Lean Six Sigma en Artificial Intelligence kunnen elkaar goed versterken wanneer AI wordt gebruikt als ondersteuning bij het verbeteren van processen. Lean Six Sigma biedt de structuur om van een praktijkprobleem naar een aantoonbare verbetering te komen. AI kan binnen die structuur helpen om informatie sneller te ordenen, vragen te formuleren, patronen te onderzoeken en alternatieven te bedenken.
Maar er is een belangrijke voorwaarde: AI neemt de verantwoordelijkheid van de procesverbeteraar niet over.
De belangrijkste gedachte is daarom eenvoudig: Gebruik AI als denkpartner, niet als beslisser.
AI kan helpen om sneller en breder te denken. De Green Belt, Black Belt of proceseigenaar blijft verantwoordelijk voor de kwaliteit van de data, de analyse, de conclusies en uiteindelijk het besluit.
Wat is Lean Six Sigma?
Lean Six Sigma combineert Lean en Six Sigma om processen aantoonbaar te verbeteren. Lean richt zich onder andere op klantwaarde, flow en het verminderen van verspilling. Six Sigma voegt een sterke focus toe op procesprestaties, variatie, data en het onderzoeken van oorzaken. Binnen Lean Six Sigma wordt veel gewerkt met de DMAIC-methode: Define, Measure, Analyze, Improve en Control.
Lees hier de stapsgewijze uitleg van DMAIC
De vijf fasen beantwoorden ieder een andere vraag:
- Define: welk probleem willen we oplossen?
- Measure: hoe presteert het proces nu?
- Analyze: waardoor ontstaat het probleem?
- Improve: welke oplossing neemt de aangetoonde grondoorzaak weg?
- Control: hoe zorgen we ervoor dat de verbetering blijft werken?
Juist die structuur maakt DMAIC interessant voor het professioneel toepassen van AI. In plaats van willekeurig vragen aan een AI-tool te stellen, bepaal je eerst welke vraag binnen het verbeterproces moet worden beantwoord.
Wat bedoelen we met Artificial Intelligence?
Artificial Intelligence (AI) is een verzamelnaam voor technologie waarmee computers taken kunnen uitvoeren waarvoor onder andere patroonherkenning, voorspelling, classificatie, redenering of taalverwerking nodig is.
Binnen procesverbetering kom je verschillende begrippen tegen.
Generatieve AI kan nieuwe output genereren, zoals tekst, samenvattingen, analyses, afbeeldingen of ideeën. ChatGPT is hiervan een bekend voorbeeld.
Machine Learning is een onderdeel van AI waarbij modellen op basis van data patronen leren herkennen. Dat kan bijvoorbeeld worden gebruikt voor classificeren of voorspellen.
Lees meer over Machine Learning en Six Sigma
Process Mining is niet automatisch AI. Het is een data-analysetechniek waarmee op basis van event logs zichtbaar wordt hoe een proces in werkelijkheid verloopt. Process Mining en AI kunnen wel met elkaar worden gecombineerd.
Lees meer over Process Mining en Lean Six Sigma
Ook generatieve AI kan op verschillende plaatsen binnen procesverbetering ondersteunen.
Bekijk onze uitleg over ChatGPT en procesoptimalisatie
Waarom Lean Six Sigma en AI elkaar kunnen versterken
AI kan grote hoeveelheden informatie snel verwerken, ordenen en vanuit verschillende invalshoeken bekijken. Een goede procesverbeteraar brengt iets anders mee: kennis van het proces, de klant, de organisatie, data, oorzaak-gevolgrelaties en de praktijk waarin de verandering moet plaatsvinden.
Daar zit de kracht van de combinatie. Stel dat honderden klanten open antwoorden hebben gegeven op een enquête. AI kan helpen om deze antwoorden te ordenen en mogelijke thema’s zichtbaar te maken. De Green Belt of Black Belt controleert vervolgens of die ordening logisch is, welke informatie ontbreekt en welke thema’s werkelijk belangrijk zijn voor de klant.
Hetzelfde geldt bij het onderzoeken van oorzaken. AI kan mogelijke oorzaken aandragen waaraan een team zelf nog niet heeft gedacht. Maar een mogelijke oorzaak is nog geen bewezen grondoorzaak. Daarvoor moet je terug naar het proces en naar de data. AI kan het onderzoeken dus versnellen. Lean Six Sigma helpt voorkomen dat snelheid wordt verward met bewijs.
AI als denkpartner, niet als beslisser
Generatieve AI kan overtuigende antwoorden geven die toch onjuist zijn. Zulke plausibel klinkende maar onjuiste uitkomsten worden vaak hallucinaties genoemd. OpenAI beschrijft dat hallucinaties ook bij modernere taalmodellen nog niet volledig zijn verdwenen. Dat heeft voor procesverbeteraars een belangrijke consequentie:
Een antwoord van AI is geen bewijs.
