AI in de maakindustrie: hype of hefboom?

Van experiment naar impact met een gerichte AI-roadmap

AI kan teksten schrijven, beelden analyseren en patronen herkennen in grote hoeveelheden data. De mogelijkheden lijken eindeloos. Ook bij Vlaamse maakbedrijven is de interesse groot en wordt volop geëxperimenteerd. Toch blijven structurele toepassingen schaars. Initiatieven ontstaan vaak informeel, gedragen door enkele enthousiaste medewerkers. Een duidelijke strategie, een afgelijnd budget en voldoende interne expertise ontbreken meestal nog. Daardoor blijft de afstand tussen een experiment of overtuigende demonstratie en een toepassing die elke dag betrouwbaar waarde oplevert groot.  

Tegelijk evolueert AI razendsnel en kan er steeds meer. Net daarom is het belangrijk om de basis op orde te hebben en bewust te kiezen waar de technologie werkelijk meerwaarde kan bieden. Waar liggen dan de reële kansen om productiviteit en competitiviteit te versterken? Bart Verlinden, Manager 4.0 Made Real bij Sirris, duidt wat vandaag al haalbaar is en hoe een AI-roadmap bedrijven van interesse naar concrete impact brengt. 
 

De eerste winst ligt naast de productielijn 

AI in de maakindustrie roept al snel beelden op van zelfsturende robots, voorspellend onderhoud of machines die autonoom hun instellingen aanpassen. Maar in de praktijk vinden de eerste toepassingen meestal hun weg naar ondersteunende processen. AI kan bijvoorbeeld informatie uit documenten halen, technische kennis toegankelijk maken of repetitief administratief werk verlichten.  
Zulke toepassingen vragen doorgaans minder integratie met machines en productiesystemen. De risico’s zijn overzichtelijker en het resultaat wordt sneller zichtbaar.

Dat maakt ze niet minder relevant. Tijd die niet langer naar opzoekwerk of administratie gaat, komt vrij voor engineering, werkvoorbereiding, klantencontact en procesverbetering. Een relatief eenvoudige toepassing kan zo sneller waarde opleveren dan een ambitieus project op de productievloer.

“De hype ontstaat wanneer we vertrekken van wat AI allemaal lijkt te kunnen. De technologie wordt een hefboom wanneer we beginnen bij een probleem dat vandaag tijd, kwaliteit of capaciteit kost. Dat probleem kan zich op de productievloer bevinden, maar evengoed in administratie, engineering of werkvoorbereiding.  

De beste eerste keuze is daarom niet noodzakelijk de meest spectaculaire. Ze ligt waar de mogelijke meerwaarde duidelijk kan worden afgebakend en het resultaat objectief kan worden beoordeeld. Een bescheiden toepassing met een meetbaar resultaat is vaak waardevoller dan een technisch indrukwekkend project waarvan de impact onzeker blijft.” 

Op de productievloer ligt de lat hoger 

Ook in engineering en productie zijn de mogelijkheden breed. AI kan informatie uit tekeningen verwerken en de werkvoorbereiding ondersteunen. Op de productievloer helpt de technologie om onderhoud te voorspellen, kwaliteitsafwijkingen te herkennen en operatoren bij problemen sneller naar relevante informatie te leiden.

Zodra AI-analyses of adviezen levert om het productieproces bij te sturen, stijgen de eisen aan de toepassing. Ze moet niet alleen technisch werken, maar ook steunen op betrouwbare en actuele gegevens. Welke informatie daarvoor nodig is, verschilt per toepassing.

Om de productkwaliteit vooraf in te schatten, heeft een model voldoende en betrouwbare proces- en kwaliteitsgegevens nodig. Voorspellend onderhoud vraagt historische informatie over machinetoestand, storingen en uitgevoerde interventies. Een productieassistent moet niet alleen een overtuigend antwoord formuleren, maar ook aantoonbaar met de juiste en actuele bedrijfsinformatie werken.

Die betrouwbaarheid is extra belangrijk omdat de gevolgen van een fout groter zijn dan bij een algemene kantoortoepassing. Een onnauwkeurige samenvatting kan een medewerker nog controleren. Een verkeerd advies over een procesinstelling, kwaliteitsbeslissing of onderhoudsinterventie kan de productie rechtstreeks verstoren, zeker in een context van High-Mix Low-Volume.

Daarom moet de ambitie meegroeien met de technische en organisatorische maturiteit van het bedrijf. AI kan eerst analyses uitvoeren en besluitvorming ondersteunen, terwijl een medewerker de eindbeslissing neemt. Naarmate de gegevens, het model en het proces betrouwbaarder blijken, kan het bedrijf meer beslissingen aan het systeem toevertrouwen. 

