De grenzen van autonome planning

Binnen de planningswereld lijkt een wedren aan de gang. Verschillende leveranciers claimen met hun software het pad naar een autonome supply chain te hebben geëffend. In de praktijk blijken nog veel beslissingen in de handen en hoofden van menselijke planners plaats te vinden. Lijia Tan en Rob Basten, beiden professor in Behavioral Operations Management aan de Technische Universiteit Eindhoven, werkten samen met doctoraatsstudente Maryam Azani en professor Ton de Kok. Aan de hand van een uitgebreide literatuurstudie en experimenten bestudeerden zij het samenspel tussen mens en systeem.

Beperkingen bij MRP
Lijia Tan legt uit dat een MRP-systeem de logica van de stuklijst toepast: “Het systeem houdt geen rekening met onzekerheden in de toeleveringsketen of grondstoffen- en onderdelenbeperkingen. Daardoor levert een MRP-systeem niet altijd een uitvoerbaar schema op. Het stelt bijvoorbeeld voor om een ​​bepaald aantal producten te produceren, zelfs als de beschikbare onderdelen of grondstoffen dat niet toelaten. Planners moeten aanvullende informatie verzamelen en contact opnemen met collega’s van andere afdelingen om een ​​uitvoerbaar plan te ontwikkelen.”

Ondanks die beperkingen blijven veel bedrijven MRP trouw. “Professor Ton de Kok ontwikkelde een geavanceerd algoritme dat beter inspeelt op onzekerheden en de dynamiek binnen productieomgevingen”, vertelt Lijia Tan. “Ondanks die technologische vooruitgang blijven veel bedrijven toch vasthouden aan klassieke MRP-systemen, vaak aangevuld met manuele correcties en lokale optimalisering.”

Geavanceerde planningssystemen als alternatief
Om onzekerheden aan te pakken, ontwikkelden onderzoekers de voorbije jaren geavanceerde algoritmen als alternatief voor MRP. Die vertalen de vraag van de klant binnen enkele seconden naar productie- en componentorders. De onderzoekers benadrukken dat betere planningssystemen niet alleen technisch goede aanbevelingen moeten genereren, ze horen ook de menselijke planners te ondersteunen bij het interpreteren, aanpassen en implementeren van aanbevelingen in onzekere en beperkte omgevingen.

Tegelijkertijd kent ook menselijke besluitvorming zijn beperkingen. “Mensen tonen vaak vooringenomenheid en zijn beïnvloed door eerdere ervaringen of persoonlijke interpretaties”, verduidelijkt Rob Basten. “Daarnaast blijft het moeilijk om onzekerheid en toeval consistent in elke beslissing mee te nemen. Dat maakt productieplanning kwetsbaar, zeker in complexe en snel veranderende omgevingen.”

Menselijke planners volgen ook niet altijd alle informatie die planningssystemen hun voorleggen. “Sommige planners negeren zelfs aanbevelingen van het MRP-systeem omdat ze vertrouwen op hun eigen ervaring of op bijkomende informatie uit de organisatie. Soms wijken planners noodgedwongen af van MRP-oplossingen omdat die gewoon onhaalbaar zijn.”

Wisselwerking tussen mens en systeem
Rob Basten illustreert waarom menselijke planners en geavanceerde planningssystemen best samenwerken: “Een systeem kan bijvoorbeeld voorstellen volgende week vijfhonderd eenheden te produceren. De planner weet echter dat een component vertraging heeft, een machine een beperkte capaciteit kent en de vraagprognose morgen weer kan veranderen. De aanbeveling van het geavanceerde planningssysteem lijkt accuraat, maar is dus mogelijk niet uitvoerbaar. De planner moet dan ingrijpen: voorraden controleren, collega’s contacteren, aantallen aanpassen en het risico op tekorten afwegen tegen de kosten van overtollige voorraad.”

