In theorie, NAAR DE het had moeten transformeren productie op dit punt. Van voorspellend onderhoud en vermoeidheidsdetectie tot realtime kwaliteitscontrole: de belofte is altijd geweest van slimmere, snellere en veiligere werkzaamheden. Maar in de praktijk is de fabriek nog steeds een plek waar AI-ambities vaak botsen met beperkingen uit de echte wereld.
Dit is een enorm probleem, vooral omdat de omvang en het gewicht van deze industrie moeilijk te negeren zijn. De enige bijdrager is de Amerikaanse productiesector 2,9 biljoen dollar voor de economieVolgens de National Association of Manufacturers vertegenwoordigt dit meer dan 10% van de totale productie en ondersteunt het bijna 13 miljoen werknemers. Wereldwijd vertegenwoordigt de productie 16% van het mondiale bruto binnenlands product (bbp). en een totale marktwaarde van ruim $16 biljoen, volgens een nieuw rapport van Cargoson, een transportmanagementsoftwarebedrijf.
Nu de kunstmatige intelligentie zich verder ontwikkelt en beleidsmakers aandringen op herindustrialisering in de Verenigde Staten, met als doel de binnenlandse productiecapaciteit te herstellen, de controle over de toeleveringsketen terug te winnen en de strategische infrastructuur te moderniseren, is de schijnwerpers weer op fabrieken gericht. Er zit momentum en geld achter de beweging, maar zonder de gefragmenteerde digitale systemen die de meeste industrieën domineren te herstructureren, zou dat momentum tot stilstand kunnen komen. Een schatting van marktonderzoeksbureau MarketsandMarkets projecteert de Mondiale kunstmatige intelligentie in de productiemarkt zou groeien tot 155 miljard dollar in 2030, tegen 34 miljard dollar in 2025, maar die groei zal theoretisch blijven tenzij bedrijven knelpunten oplossen die de adoptie vertragen.
Verouderde infrastructuur
Volgens een Enquête uit 2025 van de ruim 500 productieleiders zegt 92% dat de verouderende infrastructuur de voortgang van generatieve AI tegenhoudt. Nog een verslag over staat van de AI-infrastructuur van cybersecuritybedrijf A10 Networks ontdekte dat 74% van de mondiale IT-beslissers van mening is dat hun huidige infrastructuur niet volledig voorbereid is om AI-workloads te ondersteunen. Ondanks al het gepraat over digitale transformatie draaien veel fabrieken nog steeds op een architectuur die ouder is dan smartphones, waarvan de meeste geen nieuwe AI-mogelijkheden kunnen ondersteunen.
“De hype rond AI in de productie is reëel, maar dat geldt ook voor de technische barrières”, zegt Shahid Ahmed, EVP New Ventures and Innovation bij NTT-gegevensvertelt Snel bedrijf. “Moderne connectiviteit ontgrendelt de volgende golf van AI-gedreven innovatie in de productie. Private 5G en de volgende generatie Wi-Fi geven fabrikanten de snelheid en betrouwbaarheid om AI eindelijk om te zetten in een productiviteit motor.”
Betere connectiviteit is echter slechts een deel van de grote uitdaging om AI optimale resultaten op de fabrieksvloer te laten produceren. Wat AI er echt van weerhoudt om in het veld te werken, zijn niet alleen zwakke netwerken, maar ook een discrepantie tussen hoe fabrieken werken en hoe AI-systemen denken.
NAAR aiOlaAssaf Asbag, een conversatie-AI-bedrijf dat samenwerkt met Fortune 500-fabrikanten, ziet een gemeenschappelijk patroon: datasilo’s, gefragmenteerde systemen en weinig end-to-end verantwoordelijkheid. Zelfs als fabrikanten geavanceerde modellen en toptalent introduceren, groeien de resultaten zelden.
