In theorie, AI had moeten transformeren productie inmiddels. Van voorspellend onderhoud en vermoeidheidsdetectie tot realtime kwaliteitscontrole: de belofte is altijd slimmer, sneller en veiliger geweest. Maar in de praktijk is de fabrieksvloer nog steeds een plek waar AI-ambities vaak tegen echte beperkingen aanlopen.
Dat is een enorm probleem, vooral omdat de omvang en het gewicht van deze industrie moeilijk te negeren zijn. Alleen de Amerikaanse productiesector draagt hieraan bij 2,9 biljoen dollar voor de economiegoed voor meer dan 10% van de totale productie en ondersteunt bijna 13 miljoen werknemers, volgens de National Association of Manufacturers. Wereldwijd vertegenwoordigt de productie 16% van het bruto binnenlands product (bbp) van de wereld en een totale marktwaarde van ruim $16 biljoen, volgens een nieuw rapport van Cargoson, een transportmanagementsoftwarebedrijf.
Nu AI nog verder vooruitgang boekt en beleidsmakers aandringen op herindustrialisatie in de VS – 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 gericht op fabrieken. Er zit momentum en geld achter de beweging, maar zonder de gefragmenteerde digitale systemen die de meeste productievloeren domineren te herstructureren, zou dat momentum tot stilstand kunnen komen. Een schatting van marktonderzoeksbureau MarketsandMarkets projecteert de mondiale AI 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 de knelpunten oplossen die de adoptie vertragen.
Verouderde infrastructuur
Volgens een Enquête uit 2025 van de ruim 500 productieleiders zegt 92% dat verouderde infrastructuur de vooruitgang van generatieve AI tegenhoudt. Nog een verslag over de staat van de AI-infrastructuur van cyberbeveiligingsbedrijf A10 Networks ontdekte dat 74% van de wereldwijde 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 het grote probleem om AI optimale resultaten op de fabrieksvloer te laten produceren. Wat AI er echt van weerhoudt om in de praktijk te werken, zijn niet alleen zwakke netwerken, maar ook een discrepantie tussen hoe fabrieken werken en hoe AI-systemen denken.
Bij aiOlaeen conversational AI-bedrijf dat samenwerkt met Fortune 500-fabrikanten, ziet Assaf Asbag een gemeenschappelijk patroon: datasilo’s, gefragmenteerde systemen en weinig end-to-end verantwoordelijkheid. Zelfs als fabrikanten geavanceerde modellen en toptalent binnenbrengen, zijn de resultaten zelden schaalbaar.
“Zelfs met duur AI-talent kunnen teams geen waarde genereren als ze niet over schone, verbonden data beschikken”, legt Asbag, Chief Technology and Product Officer van aiOla, uit. “Je hebt op elkaar afgestemde data, geïntegreerde workflows en duidelijke verantwoordelijkheid nodig, anders kunnen pilots nooit opschalen.”
Dat komt omdat veel productiesystemen überhaupt 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 cruciale inzichten verborgen blijven op niet-verbonden platforms – of erger nog, worden opgeschreven in logboeken – wordt het vrijwel onmogelijk om AI-modellen de context te geven die ze nodig hebben.
Ahmed wijst op een recente samenwerking met de materiaalfabrikant Celanesewaarin privé 5G en edge-AI werden geïntroduceerd om de veiligheid van werknemers en de monitoring van apparatuur te verbeteren. “Ze waren in staat risicofactoren voor vermoeidheid te identificeren en gevaren in realtime te detecteren”, beweert hij. “Het was alleen mogelijk omdat de infrastructuur er was om die inlichtingen te ondersteunen.”
Voor hem is de sleutel tot succesvolle AI-implementaties 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 dat, zo waarschuwt hij, “zullen fabrieken mislukte piloten blijven zien, hoe krachtig het model ook is.”
Niet alle use cases zijn op dezelfde manier gebouwd
Hoewel de buzz vaak draait om voorspellend onderhoud en visuele inspectie, zijn dit geen plug-and-play-functies. Ze vereisen een betrouwbare gegevensstroom, ultralage latentie en hardwarecompatibiliteit die veel fabrieken eenvoudigweg niet hebben. In afgelegen of offline omgevingen kunnen traditionele cloudgebaseerde systemen het tempo niet bijhouden.