AI kan bijvoorbeeld goed worden gebruikt om:
- aanvullende vragen te bedenken;
- informatie te structureren;
- aannames zichtbaar te maken;
- verschillende perspectieven te onderzoeken;
- mogelijke oorzaken te verzamelen;
- alternatieve oplossingen te bedenken;
- risico’s of ontbrekende informatie te signaleren;
- een eerste opzet te maken die vervolgens wordt gecontroleerd.
AI moet niet zonder verdere controle bepalen:
- wat de grondoorzaak van een probleem is;
- of een statistische conclusie inhoudelijk juist is;
- of een oplossing aantoonbaar heeft gewerkt;
- welke informatie volgens het beleid van de organisatie veilig met de gebruikte AI-toepassing kan worden gedeeld;
- welk besluit een organisatie uiteindelijk moet nemen.
De kracht zit dus niet in het uitbesteden van professioneel oordeel. De kracht zit in het versterken van professioneel denken.
Hoe gebruik je Lean Six Sigma en AI binnen DMAIC?
De praktische waarde van Lean Six Sigma en AI wordt duidelijker wanneer je niet vertrekt vanuit de technologie, maar vanuit de vijf fasen van DMAIC.
AI in de Define-fase
In Define bepaal je welk probleem je wilt oplossen, voor wie het een probleem is, welke doelstelling je nastreeft en wat binnen en buiten de scope valt.
Lees meer over de Define-fase van DMAIC
AI kan bijvoorbeeld helpen om een probleemstelling kritisch te beoordelen.
Denk aan vragen als:
- Is het probleem concreet genoeg beschreven?
- Zit er al een oplossing verstopt in de probleemstelling?
- Welke informatie ontbreekt nog?
- Welke aannames maken we?
- Voor welke klanten of stakeholders is dit werkelijk een probleem?
- Welke mogelijke CTQ’s volgen uit de Voice of the Customer?
AI kan ook helpen bij het ordenen van grote hoeveelheden klantfeedback, klachten of interviewnotities. De professional blijft echter bepalen welke klantbehoeften daadwerkelijk relevant zijn en hoe deze worden vertaald naar meetbare Critical-to-Quality kenmerken (CTQ’s). Een belangrijke valkuil is dat AI snel oplossingen kan produceren. In Define is dat meestal te vroeg.
Eerst het probleem begrijpen. Daarna pas oplossen.
AI in de Measure-fase
In Measure stel je vast hoe het proces werkelijk presteert en of de beschikbare data betrouwbaar genoeg zijn om conclusies op te baseren.
Lees meer over de Measure-fase van DMAIC
AI kan hier bijvoorbeeld ondersteunen bij:
- het formuleren van meetvragen;
- het controleren van een operational definition;
- het opzetten van een datadictionary;
- het herkennen van ontbrekende gegevens;
- het bedenken van mogelijke segmentaties;
- het structureren van een meetplan.
Stel dat verschillende medewerkers een aanvraag verschillend registreren als ’te laat’. AI kan helpen mogelijke onduidelijkheden in de definitie te vinden. Maar AI kan een slecht meetsysteem niet achteraf betrouwbaar maken. Wanneer gegevens verkeerd, onvolledig of inconsistent worden verzameld, moet je eerst de kwaliteit van de meting verbeteren. Anders gebruik je AI vooral om sneller de verkeerde data te analyseren.
AI in de Analyze-fase
In Analyze onderzoek je waardoor het gemeten probleem ontstaat.
Lees de uitgebreide uitleg van de Analyze-fase
Dit is een fase waarin Lean Six Sigma en AI veel waarde kan toevoegen, maar waarin kritisch denken misschien nog belangrijker wordt.
AI kan helpen om:
- mogelijke oorzaken te genereren;
- een Ishikawa-structuur voor te bereiden;
- alternatieve verklaringen te bedenken;
- data vanuit verschillende segmentaties te bekijken;
- onderzoeksvragen te formuleren;
- tegenargumenten bij een voorlopige conclusie te bedenken.
Dat verbreedt het onderzoek. Maar er zit een fundamenteel verschil tussen: “Dit zou een oorzaak kunnen zijn.”
en: “We hebben aangetoond dat deze factor het probleem veroorzaakt.”
AI kan uitstekend helpen bij de eerste uitspraak. Voor de tweede uitspraak heb je procesbewijs, betrouwbare data en soms statistische analyse of een experiment nodig. Daarom blijft binnen Analyze een belangrijke regel gelden: Een aannemelijke oorzaak is nog geen aangetoonde grondoorzaak.
