De afgelopen maanden schreef ik over de verborgen kosten van het intern ontwikkelen van AI, over wat ervoor nodig is om industriële AI klaar te maken voor dagelijks gebruik, en over waarom het geen 18 maanden hoeft te duren voordat een besluit leidt tot concrete meerwaarde in de praktijk. Die artikelen waren gebaseerd op gegevens, op onderzoek, en op patronen die ik terugzie bij de vele organisaties waarmee ik spreek.
Maar onderzoek en patronen geven ons maar gedeeltelijk inzicht. Op een gegeven moment is het zinvoller om te luisteren naar mensen die daadwerkelijk de stap hebben gezet. Zij hebben de keuze gemaakt, de implementatie doorlopen, en plukken daar nu dagelijks de vruchten van.
Stefan van Bussel en Jeroen Wijnen van Berkvens Doorsystems zijn zulke mensen. Berkvens is een Nederlands familiebedrijf en deurenfabrikant met drie productielocaties. Zij behoorden tot de eerste gebruikers van de digitale medewerkers van Ultimo. Hun ervaring heeft mede bepaald hoe wij kijken naar wat een goede aanpak in de praktijk inhoudt.
Voor Berkvens was de vraag hoe om te gaan met AI allesbehalve theoretisch. Voordat het bedrijf met Ultimo ging werken, moest het dezelfde afweging maken als vrijwel elke industriële organisatie op dit moment: Moeten we tijd en middelen investeren om zelf AI-functionaliteit te ontwikkelen, of kiezen we voor een platform dat de operationele context, domeinkennis en integratie-infrastructuur al in zich heeft? Berkvens keuze, en wat ze daaruit hebben geleerd, maakt dit verhaal het lezen waard.
Hieronder volgt hun verslag, in hun eigen woorden. Voor mij is het de eerlijkste beschrijving van industriële AI in de praktijk die ik tot nu toe ben tegengekomen. Het gaat ook over de aspecten die minder vaak worden benoemd: het belang van zorgvuldig en consequent databeheer, de grenzen aan wat AI kan overnemen, en waar de echte meerwaarde uiteindelijk bleek te liggen.
Als AI meedraait in het onderhoudsteam
Elke ochtend, nog voordat in een fabriek de eerste machine wordt ingeschakeld, is de teamleider van de technische dienst al aan het werk. Storingen uit de nachtploeg doornemen, wachtverslagen nalopen, meldingen controleren en zich een beeld vormen van de staat van het machinepark voordat de dag begint. Bij Berkvens Doorsystems kostte dat proces vroeger 30 minuten tot een uur. Elke dag. Per teamleider.
Dankzij AI krijgt het team die tijd nu terug.
Een fabrikant met bijna een eeuw traditie
Berkvens Doorsystems is een familiebedrijf met het hoofdkantoor in Someren en maakt deel uit van Xidoor. Vanuit drie productielocaties en met vijf merken produceren we binnendeuren, kozijnen en schuifdeursystemen voor de woningbouw, zorg, horeca en het onderwijs in heel West-Europa. Productie op deze schaal vraagt om gedisciplineerd assetmanagement: uiteenlopende installaties in verschillende productieomgevingen, hoge eisen aan beschikbaarheid en een technische dienst die alles draaiende houdt.
Net als veel andere fabrikanten legden we de basis met een investering in een EAM-platform. Daarmee brachten we structuur aan in de onderhoudsplanning, het werkorderbeheer en de registratie van installaties. Onze technische dienst kreeg daardoor het inzicht dat eerder ontbrak. Maar inzicht alleen is niet genoeg wanneer de hoeveelheid data - meldingen, wachtverslagen, onderhoudshistorie en installatiegegevens - blijft groeien. Op een gegeven moment wordt het handmatig doornemen van al die informatie zelf de beperkende factor. Precies dat probleem lossen we nu op met AI.
Wat veranderde - en hoe snel
We behoorden tot de allereerste gebruikers van de digitale medewerkers van Ultimo. Het uitgangspunt was praktisch: AI die de data analyseert die het team toch al genereerde, binnen het EAM-systeem dat dagelijks al werd gebruikt. Geen nieuw platform. Geen ingrijpende implementatie. Wel slimme ondersteuning in het bestaande werkproces.