“Gebruiksgevallen die real-time besluitvorming vereisen – zoals spraakgestuurde workflows of autonome kwaliteitscontroles – zijn vooral gevoelig voor netwerk- en systeemprestaties”, merkt Asbag op. “Daarom is edge computing belangrijk. Het maakt spraakherkenning of LLM-gestuurde taken mogelijk ter plaatse, zonder afhankelijk te zijn van cloudtoegang.”
Stel je een fabriekslijn voor die wordt uitgeschakeld telkens wanneer de wifi-verbinding wegvalt. Zonder lokale verwerking (dat wil zeggen de mogelijkheid om AI-taken uit te voeren op apparaten in de fabriek in plaats van ze naar de cloud te sturen) kan zelfs een kort verlies aan connectiviteit de productie stopzetten en AI-tools eerder een probleem dan een hulpmiddel maken.
Voor fabrieken die werken met beperkte of onbetrouwbare connectiviteit, rand-AI biedt een weg vooruit. Door gegevens lokaal te verwerken, kunnen bedrijven de vertragingstijd verkorten, gevoelige gegevens beschermen en de downtime verminderen. Maar nogmaals, deze voordelen worden alleen werkelijkheid als de omringende infrastructuur – van sensoren tot routers – deze taak aankan.
‘Zie het als proberen een modern bedrijf te runnen elektrisch voertuig op verouderde wegen”, zegt Ahmed. “Hoe krachtig de motor ook is, als het pad gebroken is, ga je nergens snel.”
Een echte ROI behalen
Een van de grootste valkuilen bij de adoptie van AI is dat de nauwkeurigheid van modellen wordt verward met zakelijk succes. Het feit dat een model tijdens het testen goed presteert, betekent niet dat het ook positieve resultaten zal opleveren.
“De meest succesvolle AI-initiatieven beginnen met een duidelijke visie: de kwaliteit verbeteren, de efficiëntie vergroten of inzichten ontsluiten”, zegt Ahmed. “Van daaruit zorgen snelle overwinningen voor momentum.”
Asbag is het met hem eens. “ROI bij AI gaat niet over het bewijzen dat het model werkt of dat de nauwkeurigheid ten opzichte van een benchmark verbetert. Dat zijn technologische doelstellingen, geen zakelijke doelstellingen”, merkt hij op. “Bedrijven moeten flauwekul 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 machine-uitvaltijd vermindert. Wanneer AI wordt gekoppeld aan concrete, operationele Key Performance Indicators (KPI’s), wordt het een hulpmiddel voor transformatie – niet alleen maar een technisch experiment.
En dat is het grote verschil tussen de door de hype veroorzaakte claims van snellere operaties in de AI-ruimte en de echte meetbare impact. Het is één ding om te zeggen dat uw model 96% nauwkeurig is in een testomgeving. Ook dit bewijst dat het daadwerkelijk heeft bijgedragen aan het terugdringen van het aantal defecten in de reële productie met 12%. Terwijl de eerste misschien een knipoog krijgt van het technische team, krijgt de tweede leiding om een grotere uitrol te ondertekenen.
Het pad vooruit
AI aan het werk krijgen 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 in een echte zakelijke behoefte voorziet.
“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 zegt het nog directer: “AI zonder infrastructuur is hetzelfde als proberen een slimme stad zonder wegen te bouwen. Je moet de basis leggen voordat je kunt opschalen.”
Sateesh Seetharamiah, CEO van EdgeVerveeen leider op het gebied van AI en automatisering, is het daar ook mee eens. “Zonder een gedefinieerde reeks gebruiksscenario’s en resultaten zullen fabrikanten vastzitten zonder een duidelijke strategie om prioriteit te geven aan de juiste opkomende technische 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 eruit moet worden gescheurd en helemaal opnieuw moet worden begonnen. Maar betekenisvolle vooruitgang vereist zelden een volledige herziening. Enkele van de grootste winsten komen voort uit kleine, gerichte veranderingen, zoals het installeren van lokale edge-apparaten om vertraging te verminderen, het verbinden van geïsoleerde systemen of het verduidelijken van wie welke gegevens bezit, zodat teams sneller kunnen werken.
Productie is misschien wel een van de moeilijkste omgevingen voor AI, maar ook een van de meest lonende. De fabrieken die het 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 misschien achterop raken. ‘Dit is niet het moment om op het hek te blijven zitten’, zegt Seetharamiah. “Fabrikanten die het risico uitstellen, lopen enorme kansen mis om digitale ervaringen voor hun klanten te creëren.”