AI in de Improve-fase
In Improve ontwikkel en test je oplossingen voor de grondoorzaken die in Analyze voldoende zijn aangetoond.
Lees meer over de Improve-fase van DMAIC
AI kan hier uitstekend worden gebruikt als creatieve denkpartner. Je kunt AI bijvoorbeeld vragen om een vraagstuk te bekijken vanuit het perspectief van:
- de klant;
- een medewerker;
- de proceseigenaar;
- een kwaliteitsmanager;
- een controller;
- een leverancier.
Ook kan AI helpen om meerdere oplossingsrichtingen te ontwikkelen en mogelijke risico’s, neveneffecten of voorwaarden zichtbaar te maken. Dat kan teams helpen om niet onmiddellijk voor de eerste voor de hand liggende oplossing te kiezen. Daarna blijft de gewone verbeterlogica gelden. Je vergelijkt alternatieven, beoordeelt risico’s en haalbaarheid en test een oplossing waar mogelijk eerst in de praktijk. Een goed klinkend voorstel van AI is uiteindelijk nog steeds een voorstel. Een praktijktest moet aantonen of het daadwerkelijk werkt. AI ondersteunt hierbij, maar de Green Belt of Black Belt blijft verantwoordelijk voor de beoordeling en de uiteindelijke keuze.
AI in de Control-fase
In Control zorg je ervoor dat de bereikte verbetering onderdeel wordt van het normale werk.
Lees onze uitgebreide uitleg over de Control-fase van DMAIC
Ook hier kan AI ondersteunen.
Denk bijvoorbeeld aan:
- het bedenken van mogelijke terugvalrisico’s;
- het voorbereiden van auditvragen;
- een eerste opzet voor standaardwerk;
- het ontwikkelen van vragen voor een dagstart;
- het structureren van een reactieplan;
- het samenvatten van periodieke procesinformatie;
- het kritisch beoordelen van een Control Plan.
Maar AI bepaalt niet zelfstandig welke procesprestatie acceptabel is of wanneer moet worden ingegrepen.
De proceseigenaar en betrokken professionals blijven bepalen:
- welke indicatoren worden gevolgd;
- welke grenzen belangrijk zijn;
- wie verantwoordelijk is;
- wanneer actie nodig is;
- welke reactie bij een afwijking hoort.
Control draait niet om zoveel mogelijk rapportages maken. Het gaat erom dat het proces beheerst blijft en mensen weten wat zij moeten doen wanneer prestaties afwijken.
Praktijkvoorbeeld: klantklachten analyseren met AI
Stel dat een organisatie iedere maand honderden klantklachten ontvangt.
Een voor de hand liggende gedachte kan zijn: “Laten we AI de klachten automatisch categoriseren.”
Dat kan nuttig zijn, maar vanuit Lean Six Sigma en AI zou dat niet de eerste vraag moeten zijn. In Define bepaal je eerst welk probleem je werkelijk wilt oplossen. Gaat het om te veel handmatig werk? Een lange reactietijd? Onvoldoende inzicht in terugkerende klachten? Of worden oorzaken van klachten niet structureel weggenomen?
In Measure onderzoek je vervolgens hoe het huidige proces verloopt en of de beschikbare klachtgegevens bruikbaar en betrouwbaar zijn.
Daarna kan AI in Analyze helpen om klachten te groeperen en mogelijke patronen zichtbaar te maken. Het team controleert of die indeling klopt en onderzoekt vervolgens welke processen achter de belangrijkste klachtcategorieën zitten.
In Improve bepaal je welke veranderingen nodig zijn. Automatische classificatie kan daar één van zijn, maar misschien blijkt dat een groot deel van de klachten wordt veroorzaakt door één onduidelijke processtap die beter kan worden aangepast.
In Control bewaak je uiteindelijk niet alleen of AI de klachten goed blijft categoriseren, maar vooral of de oorspronkelijke procesprestatie duurzaam is verbeterd.
Het verschil zit in de startvraag.
Niet: “Waar kunnen we AI gebruiken?”
Maar: “Welk procesprobleem willen we oplossen en waar kan AI ons daarbij helpen?”
Daarmee voorkom je dat AI een oplossing wordt die nog op zoek is naar een probleem.
Waar moet je op letten bij Lean Six Sigma en AI?
Professioneel gebruik van AI vraagt om meer dan weten hoe je een goede prompt schrijft.
Controleer belangrijke output
AI kan fouten maken en onjuiste informatie overtuigend formuleren. Controleer daarom belangrijke feiten, berekeningen, bronverwijzingen en conclusies.
