Hoe AI de kwaliteitscontrole in de auto-industrie verandert

Kwaliteitsgebreken zijn kostbaar. In 2025 betaalden Amerikaanse autofabrikanten $20,81 miljard aan garantieclaims uit, en volgens de National Highway Traffic Safety Administration werden meer dan 29 miljoen voertuigen teruggeroepen. Al deze cijfers waren terug te voeren op een defect onderdeel dat over het hoofd was gezien of niet goed was geïnspecteerd—of het nu ging om een fout tijdens het ontwerp- en/of inspectieproces, of om iets wat met het voertuig gebeurde nadat het naar een klant was verzonden.

Bij het opsporen van defecten aan de productielijn spelen steeds meer en steeds complexere factoren een rol. Functies die vroeger mechanisch waren, worden nu aangestuurd door software. Ook zijn de toleranties voor mechanische onderdelen en accu’s van elektrische voertuigen kleiner, waardoor er weinig ruimte is voor fouten. Bovendien zorgen wereldwijde toeleveringsketens voor variatie die één fabriek niet volledig in de hand kan houden. Dat zijn allemaal extra redenen om ervoor te zorgen dat je over het juiste proces beschikt om defecten aan de productielijn op te sporen. 

Kunstmatige intelligentie biedt kwaliteitsmedewerkers een heel nieuw instrumentarium. In plaats van na de productie een steekproef van onderdelen te controleren en te hopen dat er geen problemen over het hoofd worden gezien, kunnen fabrikanten nu elk onderdeel in realtime monitoren en trends of afwijkingen opsporen voordat die tot defecten leiden. Ik werk al jaren met autofabrikanten, bandenfabrikanten en batterijfabrikanten aan deze problemen. Daarom wil ik bespreken wat er daadwerkelijk verandert en wat er nodig is om deze programma’s te laten slagen.

Problemen opsporen voordat ze zich opstapelen

De grootste verandering die AI voor kwaliteitscontrole met zich meebrengt, is schaalvergroting. Door alle producten aan de productielijn te controleren, kun je afwijkingen opsporen voordat ze defecten worden. Fouten maken is menselijk. Als je dus slechts een steekproef van de productielijn controleert en vertrouwt op medewerkers die je product visueel inspecteren, kunnen afwijkingen over het hoofd worden gezien. Dat kan komen door menselijke fouten, bijvoorbeeld doordat iemand een defect niet visueel kan herkennen, of doordat vermoeidheid toeslaat en medewerkers minder nauwkeurig worden dan aan het begin van hun dienst.

De vooruitgang op het gebied van camera’s en AI, en de combinatie van die technologieën, kunnen de auto-industrie grote voordelen opleveren. Je kunt niet alleen meer defecten aan de productielijn opsporen, maar vooral ook problemen detecteren voordat ze zich voordoen. Fabrikanten gebruiken AI om defecten tijdens virtuele tests op te sporen en zetten die technologie inmiddels in om mogelijke storingen te voorspellen én nieuwe tests voor hun producten te ontwikkelen. Bovendien kun je met AI aan de productielijn meer defecten opsporen dan ooit tevoren. Uit onderzoek van McKinsey bleek dat fabrikanten met AI aan hun productielijn 90% meer defecten konden opsporen.

Inspecties die zichzelf verbeteren

Meer defecten opsporen is maar een deel van het verhaal. Een tweede verandering is dat AI-gestuurde inspecties na verloop van tijd steeds beter worden, in plaats van onveranderd te blijven. Er worden niet alleen meer defecten gevonden: een AI-systeem analyseert ook alle ingevoerde gegevens en leert daarvan. Door AI te gebruiken om de uitvoer van machines te voorspellen, kun je detecteren wanneer machines niet volgens de specificaties presteren. Als machines buiten de toleranties dreigen te komen, kun je het systeem waarschuwen en het de machine-instellingen laten aanpassen. Zo brengt het de uitvoer weer binnen de toleranties en voldoen de producten weer aan de specificaties.