De dagelijkse ochtendanalyse veranderde vrijwel direct. Waar teamleiders eerder tot een uur bezig waren om storingen, meldingen en logboeken handmatig naast elkaar te leggen en een actueel overzicht te maken, verzamelt de digitale medewerker die informatie nu automatisch en vat deze samen. De uitkomst komt in ruim 95 procent van de gevallen overeen met de eigen analyse van het team. De tijdwinst gaat dus niet ten koste van de nauwkeurigheid.
Voor een team van teamleiders binnen de technische dienst levert dat per persoon jaarlijks 125 tot 250 uur aan vrijgespeelde tijd op, met een directe financiële waarde van circa 12.500 tot 25.000 euro per teamleider per jaar. De rekensom is eenvoudig, en er is geen lang ontwikkeltraject nodig om dit resultaat te bereiken.
Inzichten die eerder verborgen bleven
Efficiëntiewinst is het best meetbare resultaat, maar strategisch niet het belangrijkste. Belangrijker is wat de digitale medewerker aan het licht brengt dat bij handmatige controle volledig over het hoofd zou zijn gezien.
Door gegevens uit werkorders, logboeken en onderhoudshistorie te combineren, herkent het systeem patronen die moeilijk te detecteren zijn wanneer elke gegevensstroom afzonderlijk wordt bekeken. Zo bleek dat bepaalde installatieproblemen structureel terugkeerden in plaats van willekeurig op te treden. Dat inzicht veranderde de manier waarop het team het onderhoud plande en verbeterinitiatieven prioriteerde.
Jeroen verwoordt het zo: "Door data uit verschillende bronnen slim te combineren, komen nieuwe inzichten naar voren. Teams kunnen daardoor betere prioriteiten stellen, structurele problemen herkennen en onderhoud en verbeteringen gerichter uitvoeren."
Dat is wat intelligent assetmanagement in de praktijk betekent. Niet AI als extra rapportagelaag, maar AI die verandert welke beslissingen worden genomen, en wanneer.
Een les voor elke producent
De rode draad in onze ervaring is dat de waarde van AI rechtstreeks afhangt van de kwaliteit van de data waarmee het werkt. Meldingen, werkorders en operationele gegevens moeten gedisciplineerd en consequent worden geregistreerd. Dat is een voorwaarde, niet iets wat AI kan overnemen. Gebrekkige datakwaliteit wordt door AI niet gecorrigeerd, maar uitvergroot.
Voor productiebedrijven die met digitale medewerkers in het onderhoud aan de slag willen, is dit de beslissende toets: zijn de data op orde? De technologie is er klaar voor. De vraag is of er een voldoende solide datafundament ligt om haar effectief in te zetten. Bij ons was dat zo, dankzij jarenlang gestructureerd EAM-gebruik.
De volgende stap
Waar ons team nu het meest naar uitkijkt, is ondersteuning bij storingsdiagnose: een digitale medewerker die niet alleen vaststelt wat er mis is gegaan, maar ook actief helpt bij de diagnose door vergelijkbare storingen uit het verleden te analyseren en direct mogelijke oplossingen voor te stellen. Voor een fabrikant met meerdere productielocaties biedt zulke geïntegreerde ondersteuning een antwoord op precies de personeelsuitdagingen waar de sector voor staat: opgebouwde storingshistorie omzetten in beslissingsondersteuning voor elke monteur, ongeacht de ervaring.
Onze conclusie sluit aan bij wat steeds meer producenten ontdekken. AI vervangt niet het inzicht en vakmanschap van ervaren onderhoudsprofessionals. Het neemt de administratieve last weg die hen ervan weerhoudt dat vakmanschap volledig in te zetten. Daarnaast signaleert AI in operationele gegevens patronen en verbanden die met handmatige processen niet betrouwbaar worden herkend.
Het startpunt ligt dichterbij dan de meeste organisaties denken. En de opbrengsten worden eerder zichtbaar dan ze verwachten.
Wat mij het meest opvalt aan de ervaring bij Berkvens, is niet de tijdwinst, hoe indrukwekkend die ook is. Het is de snelheid waarmee het resultaat werd bereikt, en wat er al aanwezig was om dat mogelijk te maken. Jaren aan gestructureerde EAM-data. Een platform waarin de operationele context al was ingebed. Een team dat niet eerst achttien maanden hoefde te ontwikkelen voordat het kon gaan leren van de praktijk. Dat is het alternatief waarvoor ik in deze serie pleit. Berkvens laat zien hoe dat er in de praktijk uitziet.
