Waarom Agentic AI Zonder Vertrouwd Asset Data Faalt

Agentic AI beweegt zich snel van discussie naar implementatie in asset-intensieve industrieën. In tegenstelling tot generatieve AI, die informatie samenvat of aanbevelingen opstelt, kan agentic AI een doel nemen, het opdelen in stappen, gegevens uit meerdere systemen halen en erop handelen. Het kan onderhoudsgeschiedenis bekijken, openstaande werkorders controleren, crewschema’s vergelijken en een aanbeveling genereren zonder dat iemand handmatig alle informatie hoeft te verbinden.

Die mogelijkheid is precies waarom zoveel organisaties snel overstappen op de adoptie ervan. Volgens de 2026 Gartner CIO en Technology Executive Survey, hebben slechts 17% van de organisaties AI-agents geïmplementeerd, terwijl meer dan 60% verwachten dit binnen de komende twee jaar te doen. Dat is sneller dan voor elke andere opkomende technologie in de enquête.

In de implementaties die ik heb ondersteund, hebben teams te lang gespendeerd aan het switchen tussen systemen, spreadsheets, inspectienotities en e-mails om slechts één operationele beslissing te nemen. Agentic AI belooft die wrijving te verminderen, waardoor planners sneller werk kunnen voorbereiden en technici een duidelijker beeld krijgen van de assetgeschiedenis zonder puur te vertrouwen op institutioneel geheugen.

Maar die belofte komt met een addertje onder het gras dat gemakkelijk over het hoofd gezien kan worden in de haast om te implementeren: uit wat ik heb gezien, is agentic AI minder een modelprobleem dan een operationeel vertrouwensprobleem.

In asset-intensieve industrieën zoals nutsbedrijven, transport, mijnbouw, telecommunicatie en fabricage is een AI-agent alleen zo goed als de gegevens waarop hij handelt. Als die gegevens onvolledig, verouderd of inconsistent zijn, faalt de agent niet noodzakelijkerwijs luid. Hij kan zelfverzekerd falen, door werk aan het verkeerde asset aan te bevelen, een afhankelijkheid te missen, het risico te onderschatten of te verkeerd te beoordelen wat prioriteit moet krijgen.

Voer een agent slechte gegevens in, en hij zal de intelligentie niet schalen. Hij zal operationeel risico schalen.

Hetzelfde Oude Dataproblemen, op een Nieuwe Snelheid

De dataproblemen die agentic AI blootlegt, zijn niet nieuw. In meer dan 17 jaar werk aan systemen en enterprise asset management-implementaties, heb ik dezelfde problemen herhaaldelijk zien opduiken: gedupliceerde records, ontbrekende assetrelaties, inconsistentie in benamingen, verouderde criticaliteitsbeoordelingen en slechte foutencodering gedurende jaren.

Wat veranderd is, is niet de aard van deze problemen, maar hun potentieel bereik.

Een ervaren technicus kan een slechte record vóór het nemen van actie tegenhouden, door te putten uit jaren van institutioneel geheugen dat nooit in het systeem is vastgelegd. Een AI-agent heeft die instinct niet. Hij kan duizenden records veel sneller verwerken dan een persoon ze handmatig kan bekijken, waarbij hij dezelfde gebrekkige aanname op grote schaal toepast voordat iemand het merkt.

Het bredere enterprise-implementatieprobleem is al zichtbaar. Een voorlopig MIT Project NANDA-rapport vond dat 95% van de onderzochte organisaties geen meetbaar winst- en verlieseffect hadden behaald met hun generatieve AI-initiatieven. Het rapport schreef de kloof grotendeels toe aan leer- en integratiegaten, waaronder tools die geen context behielden of zich effectief aan bestaande workflows aanpasten. In asset-intensieve operaties waar een slechte aanbeveling fysiek apparatuur kan beïnvloeden in plaats van alleen een dashboard, is die kloof tussen AI-ambitie en datarealiteit nog consequentieel.

Waar Slechte Gegevens een Onveilige Beslissing Worden

In operationele omgevingen worden de gevolgen fysiek.

Neem onderhoudsprioritering. Als een agent geen recente storing, een vertraagde werkorder of een wijziging in de toestand van een asset kan zien, kan hij de verkeerde prioriteit toewijzen. Dit kan overbodig werk in één gebied creëren, terwijl een groter risico onopgelost blijft elders.

De inzet stijgt verder wanneer de assetrelaties zelf onjuist zijn. Dit is het scenario dat een rode vlag doet wapperen. Als een systeem de verbonden assets niet nauwkeurig weerspiegelt, welke apparatuur moet worden geïsoleerd voordat het werk begint, of welke beperkingen van toepassing zijn op een bepaalde site, kunnen de aanbevelingen van het systeem echt onveilig worden.

Daarom moeten organisaties goed nadenken voordat ze agentic AI volledige autonomie geven over kritieke beslissingen. Het vrijwillige NIST AI Risk Management Framework biedt een structuur voor het incorporeren van vertrouwen doorheen het hele levenscyclus van een AI-systeem, in plaats van het alleen aan te pakken na implementatie. AI kan informatie snel verzamelen, opties naar voren brengen en de bewijslast voor een aanbeveling samenvatten. Echter, wanneer veiligheid, compliance of servicetrouwbaarheid op het spel staan, moeten mensen betrokken blijven.

Ten minste initieel moet het doel zijn om AI te hebben die beslissingen ondersteunt, niet die ze alleen neemt.

Waarom Enterprise Asset Management de Basis Is, niet het Back Office

Enterprise asset management, of EAM, is waar operationele realiteit wordt georganiseerd. Het is waar werkorders, onderhoudsstrategieën, inspecties, goedkeuringen, assetrelaties en apparatuurgeschiedenissen worden geregistreerd en beheerd.

