שימוש ב-AI לניתוח CAPA - שאלות טובות מביאות תשובות טובות

CAPA הוא אחד התהליכים הכי חשובים במערכת האיכות, ואחד השנואים. לא כי הוא מסובך, אלא כי הוא דורש חשיבה אמיתית. ניתוח סיבת שורש שטחי הוא אחת הסיבות הכי שכיחות לממצאים בביקורות. ו-AI, כשמשתמשים בו נכון, יכול לשפר משמעותית את איכות הניתוח.

הבעיה עם CAPA בתעשייה

שאלי כל אודיטור מנוסה מה הסיבה הנפוצה ביותר לממצאים ב-CAPA, והתשובה תהיה כמעט תמיד אותה דבר: Root Cause Analysis שטחי מדי. "human error", "לא הייתה הכשרה", "הנוהל לא היה ברור". אלה תסמינים, לא שורש הבעיה.

הבעיה האמיתית היא שרוב הארגונים מבצעים CAPA תחת לחץ זמן. AI לא פותר את בעיית הזמן, אבל הוא יכול לשפר משמעותית את איכות השאלות שנשאלות.

איך AI משפר את שלב ה-Root Cause Analysis

הכוח של AI בניתוח CAPA הוא לא שהוא יודע את סיבת השורש. הוא לא יודע. הוא לא היה שם. הכוח שלו הוא בשאלות.

כשאני מתארת ל-AI אירוע סטייה, הוא יכול להציע זוויות שלא חשבתי עליהן. "האם בדקת אם זה קרה בעבר?" "האם יש הבדל בין משמרות?" "האם קיבלת חומר גלם ממספר ספקים שונים באותה תקופה?" לא כל שאלה רלוונטית, אבל הגירוי לחשיבה הוא אמיתי.

לדוגמה: לקוח שלי קיבל תלונת לקוח על אריזה פגומה, שלישית ברצף. הניתוח הפנימי שלו עצר ב"בעיה בקו האריזה". ביקשתי מ-AI לנתח את האירוע לפי מתודולוגיית 5 Whys. ה-AI הציע שאלות שהובילו אותנו להבין שהספק שלהם שינה חומר אריזה שלושה חודשים קודם בלי הודעה. זוהי סיבת שורש אמיתית. הפתרון המתאים היה בתהליך הניהול של הספקים, לא בקו הייצור.

מתודולוגיות RCA עם AI

AI מכיר היטב את המתודולוגיות המרכזיות: 5Whys, Fishbone (Ishikawa), Fault Tree Analysis. אפשר לבקש ממנו להשתמש ספציפית באחת מהן ולהנחות אותך דרכה.

הגישה שעובדת הכי טוב אצלי: תיאור קצר של האירוע, בקשה לנתח לפי Fishbone עם התייחסות לגורמים Man, Machine, Method, Material, Environment.

ה-AI ממלא את ה"ענפים" הראשוניים, ואני מוסיפה ומוחקת לפי מה שאני יודעת על הארגון.

זה לא ניתוח מוגמר. זה ניתוח שאני בונה בחצי מהזמן.

שימוש ב-AI לכתיבת תוכנית הפעולה

אחרי שסיבת השורש ברורה, הצעד הבא הוא פעולה מתקנת. גם כאן AI יכול לסייע, אבל עם אזהרה חשובה: הפעולות שה-AI מציע הן לעיתים קרובות גנריות מדי. "לעדכן נוהל", "לבצע הכשרה", "להגביר פיקוח". אלה פעולות שנשמעות נכונות אבל לא תמיד מטפלות בסיבה האמיתית.

הדרך הנכונה לשימוש: לספק ל-AI את סיבת השורש שזיהית, ולבקש ממנו להציע פעולות מתקנות שמטפלות בה ישירות. לא בסימפטום, אלא בסיבה. ואז לבקש גם הצעה לבדיקת אפקטיביות עם קריטריון מדיד.

בדיקת אפקטיביות - השדה שכולם מזניחים

אחד הדברים שאודיטורים בודקים ראשון הוא האם בדיקת האפקטיביות מוגדרת עם קריטריון ברור. "נבדוק אחרי שלושה חודשים" זה לא מספיק. מה בדיוק נבדוק? מה הקריטריון להצלחה?

AI טוב בעזרה לנסח בדיקת אפקטיביות מדידה. "אפס אירועים מאותו סוג בששת החודשים הקרובים", "100% מהעובדים הרלוונטיים מוכשרים על הנוהל המעודכן ועברו הערכת אפקטיביות של ההדרכה", "ממצאים מסוג X לא יופיעו במבדק הפנימי הבא". כל אחד מהאלה הוא קריטריון שניתן לבדוק.

מה לא לעשות ב-CAPA עם AI

לא לתת ל-AI את תיאור האירוע ולבקש CAPA מוכן. התוצאה תהיה נייר יפה שמעיד על שום דבר. אודיטור מנוסה יזהה CAPA גנרי תוך 30 שניות.

CAPA חייב לשקף הבנה אמיתית של האירוע, ניתוח שביצע בן אדם שמבין את הארגון, ופתרון שמותאם לו. AI יכול לתמוך בתהליך. לא לייצר אותו.

לסיום

ניתוח CAPA טוב הוא אחת הפעולות שמבדילות ארגון שמנהל איכות אמיתית מארגון שמנהל ניירת.

AI לא משנה את הפרדיגמה הזאת, אבל הוא כן יכול לשפר את איכות החשיבה אם משתמשים בו כשותף לשאלות, לא כמקור לתשובות.

שאלות טובות הן לב ליבו של ניתוח סיבת השורש. ולהגיע לשאלות הנכונות עם סיוע של כלי חכם, זה שימוש חכם בטכנולוגיה.