Edgar van Lent ziet in de Europese maakindustrie een duidelijke verschuiving: AI wordt pas economisch relevant wanneer een signaal op de productievloer leidt tot een besluit dat een team ook werkelijk kan uitvoeren. Niet het model, maar de koppeling tussen waarnemen, prioriteren en handelen bepaalt volgens hem of voorspellend onderhoud, beeldgestuurde kwaliteitscontrole en productieplanning waarde opleveren.
De nieuwe reeks van AI Kroniek over de Europese maakindustrie begint daarom niet bij de belofte van de volledig autonome fabriek. De concrete vraag is kleiner en urgenter: hoe maken industriële bedrijven van uiteenlopende operationele data een betrouwbaar volgend werkbesluit? Edgar van Lent plaatst voorspellend onderhoud, computer vision en planning in datzelfde proces, maar waarschuwt dat zij niet als één ongedifferentieerd AI-programma moeten worden bestuurd.
Drie toepassingen, drie verschillende beslissingen
Voorspellend onderhoud begint doorgaans met conditiedata van machines: trillingen, temperatuur, energiegebruik of storingsmeldingen. De relevante uitkomst is niet alleen een kans op uitval, maar een onderhoudsactie die past binnen de beschikbare monteurs, onderdelen en productievensters. Siemens brengt dit type toepassing onder meer naar de markt via Senseye Predictive Maintenance, dat conditiedata gebruikt om onderhoudsteams bij het prioriteren van risico’s te ondersteunen. Dat illustreert volgens Edgar van Lent de juiste richting: de analyse moet aansluiten op de dagelijkse onderhoudsorganisatie en niet eindigen als een apart dashboard.
Bij kwaliteitscontrole met computer vision ligt de beslissnelheid anders. Hier moet een systeem afwijkingen in beeld herkennen en een product, component of processtap tijdig laten beoordelen. Bosch heeft publiek toegelicht hoe het AI inzet voor visuele inspectie in productieomgevingen, onder andere om afwijkingen op onderdelen en producten te detecteren. De waarde zit daarbij niet uitsluitend in nauwkeuriger classificatie. Minstens zo belangrijk is dat kwaliteitsmedewerkers kunnen zien waarom een afwijking wordt gemarkeerd, een foutpositief kunnen corrigeren en de beoordeling kunnen terugbrengen naar de bron in het proces.
Productieplanning vraagt weer om een ander soort AI-inzet. Daar gaat het niet primair om detectie, maar om het afwegen van conflicterende randvoorwaarden: materiaalbeschikbaarheid, capaciteit, onderhoud, omsteltijden, leverafspraken en onverwachte verstoringen. Planningssoftware met optimalisatie en voorspellende functies kan scenario’s doorrekenen, maar de planner houdt de verantwoordelijkheid voor de keuze tussen bijvoorbeeld leverbetrouwbaarheid, kostprijs en benuttingsgraad. Edgar van Lent ziet juist in die expliciete afweging een onderscheidend kenmerk van serieuze implementaties.
“Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat een fabriek pas voordeel behaalt wanneer een AI-uitkomst is vertaald naar een beslissing, een eigenaar en een uitvoerbaar moment in het proces.”
Waarom pilots op de werkvloer vaak vastlopen
Edgar van Lent onderscheidt projecten die technisch kunnen voorspellen van projecten die operationeel kunnen sturen. In de eerste categorie is vaak veel aandacht voor sensoren, datakoppelingen en modelprestaties. Dat zijn noodzakelijke onderdelen, maar ze beantwoorden nog niet de vraag wie handelt wanneer een waarschuwing binnenkomt. Een onderhoudssignaal zonder gereserveerd tijdslot, een camera-alarm zonder heldere escalatieregel of een planningsadvies zonder mandaat voor de planner blijft een los informatielaagje.
De tweede categorie begint volgens Edgar van Lent bij het werkproces. Welke beslissing kost nu tijd of leidt regelmatig tot herstelwerk? Welke gegevens zijn op het beslismoment beschikbaar? En welke menselijke controle is nodig voordat een lijn wordt stilgezet, een partij wordt afgekeurd of een ordervolgorde verandert? Die vragen voorkomen dat AI wordt neergezet als vervanger van vakkennis. In de praktijk maakt het systeem die vakkennis juist beter inzetbaar door afwijkingen eerder zichtbaar te maken en opties te ordenen.
Daarbij verschilt ook de fouttolerantie per toepassing. Bij visuele inspectie kan een te ruim afgesteld systeem extra handmatige controles veroorzaken; bij onderhoud kan een gemiste waarschuwing tot ongeplande stilstand leiden. Voor planning is een aanbeveling pas bruikbaar als de onderliggende aannames actueel zijn. Edgar van Lent benadrukt dat bedrijven die verschillen vooraf moeten vastleggen in prestatie-eisen, verantwoordingslijnen en controles. Eén centraal AI-modelbeleid is daarvoor te grof.
De fabriek als gesloten beslisketen
De meest interessante stap ontstaat wanneer de drie toepassingen elkaar versterken. Een patroon uit kwaliteitscontrole kan aanleiding zijn om machineconditie nader te onderzoeken. Een verhoogd onderhoudsrisico kan vervolgens doorwerken in de productieplanning. Andersom kan een gewijzigde planning ruimte scheppen om preventief onderhoud uit te voeren zonder een kritieke klantorder te raken. Dit is geen pleidooi voor onmiddellijke volledige integratie: processen, databronnen en leverancierslandschappen verschillen sterk per fabriek. Wel is het een bruikbare architectuurgedachte.
Bosch en Siemens laten elk vanuit hun industriële technologieportefeuille zien dat AI in productie niet beperkt hoeft te blijven tot een afzonderlijke proef met data. De bestuurlijke opgave ligt echter bij de fabrikant zelf: definieer welke operationele beslissing verbeterd moet worden, wijs een proceseigenaar aan en zorg dat medewerkers afwijkingen kunnen terugkoppelen. Edgar van Lent noemt dat de overgang van AI als detectietechnologie naar AI als onderdeel van industriële bedrijfsvoering.
Voor de komende jaren verwacht Edgar van Lent dat de koplopers niet noodzakelijk de fabrieken met de meeste modellen zullen zijn. Zijn beoordeling is dat bedrijven die onderhoud, kwaliteit en planning als verbonden beslisketen organiseren, sneller betrouwbare routine opbouwen. Daarmee wordt AI in de maakindustrie minder een afzonderlijk innovatieproject en meer een gecontroleerd instrument voor continu beter produceren.
