Kunstmatige intelligentie in de industrie: waarom gaat de implementatie sneller dan de resultaten die ermee worden behaald?

De meeste fabrikanten hadden geen haalbaarheidsstudie nodig om de kosten van reactief onderhoud te begrijpen. Ze hadden er al jaren last van: ongeplande stilstand, extra hersteltijd, spoedleveringen van onderdelen en de langzame afname van de betrouwbaarheid van de planning en het vertrouwen van de klant. Wat veranderde, was de beschikbaarheid van de oplossing. AI in onderhoud ontwikkelde zich snel van een theoretisch concept tot een haalbare oplossing, waardoor de noodzaak om erin te investeren vanzelfsprekend werd.

De inzet vanuit de industrie is reëel, maar de resultaten blijven achter bij de verwachtingen. Ons recente onderzoek wijst uit dat ongeveer 78% van alle gemelde belemmeringen voor vooruitgang te maken heeft met de beroepsbevolking. De toegang tot kunstmatige intelligentie heeft zich sneller ontwikkeld dan de vaardigheid om deze regelmatig te gebruiken. Deze kloof vormt nu het grootste obstakel en vereist een mentaliteitsverandering die net zo belangrijk is als de technologische ontwikkeling zelf.

De eerste golf bewees de effectiviteit van de instrumenten, niet van het model.

Fabrikanten investeren in kunstmatige intelligentie om de productiviteit te verbeteren, maar velen vertonen nog steeds gedrag dat juist door voorspellend onderhoud zou moeten worden verminderd.

Onderzoek toont aan dat de toepassing van voorspellend onderhoud jaar na jaar meer dan verdubbeld is, terwijl reactief onderhoud gelijk is gebleven. Proactief onderhoud daarentegen is jaar na jaar afgenomen. Deze combinatie is de kern van de zaak: er worden nieuwe methoden in fabrieken geïntroduceerd, maar deze vervangen de oudere methoden niet volledig.

Dit moet niet als een mislukking worden gezien. De fabrieken zijn om praktische redenen verplaatst en de eerste proeven leverden waardevolle inzichten op voor de teams. Het model kan goed werken met een bekend product en een toegewijd team eromheen. Maar de echte test komt wanneer dit model beslissingen moet ondersteunen die over verschillende ploegen, locaties en expertisegebieden heen lopen.

De eerste golf bracht hier het volgende probleem aan het licht. Technologie kan snel in het budget worden opgenomen. Maar het duurt veel langer om werkpatronen, vertrouwen, beslissingsbevoegdheid en het zelfvertrouwen van medewerkers in de frontlinie te veranderen.

AI-investeringen bereiken hun volwassen stadium

Uit budgetgegevens blijkt dat leiders kunstmatige intelligentie niet volledig afwijzen; ze worden eerder selectiever in de gebieden waar het zijn waarde moet bewijzen. Investeringen verschuiven van verkennende AI naar operationele prioriteiten, waaronder cybersecurity, datamanagement, generatieve AI en industriële AI.

Deze verschuiving weerspiegelt een realistischer beeld van digitale volwassenheid. Leiders proberen AI in te zetten op gebieden waar de kosten van vertragingen, uitval en gebrekkige data snel duidelijk worden.

Deze verschuiving geeft ook een nieuwe invulling aan de verwachtingen rondom Industrie 5.0. Nu industriële technologie verschuift van een op automatisering gebaseerd Industrie 4.0-model naar een meer mensgerichte aanpak, lijken leiders de tijdlijn bij te stellen. Zo verwacht 40% nu een traject van één tot vier jaar.

Waar eindigt het model en waar begint de rol van de supervisor?

Het is gemakkelijk om het cijfer van 78% met betrekking tot personeelstekorten te interpreteren als simpelweg een verhaal over tekorten aan arbeidskrachten – dat wil zeggen, personeelsbezetting, werving of toeleveringsketens. Maar de realiteit is dat bedrijven te maken hebben met een gebrek aan ervaring, een kennisachterstand, tekorten aan geschoolde arbeidskrachten en bredere tekortkomingen in de personeelscapaciteit. Gecombineerd beschrijven deze vier categorieën een probleem dat veel complexer is dan alleen een personeelsprobleem. Ze beschrijven het vermogen van een organisatie om een ​​andere manier van werken te faciliteren.

Dit is een patroon dat ik steeds weer van klanten hoor: de tools zijn er, maar de teams zijn er niet mee opgewassen. Onderzoekers Cohen en Leventhal hebben dit "absorptievermogen" genoemd.

Simpel gezegd, het gaat erom hoe snel een bedrijf nuttige nieuwe kennis kan identificeren, deze binnen de organisatie kan integreren en kan omzetten in concrete resultaten. In de context van onderhoud zijn deze resultaten beslissingen die worden genomen onder reële operationele omstandigheden – bijvoorbeeld door een ploegleider die beoordeelt of een huidige storing onmiddellijke interventie vereist, kan wachten tot de volgende geplande onderhoudsbeurt, of een drempelwaarde al heeft overschreden. Een model kan een storing identificeren, maar kan die beslissing niet nemen.

Voorspellend onderhoud en kunstmatige intelligentie (AI) vereisen in feite een personeelsbestand dat moeilijker op te leiden is dan het simpelweg beheersen van de tools. Het rapport "AI Workforce Skills for the UK" van de Britse overheid schetst dit tekort concreet binnen de geavanceerde maakindustrie.

