarom staat deze voorraad hier? Waarom wordt deze order op dit moment vrijgegeven? Waarom duurt deze stap soms twee uur en soms twintig minuten? Waarom wordt hier opnieuw gecontroleerd? En hebben we dit eigenlijk wel gemeten?
AI kan tijdens zo’n sessie helpen om gesprekken vast te leggen, notities te maken en acties te verzamelen. Na afloop kan het de discussie samenvatten en de verschillende verbeterideeën structureren.
Van tientallen post-its naar een overzichtelijke verbeteragenda
Na een VSM-workshop ligt de brown paper vaak vol met verbeterideeën. Dat is goed nieuws, maar vervolgens ontstaat een nieuw probleem: waar beginnen we?
AI kan helpen om ideeën te groeperen en te beoordelen op bijvoorbeeld impact, uitvoerbaarheid, investering, risico en benodigde implementatietijd. Daardoor ontstaat sneller overzicht. Een groep van dertig losse verbeterideeën kan bijvoorbeeld worden teruggebracht tot enkele duidelijke thema’s: flow verbeteren, omsteltijden reduceren, planning verbeteren, kwaliteit bij de bron en voorraad verminderen.
De uiteindelijke keuze blijft natuurlijk bij de mensen die het proces kennen. AI helpt vooral om structuur te brengen in de hoeveelheid informatie.
En wat als AI de procesdata analyseert?
Daar wordt het echt interessant, tenminste, als de benodigde data beschikbaar is. AI kan dan grote hoeveelheden procesdata tegelijkertijd analyseren, waardoor verbanden zichtbaar worden die je tijdens een traditionele VSM misschien niet direct ziet. Misschien lijkt machine 4 de bottleneck, maar blijkt uit de data dat de werkelijke oorzaak ligt in de manier waarop orders vanuit planning worden vrijgegeven. Of misschien blijkt dat het grootste deel van de vertraging wordt veroorzaakt door slechts enkele productfamilies. AI kan helpen om dergelijke patronen te ontdekken.
Ook kan het verschillende scenario’s vergelijken. Bijvoorbeeld: Wat gebeurt er als de omsteltijd met 30% wordt verminderd? Wat gebeurt er als de batchgrootte wordt gehalveerd? Wat is het mogelijke effect van een extra operator?
Een digitale VSM is niet automatisch een betere VSM
Er is nog een ontwikkeling die we de komende jaren waarschijnlijk steeds vaker zullen zien: het digitaliseren van de Value Stream Map. Een handgetekende brown paper kan met behulp van AI relatief eenvoudig worden omgezet naar een digitale procesweergave.
Dat kan handig zijn, want na de workshop kun je de kaart bijvoorbeeld digitaal vastleggen, zodat deze eenvoudiger kan worden gedeeld, aangepast of gebruikt als basis voor een verbeterplan.
Maar ook hier geldt: digitaliseren is niet hetzelfde als verbeteren. De brown paper mag na de workshop best een digitale versie krijgen. Maar de brown paper, de post-its en vooral de mensen die eromheen staan, blijven wat mij betreft het vertrekpunt.
Wat betekent dit voor Lean-consultants?
AI gaat het werk van de Lean-consultant veranderen, maar ik verwacht niet dat AI de Lean-consultant gaat vervangen. Integendeel, de consultant zal juist meer tijd kunnen besteden aan datgene waar menselijke ervaring en interactie het verschil maken: de juiste vragen stellen, mensen meenemen, weerstand begrijpen, discussies faciliteren en ervoor zorgen dat verbeteringen daadwerkelijk worden gerealiseerd.
AI kan ondertussen een groot deel van het repetitieve werk ondersteunen: voorbereiden, vastleggen, structureren, analyseren, rapporteren en opvolgen. Dat is misschien wel de grootste kans. Dus niet AI inzetten om Lean-tools te automatiseren, maar AI gebruiken om de administratieve belasting rondom Lean te verminderen.
De toekomst van Value Stream Mapping?
Ik denk daarom dat we moeten oppassen dat we ons niet laten verleiden door de gedachte dat alles wat met AI kan worden geautomatiseerd, ook geautomatiseerd móét worden. Een Value Stream Map is geen doel op zich, maar een hulpmiddel om mensen naar hun proces te laten kijken, problemen zichtbaar te maken en samen te bepalen hoe het beter kan.
De medewerker op de werkvloer blijft degene die weet hoe het proces werkelijk werkt. De Lean-professional brengt structuur, kennis en ervaring en AI kan daar een nieuwe laag aan toevoegen: snelheid, analysekracht en ondersteuning. De toekomst van VSM is wat mij betreft daarom niet mens óf AI, maar mens én AI.
De brown paper blijft aan de muur, de post-its blijven we plakken, de medewerkers blijven zelf meten en discussiëren, maar rondom die workshop kan AI steeds meer werk uit handen nemen. Misschien is dat precies waar AI binnen Lean het meeste waarde kan toevoegen: niet door het verbeteren van mensen over te nemen, maar door mensen meer tijd te geven om daadwerkelijk te verbeteren.
Voor wie meer wil weten over Value Stream Mapping en de principes eigen wil maken kan zich inschrijven voor de Masterclass Value Stream Mapping die op 1 oktober 2026 gepland staat in ’s-Hertogenbosch.
https://leanandbeyond.simplybook.it/v2/#book/service/3
Niet alleen om je VSM-kennis weer eens af te stoffen, maar ook nuttig als je deze vaardigheid eigen wil maken.