AI & de toekomst van de industrie

AI-inspectie koppelt elk camerabeeld aan de productvariant en de procesomstandigheden, zodat dezelfde kras op het ene product wel en op het andere geen fout is. Het systeem leert van voorbeelden van goede en foute exemplaren, en kan ook afwijkingen signaleren die het nog niet eerder zag. Over duizenden producten heen ziet AI patronen: een afwijking die steeds terugkomt bij dezelfde mal, hetzelfde tijdstip of dezelfde grondstofpartij. Gekoppeld aan procesdata helpt dat achterhalen in welke stap een fout ontstaat. De volgende stap is van fouten vinden naar fouten voorkomen: de lijn herkent dat de kans op afwijkingen oploopt en stuurt bij voordat er meer producten worden afgekeurd. De inspecteur beoordeelt de twijfelgevallen.

AI vergelijkt slijtagepatronen tussen machines die onder verschillende belasting draaien, en onderscheidt een slijtend lager van een zwaardere productvariant. De monteur krijgt een melding met een mogelijke oorzaak, soms met een schatting van de resterende levensduur, en de meldingen staan op volgorde van hun gevolgen voor de productie. Gekoppeld aan planning en voorraad laat het systeem zien welk onderhoud in de eerstvolgende stop past, met het onderdeel al klaar. De volgende stap is een machine die haar eigen onderhoud regelt: een agent bestelt het onderdeel en plant de monteur in, en op termijn doet een robot het eenvoudige vervangwerk zelf.

Waar vaste planningsregels ophouden, neemt AI verbanden mee uit historische doorlooptijden, productvarianten en eerdere verstoringen. AI rekent duizenden mogelijke volgordes door, voor meerdere lijnen tegelijk, en maakt binnen minuten een nieuw voorstel met zo min mogelijk omsteltijd en vertraging, inclusief de gevolgen voor de volgende orders. In de voedingsindustrie telt daarbij ook de volgorde van allergenen: eerst de producten zonder noten, daarna die met noten, zodat er minder vaak tussentijds hoeft te worden schoongemaakt. De planner beoordeelt het voorstel, weegt wat het systeem niet ziet en houdt het contact met verkoop en klanten. De volgende stap is een planning die zelfstandig meerekent met de voorraad bij leveranciers en de vraag van klanten, en het plan doorlopend bijwerkt.

Processturing met AI betekent dat een lijn of proces zich voortdurend aanpast aan wat er gebeurt, in plaats van te draaien op vaste instellingen en regels. AI leert uit sensordata, camerabeelden en kwaliteitsmetingen hoe grondstof, machine-instellingen en eindresultaat samenhangen, verbanden die vaak pas over duizenden producten of batches zichtbaar worden. Terwijl de productie loopt, past het systeem snelheid, temperatuur, druk of dosering aan, bij een spuitgietmachine net zo goed als in een batterijfabriek of een voedingsproces. Dat kan een stabieler proces opleveren, met minder uitval en minder energie per product. De operator legt de grenzen vast, keurt grotere ingrepen goed en grijpt in bij afwijkingen. Na elke hertraining wordt gecontroleerd of het model beter voorspelt.

Een industriële copiloot is een taalmodel dat is gekoppeld aan de eigen documenten van een fabriek: handleidingen, storingslogboeken, werkinstructies en onderhoudsrapporten. Vragen stellen aan die documenten is inmiddels gewoon. De volgende stap is een copiloot die meekijkt. Via een camera of een lichte AR-bril ziet hij wat de monteur ziet, herkent hij de machine en het onderdeel, en begeleidt hij de reparatie stap voor stap met gesproken aanwijzingen: welke schroef eerst, waar de sensor zit, wat er de vorige keer is gedaan. Zulke assistenten duiken nu op in proeven. Zo krijgt een nieuwe medewerker, of een ploeg waarin verschillende talen worden gesproken, ook om drie uur 's nachts aanwijzingen uit handleidingen en eerdere storingen, afgestemd op wat de camera ziet.

