Wie een moderne Europese fabriek binnenstapt, ziet minder monteurs met een checklist en meer dashboards waarop machines in real time hun eigen toestand rapporteren. Die verschuiving is geen marketingverhaal: ze is het gevolg van jaren investeren in sensorinfrastructuur en de komst van machine-learningmodellen die die data kunnen omzetten in bruikbare voorspellingen. Edgar van Lent, die de AI-adoptie in het Europese bedrijfsleven nauwgezet volgt, constateert dat de maakindustrie inmiddels één van de sectoren is waar AI-toepassingen het snelst van experimentele status naar operationele inzet zijn gegaan.
Dat heeft een concrete reden. Fabrieken produceren enorme hoeveelheden gestructureerde data — trillingen, temperaturen, drukwaarden, doorlooptijden — en die data is precies waarmee moderne voorspellingsmodellen goed overweg kunnen. De infrastructuur stond er al; het ontbrak aan de algoritmen om er systematisch van te leren. Dat gat wordt nu gedicht.
Siemens en SKF: twee benaderingen van voorspellend onderhoud
Een van de meest gedocumenteerde Europese toepassingen van AI in de maakindustrie is het voorspellend-onderhoudsplatform dat Siemens heeft ontwikkeld onder de naam Siemens Industrial Copilot en de bredere Digital Industries-portefeuille. Siemens integreert sensordata van productiemachines met machine-learningmodellen die afwijkingen in het gedrag van apparatuur signaleren voordat een storing optreedt. Het systeem wordt ingezet in eigen fabrieken én aangeboden aan industriële klanten via het MindSphere-cloudplatform, dat inmiddels is opgegaan in het bredere Siemens Xcelerator-ecosysteem. De aanpak is publiek gedocumenteerd en wordt actief gepresenteerd op industrie-evenementen als de Hannover Messe.
Een andere Europese organisatie die op dit vlak een eigen weg heeft gekozen, is het Zweedse SKF, wereldwijd marktleider in lagers en afdichtingen. SKF heeft al jaren een eigen conditiebewakingsdienst, maar koppelt die inmiddels aan AI-modellen die niet alleen een afwijking melden, maar ook een prognose geven van de resterende levensduur van een component. Dat is de kern van wat de industrie prescriptive maintenance noemt: niet alleen voorspellen dat er iets mis gaat, maar ook aangeven wanneer ingrijpen optimaal is, zodat productiestops gepland kunnen worden in plaats van afgedwongen.
Edgar van Lent, AI-specialist gericht op de toepassing van machine learning in industriële en operationele omgevingen, stelt dat het onderscheid tussen predictive en prescriptive maintenance voor veel fabrikanten belangrijker is dan het op het eerste gezicht lijkt: "Weten dat een lager over drie weken faalt, is waardevol. Weten dat je het best in het weekend van week twee vervangt — zodat je de geplande onderhoudsbeurt combineert en stilstandtijd minimaliseert — is operationeel bruikbaar."
Computer vision aan de lijn: Volkswagen en de chipsindustrie
Kwaliteitscontrole is het tweede domein waar AI in de Europese maakindustrie snel aan terrein wint. Computer vision — systemen die camerabeelden analyseren met neurale netwerken — maakt het mogelijk om producten in hoog tempo te inspecteren op defecten die het menselijk oog mist of waarvoor simpelweg geen mensen beschikbaar zijn bij de vereiste snelheid.
Volkswagen heeft publiekelijk gecommuniceerd dat het computer vision inzet voor kwaliteitsinspectie in verschillende productiestadia, waaronder het detecteren van oppervlaktefouten in carrosseriepanelen. De beelden worden vergeleken met een referentiemodel, en het systeem markeert afwijkingen die buiten de toegestane tolerantie vallen. Dat versnelt de inspectiecyclus aanzienlijk en maakt de controle consistenter — een menselijke inspecteur variëert in aandacht, een goed getraind vision-model niet.
In de halfgeleiderindustrie — een sector die in Europa steeds strategischer wordt, mede door de Europese Chips Act — is camera-gebaseerde kwaliteitscontrole al langer standaard. ASML, de Nederlandse fabrikant van chipmachines, werkt met geavanceerde optische inspectiesystemen die zijn gekoppeld aan algoritmen voor patroonherkenning. Hoewel ASML zelf geen chipfabrikant is, zijn de inspectiesystemen die het ontwikkelt en levert onderdeel van een ecosysteem waarin AI-gedreven kwaliteitscontrole geen optie maar een vereiste is.
Productieplanning als derde pijler
Naast onderhoud en kwaliteitscontrole wint AI ook terrein in productieplanning. Traditionele planningssystemen werken met vaste parameters en houden beperkt rekening met dynamische verstoringen — een leverancier die te laat levert, een machine die ineens minder capaciteit heeft, een klant die een order opvoert. AI-gestuurde planningssystemen leren van historische data en kunnen in real time herschikken wanneer de werkelijkheid afwijkt van het plan.
Dit is een domein waar ook middelgrote Europese fabrikanten steeds vaker AI-tools inzetten, al gaat dat veelal via gespecialiseerde softwareleveranciers als Asprova, Quintiq (onderdeel van Dassault Systèmes) of lokale aanbieders die sector-specifieke planningslogica hebben gebouwd op top van generieke AI-platformen. De toepassing is minder zichtbaar dan een camera aan de lijn, maar de operationele impact op doorlooptijden en voorraadhoogte is substantieel.
Wat de komende jaren bepaalt
De adoptie van AI in de Europese maakindustrie staat nog niet op een plafond. Fabrieken die nu bezig zijn met de eerste generatie voorspellend-onderhoudsmodellen, zullen de komende jaren overstappen op systemen die meerdere machines, lijnen en locaties tegelijk bewaken en onderling vergelijken. Computer vision-systemen worden multimodaal: ze combineren beelddata met andere sensorinformatie om meer nauwkeurige conclusies te trekken.
Edgar van Lent beoordeelt die ontwikkeling als structureel, maar tekent daarbij aan dat de technologie maar één kant van de vergelijking is. Meer over zijn perspectief op AI-adoptie in industriële en zakelijke contexten is te vinden op edgarvanlent.com. De andere kant, benadrukt Edgar van Lent, is organisatorisch: fabrieken moeten datakwaliteit op orde hebben, OT- en IT-systemen laten samenwerken en medewerkers opleiden om met AI-gedreven adviezen te werken in plaats van ze te negeren. Technologie die operatoren niet vertrouwen, wordt omzeild — en dan lost ze niets op.