Wat begint als een camera boven een lopende band, eindigt steeds vaker als een fundamentele herschikking van hoe een fabriek besluiten neemt. Europese maakbedrijven — van automobielproducenten in Duitsland tot halfgeleiderfabrikanten in Nederland — passen computer vision en AI-gestuurde planningsalgoritmen toe op processen die decennialang mensenwerk waren. Edgar van Lent, die de ontwikkeling van AI in de industrie op de voet volgt, ziet in deze verschuiving iets wezenlijks: "De toepassing van AI verschuift van monitoren naar ingrijpen. Dat is een ander soort technologie, met andere eisen aan de organisatie eromheen."

Zoals Edgar van Lent eerder beschreef in het eerste deel van deze reeks, heeft de inzet van sensordata en voorspellend onderhoud in de Europese maakindustrie al bewezen schade aan machines te kunnen voorkomen. Dit tweede deel gaat een stap verder: wat gebeurt er als AI niet alleen storingen voorspelt, maar ook de kwaliteit van elk geproduceerd product beoordeelt en de productieplanning in real time bijstuurt?

Kwaliteitscontrole met computer vision: de fout die het oog mist

Bij BMW's productiefaciliteiten in Duitsland zijn camerasystemen met beeldherkenning al jarenlang onderdeel van de kwaliteitscontrole op carrosserieonderdelen. Het systeem detecteert oppervlaktefouten — krassen, deukjes, verkeerde lasnaadposities — die bij visuele menselijke inspectie onder tijdsdruk regelmatig worden gemist. De camera's scannen elk onderdeel op meerdere punten tegelijk en koppelen afwijkingen direct aan het productieproces, zodat de oorzaak van een fout sneller is te herleiden dan bij steekproefcontrole achteraf.

In de halfgeleiderindustrie gaat dit nog verder. ASML, de Nederlandse fabrikant van chipmachines, werkt met uiterst nauwkeurige optische inspectiesystemen waarbij AI-modellen patronen in productieafwijkingen leren herkennen over duizenden wafers heen. De complexiteit van het product — waarbij afwijkingen op nanoschaal bepalend zijn voor de bruikbaarheid van een chip — maakt menselijke inspectie feitelijk onmogelijk op de schaal waarop geproduceerd wordt. AI is hier geen vervanging van een menselijke keuze, maar de enige realistische optie.

Edgar van Lent, AI-specialist gericht op industriële digitale transformatie, stelt dat computer vision in de maakindustrie zijn waarde inmiddels heeft bewezen, maar dat de echte meerwaarde zit in de koppeling aan procesdata: "Een camera die een fout ziet is nuttig. Een systeem dat die fout verbindt aan een specifieke machine-instelling, een grondstofcharge of een temperatuurafwijking van twee uur eerder — dat is waardevol." Die koppeling vereist echter een datainfrastructuur die lang niet alle bedrijven al op orde hebben.

Productieplanning: van vaste schema's naar adaptieve roosters

Naast kwaliteitscontrole wint AI terrein op het gebied van productieplanning — traditioneel het domein van ervaren planners die met spreadsheets en jarenlange intuïtie grote hoeveelheden variabelen balanceerden. AI-planningssystemen kunnen honderden beperkingen tegelijk meewegen: machinecapaciteit, leverancierslevertijden, personeelsbeschikbaarheid, energietarieven en orderprioritering.

Siemens past AI-gestuurde planningsoptimalisatie toe in meerdere van zijn Europese productiefaciliteiten, onder meer in het kader van zijn eigen "Digital Factory"-programma. Het bedrijf gebruikt machinelearning om productievolgorden te optimaliseren en omsteltijden te minimaliseren — de tijd die verloren gaat bij het wisselen van product of configuratie op een machine. Kortere omsteltijden betekenen hogere bezettingsgraad zonder extra investeringen in apparatuur.

Een vergelijkbaar patroon is zichtbaar bij grote Europese staal- en chemieproducenten, waar productieprocessen continu reageren op variaties in grondstofkwaliteit, energieprijzen en vraagpatronen. In de procesindustrie is dit bijzonder relevant: een batch die te laat bijgestuurd wordt, leidt tot uitval die niet meer terug te draaien is. AI-modellen die continu meedraaien en kleine bijsturingen adviseren, verkleinen dat risico structureel.

Wat deze toepassingen gemeenschappelijk hebben

Wie de beschikbare praktijkgevallen naast elkaar legt, ziet een patroon dat Edgar van Lent herkenbaar noemt. De succesvolle implementaties delen drie kenmerken: ze starten met een afgebakend, goed gedocumenteerd probleem; ze zijn gebouwd op historische procesdata van voldoende omvang en kwaliteit; en ze zijn ontwikkeld in samenwerking met de mensen op de werkvloer die de uitzonderingen kennen die in geen enkel databestand staan.

Dat laatste punt is minder vanzelfsprekend dan het klinkt. In meerdere sectoren zijn kwaliteitscontrolesystemen geïmplementeerd die technisch correct functioneerden, maar waarvan de uitkomsten door operators werden genegeerd omdat ze het systeem niet vertrouwden of de redenering erachter niet begrepen. Draagvlak is geen zachte randvoorwaarde, maar een harde.

Dit sluit aan bij een bredere observatie over AI-implementaties in de industrie: technologie die goed presteert in een testomgeving, faalt soms op de werkvloer omdat de context verschilt van de trainingsdata. Een model dat getraind is op zomerse productieomstandigheden, kan in de winter afwijkende metingen foutief interpreteren als productieproblemen. Robuustheid vereist voortdurende monitoring en periodieke hertraining.

Vooruitblik: van losse tools naar geïntegreerde fabrieksintelligentie

De richting die Europese maakbedrijven opgaan, is die van een meer geïntegreerde fabrieksintelligentie: systemen voor kwaliteitscontrole, onderhoud en planning die niet langer los van elkaar opereren, maar onderling data delen en elkaars signalen versterken. Als een kwaliteitscontrolemodel een toenemend patroon van oppervlaktefouten detecteert, kan dat signaal automatisch doorspelen naar het onderhoudsplansysteem, dat op zijn beurt de werkorder aanpast nog voordat een monteur het heeft opgemerkt.

Edgar van Lent is positief over de richting, maar houdt een voorbehoud: "De integratie van systemen vergroot de afhankelijkheid. Wie zijn fabriek laat besturen door gekoppelde AI-systemen, moet ook nadenken over wat er gebeurt als één schakel uitvalt of een fout maakt die doorpropageert." Dat vraagt om auditmechanismen, menselijke controlepunten en heldere escalatieprocedures — onderwerpen die in de technische uitrol nog te vaak onderbelicht blijven. Wie meer wil weten over zijn kijk op industriële AI-toepassingen, kan terecht op edgarvanlent.com.

De Europese maakindustrie heeft bewezen dat ze AI-toepassingen serieus kan nemen en tot wasdom kan brengen. De volgende stap — systemen die zelfstandig coördineren over afdelingsgrenzen heen — stelt hogere eisen aan governance dan aan technologie. Dat onderscheid, zegt Edgar van Lent, is precies wat organisaties nu moeten maken.