Edgar van Lent ziet in de Europese maakindustrie een verschuiving van losse AI-proeven naar toepassingen die direct ingrijpen op de dagelijkse besturing van installaties, productielijnen en werkvoorbereiding. De doorslag valt daarbij niet bij de keuze voor een model, maar bij de vraag of onderhoud, kwaliteit en planning gezamenlijk op dezelfde operationele werkelijkheid zijn aangesloten.

Zoals Edgar van Lent eerder beschreef in “Edgar van Lent: AI werkt als de fabriek kan handelen”, ontstaat waarde pas wanneer een signaal kan worden omgezet in een uitvoerbare handeling. In dit vervolg ligt de nadruk op de stap daarvoor: het betrouwbaar samenbrengen van machineconditie, productkwaliteit en beschikbare productiecapaciteit. Zonder die verbinding kunnen drie op zichzelf nuttige toepassingen elkaar in de praktijk zelfs tegenwerken.

Drie toepassingen, één productieprobleem

Voorspellend onderhoud is vaak het meest zichtbare vertrekpunt. Sensor- en besturingsdata kunnen patronen tonen die wijzen op afwijkend gedrag van een motor, pomp, aandrijving of ander bedrijfsmiddel. De relevante vraag is vervolgens niet alleen óf een storing waarschijnlijker wordt, maar ook wat het beste moment is om onderhoud uit te voeren zonder de levering, bezetting of productkwaliteit onnodig te verstoren.

Siemens heeft hiervoor met Senseye Predictive Maintenance een publiek aangeboden oplossing in zijn industriële softwareportfolio. Die toepassing is gericht op het vroeg signaleren van afwijkingen in industriële assets op basis van conditie- en operationele gegevens. Voor Edgar van Lent is juist de koppeling met de onderhoudsorganisatie bepalend. Een waarschuwing krijgt pas gewicht wanneer duidelijk is welke installatie het betreft, hoe urgent de afwijking is, welke technische kennis nodig is en welke productieruimte beschikbaar kan worden gemaakt.

Kwaliteitscontrole met computer vision kent een vergelijkbare ontwikkeling. Camera’s en beeldmodellen kunnen afwijkingen op onderdelen, oppervlakken of assemblages herkennen die bij handmatige controle moeilijk consequent zichtbaar zijn. BMW Group heeft publiek beschreven hoe het AIQX-platform beeld- en productiegegevens inzet om kwaliteitscontroles in de fabriek te ondersteunen. Dat illustreert volgens Edgar van Lent een belangrijk onderscheid: computer vision is niet uitsluitend een extra inspectielaag, maar kan een bron worden voor procesverbetering als de uitkomst terugvloeit naar de plek waar de afwijking ontstaat.

“Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat een kwaliteitsmodel pas industriële waarde heeft wanneer het niet alleen een afwijking aanwijst, maar ook helpt vaststellen welke processtap, instelling of materiaalstroom onderzocht moet worden.”

Daarmee verschuift de aandacht van detectie naar oorzaakanalyse. Een model dat een product afkeurt, kan waardevol zijn. Maar een fabriek wordt pas aantoonbaar beter wanneer productie-, kwaliteits- en onderhoudsteams kunnen terugzoeken naar omstandigheden rond die afkeur: gebruikte machine, gereedschapstoestand, batch, instellingen en moment in het productieproces. Dat vraagt om consistente dataregistratie en om heldere verantwoordelijkheden, niet alleen om betere beeldherkenning.

Planning maakt van voorspellingen besluiten

De derde toepassing, productieplanning, is volgens Edgar van Lent geregeld de ontbrekende schakel. Een onderhoudsvoorspelling kan een technisch risico aanwijzen; kwaliteitscontrole kan toenemende afwijkingen laten zien. De planning moet vervolgens beoordelen welke order kan worden verschoven, welke lijn ruimte heeft, welke materialen beschikbaar zijn en of een interventie verantwoord in het productieschema past.