Let op datakwaliteit bij Lean Six Sigma en AI
AI maakt slechte data niet automatisch goed. Garbage in, garbage out blijft ook in het AI-tijdperk relevant. Wanneer de brondata onvoldoende betrouwbaar zijn, blijft de uitkomst onzeker.
Bescherm vertrouwelijke informatie
Voer persoonsgegevens, klantinformatie, bedrijfsgeheimen of andere vertrouwelijke gegevens niet zomaar in een AI-toepassing in.
Controleer welk beleid binnen de organisatie geldt en welke afspraken gelden voor de gebruikte AI-omgeving.
Maak aannames zichtbaar
Vraag AI bijvoorbeeld: “Welke aannames maak je in dit antwoord?”
of: “Welke informatie ontbreekt om hierover een betrouwbare conclusie te trekken?”
Dat is vaak waardevoller dan alleen vragen om een antwoord.
Vraag om tegenargumenten
AI hoeft niet alleen mee te denken met jouw idee. Je kunt AI ook vragen: “Welke argumenten spreken tegen deze conclusie?”
of: “Welke andere verklaringen kunnen dezelfde data verklaren?”
Dat maakt AI bruikbaar als kritische gesprekspartner.
Houd de mens verantwoordelijk
Internationale richtlijnen voor verantwoord AI-gebruik benadrukken eveneens het belang van betrouwbaarheid en risicomanagement. NIST heeft hiervoor onder andere een specifiek Generative AI Profile ontwikkeld binnen het AI Risk Management Framework.
De praktische regel voor procesverbetering blijft daarom: AI mag het verbeterproces versnellen, maar niet de discipline uit het verbeterproces verwijderen.
Wat betekenen Lean Six Sigma en AI voor een Green Belt of Black Belt?
AI maakt kennis van Lean Six Sigma niet overbodig. Het tegenovergestelde is eerder het geval.
Wie procesdenken, DMAIC, klantwaarde, data, statistiek en grondoorzaakanalyse begrijpt, kan beter bepalen:
- welke vraag aan AI moet worden gesteld;
- welke context AI nodig heeft;
- welke informatie ontbreekt;
- welke methode bij het vraagstuk past;
- of een antwoord logisch is;
- welke aannames worden gemaakt;
- welke conclusie moet worden gecontroleerd;
- wanneer werkelijk proces- of databewijs nodig is.
Daarmee verandert ook de vaardigheid die van een moderne Green Belt of Black Belt wordt gevraagd. Alleen goed kunnen prompten is niet genoeg. Een professional moet vooral kunnen beoordelen wanneer AI nuttig is, wanneer niet en hoe betrouwbaar de uitkomst is.
AI Green Belt of AI Black Belt: wat past bij jou?
Bij 5ST3PS koppelen we AI bewust aan bestaande verbeterkundige kennis.
De AI Green Belt richt zich op professionals die AI praktisch willen gebruiken binnen hun eigen verbeterprojecten. DMAIC vormt daarbij de structuur. AI wordt ingezet als denkpartner bij onder andere probleemdefinitie, klantinformatie, analyse, oplossingen en borging.
Bekijk de AI Green Belt opleiding
De AI Black Belt gaat verder. Deze opleiding richt zich op ervaren verbeteraars en complexere trajecten. Naast toepassing binnen DMAIC komen onder andere diepere analyse, experimenteren, governance, veranderkunde en coaching aan bod. Ook hier geldt dat AI het vakmanschap niet vervangt, maar ondersteunt.
Bekijk de AI Black Belt opleiding
Samengevat: Lean Six Sigma en Artificial Intelligence
Lean Six Sigma en Artificial Intelligence kunnen elkaar sterk aanvullen.
Lean Six Sigma geeft de structuur. AI kan het denken ondersteunen en versnellen.
Met Lean Six Sigma en AI bepaal je welk probleem je wilt oplossen, welke data je nodig hebt, welke oorzaken werkelijk relevant zijn, welke oplossing moet worden getest en hoe je het resultaat borgt. AI kan binnen die stappen helpen om informatie sneller te verwerken, nieuwe vragen te stellen, alternatieven te onderzoeken en mogelijke blinde vlekken zichtbaar te maken. Maar de volgorde blijft belangrijk.
Begin met het procesprobleem, niet met AI.
Gebruik AI vervolgens waar het aantoonbaar waarde toevoegt. Controleer de output. Toets aannames aan proces en data. En houd het professionele oordeel bij de mens. Dan wordt Artificial Intelligence geen vervanger van Lean Six Sigma, maar een krachtige aanvulling op professioneel procesverbeteren.
Auteur en inhoudelijke controle
Geschreven door Willem Salentijn, hoofdtrainer van 5ST3PS en auteur van Lean Six Sigma bij Noordhoff.
Laatst inhoudelijk gecontroleerd: 30 augustus 2026.


