Bij Berkvens Deursystemen heeft elke teamleider nu 30 tot 60 minuten per ochtend kunnen besparen. Zij krijgen hun AI-gestuurde onderhoudsbriefing voordat de dienst begint. Het bevat een volledige uitsplitsing van alle huidige en lopende activiteiten, en eventuele problemen die 's nachts zijn gemeld. Bovendien evenaart het de handmatige analyses met een nauwkeurigheid van meer dan 95 procent Dat toont aan wat productieklare industriële AI kan wanneer het werkt.
Naar mijn ervaring komt dit bovendien veel minder vaak voor dan het huidige enthousiasme rond AI zou doen vermoeden.
De meeste industriële organisaties waarmee ik spreek hebben al wel een pilot uitgevoerd - velen hebben er zelfs meerdere uitgevoerd. De resultaten zijn vaak echt veelbelovend. Maar er is een consistent patroon in wat er daarna gebeurt: het gesprek over opschaling stokt. De oplossing die goed presteerde in een gecontroleerde omgeving begint minder zeker te voelen bij de gedachte dat het zonder toezicht draait over meerdere diensten, meerdere vestigingen en een personeelsbestand dat niet betrokken was bij het bouwen ervan.
De pilot bewees het concept, maar niet het systeem.
Dat is precies de kloof waarin de meeste AI-initiatieven nu vastlopen. En het is een kloof die organisaties die AI intern proberen te bouwen onverwacht moeten overbruggen, en tegen aanzienlijk hogere kosten dan gepland. Bijna elke pilot kan werkend gemaakt worden. De vraag waar het om gaat is of uw mensen erop kunnen vertrouwen, elke dienst, onder echte operationele druk. Dat is de enige standaard die telt.
Wat de data ons leert over de plek van AI
McKinsey's 2024 State of AI-rapport toonde aan dat hoewel 72 procent van de organisaties wereldwijd AI heeft geadopteerd in ten minste één bedrijfsfunctie, het opschalen van pilot naar productie de grootste genoemde barrière blijft. De echte hindernis blijft de organisatorische en operationele infrastructuur die nodig is om AI-implementatie betrouwbaar te maken.
Dat komt overeen met wat ik consequent hoor van onderhoudsleiders. De beperkende factor is zelden het AI-model. Het is alles rondom het model dat nodig is om veilig en consistent te functioneren in een echte industriële omgeving: gegevenskwaliteit, systeemintegratie, menselijke workflows, governance en het vermogen om uit te leggen wat het systeem deed en waarom, als iemand dat vraagt.
Dit zijn operationele vereisten, die zich niet gedragen als technische eigenschappen. Ze vergen tijd, diepgang en echte domeinkennis om het goed te doen. Organisaties die AI intern bouwen, starten die reis vanaf nul. Organisaties die werken met een platform dat al jaren is ingebouwd in industriële operations, versnellen vanuit een fundament dat anderen nog proberen te bouwen.
Het gegevensprobleem waar niemand rekening mee houdt in het budget
Industriële AI is slechts zo goed als de operationele gegevens erachter. Dat klinkt voor de hand liggend. In de praktijk is dit hetgene dat interne bouwprojecten vaak onderschatten.
De gemiddelde industriële faciliteit heeft jaren aan onderhoudsgeschiedenis verspreid over gestructureerde records, vrije-tekstvelden, handgeschreven aantekeningen en de impliciete kennis van ervaren technici die nooit gevraagd zijn om te documenteren wat ze weten. Gartner schat dat slechte gegevenskwaliteit organisaties gemiddeld $12,9 miljoen per jaar kost, en dat is voordat een AI-systeem gevraagd wordt deze gegevens te gebruiken voor analyses.
Een productieklaar AI-systeem heeft betrouwbare, gestructureerde en contextrijke operationele gegevens nodig om goed te functioneren. Niet alleen een gegevensexport uit een geautomatiseerd onderhoudsmanagementsysteem (CMMS), maar informatie die weerspiegelt hoe assets zich in de loop van de tijd gedragen, hoe storingen zich clusteren, welke reparatiebenaderingen stand hebben gehouden onder echte condities en hoe de onderhoudshistorie eruitziet op assetniveau. Het bouwen van die basis is een voortdurende operationele discipline, en het komt zelden voor in het plan voor een interne AI-ontwikkeling.