Een sterk EAM-fundament geeft een AI-agent betrouwbare operationele gegevens om mee te werken. Een zwak fundament zal waarschijnlijk bijna onmiddellijk worden blootgelegd. Een EY-analyse van AI-geactiveerd enterprise asset management benadrukt ook de rol van real-time gegevens en analyses bij het verplaatsen van organisaties van reactief naar proactief onderhoud.

In plaats van EAM te behandelen als een back-officesysteem, moeten organisaties die zich voorbereiden op agentic AI het behandelen als onderdeel van de operationele controlelaag. Het vormt wat de AI kan benaderen, welke processen het moet volgen, welke bewijslast het vertrouwt en waar menselijke goedkeuring nog steeds vereist is.

EAM helpt ook om de context achter een operationele beslissing te verschaffen. Een onderhoudsaanbeveling mag niet alleen gebaseerd zijn op de toestand van een individueel asset. Het kan ook afhankelijk zijn van de criticaliteit, recente storingen, verbonden apparatuur, beschikbare onderdelen, veiligheidsprocedures, crewbeschikbaarheid en het effect dat downtime zou hebben op de bredere operatie.

Zonder die context kan zelfs een technisch geavanceerde AI-agent de verkeerde koers van actie aanbevelen.

Is Uw Data Echt “AI-Klaar”?

In plaats van een brede en abstracte datakwaliteitsbeoordeling te lanceren, zijn organisaties beter gediend door te beginnen met een specifiek use case, zoals AI-ondersteund onderhoudsplanning, en gerichte vragen te stellen.

Dit zijn de vragen die ik eerst stel: Vertrouwen we de assethiërarchie? Is de faalgeschiedenis betrouwbaar? Zijn jobplannen actueel? Is crewbeschikbaarheid nauwkeurig? Zijn veiligheidsplannen up-to-date?

Gegevens hoeven niet perfect te zijn. Weinig organisaties zullen ooit perfecte operationele gegevens hebben. Ze moeten nauwkeurig, actueel en goed beheerd zijn, zodat AI de mensen die beslissingen nemen echt kan ondersteunen.

Deze aanpak maakt datageïmprovisatie ook beheersbaarder. In plaats van te proberen elke record in de hele organisatie schoon te maken, kunnen teams zich richten op de informatie die rechtstreeks van invloed is op de geselecteerde use case.

De risico’s van het verkeerd krijgen zijn niet gelijkmatig verdeeld. Industrieën waar digitale beslissingen fysieke operaties beïnvloeden, lopen het grootste risico, wat de reden is dat NIST een specifiek AI Risk Management Framework-profiel ontwikkelt om critical infrastructure-operatoren die AI-geactiveerde mogelijkheden gebruiken, te leiden. In een lager-risicoproces kan een slechte AI-aanbeveling overlast of extra werk veroorzaken. In een stroomnet, watersysteem, mijn, transportnetwerk of telecommunicatieomgeving kan het veiligheid, downtime, complianceproblemen of servicunderbrekingen veroorzaken.

Dat betekent niet dat deze industrieën agentic AI moeten vermijden. Het betekent dat ze meer doordacht moeten zijn over datakwaliteit, governance en menselijke toezicht voordat ze hun verantwoordelijkheden vergroten.

Een Praktische Weg naar Agentic AI

Een praktische implementatiepad begint met een specifiek use case waar AI waarde kan toevoegen zonder excessief risico te introduceren.

Van daaruit moet de organisatie de gegevens in kaart brengen waar de use case van afhankelijk is en eerlijk beoordelen of die informatie te vertrouwen is. Teams moeten dan de meest kritieke assetgegevens corrigeren, duidelijke eigenaarschap toewijzen en standaardiseren hoe werk, storingen en operationele wijzigingen worden geregistreerd.

De AI moet binnen bestaande governanceprocessen opereren, in plaats van eromheen. In de vroege stadia kan de agent planners, betrouwbaarheidsteams en technici ondersteunen door informatie te verzamelen, patronen te identificeren en mogelijke acties aan te bevelen.

Dit geeft de organisatie de tijd om de aanbevelingen van de agent te vergelijken met werkelijke resultaten, datagaten te identificeren en te bevestigen dat de noodzakelijke controles werken.

Pas nadat de resultaten zijn begrepen, moet de organisatie overwegen om de AI grotere verantwoordelijkheden te geven. Autonomie moet geleidelijk toenemen en alleen wanneer de geassocieerde risico’s duidelijk, gecontroleerd en auditeerbaar zijn.

Een succesvolle agentic AI-strategie koppelt AI aan vertrouwd assetdata en sterke EAM-workflows, ondersteund door duidelijke governance en menselijke verantwoordelijkheid. Deloitte’s 2026 State of AI in the Enterprise komt tot dezelfde conclusie van bovenaf, door een geünificeerd, vertrouwd datafundament te beschrijven als essentieel voor het schalen van AI. Organisaties blijven verantwoordelijk voor de acties die AI aanbeveelt of neemt. Die verantwoordelijkheid verdwijnt niet zodra een beslissing door een algoritme is gegenereerd.

Agentic AI moet zijn weg verdienen in operaties, niet worden overgedragen. Begin smal, controleer de aanbevelingen tegen wat er werkelijk gebeurt, los de datagaten op die naar voren komen, en breid de rol uit alleen wanneer het bewijs dit rechtvaardigt. Ik zou liever zien dat een agent een klein beetje vertrouwen verdient en behoudt, dan dat hij een grote hoeveelheid vertrouwen krijgt en verliest. In asset-intensieve industrieën is die geduld het verschil tussen AI die vertrouwen verdient en AI die het stil verliest.