AI in de productie: 10 toepassingen, en waarom de meeste vastlopen vóór opschaling

AI in manufacturing: factory line with machine data feeding an assistant that lists use cases

Geschreven door Ravinder Singh

Geplaatst op 21.11.2026

Leestijd:

Laatst bijgewerkt: 21 november 2026 · Geschreven door het TEEPTRAK-team voor plantmanagers, productiemanagers en managers continu verbeteren.

AI in de productie levert vandaag op bij zes taken: storingen voorspellen, onderdelen met camera’s inspecteren, de oorzaken van stilstand vinden, plannen, procesinstellingen bijstellen en de rapporten en documenten rond de productie schrijven. Enquêtes komen uit op een gebruik bij 14% tot 94% van de producenten, afhankelijk van wat als AI meetelt. Op één punt zijn ze het eens: de meeste projecten met AI in de maakindustrie lopen vast tussen pilot en opschaling, en meestal ligt dat aan de data, niet aan het model.

Hoe wordt AI in de productie ingezet?

Haal het jargon van de leveranciers weg en bijna alle AI in de fabriek valt onder een van tien taken. Wat ze van elkaar onderscheidt, is niet het algoritme maar de data die elke taak nodig heeft en hoe snel een fout zichtbaar wordt.

Toepassing Type AI Benodigde data Waar het oplevert
Voorspellend onderhoud Voorspellend (tijdreeksen) Trillingen, temperatuur, stroom, storingshistorie Kritieke installaties waar een storing de lijn stillegt
Visuele inspectie Computer vision Gelabelde beelden van goede en afgekeurde onderdelen Grote series, cosmetische of maatafwijkingen
Oorzaakanalyse van stilstand Patroonanalyse, LLM op rapporten Elke stop met duur, reden, product en ploeg Lijnen waar korte stops oplopen tot uren
Productieplanning Optimalisatie Routings, cyclustijden, werkelijke beschikbaarheid High-mix fabrieken met veel omstellingen
Procesparameters bijstellen Voorspellend, optimalisatie Instellingen, sensorwaarden, kwaliteitsresultaten per batch Extrusie, spuitgieten, chemie, voeding
Energieoptimalisatie Voorspellend Energie per machine en per machinetoestand Fabrieken waar stilstaande machines blijven draaien
Offertes, NCR’s, 8D’s, ploegrapporten Generatief (LLM) ERP-gegevens, eerdere documenten, productie-exports Engineering- en kwaliteitsteams die verdrinken in papierwerk
PLC- en automatiseringscode Generatief (engineering-copilot) Projectbestanden, programmeerstandaarden Besturingstechniek
Vraag- en supply-planning Voorspellend Orders, levertijden, leveranciershistorie Grillige vraag, lange ketens
Werkstromen in meerdere stappen Agentic AI (AI-agents) Toegang tot meerdere systemen, plus regels over wat het mag wijzigen Repetitieve taken over systemen heen, met akkoord van een mens

Uit de laatste drie rijen komt het meeste nieuws van 2026. Anthropic lanceerde Claude for Manufacturing op 12 november 2026 voor offertes, kwaliteitsonderzoeken, storingsdiagnose en productierapportage. Siemens voegt sinds mei 2025 AI-agents toe aan zijn Industrial Copilot-reeks. Beide werken met registraties en exports. Geen van beide legt vast wat een machine doet.

Hoeveel producenten gebruiken AI echt?

Dat hangt af van wie je het vraagt en wat meetelt. De cijfers van 2026 lopen van één op de zeven tot bijna iedereen:

  • 13,9% van de Amerikaanse producenten gebruikte in februari 2026 AI in een bedrijfsfunctie, tegen 1,8% in september 2023 (Business Trends and Outlook Survey van het US Census Bureau, geanalyseerd door Digit Software).
  • 57% van de Britse producenten had AI ingevoerd en nog eens 23% was ermee aan het testen, volgens een enquête uit juni en juli 2026 (gerapporteerd door diginomica).
  • 72% van 1.200 leidinggevenden in de maakindustrie zei AI in een of andere vorm te gebruiken, tegen 53% in 2024 (Parsec, 2026 State of Manufacturing).
  • 94% meldde een of andere vorm van AI te gebruiken (Rootstock Software, 2026 State of Manufacturing Technology Survey).