Een voorbeeld uit de bandenindustrie is het lassen van banden. Met AI en beeldherkenning bij het lasproces kun je het aantal lassen buiten de toleranties verminderen en tegelijkertijd de prestaties verbeteren. Een voorbeeld uit de auto-industrie is hoe we de naadbreedte en vlakligging in de carrosserie- of laswerkplaats verbeteren. Doordat je het systeem hebt laten leren van actuele en historische gegevens, weet het hoe een goede lasnaad eruitziet en welke geometrische toleranties goed zijn. Vervolgens kan het de procesvariabelen van machines en de robotica in realtime aanpassen om binnen de toleranties te blijven. Deze leercyclus onderscheidt moderne AI-inspectie van eerdere vormen van automatisering. De normen blijven consistent tijdens verschillende diensten, aan verschillende productielijnen en zelfs in fabrieken in uiteenlopende regio’s. Dat is belangrijk voor bandenfabrikanten en autofabrikanten die wereldwijd in meerdere vestigingen met dezelfde systemen en modellen werken.

Van waarborg naar strategisch voordeel

Kwaliteitscontrole werd lange tijd gezien als een waarborg: een laatste controle om te voorkomen dat ondeugdelijke onderdelen bij klanten terechtkomen. AI maakt er iets van dat meer weg heeft van een strategisch instrument. 

Je kunt niet alleen meer defecten opsporen, maar ook achterhalen waar ze ontstaan. Met een beter inzicht in je processen kun je trends herkennen en problemen oplossen voordat ze ernstig worden. Zodra je weet waar deze defecten ontstaan, kun je het percentage producten dat in één keer goed is verhogen en het uitval- en herstelpercentage verlagen. Door minder uitval en herstelwerk kun je vervolgens de doorvoer verhogen.

De belangrijkste meetwaarden zijn hier niet ingewikkeld. Het percentage producten dat in één keer goed is, het uitval- en herstelpercentage, klantklachten en de nauwkeurigheid van inspecties bestonden al vóór AI. Het verschil is hoe snel en consistent fabrikanten deze waarden kunnen meten en ernaar kunnen handelen. Een defect dat aan de productielijn wordt ontdekt, kost veel minder dan een defect dat na de assemblage wordt gevonden. En een defect dat na de assemblage wordt ontdekt, kost veel minder dan een defect dat bij een klant terechtkomt en leidt tot een garantieclaim of terugroepactie.

Waarom zoveel AI-programma’s vastlopen

Dit gebeurt natuurlijk niet vanzelf. Alleen omdat je camera’s en AI-software aanschaft, betekent dat nog niet dat je meer defecten zult opsporen. Fabrikanten die deze processen met succes hebben ingevoerd, hebben een aantal belangrijke dingen anders aangepakt. Ze brachten een knelpunt op hun productielijn in kaart en probeerden dat met AI op te lossen, in plaats van meteen met AI aan de slag te gaan en te zoeken naar toepassingen. Ook zorgden ze ervoor dat ze meetbare doelen hadden waaraan ze hun resultaten konden toetsen. Zodra je weet dat je pilot succesvol is, kun je bekijken hoe je het proces naar andere delen van de productielijn kunt opschalen.

Verder is het belangrijk dat je team over de juiste vaardigheden beschikt. Misschien weet je kwaliteitsteam alles over het proces, maar heeft het nog nooit met machinelearning gewerkt. Of misschien weet je data-scienceteam alles over machinelearning, maar heeft het geen inzicht in wat er op de productielijn gebeurt. Als je ervoor zorgt dat je over deze multidisciplinaire vaardigheden beschikt, en ook ervaring hebt met opschaling, kun je deze processen op je productielijn en in al je bedrijfsactiviteiten invoeren.

Waar dit naartoe gaat

In de auto-industrie bepaalt kwaliteit al sinds jaar en dag de reputatie. Eén afwijking die de markt bereikt, kan leiden tot terugroepacties die honderden miljoenen dollars kosten en jarenlang opgebouwd vertrouwen van klanten ondermijnen. AI biedt een manier om zo’n afwijking eerder op te sporen, te begrijpen waarom die is ontstaan en te voorkomen dat die terugkeert, op elke productielijn en in elke fabriek, in plaats van één voor één.

De fabrikanten die momenteel echt waarde halen uit AI zijn niet per se degenen met de meest geavanceerde technologie. Het zijn fabrikanten die kwaliteit beschouwen als een systeem dat je moet begrijpen en voortdurend moet verbeteren, waarbij AI een onderdeel van dat systeem is en niet het hele systeem. Naarmate voertuigarchitecturen zich blijven ontwikkelen en de productievolumes blijven stijgen, wordt die discipline alleen maar belangrijker.