De industriële assistent staat niet naast de werkplek als een apart experimenteel systeem, maar verschijnt in de engineeringomgeving waarin ontwerpers, onderhoudsteams en operators al werken. Siemens ontwikkelt daarvoor samen met Microsoft de Siemens Industrial Copilot: een generatieve AI-assistent die onder meer programmeerwerk voor industriële automatisering kan ondersteunen, technische informatie toegankelijker moet maken en medewerkers helpt bij het analyseren van storingen. De toepassing richt zich daarmee op een herkenbaar knelpunt: schaarse tijd van vakmensen gaat vaak zitten in zoeken, documenteren, vertalen tussen systemen en het voorbereiden van oplossingen.
Edgar van Lent ziet juist in die afbakening de betekenis voor werk. Niet de volledige functie van de engineer wordt geautomatiseerd, maar delen van het proces waarin kennis moet worden teruggevonden, geordend en toegepast. De uiteindelijke keuze over veiligheid, kwaliteit, maakbaarheid en ingrijpen op de werkvloer blijft een professionele beoordeling. Dat maakt de toepassing relevant voor bedrijven die productiviteit willen verhogen zonder ervaring uit het werkproces weg te organiseren.
De assistent in het industriële werkproces
De Industrial Copilot is door Siemens gepositioneerd voor verschillende rollen in de industrie, van engineers en onderhoudsmedewerkers tot operators. Bij automatisering kan een medewerker de assistent bijvoorbeeld gebruiken om code voor een programmeerbare besturing te helpen opstellen of uitleg te krijgen bij bestaande programmaregels. In onderhoudssituaties ligt de nadruk op het sneller combineren van documentatie, signalen uit installaties en kennis uit eerdere werkzaamheden. De AI levert daarmee een eerste voorstel of samenvatting; de medewerker beoordeelt of die past bij de installatie en de veiligheidsprocedure.
Dat onderscheid is wezenlijk. In fabrieken is kennis niet alleen tekst in een handleiding. Zij zit ook in het vermogen om een afwijkend geluid te herkennen, de context van een productieorder mee te wegen of te begrijpen welke tijdelijke oplossing juist niet verantwoord is. Een generatief model kan informatie structureren en mogelijke stappen formuleren, maar het bezit niet vanzelf de lokale praktijkkennis die nodig is om een machine veilig stil te zetten of weer vrij te geven.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese werkprocessen, stelt dat AI het meeste oplevert wanneer zij het oordeel van vakmensen voorbereidt in plaats van vervangt. “De winst zit niet in minder denken op de werkvloer, maar in minder tijd verliezen aan versnipperde informatie en herhaalwerk.” Volgens Edgar van Lent vraagt dat om een duidelijke taakverdeling: de assistent ondersteunt bij zoeken, uitleggen en documenteren, terwijl de medewerker verantwoordelijk blijft voor controle, besluit en uitvoering.
ABB koppelt generatieve AI aan servicekennis
Een vergelijkbare lijn is zichtbaar bij het Zwitserse ABB. Het concern introduceerde ABB Ability Genix Copilot, een generatieve AI-oplossing die is ontwikkeld met Microsoft Azure OpenAI Service. ABB richt de toepassing op industriële klanten en medewerkers die werken met operationele en onderhoudsgegevens. De copilot moet onder meer helpen om technische informatie sneller te raadplegen, inzichten uit data te formuleren en service- of onderhoudswerk beter voor te bereiden.
Ook hier gaat het niet om een systeem dat de servicetechnicus op afstand vervangt. De praktische waarde zit in het verkorten van de route van vraag naar relevante kennis. In industriële omgevingen zijn handleidingen, assetgegevens, servicerapporten en procesinformatie vaak verdeeld over meerdere systemen. Een assistent die die informatie binnen afgesproken toegangsrechten kan samenbrengen, kan een medewerker helpen om gerichter te diagnosticeren of een interventie voor te bereiden.
Voor organisaties is de invoering minstens zo belangrijk als de techniek. Medewerkers moeten weten welke bronnen de assistent gebruikt, wanneer een antwoord onvoldoende betrouwbaar is en hoe bedrijfskennis niet onbedoeld in een verkeerde omgeving belandt. Bij technische toepassingen komt daar de eis bij dat suggesties passen binnen bestaande veiligheids- en kwaliteitsprocedures. Een plausibel antwoord is immers nog geen gevalideerde werkinstructie.
Edgar van Lent noemt dit een verschuiving van individuele zoekvaardigheid naar gezamenlijk beheerde kennis. “Een goede AI-assistent maakt ervaren medewerkers niet overbodig; hij maakt hun manier van redeneren beter overdraagbaar, mits het bedrijf die kennis zorgvuldig vastlegt en laat toetsen.” Dat is vooral relevant in sectoren waar uitstroom van ervaren personeel en een krappe arbeidsmarkt samenvallen met complexe installaties.
Medewerkers meenemen is onderdeel van de toepassing
De voorbeelden van Siemens en ABB laten zien dat AI op de werkvloer niet alleen een IT-project is. De invoering verandert welke taken aandacht krijgen, hoe kennis wordt gedocumenteerd en op welk moment een medewerker moet controleren. Een organisatie die alleen licenties of software beschikbaar stelt, laat de cruciale stap liggen: medewerkers moeten de ruimte krijgen om de assistent uit te proberen op echte, begrensde werkvragen en om fouten of onduidelijkheden terug te melden.
Daarbij helpt het om klein te beginnen met processen waarin de opbrengst zichtbaar en de risico’s beheersbaar zijn. Denk aan het terugvinden van technische documentatie, het maken van een eerste onderhoudssamenvatting of het verklaren van bestaande code. Vervolgens kunnen teams vastleggen welke controles altijd menselijk blijven en welke informatie wel of niet aan de assistent mag worden aangeboden. Zo wordt AI geen los hulpmiddel voor enkelen, maar een onderdeel van het vakproces.
Voor Edgar van Lent is de komende fase daarom minder een wedstrijd om de meest geavanceerde copilot dan een organisatievraagstuk. Bedrijven die vakmensen betrekken bij ontwerp, toetsing en verbetering van AI-assistenten, kunnen kennis toegankelijker maken zonder professionele verantwoordelijkheid uit te hollen. Zijn beoordeling: de meest duurzame toepassingen zullen niet worden herkend aan spectaculaire automatisering, maar aan werk dat beter voorbereid, beter uitlegbaar en beter overdraagbaar wordt.