Dit is één van de redenen waarom platforms met echte kennis van industriële bedrijfsvoering een voordeel hebben dat van buitenaf moeilijker te zien is. De gegevensinfrastructuur bestaat al. De operationele context is al ingebouwd. Een systeem dat op die basis is gebouwd, hoeft niet vanaf nul te beginnen, omdat de leverancier dat ook nooit heeft gedaan.
Wat betrouwbaarheid betekent op de werkvloer
In productie, nutsbedrijven of havenlogistiek heeft betrouwbaarheid een specifieke betekenis die verschilt van bijna elke andere context. Het betekent niet "werkt meestal"; het betekent "is niet uitgevallen gedurende de dienst wanneer het er het meest toe deed."
Ongeplande stilstand kost de 500 grootste bedrijven ter wereld naar schatting $ 1,4 biljoen per jaar, volgens onderzoek van Siemens uit 2024. De momenten waarop een onderhoudssysteem het meest nodig is, zijn precies de momenten waarop druk, complexiteit en tijdsdruk het hoogst zijn. Een AI-tool die goed presteert onder normale condities maar onbetrouwbaar wordt onder druk is een mooiweerassistent, en industriële operations kunnen zich dit risico niet veroorloven wanneer ze geconfronteerd worden met de perfecte storm die zich aan het samenpakken is.
Productieklaar betekent dat het systeem zich voorspelbaar gedraagt onder alle omstandigheden: verschillende diensten, verschillende vestigingen, verschillende talen, verschillende niveaus van gegevensvolledigheid in de binnenkomende werkaanvraag. Het betekent dat de output niet varieert afhankelijk van wie het gebruikt of hoeveel druk ze ervaren. En het betekent dat wanneer er iets misgaat, er een duidelijk, controleerbaar dossier is van wat het systeem adviseerde en wat de mens besliste.
In gereguleerde sectoren is dat laatste punt niet optioneel. Het is het verschil tussen een tool die een audit doorstaat en een tool die een risico vormt. Door AI gegenereerde code en intern gebouwde systemen brengen extra risico's met zich mee. Uit onderzoek van Veracode uit 2025 blijkt dat door AI gegenereerde codebases 2,74 keer meer beveiligingskwetsbaarheden bevatten dan hun door mensen geschreven equivalenten, waarbij 45 procent van de top 10 beveiligingstests van het Open Worldwide Application Security Project (OWASP) faalt op door AI gegenereerde software. Voor organisaties die onderworpen zijn aan eisen van de FDA 21 CFR Part 11, ISO 55001, of Occupational Safety and Health Administration (OSHA), is dat geen abstract risico.
De menselijke factor die technologie niet kan oplossen
Er is één dimensie van productiegereedheid die in bijna elk AI-gesprek ondergewaardeerd wordt, en het is degene die ik het meest de moeite waard vind om over te praten: adoptie.
Een systeem dat niet vertrouwd wordt door uw onderhoudsteam, is geen productiesysteem, ongeacht de nauwkeurigheid in een gecontroleerde test. Industriële AI bevindt zich binnen werkprocessen die echte mensen over jaren, soms decennia, hebben ontwikkeld. Het toont adviezen aan monteurs die voor een machine staan waar de productie op wacht. Het suggereert prioriteiten aan planners die verantwoordelijk worden gehouden voor de beslissingen, niet het algoritme. Om dat te laten werken, moet de AI zijn plaats in het workproces verdienen - niet door indrukwekkend te zijn, maar door consequent nuttig te zijn.
Consistent nuttig zijn is moeilijker dan het klinkt in echte industriële bedrijfsvoering. Bedenk wat dat betekent: het systeem moet op dezelfde manier presteren tijdens de nachtdienst als tijdens de dagdienst. Het moet werken voor de monteur in Nederland en die in India. Het moet werkorders verwerken die in drie talen zijn vastgelegd, assetrecords met wisselende volledigheid, en storingsbeschrijvingen die variëren van precieze technische notatie tot "maakt een geluid." Op het moment dat betrouwbaarheid conditioneel wordt - werkt goed hier, minder goed daar, prima wanneer de gegevens schoon zijn, onbetrouwbaar wanneer dat niet zo is - stoppen mensen het te vertrouwen. En wanneer mensen stoppen het te vertrouwen, stoppen ze met het gebruiken. Op dat moment is het probleem niet langer de technologie. De operatie heeft een afhankelijkheid ontwikkeld van een systeem met een hiaat waar niemand op voorbereid was.