In Europa werken industriële softwareleveranciers al langere tijd aan planningssystemen die gegevens uit productie en logistiek samenbrengen. SAP positioneert zijn digitale productie- en planningsoplossingen rond het verbinden van vraag, capaciteit, materiaal en uitvoering. Ook hier geldt dat AI niet automatisch een autonome planner hoeft te worden. In veel fabrieken ligt de bruikbare rol eerder bij het doorrekenen van scenario’s, het signaleren van knelpunten en het rangschikken van handelingsopties voor planners en productieverantwoordelijken.

Edgar van Lent maakt daarbij een scherp onderscheid tussen optimaliseren op papier en bestuurbaarheid op de werkvloer. Een planningsmodel kan een theoretisch efficiënte volgorde voorstellen, maar die is onbruikbaar als de werkelijke beschikbaarheid van mensen, gereedschappen, onderhoudsvensters of materiaal ervan afwijkt. Daarom moeten systemen hun aannames zichtbaar maken. Een planner moet kunnen zien waarom een advies verandert en welke gevolgen een keuze heeft voor doorlooptijd, kwaliteit en leverbetrouwbaarheid.

De verbinding tussen de drie domeinen kan concreet worden gemaakt met een beperkt aantal gedeelde procesvragen:

  • Welke machines of productiestappen vormen op korte termijn een risico voor capaciteit of kwaliteit?
  • Welke orders, batches en materiaalstromen worden door dat risico geraakt?
  • Welke ingreep is operationeel haalbaar, en wie neemt daarover het besluit?

Dit is geen pleidooi voor één allesomvattend platform. Edgar van Lent benadrukt juist dat veel Europese industriële omgevingen bestaan uit verschillende generaties machines, kwaliteitsregistraties en planningssoftware. De eerste winst ligt dan in betrouwbare koppelingen rond een afgebakend knelpunt. Een onderhoudssignaal dat consequent zichtbaar wordt in de dagplanning, of een terugkerend visueel kwaliteitsdefect dat automatisch wordt verbonden met procesdata, kan meer opleveren dan een breed programma zonder eigenaar.

Waar projecten vastlopen en waar ze doorgroeien

Projecten stranden volgens Edgar van Lent meestal niet omdat er geen bruikbaar AI-model beschikbaar is. Ze lopen vast wanneer de data buiten hun procescontext worden verzameld, wanneer meldingen geen vaste opvolger hebben of wanneer het succes uitsluitend wordt gemeten aan technische nauwkeurigheid. Een goed model kan nog steeds een slechte bedrijfsbeslissing ondersteunen als de registraties onvolledig zijn of de productievloer de uitkomst niet kan controleren.

Daar staat tegenover dat succesvolle toepassingen klein kunnen beginnen, mits ze vanaf de start aan een bedrijfsbesluit zijn gekoppeld. Bij voorspellend onderhoud betekent dat bijvoorbeeld een helder escalatiepad tussen operator, onderhoud en planning. Bij computer vision betekent het een gecontroleerde procedure voor twijfelgevallen en een terugkoppeling naar het proces. Bij productieplanning betekent het dat aanbevelingen als scenario’s worden behandeld, met menselijke beoordeling van veiligheid, kwaliteit en klantverplichtingen.

Edgar van Lent wijst ook op de Europese context. Fabrikanten moeten niet alleen prestaties nastreven, maar tevens kunnen uitleggen hoe data worden gebruikt, wie een besluit valideert en hoe wijzigingen in modellen worden beheerst. Dat past bij industriële omgevingen waarin traceerbaarheid, productaansprakelijkheid en continuïteit zwaar wegen. Het maakt invoering soms zorgvuldiger, maar vergroot ook de kans dat een toepassing standhoudt buiten de pilotfase.

Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn beoordeling voor de komende fase is dat de grootste vooruitgang niet komt van afzonderlijke slimme systemen, maar van fabrieken die onderhoud, kwaliteitsdata en planning rond concrete beslismomenten organiseren. Volgens Edgar van Lent zullen juist die bedrijven AI kunnen opschalen zonder de menselijke vakkennis en operationele controle uit het proces te drukken.