Autor: Martin Benter

Die MTM-Methoden sind ein bewährter Standard zur Analyse und Gestaltung menschlicher Arbeitsabläufe. Arbeitsplaner stehen bei der Anwendung jedoch weiterhin vor der Herausforderung, diese Methoden richtig und effizient anzuwenden. Künstliche Intelligenz – insbesondere Large Language Models – hat das Potenzial, hier einen wichtigen Beitrag zu leisten. Beim Einsatz von KI ergeben sich jedoch berechtigte Fragen hinsichtlich der Verlässlichkeit und Nachvollziehbarkeit der Ergebnisse. Der vorgestellte Ansatz kombiniert LLMs mit einem regelbasierten Algorithmus, um gezielt wichtige Informationen aus textlichen Prozessbeschreibungen, wie Arbeitsanweisungen, zu extrahieren, die für MTM-Analysen erforderlich sind. Anschließend werden diese entsprechend dem MTM-Regelwerk in Analysen übersetzt. Dieses Vorgehen trägt dazu bei, dass die Ergebnisse für den Anwender nachvollziehbar aus den Eingangsdaten abgeleitet werden.

Seit etwa 15 Jahren steigt die Arbeitsproduktivität je Arbeitsstunde mit deutlich weniger als einem Prozent pro Jahr. Gleichzeitig können detailliertere Produktivitätsanalysen in den Unternehmen hohe Potenziale ausweisen. Allerdings sind die hierfür geeigneten MTM-Analysen aufwendig und werden aktuell nicht in der erforderlichen Breite und Häufigkeit eingesetzt. Eine Lösung ist der Einsatz digitaler Technologien wie Motion Capturing. Diese ermöglichen es, Produktivitätsanalysen mit geringem Aufwand durchzuführen, da sie Daten bereitstellen, die die Analyse beschleunigen. Das Tool MTMmotion® der MTM ASSOCIATION e. V. (MTMA) wurde mit dem Ziel entwickelt, mit den bereitgestellten Daten unterschiedlicher Technologien valide und regelkonforme MTM-Analysen durchführen zu können. Dieser Beitrag vergleicht die für ein Motion-Capture-System und MTMmotion® entwickelte Methode mit einer konventionellen MTM-1®-Analyse. Wesentliches Ergebnis ist, dass mit digitalen Technologien ...