Dit is iets wat de mensen die interne AI-tools bouwen vaak later ontdekken dan ze verwachtten. Een prototype dat goed presteerde in een gecontroleerde test met schone gegevens en een gemotiveerd testteam begint anders aan te voelen wanneer het over een hele fabriek wordt uitgerold. Verschillende diensten hebben verschillende gewoontes. Verschillende teams leggen dingen anders vast. De mensen die niet betrokken waren bij het bouwen ervan hebben nog geen reden om het te vertrouwen, en zonder iemand die verantwoordelijk is voor het opbouwen van dat vertrouwen, zal dit waarschijnlijk niet snel veranderen. Op dat moment faalt de tool niet omdat het model verkeerd is; het faalt omdat niemand de menselijke kant van het functioneren op zich neemt.
De nieuwere generatie van eerstelijnswerkers voegt hier een andere dimensie toe die vaak niet wordt erkend. Ze zijn niet simpelweg op zoek naar een tool die hun huidige werk makkelijker maakt. Ze zijn op zoek naar een systeem dat hun ontwikkeling ondersteunt - dat hen laat zien hoe ze van operator niveau één naar operator niveau twee kunnen gaan, dat hen gestructureerd leren biedt in plaats van een map en een maatje. Onderzoek toont consequent aan dat ongeveer 70 procent van de medewerkers die een sterke onboarding ontvangen drie jaar of langer bij een organisatie blijven. Industriële AI die echt productieklaar is, moet inspelen op die verwachting, niet alleen op de efficiëntietargets in een projectplan.
Wat dit in de praktijk betekent is dat verandermanagement meer is dan een communicatie-oefening die aan het eind van een implementatie plaatsvindt. Het is medebepalend voor de productiegereedheid van industriële AI. Dat betekent inzicht voor het leiderschap in adoptie, niet alleen nauwkeurigheidsstatistieken. Het betekent trainingen die weerspiegelen hoe mensen leren op een productievloer, niet hoe de onboardingpresentatie van een leverancier aanneemt dat ze dat doen. Het betekent dat er iemand moet worden aangewezen wiens taak het is om niet alleen de software maar het hele proces te beheren - om feedback van operators serieus te nemen, om te blijven evalueren hoe het systeem wordt gebruikt en om ervoor te zorgen dat wat beloofd werd in de pilot is wat mensen ervaren in hun derde maand van gebruik. APQC-onderzoek toont aan dat slechts 8 procent van de organisaties consequent kennis vastlegt van vertrekkende ervaren medewerkers. Door adoptie als een leiderschapsverantwoordelijkheid te behandelen, kan AI organisaties helpen deze kloof succesvol te dichten.
Wat onderscheidt een demo van een betrouwbare oplossing
Productieklare industriële AI heeft een gegevensfundament nodig dat de echte operationele geschiedenis weerspiegelt. Het heeft integratie nodig die diep genoeg is om de juiste informatie op het juiste moment in de bestaande workflow naar boven te brengen, zonder dat mensen hoeven te veranderen hoe ze werken. Het vraagt governance die een audit kan doorstaan. En het moet echt vertrouwen verdienen van de mensen die er onder druk op zullen vertrouwen.
Geen van deze dingen wordt geleverd door een model. Ze worden in de loop van de tijd opgebouwd, door operationele ervaring, feedback van klanten, en het soort domeinspecifieke iteratie dat alleen voortkomt uit het werken in echte industriële omgevingen in honderden implementaties. Dat is precies waarom organisaties zoals Berkvens resultaten zien die verder gaan dan een pilot, en waarom de kloof tussen een veelbelovende demo en een betrouwbaar systeem zoveel groter is dan de meeste interne bouwprojecten verwachten.
De stap van een pilot naar operationeel succes gaat minder over ambitie dan over het stellen van de juiste vraag aan het begin, waarbij de focus niet ligt op wat te bouwen, maar op waar de organisatie op moet kunnen vertrouwen en waar dat vertrouwen werkelijk vandaan komt.
Die verschuiving in perspectief is wat de organisaties die over twee jaar productieklare AI draaien onderscheidt van degenen die nog steeds pilots beheren.
