Een lager begeeft het op dinsdagochtend, de order moet donderdag de deur uit en je planner zit met een puzzel die hij met de hand opnieuw moet leggen. Ondertussen gaat er een pallet terug omdat de steekproef een afwijking miste, en staat je werkvoorbereider offertes over te typen die vorige week ook al langskwamen. Je productie automatiseren gaat niet over een robotfabriek. Het gaat over die vier dingen.
Het vacaturecijfer komt uit CBS StatLine: in het tweede kwartaal van 2026 stonden er 30.400 vacatures open in de industrie, op 387.300 in heel Nederland. Dat is de reden dat de vraag zelden is of je meer mensen aanneemt, maar hoe je hetzelfde werk met hetzelfde team gedaan krijgt.
Niet alles tegelijk. Hieronder staat per toepassing wat er nu met de hand gaat en wat automatiseren ervan oplevert. Herken je er één meteen, dan is dat vrijwel altijd de goede om mee te beginnen.
Nu handmatig: een steekproef aan het eind van de lijn, een inspecteur die na vier uur minder scherp kijkt, en afkeur die je pas ontdekt als de doos al bij de klant staat.
Wat het oplevert: camera’s beoordelen elk product in plaats van één op de honderd. Het model ziet bovendien trends: nemen defecten geleidelijk toe, dan is dat vaak gereedschapslijtage voordat het echt misgaat.
Nu handmatig: onderhoud op een vast schema of pas na een storing. Een noodreparatie kost je de spoedtoeslag, de stilstand en de belofte aan je klant.
Wat het oplevert: sensoren meten trilling, temperatuur en stroomverbruik, het model herkent het patroon dat aan een storing voorafgaat. Je vervangt dat lager op een rustig moment in plaats van midden in een order.
Nu handmatig: één planner met een planbord, een spreadsheet en dertig jaar ervaring. Verdubbelt een klant zijn order, dan is de halve dag weg aan opnieuw puzzelen.
Wat het oplevert: machinecapaciteit, gereedschap, roosters, levertermijnen en energietarieven in één berekening, en een herplanning in seconden. Hoe complexer je mix, hoe groter het verschil met handwerk.
Nu handmatig: bestellen op gevoel en op vorig jaar. Het resultaat is een magazijn vol onderdelen die stilliggen en precies dat ene onderdeel dat op is.
Wat het oplevert: vraagprognoses per artikel op basis van je eigen orderhistorie, seizoen en levertijden per leverancier. Minder vastgelegd werkkapitaal en minder lijnstops door een ontbrekend onderdeel.
Nu handmatig: een maandfactuur die te laat komt om er nog iets aan te doen, en geen zicht op welke machine of welk uur de piek veroorzaakt.
Wat het oplevert: verbruik per machine en per uur voorspeld, en energie-intensieve processen ingepland op de goedkope uren. Zeker met een dynamisch contract en processen die je kunt schuiven.
Nu handmatig: een order als PDF in de mailbox, die iemand overtypt in je ERP. Een aanvraag om een offerte die de werkvoorbereider opnieuw doorrekent, terwijl er drie vergelijkbare in het archief staan.
Wat het oplevert: orderregels die zichzelf uitlezen en klaarzetten, en een offerteconcept op basis van vergelijkbare calculaties. Je mensen controleren nog, ze typen niet meer over.
Deze toepassingen versterken elkaar. Kwaliteitsdata voedt je onderhoudsvoorspelling, energietarieven worden een variabele in je planning, en een betere vraagprognose maakt je planning realistischer. Dat betekent niet dat je ze tegelijk aanzet. Het betekent dat de tweede goedkoper is dan de eerste. Welke processen zich verder lenen voor automatisering lees je op de pagina over procesautomatisering met AI.
Zoek je op industriële procesautomatisering, dan krijg je twee totaal verschillende werelden door elkaar. De ene draait al jaren in je fabriek. De andere begint pas waar de eerste ophoudt. Dat onderscheid scherp hebben scheelt je een dure aanschaf.