De enquêtes meten niet hetzelfde. Het Census-cijfer komt uit een overheidsenquête onder een brede steekproef van bedrijven; de brancheonderzoeken vragen leidinggevenden in de maakindustrie of ze AI “in een of andere vorm” gebruiken, en daaronder valt ook een engineer die een chatbot een e-mail laat herschrijven. Bruikbaarder zijn de cijfers over opschaling. Deloitte vond in zijn enquête van 2026 onder ruim 140 producenten dat 84% al meetbare waarde uit AI haalt, maar dat slechts 20% van de toepassingen is opgeschaald. Grant Thornton stelde vast dat 62% van de producenten AI vooral op operations richt, terwijl maar 7% een getest incidentplan voor AI heeft, het laagste van alle sectoren in het onderzoek.

Waarom lopen de meeste AI-projecten vast tussen pilot en opschaling?

Een pilot draait op een dataset die iemand met de hand heeft opgeschoond. Opschaling draait op wat de fabriek elke dag registreert. In veel fabrieken is dat nog een papieren lijst of een spreadsheet die aan het eind van de ploeg wordt ingevuld: Anthropic citeert bij de lancering van Claude for Manufacturing zelf een enquête van de Manufacturing Leadership Council uit 2025, waarin 79% van de producenten nog handmatig data invoert.

Handmatig geregistreerde stilstand heeft een voorspelbare vertekening. Lange stops worden opgeschreven; stops van twee of drie minuten zelden, en als reden staat er vaak wat het snelst te noteren is. Een AI-model dat op die registratie is getraind of ermee wordt gevoed, leert de verkeerde pareto. Het raadt dan stellig aan om de omstelling aan te pakken, terwijl het echte verlies in veertig kleine vastlopers zit die niemand heeft genoteerd.

Met drie vragen ziet u of een toepassing klaar is voor opschaling:

  1. Wordt de data automatisch vastgelegd? Als iemand het moet intypen, reken dan op gaten in de drukste ploegen, en juist die zijn van belang.
  2. Wordt ze op het juiste detailniveau vastgelegd? Eén regel per ploeg volstaat voor een rapport, niet voor oorzaakanalyse. Daarvoor is elke stop nodig, met starttijd, duur en reden.
  3. Kan iemand het antwoord van de AI in minder dan vijf minuten controleren? Zo niet, dan vertrouwt niemand het in de nachtploeg.

Generatieve, voorspellende of agentic AI: wat is het verschil?

Voorspellende AI Generatieve AI (LLM’s) Agentic AI
Wat het doet Voorspelt een waarde of signaleert een afwijking Leest en schrijft tekst, code en documenten Plant en voert een reeks stappen uit over meerdere systemen
Typisch gebruik in de fabriek Storingsvoorspelling, kwaliteitsvoorspelling Rapporten, offertes, NCR’s, vragen van operators Een stop triëren, de werkorder opstellen, de juiste persoon waarschuwen
Grootste risico Drift wanneer het proces verandert Een vlot antwoord op basis van verkeerde data Een actie op basis van een verkeerde aanname
Beheersmaatregel die werkt Hertrainen en monitoren Brondata die de lezer kan controleren Standaard alleen-lezen, akkoord van een mens voor elke wijziging

Verder lezen: AI-agents in de productie, AI-tools voor OEE en stilstand en hoe u Claude for Manufacturing met echte machinedata voedt.

Waar begint een fabriek met AI?

Bij het verlies dat het meest kost en de data die er al is, in die volgorde. Een aanpak die in de meeste discrete fabrieken werkt:

  1. Week 1 en 2: meten. Leg de machinetoestanden op de bottlenecklijn automatisch vast, met stopredenen die operators op het moment van de stop invoeren. Begin nog niet aan een model.
  2. Week 3 tot 6: nulmeting. Bereken de OEE uit die data en stel de verliespareto op. Alleen al dat verandert vaak de prioriteitenlijst, omdat niet-geregistreerde korte stops zichtbaar worden.
  3. Week 6 tot 10: één AI-toepassing op één verlies. Bijvoorbeeld een assistent die het ochtendrapport van de ploeg uit de export schrijft, of een model dat de ploegen signaleert waar korte stops toenemen.
  4. Daarna: schaal de toepassing op, niet het aantal pilots. Hetzelfde datamodel, meer lijnen.

Wat zijn de voordelen en grenzen van AI in de maakindustrie?