Van experiment naar bruikbare toepassing 

Betrouwbare gegevens vormen slechts een voorwaarde. Een AI-experiment groeit pas uit tot een bruikbare toepassing wanneer het een duidelijk afgebakend probleem oplost en de verwachte economische impact kan worden beoordeeld. Technische haalbaarheid en praktische meerwaarde moeten daarom samen worden onderzocht.

Daarvoor zijn zowel AI-kennis als inzicht in het productieproces nodig. Procesexperten weten waar tijd verloren gaat, fouten ontstaan of de besluitvorming moeilijk verloopt. AI-experten begrijpen de mogelijkheden van modellen en data, maar kennen niet noodzakelijk alle variaties en uitzonderingen op de werkvloer. Niet ieder bedrijf beschikt intern over die combinatie. Door proces- en AI-experten van bij het begin samen te brengen, kan het bedrijf het probleem correct afbakenen, een geschikte aanpak kiezen en de impact meten.

“Het is niet nodig om eerst jarenlang alle mogelijke data te verzamelen. De toepassing bepaalt welke informatie werkelijk nodig is. Soms blijkt tijdens de analyse dat gegevens verspreid, onvolledig of onvoldoende betrouwbaar zijn. De eerste zinvolle stap is dan het verbeteren van de informatiestroom, nog vóór een AI-model wordt gebouwd.

Een afgebakende proef toont vervolgens niet alleen of de technologie werkt, maar ook of ze in de praktijk voldoende waarde oplevert om een volgende investering te verantwoorden. Daarom krijgt een eerste project vooraf duidelijke succescriteria. Hoeveel tijd wordt werkelijk bespaard? Wordt een afwijking vroeger herkend? Kan de gebruiker een betere beslissing nemen? En hoeveel menselijke controle blijft nodig?

Zo’n test kan deze vragen sneller beantwoorden dan een grote uitrol. Ze maakt zichtbaar waar de gegevens tekortschieten, hoe medewerkers met de oplossing omgaan en of het verwachte voordeel ook echt optreedt. Zo wordt een proof of concept ook een proof of value.” 

Een AI-roadmap brengt focus 

Afzonderlijke tests leveren ervaring op, maar leiden niet vanzelf tot een samenhangende AI-aanpak. Voor een bredere benadering moet een bedrijf ook bepalen hoe zulke toepassingen zich verhouden tot andere initiatieven en strategische prioriteiten.

Een AI-roadmap brengt bestaande experimenten en nieuwe opportuniteiten samen in één overzicht. Door mogelijke toepassingen te vergelijken op basis van hun verwachte impact en bijdrage aan de bedrijfsdoelstellingen, ontstaat een gedeelde basis om prioriteiten te stellen en mensen en middelen gericht in te zetten. 

“Een AI-roadmap is geen lijst met technologieën die een bedrijf zo snel mogelijk moet invoeren. Ze helpt bepalen welke toepassing eerst komt en welke stappen daarvoor nodig zijn. Een veelbelovend idee is niet automatisch klaar voor een proefproject. Soms moeten we beginnen met de processen, informatiestromen of interne competenties te versterken.

Zo ontstaat een evenwicht tussen toepassingen die op korte termijn resultaat kunnen opleveren en ambities waarvoor eerst een digitaal fundament moet worden opgebouwd. Dat voorkomt twee uitersten: wachten tot alle onzekerheid verdwenen is, of verschillende experimenten tegelijk opstarten zonder duidelijk verband. De roadmap maakt bovendien zichtbaar hoe een eerste toepassing later kan worden geïntegreerd of opgeschaald.” 

De aanpak maakt het verschil 

AI is geen doel op zich. De relevante vraag is niet hoe geavanceerd een toepassing is, maar waar ze het bedrijf werkelijk vooruithelpt. Wie kansen bewust afweegt en elke stap koppelt aan een duidelijke bedrijfsprioriteit, maakt van AI geen los experiment, maar een gerichte hefboom voor productiviteit en competitiviteit.
 

Waar staat uw bedrijf vandaag? 

Heeft uw bedrijf al een AI-strategie? Weet u welke toepassingen de meeste waarde kunnen opleveren? En beschikt u over de data en competenties om van een experiment een betrouwbare toepassing te maken? Download de Smart Manufacturing Barometer en vergelijk uw aanpak met die van andere Vlaamse maakbedrijven. U ontdekt waar AI vandaag al wordt onderzocht, welke drijfveren en drempels de adoptie bepalen en welke fundamenten nodig zijn om structurele impact te realiseren. 
 

Download de Smart Manufacturing Barometer