“Zelfs met duur AI-talent kunnen teams geen waarde genereren als ze niet over schone, verbonden data beschikken”, legt Asbag, Chief Technology en Product Officer bij aiOla uit. “Je hebt op elkaar afgestemde data, geïntegreerde workflows en duidelijke verantwoording nodig, anders zullen pilotprojecten nooit groeien.”
Dat komt omdat veel productiesystemen nooit zijn gebouwd om AI te ondersteunen. Oudere bedrijfssystemen, zoals verouderde ERP-tools (Enterprise Resource Planning), ouderwetse CRM’s (platforms voor klantrelatiebeheer) en handmatige gegevensinvoer, domineren nog steeds een groot deel van het landschap. Wanneer kritieke informatie wordt verborgen op niet-verbonden platforms of, erger nog, in logboeken wordt geschreven, wordt het vrijwel onmogelijk om AI-modellen de context te bieden die ze nodig hebben.
Ahmed belicht een recente baan bij een materiaalfabrikant Celanesewaarin Privé 5G en edge AI zijn geïntroduceerd om de veiligheid van werknemers en de monitoring van apparatuur te verbeteren. “Ze konden risicofactoren voor vermoeidheid identificeren en gevaren in realtime detecteren”, zegt hij. “Het was alleen mogelijk omdat de infrastructuur er was om die inlichtingen te ondersteunen.”
Voor hem is de sleutel tot een succesvolle implementatie van AI in de productie niet alleen het hebben van data, maar ook het hebben van de juiste data, op de juiste plaats en op het juiste moment. Zonder dit, zo waarschuwt hij, “zullen fabrieken mislukte piloten blijven zien, hoe krachtig het model ook is.”
Niet alle gebruiksscenario’s zijn hetzelfde
Hoewel we het vaak hebben over voorspellend onderhoud en visuele inspectie, zijn dit geen plug-and-play-mogelijkheden. Ze vereisen een betrouwbare gegevensstroom, extreem lage latentie en hardwarecompatibiliteit die veel rigs eenvoudigweg niet hebben. In afgelegen of offline omgevingen kunnen traditionele cloudgebaseerde systemen het tempo niet bijhouden.
“Gebruiksgevallen die realtime besluitvorming vereisen, zoals spraakgestuurde workflows of autonome kwaliteitscontroles, zijn bijzonder gevoelig voor netwerk- en systeemprestaties”, merkt Asbag op. “Dit is de reden waarom edge computing belangrijk is. Het maakt het mogelijk om spraakherkenning of LLM-gebaseerde taken op locatie uit te voeren, zonder afhankelijk te zijn van cloudtoegang.”
Stel je een fabriekslijn voor die wordt uitgeschakeld telkens wanneer de wifi-verbinding wegvalt. Zonder lokale verwerking – de mogelijkheid om AI-taken uit te voeren op apparaten op de fabrieksvloer in plaats van ze naar de cloud te sturen – kan zelfs een kortstondig verlies van connectiviteit de productie verstoren en AI-tools eerder een probleem dan een hulpmiddel maken.
Voor fabrieken die werken met beperkte of onbetrouwbare connectiviteit, Edge-AI biedt een weg vooruit. Door gegevens lokaal te verwerken, kunnen bedrijven wachttijden verkorten, gevoelige gegevens beschermen en downtime verminderen. Maar nogmaals, deze voordelen worden alleen werkelijkheid als de omringende infrastructuur, van sensoren tot routers, deze taak aankan.
‘Zie het als een poging een modern bedrijf te runnen elektrisch voertuig op verouderde wegen”, zegt Ahmed. “Hoe krachtig de motor ook is, als het pad gebroken is, kom je nergens snel.”
Behaal een echte ROI
Een van de grootste valkuilen bij het adopteren van AI is het verwarren van modelnauwkeurigheid met zakelijk succes. Het feit dat een model goed presteert in tests betekent niet dat het in de praktijk ook positieve resultaten zal opleveren.
“De meest succesvolle AI-initiatieven beginnen met een duidelijke visie: de kwaliteit verbeteren, de efficiëntie verhogen of inzichten ontsluiten”, zegt Ahmed. “Van daaruit zorgen snelle overwinningen voor momentum.”