De voordelen die standhouden zijn afgebakend en meetbaar: minder ongeplande storingen op gemonitorde installaties, minder doorgeschoten fouten op geïnspecteerde onderdelen, uren rapportagewerk die terug naar de engineers gaan, sneller antwoord op “waarom haalde lijn 3 vannacht zijn target niet”. De grenzen zijn net zo concreet. AI lost geen ontbrekende meting op, ziet geen stop die niemand heeft geregistreerd, en een LLM maakt van een onvolledig bestand een aannemelijke alinea. Het cijfer van 7% van Grant Thornton is de waarschuwing: als AI een werkorder opstelt of een planning wijzigt, leg dan vooraf vast wie dat controleert en hoe een verkeerde actie wordt teruggedraaid.

Wat doet TEEPTRAK voor AI in de productie?

TEEPTRAK is de meetlaag waar AI-projecten op steunen. Het is geen AI-model.

  • Elke machine, van elke leeftijd. Aangesloten via een PLC-signaal, een niet-invasieve clip-on sensor of OPC UA, zonder aanpassing aan de PLC, in minder dan een uur per machine.
  • Elke stop vanaf 2 minuten, met de reden. Operators geven de oorzaak in op de tablet aan de werkpost terwijl de stop bezig is.
  • Data die uw AI-tools kunnen lezen. Excel-exports en standaard-API’s naar SAP, Oracle of Power BI, zodat een assistent of een model werkt met machinedata in plaats van met een papieren logboek.

TEEPTRAK draait in meer dan 700 fabrieken in ruim 30 landen. Bij Hutchinson steeg de OEE op geautomatiseerde lijnen van 47% naar 72%. Bekijk PerfTrak, real-time OEE-monitoring.

Veelgestelde vragen

Wat is de meest gebruikte toepassing van AI in de productie?

Voorspellende AI, voor onderhoud, kwaliteit en planning. In de enquête van Rootstock uit 2026 groeide voorspellende AI het sterkst, met 12 punten tot 48% van de respondenten, vóór procesoptimalisatie (36%) en supply-chainplanning (35%).

Is AI in de maakindustrie alleen iets voor grote bedrijven?

Nee. De datastap weegt zwaarder dan de omvang van het bedrijf. Een middelgrote fabriek die machinestops automatisch vastlegt, kan een algemene AI-assistent op haar exports loslaten zonder datascienceteam.

Welke data hebt u nodig voordat u een AI-project in een fabriek start?

Voor productietoepassingen: machinetoestanden, elke stop met duur en reden, stuktellingen en cyclustijden, automatisch vastgelegd en voorzien van een tijdstempel. Voor onderhoud: sensorhistorie en storingsregistraties. Voor kwaliteit: inspectieresultaten gekoppeld aan de batch.

Vervangen AI-agents en andere AI-tools productie- of onderhoudspersoneel?

De tools die in 2026 zijn gelanceerd, zijn gebouwd om voor te bereiden, te signaleren en aan te bevelen, waarna een mens beslist. Anthropic stelt dat Claude for Manufacturing geen apparatuur bedient, en Siemens zegt dat gebruikers zelf bepalen welke taken ze aan zijn agents overdragen.

Hoe meet u het rendement van een AI-project in de productie?

Tegen een nulmeting van vóór het project: OEE en de drie factoren, uren ongeplande stilstand, uitvalpercentage of de tijd die een rapport kost. Zonder die nulmeting is elke winst een schatting.

Gratis kit: is uw machinedata klaar voor AI?

Excel-bestand met een sjabloon voor een stoplogboek, een berekening van OEE en stilstandkosten, 10 prompts voor AI-assistenten en een check van 12 vragen of uw data er klaar voor is.

Wilt u elke stop automatisch vastleggen? Vraag een TEEPTRAK-demo aan.

Download de starterkit (Excel, gratis)

Bronnen

Blijf op de hoogte

Mis geen updates van TEEPTRAK en de Industrie 4.0! Volg ons op LinkedIn en YouTube. Abonneer je ook op onze nieuwsbrief om de maandelijkse samenvatting te ontvangen!

OPTIMALISATIE EN CONCRETE RESULTATEN

Ontdek hoe toonaangevende bedrijven in de industrie hun OEE hebben geoptimaliseerd, stilstand hebben verminderd en hun prestaties hebben getransformeerd. Concreet resultaat en bewezen oplossingen.

Dit vind je misschien ook interessant…

0 reacties
粤ICP备19018741号-1