Bij generatief ontwerpen begint een ingenieur niet met een tekening, maar met eisen: dit onderdeel moet deze kracht dragen, mag zoveel wegen, past in deze ruimte en wordt op deze manier gemaakt. AI rekent daarna honderden of duizenden vormen door die aan die eisen voldoen. De uitkomsten zien er vaak organisch uit, als een bot of een tak, omdat AI materiaal vooral plaatst waar de krachten lopen. Dat levert lichtere onderdelen op, wat brandstof of batterijcapaciteit scheelt. Het werk van de ingenieur verschuift van tekenen naar het stellen van de juiste eisen. De volgende stap: AI ontwerpt ook hoe het onderdeel gemaakt wordt, en de ingenieur beschrijft zijn eisen in gewone taal.

Een AI-agent plant met een taalmodel zelf een reeks stappen en voert die uit in verschillende systemen, binnen grenzen die mensen vooraf vastleggen. Neem een storing aan een verpakkingslijn: de agent leest de meldingen van de machine, zoekt in het logboek naar vergelijkbare gevallen, maakt een werkorder aan, controleert of het onderdeel op voorraad is en stelt een tijdstip voor de monteur voor. Fabrikanten testen zulke agents in afgebakende processen, zoals onderhoud, de inkoop van reserveonderdelen en kwaliteitsrapportages. De volgende stap zijn agents van fabriek, leverancier en onderhoudsbedrijf die onderling afstemmen, zodat een storing is opgelost voordat iemand de telefoon pakt.

Veel fabrieken stoken nog aardgas voor stoom, droogovens of smelten. Warmtepompen waarderen restwarmte op, elektrische boilers leveren stoom en elektrische ovens verhitten direct. Voor zeer hoge temperaturen wordt daarnaast waterstof als brandstof beproefd. Stroomprijs en uitstoot van de stroommix wisselen gedurende het etmaal. AI helpt de productie daarop af te stemmen: een energie-intensieve stap, zoals drogen of koelen, schuift naar uren met veel zon en wind, en een warmtebuffer vangt het verschil op. De volgende stap: de fabriek als flexibele speler op het stroomnet, waarin AI zelf bepaalt wanneer de fabriek minder stroom afneemt of opgeslagen warmte inzet.

Cobots werken naast mensen, vaak zonder hek eromheen: afhankelijk van de toepassing begrenst de robot zijn kracht, of zorgen sensoren dat hij vertraagt of stopt wanneer iemand nadert. Dat maakt automatisering haalbaar voor bedrijven met kleine series en veel wisselingen, waar een grote robotcel niet rendeert. AI breidt uit wat cobots kunnen. Met camera's herkennen ze onderdelen die niet netjes op een rij liggen, en sommige leren een nieuwe taak doordat een medewerker de arm de beweging een paar keer voordoet. De cobot neemt het tillen, schroeven of inpakken over; de medewerker stelt af, controleert en verbetert.

Een wijziging aan één lijn werkt door in buffers, energiegebruik en doorlooptijd elders in de fabriek. Een digital twin van de fabriek verbindt actuele machinedata met procesmodellen, zodat engineers die samenhang kunnen doorrekenen voordat ze iets veranderen: een extra robot, een andere indeling van de hal, een nieuw product op een bestaande lijn. AI rekent die scenario's door voor verschillende orders en bezettingsgraden, en laat zien waar knelpunten ontstaan. Fabrikanten plannen nieuwe fabrieken en lijnen zo eerst volledig op het scherm, zodat fouten daar aan het licht komen en niet pas tijdens de bouw. De volgende stap: digital twins van fabrieken en leveranciers die aan elkaar worden gekoppeld tot een digital twin van de hele keten, die zelf afstemt en bijstuurt.

Meten, herhalen, rekenen, bewaken en voorspellen: dat werk doen in een AI-first fabriek robots en AI, zodat mensen het niet hoeven te doen. Mensen richten zich op wat oordeel en ervaring vraagt: een afwijking beoordelen die nergens in de data staat, een verbetering bedenken, een klant helpen met een lastige vraag. Waar vakmensen schaars zijn, kan die taakverdeling de personeelsdruk verlichten. Elk nieuw proces is een kans om die verdeling opnieuw te maken.