De praktische vraag is niet welke van de twee beter is. Het is waar in je proces de knip ligt. Vaste stappen laat je regels doen, want dat is goedkoper en voorspelbaarder. Variatie en oordeel laat je AI doen. En op de plek waar het echt telt kijkt een mens ernaar.
PLC’s, SCADA, MES en vaste regels. Als de temperatuur boven de grens komt, stop de lijn. Als de teller op duizend staat, wissel de rol. Als de order de status gereed krijgt, meld hem af. Dit is deterministisch: dezelfde input geeft altijd dezelfde uitkomst.
Sterk: betrouwbaar, snel, goedkoop in onderhoud, uitlegbaar aan een auditor. Beperking: het interpreteert niets. Wijkt de werkelijkheid af van de regel, dan stopt het of gaat het fout, en dan schrijft iemand er een regel bij. Tot er driehonderd regels staan die niemand meer overziet.
Beeld, taal, voorspellen en beoordelen. Een kras herkennen op een product dat elke keer een tikje anders in beeld ligt. Een storing zien aankomen uit een trillingspatroon. Een order uitlezen die per klant anders is opgemaakt. Een klacht samenvatten met de kern bovenaan.
Sterk: het gaat om met variatie en rommelige input, en het wordt beter naarmate het langer op jouw machines meekijkt. Beperking: de uitkomst is een inschatting met een zekerheid, geen harde waarheid. Je hebt dus controle nodig, en een drempel waarboven een mens beslist.
In de praktijk is een echt project altijd een mix. Bij kwaliteitscontrole beoordeelt AI het beeld, maar duwt een gewone regel het product van de band. Bij voorspellend onderhoud herkent AI het patroon, maar maakt een koppeling de werkorder aan in je onderhoudssysteem. Termen die je in offertes tegenkomt, van agents tot RAG, staan uitgelegd in het AI-woordenboek.
Productiebedrijven stranden bijna nooit op het model. Ze stranden op data die in een machine zit en nergens anders, op een claim die ze niet kunnen onderbouwen, en op een pilot die prima werkte op lijn 1 en nergens anders.
Dat is te repareren, maar niet met software. Het vraagt dat je vooraf eerlijk kijkt naar wat je echt vastlegt, wie de uitkomst mag overrulen en wat er gebeurt als het systeem zich vergist.
Je machines meten van alles, maar de data blijft in de besturing of gaat na een week weg. Voor voorspellend onderhoud heb je sensordata nodig, of op zijn minst een storingshistorie waarin staat wat er stuk was en wanneer. Ontbreekt die, dan begint je project daar en niet bij een model. Dat is geen tegenvaller, dat is stap één.
Werk je voor automotive, food of medisch, dan is de vraag van je klant of auditor niet of het systeem slim is, maar hoe je aantoont dat het goedkeurt wat goed is. Leg vast op welke voorbeelden het model is getraind, wat de foutmarge is, wie de beoordeling kan terugdraaien en hoe je afkeur bewaart. Zonder dat dossier is je computer vision leuk maar niet leverbaar.
Laat een model nooit rechtstreeks in een veiligheidsfunctie ingrijpen. Die blijft bij je bestaande, gecertificeerde besturing. AI adviseert, mensen beslissen, en dat leg je vast. Richt je camera’s bovendien op producten en risicozones, niet op het beoordelen van je operators: monitoring van medewerkers is een gevoelig gebied onder de EU AI Act. Wat er precies geldt staat op de pagina over AI Act compliance.
Een pilot op één lijn draait onder ideale omstandigheden: één producttype, één ploeg, iemand die er dagelijks naar kijkt. Uitrol betekent andere machines, andere belichting, nachtdienst en een operator die het ding voor het eerst ziet. Reken op hertrainen per lijn, beheer, en iemand die eigenaar is als het misgaat. Wat daarbij komt kijken staat bij AI-implementatie.