Hoe die wisselwerking er exact uitziet, hangt af van het aantal beschikbare planners en hun vaardigheden. “Wanneer een organisatie over voldoende ervaren planners met diepgaande kennis van het productieproces beschikt, daalt de nood aan heel geavanceerde software. Beschikt de organisatie over minder ervaren of te weinig planners of is de complexiteit te groot, dan neemt de behoefte aan geavanceerde ondersteuning toe”, weet Lijia Tan. “Je kunt je ook afvragen of het ‘oplossen van het probleem’ door simpelweg veel ervaren planners in te zetten wel de beste manier is”, vult Rob Basten aan. “Ik ben van mening dat het gebruik van een geavanceerd systeem sowieso een goed idee is omdat je dan met minder mensen kunt werken of meer werk kunt verzetten met het beschikbare personeel. Bovendien draagt het bij tot consistente beslissingen.”

Algoritme-aversie
De onderzoekers geven aan dat het succes van die wisselwerking afhangt van hoe de menselijke planner het nut en de gebruikersvriendelijkheid van de geavanceerde planningstool ervaart. “Gebruikers tonen vaak scepticisme tegenover algoritmische aanbevelingen. Ze twijfelen aan de meerwaarde van de voorstellen die software genereert”, aldus Lijia Tan. “Sommige planners gaan ervan uit dat menselijke inschatting beter presteert dan een algoritme, zelfs wanneer de data het tegendeel suggereren. Daarnaast blijken de systemen niet altijd even gebruikersvriendelijk. Dat probleem ontstaat vaak omdat softwareontwerpers onvoldoende rekening houden met hoe medewerkers de software in de praktijk toepassen. Een beperkte gebruikersvriendelijkheid remt het enthousiasme voor meer geavanceerde systemen af.”

In sommige gevallen ontstaat zelfs een duidelijke vorm van algoritme-aversie. “Mensen vermijden dan bewust het gebruik van algoritmen, zelfs wanneer die aantoonbaar nauwkeurigere voorspellingen of beslissingen opleveren dan menselijk oordeel”, zegt Rob Basten. “Daarnaast reageren mensen vaak strenger op fouten van algoritmes dan op fouten van andere mensen. Eenzelfde fout krijgt dus een verschillende perceptie, afhankelijk van de oorsprong van de beslissing, wat de acceptatie van technologie verder bemoeilijkt.”

Verdere praktische uitwerking
Dit onderzoek maakt deel uit van een bredere reeks van vier studies. In de eerste fase voerden de onderzoekers een uitgebreide literatuurstudie en laboratoriumexperimenten uit. In de laatste fase presenteren ze een AI-gebaseerd model dat expliciet rekening houdt met menselijke input binnen productieplanning.

Lijia Tan benadrukt dat het onderzoek verder moet gaan dan theoretische inzichten alleen. “Idealiter testen we de resultaten ook in reële bedrijfsomgevingen. Toch botst dat op praktische beperkingen. Bedrijven kunnen hun bestaande systemen niet zomaar aanpassen voor onderzoeksdoeleinden. Daarom kiezen we voor gecontroleerde en vereenvoudigde experimenten in een laboratoriumomgeving.”

Een simulatie van ongeveer een half uur levert volgens de onderzoekers al waardevolle inzichten op. “Zo’n simulatie toont hoe geavanceerde planningssoftware samen met menselijke input de planning kan verbeteren. Tegelijk laat die aanpak toe de prestaties van verschillende planningsstrategieën te evalueren”, legt Lijia Tan uit. De onderzoekers analyseren ook in welke situaties menselijke tussenkomst essentieel blijft en in welke situaties algoritmes beter zelfstandig beslissen. “Op die manier ontstaat een genuanceerd beeld van de samenwerking tussen mens en technologie binnen productieplanning.”

Dit onderzoek maakt deel uit van het onderzoeksprogramma AI Planner of the Future van Technische Universiteit Eindhoven.

KD