Naast technische vaardigheden zoals het trainen van AI-modellen of het integreren van realtime analyses, benadrukt het rapport het vermogen om AI-uitkomsten te interpreteren, workflows aan te passen op basis van nieuwe inzichten en wijzigingen te communiceren naar teams in de frontlinie. Dit zijn de kerncompetenties die bepalen of een waarschuwing tot een gedragsverandering leidt of wordt genegeerd.

Om deze reden kan personeelsontwikkeling niet als een aparte HR-functie naast het technologieprogramma worden beschouwd. Het is onderdeel van het systeem dat bepaalt of investeringen zich vertalen in een betere implementatie. Kunstmatige intelligentie: het beheersen ervan vereist een mentaliteitsverandering, niet alleen technologie. De tijdlijn voor Industrie 5.0 zal worden bepaald door de mogelijkheden die op de werkvloer aanwezig zijn.

Investeren in voorspellingen, betalen voor reacties.

تظهر التداعيات التجارية جلية في الفجوة بين حجم الإنفاق والعائد المحقق. فبينما يتزايد تبني الحلول التنبؤية ويُخصص Plus من رأس المال لها، لم يتغير الوضع الأساسي للتعامل التفاعلي مع المشكلات. تعمل العديد من المنشآت بأسلوبين تشغيليين في آن واحد؛ فهي تستثمر في التنفيذ القائم على البيانات، بينما لا تزال تخسر الوقت في مواجهة المشكلات الطارئة التي كان يمكن تجنبها.

Deze kloof heeft een hoge prijs. Volgens het Siemens-onderzoek "True Cost of Downtime" uit 2024 verliezen de 500 grootste bedrijven ter wereld jaarlijks 1.4 biljoen dollar door ongeplande downtime, wat neerkomt op 11% van hun totale omzet. Dit cijfer laat zien wat er gebeurt wanneer de overgang van een reactieve naar een voorspellende aanpak onvolledig is; de investering is er wel, maar de dagelijkse uitvoering loopt achter. Het dichten van de verantwoordelijkheidskloof is cruciaal om rendement te garanderen.

Wanneer deze kloof blijft bestaan, is het rendement op investeringen in technologie vertraagd en ongelijkmatig. Tijdlijnen worden langer en het vertrouwen in het behalen van de gewenste resultaten neemt af.

De sleutel tot het behalen van reële rendementen

De discipline die momenteel wordt toegepast op tools en platforms moet zich ook uitstrekken tot de mensen en processen eromheen. Bij veel organisaties gaat juist daar de werkelijke waarde verloren.

Leiders moeten beginnen met die onderdelen van de bedrijfsvoering waar de capaciteiten het meest kwetsbaar zijn. Welke systemen zijn nog steeds afhankelijk van één of twee ervaren technici om te interpreteren wat er gebeurt? Welke werkverslagen bevatten onvoldoende details om toekomstige diagnoses te kunnen stellen? Welke waarschuwingen leiden tot daadkrachtig handelen, en welke blijven op de plank liggen totdat de juiste persoon dienst heeft?

Deze vragen onthullen of voorspellend onderhoud een integraal onderdeel van de implementatie is geworden, of dat het nog steeds slechts een extra laag is bovenop oude, reactieve gewoonten.

Ervaringen en kennis die in het geheugen van medewerkers sluimeren, moeten worden vastgelegd voordat ze de organisatie verlaten. Zorg ervoor dat werkdossiers volledig genoeg zijn om toekomstige technici te ondersteunen. Train operators en onderhoudsteams om de implicaties van voorspellende waarschuwingen te begrijpen, bewijs te identificeren dat actie vereist en te weten wanneer problemen moeten worden geëscaleerd. Ontwerp werkprocessen zodanig dat handelen op basis van weloverwogen inzichten de norm wordt, en geen uitzondering; het beheersen van AI vereist een mentaliteitsverandering. Inzicht in welke banen het meest waarschijnlijk door AI zullen worden vervangen, helpt ook bij het sturen van trainingsinspanningen.

Connected reliability ondersteunt deze implementatie wanneer deze verankerd blijft in de kern van de bedrijfsvoering, door middel van koppeling tussen gegevens over bedrijfsmiddelen, onderhoudshistorie en de directe ervaring van medewerkers. Hierdoor kunnen teams consistente en herhaalbare beslissingen nemen, ongeacht de dienst of locatie.

Ons onderzoek bevestigt deze trend: bijna de helft van de respondenten is van plan om de komende twaalf maanden initiatieven te ontwikkelen die de betrouwbaarheid van systemen verbeteren. Zij zien betrouwbaarheid als een praktische brug tussen operationele behoeften op korte termijn en strategische ambities op lange termijn.

De boodschap aan leiders in de maakindustrie is helder en direct: menselijke en operationele capaciteiten moeten met dezelfde ernst onder de loep worden genomen als investeringen in technologie. Vraag niet alleen welke soorten AI zijn ingezet, maar vraag ook: Wie kan ermee aan de slag? Waar lopen de besluitvormingsprocessen achter? Welke kennis is nog niet gedocumenteerd? En welke workflows stimuleren teams nog steeds tot proactieve probleemoplossing?