Krijgt je operator een melding zonder uitleg waarom, dan klikt hij hem de derde keer weg. Draai daarom een paar weken parallel en vergelijk hardop: voorspelde tegenover werkelijke storingen, AI-planning tegenover het planbord. Vertrouwen bouw je met een score op tafel, niet met een presentatie.
Een dagdeel kost €1.500, een hele dag €3.000. Voor je planners en werkvoorbereiders, je teamleiders en kwaliteitsmensen, of je directie en MT. Altijd incompany, bij jou op kantoor of in een ruimte naast de vloer.
Een algemene tooldemo beklijft niet in een productiebedrijf. Een dagdeel werken aan jullie eigen orders, planningen en storingslijsten wel. Je gaat naar huis met minimaal één werkende workflow die het team zelf kan herhalen, plus een lijstje met de processen die daarna aan de beurt zijn.
Bij elke training zit de AI Geletterdheid e-learning inbegrepen voor je hele organisatie, dus ook voor de ploegen die niet in de zaal zaten. Negentig tot honderdtwintig minuten, per rol, met een certificaat per deelnemer. Dat is precies wat de EU AI Act van je vraagt: aantoonbare AI-geletterdheid bij iedereen die met deze systemen werkt.
Bekijk de e-learningPlanner, teamleider en kantoor doen elk de module van de eigen rol. De basis ligt er dan al, dus de zaaltijd gaat naar jullie eigen productieproces in plaats van naar uitleg over wat een model is.
Welke storing, welke afkeur of welke planningswissel kostte je dit jaar het meeste? Een echt voorbeeld uit je eigen fabriek, met de cijfers die je hebt. Geen casus uit een boekje.
Meestal orderverwerking of planning, omdat de data er al is en je de tijdwinst direct voelt. Kwaliteit en onderhoud zijn waardevoller maar vragen eerst een datacheck. Zes tegelijk aanpakken werkt niet.
De gekozen toepassing wordt een werkende workflow met de tools waar je al voor betaalt. Iedereen bouwt mee, zodat de kennis niet bij één enthousiasteling blijft hangen.
Wil je zwart op wit zien of een model jouw storingen eerder ziet dan je huidige onderhoudsschema, of of orderverwerking echt zonder overtypen kan? Dat is een werkende PoC. €4.950 vast, drie weken, één afgebakend proces.
Je krijgt een werkende demo op testdata, maximaal twee read-only koppelingen naar bijvoorbeeld je ERP, MES of onderhoudssysteem, twee sessies voor kickoff en oplevering, en een opleverdocument waarmee je intern een besluit kunt nemen. Read-only, dus er wordt niets in je draaiende systemen geschreven.
Vooraf zit een gratis PoC-check van dertig minuten. Daarin bepaal je samen of de vraag past en of je data genoeg is. Past het niet, dan hoor je dat voordat er een factuur ligt. Productie-uitrol, beheer en live data zitten er bewust niet in, want dat is de stap erna.
Bekijk de werkende PoCWaar de kosten weglekken in een productiebedrijf, vijf toepassingen op bestaande lijnen, en hoe het rekenvoorbeeld achter de besparing is opgebouwd.
Lees het artikelWaarom projecten stranden op aanpak in plaats van techniek, en hoe je datakwaliteit en adoptie voor bent voordat je uitrolt.
Lees het artikelWat er sinds februari 2025 geldt, wat er daarna bijkomt en welke stappen je als productiebedrijf nu al kunt zetten.
Lees het artikelWerk je in een andere sector of wil je juist één afdeling trainen, kijk dan bij voor wie DIDEV werkt.
Mail welk team je wilt trainen en met hoeveel mensen, of plan meteen een gesprek. Je hoort dezelfde dag welke data mogelijk zijn en welk proces in jouw fabriek het snelst iets oplevert.
