Ai-arbeidsbesparingen weerspiegelen innovatietrade-offs van six sigma

Workday promoot ai-agents om aanwervingskosten te verlagen, maar eerdere efficiëntiedrives bij bedrijven als 3m tonen risico's voor nieuwe ideeën.

Workday Inc. adviseerde beleggers onlangs dat klanten de ai-agents kunnen financieren door uitgaven te heralloceren van arbeid en diensten in plaats van uitsluitend uit softwarebudgetten. De ceo van het bedrijf noemde plannen om nieuwe aanwervingen te vervangen door ai-tools. Deze aanpak weerspiegelt een bredere bedrijfsdruk om menselijke werknemers te vervangen door machines die consistente resultaten leveren tegen lagere kosten.

Lessen van six sigma komen terug bij ai

Procesverbeteringsmethoden zoals six sigma streven ernaar variatie in bedrijfsoperaties te minimaliseren. Onderzoek van wetenschappers Mary Benner en Michael Tushman in de verf- en fotografiesector over twee decennia onthulde een neveneffect. Bedrijven die procesmanagement intensiveerden, produceerden patenten die steeds meer geworteld waren in bestaande kennis in plaats van nieuwe concepten of externe ideeën.

Organisaties evolueren vaak via incrementele aanpassingen op basis van feedback, vergelijkbaar met navigeren in de mist door elke stap te testen. Deze tactiek werkt tot een lokaal hoogtepunt is bereikt. Verdere stappen lijken dan riskant, zelfs als betere kansen elders liggen. Grotere variatie stimuleert verkenning buiten bekend terrein.

3m's verschuiving onder six sigma-druk

Six sigma ontstond in 1986 bij Motorola Inc. en verspreidde zich in de jaren negentig breed nadat General Electric Co. het had overgenomen. Een voormalig ge-executive introduceerde het programma in 2000 bij 3M Co.. Het bedrijf had zijn naam opgebouwd met uitvindingen waaronder de post-it. De mede-uitvinder beschreef innovatie ooit als het vereisen van duizenden ruwe ideeën voor elk commercieel succes.

Six sigma behandelde dergelijk experimenteren als inefficiëntie. 3m had als doel dat minstens een derde van de omzet afkomstig was van producten jonger dan vijf jaar. Tegen 2007 daalde dat aandeel tot een kwart.

Danaher past ai toe op antilichaamontwikkeling

Danaher Corp. ontwikkelt een ai-gedreven laboratorium dat antilichamen ontwerpt, produceert en evalueert terwijl resultaten teruggekoppeld worden aan het model. Het bedrijf past lang bestaande test-en-verifieerpraktijken toe en gebruikt modellen om veelbelovende ontwerpen te rangschikken voordat ze fysiek worden gemaakt. Deze methode is effectief voor gedefinieerde doelen zoals antilichamen.

Beperkingen van ai-trainingsdata voor nieuwe uitkomsten

Een studie van Princeton University uit 2024 testte gpt-4 op het decoderen van cijfers. Het model slaagde 51 procent van de tijd met waarschijnlijke zinnen, maar slechts 13 procent met onwaarschijnlijke zinnen, ondanks identieke regels. Vergelijkbare patronen verschenen in openai's o1-redeneermodel. Menselijke originaliteit komt vaak voort uit atypische ervaringen, fouten of volharding die ai-kansverdelingen zelden repliceren.

door 5.000 tot 6.000 ruwe ideeën te gaan om één succesvol bedrijf te vinden

— mede-uitvinder van de post-it, businessweek-interview in 2007

Efficiëntie en doorbraken in balans brengen

Openai meldde in mei dat een model een meetkundige vermoeden van paul erdős uit 1946 oploste. Wiskundige thomas bloom schreef een deel van het succes toe aan het volgen van paden die mensen mogelijk hadden verlaten. In de wiskunde kosten mislukte pogingen alleen rekentijd. In bedrijfsomgevingen zijn werknemers, klanten en experimenten betrokken, waardoor bedrijven betrouwbare uitkomsten prefereren.

Bedrijven hoeven ai niet te vermijden. Ze moeten innovatieruimtes beschermen tegen efficiëntiedruk, zoals 3m uiteindelijk onderzoekswetenschappers vrijstelde van six sigma-doelstellingen. Arbeidsuitgaven ondersteunen niet alleen routinetaken, maar ook de menselijke variabiliteit die af en toe onverwachte successen oplevert zoals de post-it.

Tags bij dit artikel