Als machines meer zelf doen, verandert het werk van de mensen eromheen. De operator die vroeger één machine bediende, bewaakt meerdere geautomatiseerde lijnen vanaf een scherm en grijpt in waar het systeem een afwijking meldt. Richting 2040 ontstaan rollen die nu nog nauwelijks bestaan. Een vlootmanager zet een ploeg humanoïde robots in over de diensten heen. Een trainer leert robotmodellen nieuwe vaardigheden, van een ander product tot een nieuwe greep. Een supervisor van agents bepaalt wat de agents in onderhoud en inkoop zelf mogen beslissen. En een materiaalontwerper bedenkt met AI en een autonoom lab de grondstoffen van morgen. Het werk op de vloer verschuift van bedienen naar regisseren.

In de fabriek van de toekomst lossen mensen, robots en AI samen een probleem op. Een monteur, een cobot die het zware tilwerk doet en een copiloot die handleidingen en storingshistorie kent, vormen één team. De robot doet het herhalende en zware werk, de AI zoekt, rekent en voorspelt, en de mens beoordeelt, kiest en werkt samen met collega's en klanten. Het spannende moment komt als het advies van de copiloot niet klopt met wat de monteur ziet en hoort. Dan telt ervaring; vastgelegde correcties helpen daarna de kennisbank en het model te verbeteren. In de jaren dertig kan een humanoïde robot het vierde teamlid zijn, en verdeelt een agent per dienst het werk binnen de ploeg.

De fabriek van de toekomst krijgt vorm wanneer leiders richting geven en medewerkers laten meedenken. Leiders in de industrie nemen het initiatief bij AI, robots en nieuwe technologie, en laten zien hoe de fabriek over vijf of tien jaar kan werken en wat dat voor de ploeg betekent. Ze beginnen klein en zichtbaar, met één lijn of één proces. In een fabriek waarin machines en agents een groot deel van het werk doen, stellen leiders de doelen en grenzen voor die systemen, en nemen ze hun mensen mee in werk dat elk jaar verandert.

Een ervaren monteur hoort een lager slijten en weet welke afwijking bij deze machine nog normaal is. Voor AI is die kennis een bron om van te leren, als medewerkers hun ervaring koppelen aan meetgegevens en beslissingen: welk geluid hoort bij welke trilling, welke afwijking telt. Dat vraagt meer dan techniek. Het vraagt de bereidheid om kennis te delen en anders te gaan werken, ook van mensen die zich afvragen wat hun rol straks is. De volgende stap: camera's, AR-brillen en spraak leggen het werk van ervaren vakmensen vast terwijl ze het doen. Een AI-leerling leert ervan, nieuwe collega's kunnen het terugzien, en het gevoel voor de machine blijft in de fabriek als de vakman met pensioen gaat.

Wat medewerkers over AI en nieuwe technologie moeten weten, verandert elk jaar. Opleidingen hebben meer tijd nodig om dat in hun programma's op te nemen. Organisaties bouwen daarom een eigen toekomstacademie, waar ze hun mensen zelf klaarmaken voor de toekomst. Zittende medewerkers leren er werken met AI, robots en agents. Nieuwe collega's beginnen er met de kennis die het werk morgen vraagt. Ervaren vakmensen geven er hun kennis door, zodat die niet verdwijnt als zij vertrekken.

Vernieuwing ontstaat zelden binnen één organisatie. Een nieuwe techniek ontstaat in een ecosysteem van partners, start-ups, wetenschappers, klanten en overheden. Organisaties in dezelfde regio delen testfaciliteiten, vakmensen en soms data, bijvoorbeeld om samen een AI-model te trainen, vaak in programma's die overheden mede mogelijk maken. Voorlopers delen hun aanpak in internationale netwerken, zodat anderen niet bij nul beginnen. Samen een model trainen zonder ruwe data te delen kan al. Gebeurt dat op grote schaal, dan leren ook concurrenten van elkaars storingen en fouten.