Lean и изкуственият интелект: съюзници, съперници или едно и също?

През 1924 Сакичи Тойода патентова тъкачен стан, който спира сам, щом се скъса нишка. Машината не е умна в днешния смисъл. Тя обаче прави нещо революционно: разпознава проблема и не произвежда брак. Тази идея по-късно получава името джидока — автоматизация с човешко докосване — и става един от двата стълба на производствената система на Toyota. С други думи, Lean е роден заедно с първата „интелигентна" машина.

Сто години по-късно разговорът е друг. Изкуственият интелект пише работни инструкции, прогнозира повреди и анализира хиляди редове данни за секунди. Едни виждат в него следващата стъпка на Lean. Други се страхуват, че ще замести дисциплината, на която Lean се крепи. Истината е по-интересна и от двете позиции: AI и Lean се нуждаят един от друг повече, отколкото изглежда.

Къде AI реално помага на Lean

Най-добрият пример идва от самата Toyota. Компанията изгражда вътрешна платформа, чрез която служителите от производствения цех създават собствени модели за машинно обучение, без да са специалисти по изкуствен интелект. За една година броят на тези модели нараства от 8 000 на 10 000, а спестеното време в производството надхвърля 10 000 човекочаса годишно (Gotoh, 2024). Разработчиците обясняват подхода си просто: ако искат хората да ползват AI активно, промяната трябва да се води от тези, които работят на линията.

AI дава най-голяма стойност там, където Lean винаги е имал слабо място: в ситуациите, които човешкото око не вижда навреме. Вибрация, която предвещава повреда след две седмици. Дефект по повърхността, по-малък от косъм. Модел в данните за престоите, който се показва само след три месеца наблюдение. Тук алгоритъмът не замества човека, а разширява сетивата му. По същество това е джидока на ново ниво: машина, която забелязва проблема преди той да се случи.

Има и по-дребни, но важни ползи. Работна инструкция, преведена на езика на новия служител. Обобщение на десетини доклади за рекламации, което показва повтарящите се причини. Чернова на A3 доклад, която инженерът довършва за десет минути вместо за един час. Всичко това намалява необходимата, но несъздаваща стойност работа, която поглъща времето на специалистите.

Къде AI се превръща в загуба

През 2025 изследване на MIT Media Lab стига до цифра, която обикаля света: при корпоративни разходи от 30 до 40 милиарда долара за генеративен AI, 95% от организациите не отчитат измерима бизнес възвръщаемост (MIT Media Lab, 2025). Причината не е в технологията. Авторите я търсят в крехките работни процеси и в липсата на връзка с ежедневната работа. Глобалното проучване на McKinsey потвърждава картината: 88% от компаниите ползват AI поне в една функция, но само около 39% виждат каквото и да е влияние върху оперативната печалба (McKinsey & Company, 2025).

За човек с Lean мислене тези числа не са изненада. Те описват класически загуби с ново име. Пилот, който никога не стига до производство, е недовършена работа. Табло с данни, което никой не отваря, е свръхпроизводство на информация. Отчет, генериран за секунди и прочетен диагонално, е движение без стойност.

Има и по-дълбок риск. Алгоритъм, приложен върху нестабилен процес, само ускорява хаоса. Ако престоите се въвеждат небрежно, моделът се учи от небрежността. Ако инструкцията е грешна, AI я превежда перфектно на пет езика. Най-опасното е, че екранът създава усещане за контрол. Мениджърът вижда числата и спира да ходи до мястото, където се случва работата. Така AI не замества Гемба, а я измества.

Защо Lean е основата, а AI е надстройката

Най-интересният детайл в доклада на McKinsey е какво правят около 6% от компаниите, при които AI носи над 5% от оперативната печалба. Те не автоматизират съществуващите процеси. Преосмислят ги от нулата (McKinsey & Company, 2025). За всеки, който е чертал карта на потока на стойността, логиката е позната. Не автоматизираш загубата. Първо я премахваш.

Това определя и правилната последователност. Първо идва стабилността: процес, който се изпълнява еднакво от всички смени. След това идва стандартът, който прави отклоненията видими. Третата стъпка е надеждното измерване. Едва тогава алгоритъмът има какво да научи. AI е толкова добър, колкото са данните му, а данните са толкова добри, колкото е процесът, който ги поражда.

Собствен анализ на публичните финансови отчети на 20 производствени предприятия в България за периода 2016–2024 сочи в същата посока. Инвестициите в дълготрайни активи не показват статистически значима връзка с ефективността. Показателят за човешкия капитал показва. Корелацията не доказва причинност, а извадката е малка. Резултатът обаче е в съзвучие с международните данни: технологията сама по себе си не прави предприятието по-ефективно.

Хората между двете

Ако Lean и AI имат общ знаменател, това са хората. Лайкър посочва уважението към хората като един от стълбовете на производствената система на Toyota, наред с непрекъснатото подобрение (Liker, 2004). Авторите от MIT наричат основната пречка пред AI „пропаст в ученето": системите не запазват обратната връзка и не се подобряват с времето (MIT Media Lab, 2025). Това е почти дума по дума проблемът, който Lean решава от десетилетия. Цикълът PDCA е механизъм за учене, а стандартът е паметта на организацията.

Оттук следва един неочакван извод. С навлизането на AI ценността на човешкия опит не пада, а расте. Някой трябва да прецени дали препоръката на модела има смисъл. Някой трябва да забележи, че данните са грешни, преди те да се превърнат в грешно решение. И някой трябва да зададе въпроса „защо" пет пъти, докато стигне до причина, която не е в никоя база данни.

Новите умения на Lean специалиста следователно не са програмиране. Той трябва да формулира точно проблема, да проверява качеството на данните и да превръща препоръката на машината в действие на място. Това са старите умения на добрия решаващ проблеми човек, приложени в нова среда.

Заключение

Въпросът „Lean или AI" е зададен грешно. Това не са две алтернативи, от които трябва да се избере едната. Lean дава посоката: кои проблеми си струва да се решават и какво е стойност за клиента. AI дава скоростта. Скорост без посока води до пилоти, които не стигат доникъде. Посока без скорост все по-често означава изоставане.

Сакичи Тойода не е създал стана си, за да махне тъкача. Създал го е, за да не стои тъкачът до една машина целия ден и да чака нишката да се скъса. Сто години по-късно целта е същата: машината да поеме рутината, за да може човекът да мисли.