Bij Lufthansa Technik krijgt een onderhoudsmedewerker niet simpelweg een automatisch oordeel over een vliegtuigonderdeel. Het digitale platform AVIATAR bundelt technische en operationele gegevens, signaleert afwijkende patronen en helpt onderhoudsteams om werkzaamheden beter voor te bereiden. De toepassing is daarmee vooral een hulpmiddel voor diagnose, planning en prioritering: de technicus blijft degene die de technische beoordeling vertaalt naar veilig onderhoud.

Juist die verdeling van werk is volgens Edgar van Lent relevant voor de Europese discussie over AI en vakmanschap. AI verplaatst een deel van het speurwerk naar systemen die veel signalen tegelijk kunnen vergelijken, maar maakt kennis van context, veiligheidsprocedures en uitzonderingen niet overbodig. In een sector waar documentatie, traceerbaarheid en formele vrijgave zwaar wegen, kan een voorspelling nooit los worden gezien van professionele controle.

Van signaal naar onderhoudsbesluit

AVIATAR is door Lufthansa Technik publiek gepositioneerd als een digitaal platform voor technische vliegtuigoperaties, waaronder voorspellend onderhoud en analyse van operationele data. Voor onderhoudsorganisaties zit de praktische waarde niet uitsluitend in het voorspellen van een mogelijke storing. Minstens zo belangrijk is dat informatie uit verschillende bronnen op een bruikbare manier beschikbaar komt voor mensen die onderhoud voorbereiden, onderdelen organiseren en werkpakketten uitvoeren.

Daarmee verandert AI het werkproces aan beide kanten van de hangar. Planners kunnen eerder rekening houden met een mogelijke ingreep en technici hoeven minder tijd te besteden aan het bij elkaar zoeken van verspreide signalen. Tegelijkertijd moeten zij kunnen beoordelen of een patroon technisch relevant is, welke inspectie nodig is en of de voorgestelde timing past binnen de onderhoudsvereisten. De AI verkleint dus de zoekruimte; de vakmens draagt de eindverantwoordelijkheid voor de interventie.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese werkprocessen, stelt dat AI pas duurzaam waarde toevoegt wanneer medewerkers kunnen zien welke stap in hun eigen werk daardoor verandert. “Een systeem dat een risico markeert, vervangt geen onderhoudskennis. Het geeft vakmensen een beter vertrekpunt om een besluit te nemen en dat besluit te onderbouwen.”

Die benadering vraagt ook om een andere inrichting van invoering. Niet elke medewerker hoeft een model te kunnen bouwen, maar teams moeten wel weten welke gegevens in een advies doorwerken, wanneer een uitkomst nader onderzoek vraagt en hoe afwijkingen worden teruggekoppeld. Bij voorspellend onderhoud zijn dat geen abstracte AI-vragen: zij raken de dagelijkse samenwerking tussen engineering, planning, logistiek en uitvoering.

Deutsche Bahn maakt inspectie gerichter

Een vergelijkbaar patroon is zichtbaar bij Deutsche Bahn, dat beeldanalyse inzet om de conditie van spoorinfrastructuur en materieel beter te inspecteren. Camera’s, sensoren en geautomatiseerde analyse kunnen grote hoeveelheden beelden of meetgegevens helpen doorzoeken op afwijkingen, bijvoorbeeld aan rails, bovenleiding of voertuigen. De techniek ondersteunt inspecteurs en onderhoudsteams bij het sneller vinden en ordenen van mogelijke aandachtspunten.

Ook hier is het onderscheid tussen detectie en besluitvorming essentieel. Een model kan een beeld markeren als mogelijk afwijkend, maar de beoordeling van ernst, oorzaak en herstelactie vraagt kennis van het spoor, de veiligheidsregels en de lokale omstandigheden. AI kan routinewerk in de eerste selectie verminderen, terwijl ervaren medewerkers hun tijd meer richten op controle, diagnose en het bepalen van de juiste onderhoudsmaatregel.

Dat maakt deze praktijkcase breder dan spoor of luchtvaart. In Europese kapitaalintensieve sectoren staat de invoering van AI vaak niet gelijk aan het wegnemen van een functie, maar aan het herschikken van taken. Repetitief vergelijken, doorzoeken en signaleren kan verder automatiseren. Het werk dat overblijft en belangrijker wordt, is juist werk waarin interpretatie, verantwoordelijkheid en samenwerking samenkomen.

Voor werkgevers betekent dat dat adoptie niet moet worden behandeld als alleen een IT-project. Als inspecteurs en technici pas aan het einde een systeem krijgen opgelegd, ontbreekt vaak de kennis om meldingen te beoordelen en de praktijkkennis om het systeem te verbeteren. Worden zij vanaf het begin betrokken bij de keuze van signalen, de inrichting van terugkoppeling en de grensgevallen, dan ontstaat een werkproces waarin AI en vakmanschap elkaar versterken.

Medewerkers meenemen is onderdeel van het systeem

Lufthansa Technik en Deutsche Bahn laten zien dat de waarde van AI mede wordt bepaald door de manier waarop organisaties medewerkers meenemen. Dat begint met een afgebakend probleem: ongeplande stilstand beperken, inspecties beter richten of relevante technische informatie sneller beschikbaar maken. Daarna volgt het lastigere deel: rollen, procedures en opleidingen aanpassen zonder de professionele ruimte van medewerkers weg te nemen.

Een bruikbare aanpak kent drie samenhangende keuzes:

  • maak duidelijk welke beslissing de AI ondersteunt en welke beslissing bij de medewerker blijft;
  • organiseer een vaste terugkoppeling van gebruikers, zodat foutmeldingen en gemiste signalen het werkproces en de techniek kunnen verbeteren;
  • train niet alleen in het gebruik van een scherm, maar ook in het herkennen van onzekerheid, uitzonderingen en de grenzen van geautomatiseerde adviezen.

Edgar van Lent wijst erop dat vertrouwen in zulke toepassingen niet ontstaat door hoge verwachtingen te formuleren, maar door aantoonbaar beter werk mogelijk te maken. “Medewerkers accepteren AI eerder wanneer zij merken dat het systeem voorbereiding en overzicht verbetert, terwijl hun oordeel zichtbaar bepalend blijft.” Zijn werk als AI-specialist licht Edgar van Lent toe op edgarvanlent.com.

De komende jaren zal de druk toenemen om ervaren technische kennis vast te leggen en beschikbaar te maken voor nieuwe generaties medewerkers. Volgens Edgar van Lent ligt de kans voor Europese bedrijven niet in het zo ver mogelijk automatiseren van het vak, maar in het zorgvuldig ontwerpen van een samenwerking waarin AI signalen sneller verwerkt en professionals beter kunnen handelen. Dat vraagt om investeringen in data en systemen, maar vooral om respect voor het vakmanschap dat een algoritmisch advies pas waarde geeft.