GenAI for predicting root cause analysis in continuous improvement projects: an experimental study

In a scenario where Industry 4.0 has expanded data and analytics to support Lean practices, accelerating PDCA cycles, predictive AI is well established on gemba tasks such as maintenance and quality, while the use of Generative AI (GenAI) in structured problem solving typical of Kaizen remains underexplored. This thesis investigates whether and how GenAI can support the Root Cause Analysis (RCA) of an improvement project, enhancing the synergy between the human mindset, based on observation and causal logic, and the analytical-generative capacity of GenAI. With an experimental Setting based on case studies based on Continuous Improvement projects, we compare a standard GenAI with four identical instruction configurations but equipped with progressive knowledge bases composed of real and validated A3 case studies. The results were blindly evaluated with structured metrics on: main problem identification, F1 score on fishbone analysis, and consistency/depth of the 5 Whys analysis. The results indicate that GenAI reliably supports RCA; the Lean knowledge-enriched setup outperforms the baseline; and a clear knowledge-dose effect emerges: after overcoming a critical mass of comparable A3s, the quality of causal reasoning grows monotonically, with more marked benefits on analyses at greater causal depth (fishbone, 5 Whys) than on simple problem framing. On a theoretical level, this demonstrates that GenAI serves as a decision support for Continuous Improvement and an enabler of digital yokoten; on the other hand, it contributes to knowledge-dose effect theories, showing that a greater amount of higher-quality data makes the output of an LLM more accurate. Operationally, the results suggest investing over time in building a curated Knowledge Base, feeding GenAI with comparable cases that progressively refine its reasoning and improve its output.

In uno scenario dove l’Industry 4.0 ha ampliato dati e analitiche a supporto delle pratiche Lean, accelerando i cicli PDCA, l’AI predittiva è consolidata su compiti di gemba come manutenzione e qualità, mentre l’impiego della Generative AI (GenAI) nella risoluzione strutturata dei problemi tipica del Kaizen resta poco esplorato. Questa tesi indaga se e come GenAI possa supportare la Root Cause Analysis (RCA) di un progetto di miglioramento, valorizzando la sinergia tra il mindset umano, fondato sull’osservazione e logica causale, e la capacità analitico-generativa della GenAI. Conducendo un esperimento controllato su 10 casi studio A3, confrontiamo una GenAI standard con quattro configurazioni identiche per istruzioni ma dotate di basi di conoscenza progressive composte da casi studio A3 reali e validati. I risultati sono stati valutati alla cieca con metriche strutturate su: identificazione del main problem, F1 score sulla fishbone analysis e coerenza/profondità della 5 Whys analysis. I risultati indicano che la GenAI supporta in modo affidabile la RCA; la configurazione arricchita di conoscenza Lean supera la baseline; ed emerge un chiaro knowledge-dose effect: superata una massa critica di A3 comparabili, la qualità del ragionamento causale cresce monotonamente, con benefici più marcati su analisi a maggiore profondità causale (fishbone, 5 Whys) rispetto al semplice framing del problema. Sul piano teorico, da un lato ciò dimostra che la GenAI funge da supporto decisionale per il Continuous Improvement e da abilitatore del yokoten digitale; dall’altro, contribuisce alle teorie sul knowledge-dose effect, mostrando che una maggiore quantità di dati di qualità superiore rende l’output di un LLM più accurato. Sul piano operativo, i risultati suggeriscono di investire nel tempo nella costruzione di una Knowledge Base curata, alimentando la GenAI con casi comparabili che affinino progressivamente il suo ragionamento e ne migliorino l’output.