Asbag is het met hem eens. “ROI in kunstmatige intelligentie het gaat er niet om te bewijzen dat het model werkt of dat de nauwkeurigheid verbetert in vergelijking met een benchmark. Dit zijn technologische doelstellingen, geen zakelijke doelstellingen”, merkt hij op. “Bedrijven moeten onnodige definities vermijden door ROI (return on investment) te definiëren in duidelijke, specifieke zakelijke termen: snellere processen, betere beslissingen of meetbare besparingen.”
Dat betekent dat u statistieken moet bijhouden, zoals hoeveel inspecties een werknemer nog kan uitvoeren met een stemassistent of hoe voorspellend onderhoud onverwachte downtime heeft verminderd. Wanneer AI wordt gekoppeld aan operationele en concrete Key Performance Indicators (KPI’s), wordt het een transformatie-instrument en niet slechts een technologisch experiment.
En dat is het grote verschil tussen door hypes veroorzaakte claims van snellere operaties in de AI-ruimte en een echte meetbare impact. Het is één ding om te zeggen dat uw model 96% nauwkeurig is in een testomgeving. Het is iets anders om aan te tonen dat het daadwerkelijk heeft bijgedragen aan het verminderen van het aantal defecten met 12% in de echte productie. Terwijl eerstgenoemde misschien een knipoog krijgt van het technologieteam, krijgt laatstgenoemde de leiding om een bredere uitrol goed te keuren.
Het te volgen pad
AI laten werken in de productie gaat niet over het najagen van het meest geavanceerde model. Het gaat eigenlijk om het begrijpen van het probleem, het opschonen van de gegevens, het moderniseren van de systemen en ervoor zorgen dat elke implementatie tegemoetkomt aan een echte zakelijke behoefte.
“Te veel bedrijven vervallen in eindeloze discussies, pilots en vergaderingen zonder ooit waarde te leveren”, zegt Asbag. “Succes met AI komt voort uit het nauwkeurig zijn over het probleem, het afstemmen op de bedrijfsresultaten en het geven van autonomie aan teams om uit te voeren.”
Ahmed legt het nog botter uit: “AI zonder infrastructuur is hetzelfde als proberen een slimme stad te bouwen zonder wegen. Je hebt een fundament nodig voordat je kunt opschalen.”
Sateesh Seetharamiah, CEO van EdgeVerveZelfs een leider op het gebied van kunstmatige intelligentie en automatisering is het daarmee eens. “Zonder een gedefinieerde reeks gebruiksscenario’s en resultaten zullen fabrikanten geen duidelijke strategie hebben om prioriteit te geven aan de juiste opkomende technologische mogelijkheden voor zakelijk succes”, zegt hij.
Gesprekken over het bouwen van AI-infrastructuur in de productie lopen vaak vast omdat leiders ervan uitgaan dat dit betekent dat alles moet worden gesloopt en helemaal opnieuw moet worden begonnen. Maar significante vooruitgang vereist zelden een volledige revisie. Enkele van de grootste successen komen voort uit kleine, gerichte veranderingen, zoals het installeren van lokale edge-apparaten om vertragingen te verminderen, het verbinden van geïsoleerde systemen of het verduidelijken van wie welke gegevens bezit, zodat teams sneller kunnen handelen.
Productie is misschien wel een van de meest uitdagende omgevingen voor AI, maar ook een van de meest lonende. Fabrieken die dit goed doen, optimaliseren niet alleen de manier waarop het werk wordt gedaan; zij zullen ook een nieuw tijdperk van industriële arbeid inluiden, terwijl degenen die aarzelen wellicht achterblijven. ‘Dit is niet het moment om onzeker te zijn’, zegt Seetharamiah. “Fabrikanten die risico’s uitstellen, missen enorme kansen om digitale ervaringen voor hun klanten te creëren.”
