6 manieren waarop AI de hardwareontwikkelcyclus voor startups kan versnellen

Tussen een idee en een fysieke test doorlopen hardwareteams steeds dezelfde reeks stappen. Iemand schetst een wijziging, iemand zet die om in CAD, het team controleert de geometrie, kiest een materiaal, beoordeelt of het product maakbaar is, stuurt het naar de productie, wacht, krijgt een onderdeel, test het en begint opnieuw. Het product kan nieuw zijn, maar de cyclus is vertrouwd, en AI begint onderdelen ervan te versnellen.

AI-gebruik in bedrijven is inmiddels gemeengoed. Uit de 2026 Stanford AI Index bleek dat 88% van de ondervraagde organisaties in 2025 AI gebruikten in ten minste één bedrijfsfunctie en dat 70% ergens in de organisatie generatieve AI toepaste.

Voor hardwareteams is de vraag specifieker. Het draait om de hoeveelheid tijd die AI kan besparen tussen het besluit om een onderdeel te wijzigen en het testen van de nieuwe versie. Door mijn werk met klanten in de robotica- en hardwaresector zie ik waarom dat belangrijk is. Van de 30.000 3D-geprinte onderdelen doorliep meer dan 30% een spoedproductieschema. In dat tempo is uren besparen vóór de productie net zo belangrijk als tijd besparen op het printen zelf.

Hier zijn zes manieren waarop AI nu al kan helpen.

1. Zet een ruwe idee om in iets dat je kunt bewerken

Voor klanten zonder ervaring met CAD is de eerste drempel vaak niet de productie zelf. Het gaat om het maken van een model dat kan worden beoordeeld, aangepast en uiteindelijk geproduceerd. Niet elke hardwarewijziging leidt tot 3D-printen, maar voor veel vroege prototypes, behuizingen, beugels, opspanmiddelen, afdekkingen en vervangingsonderdelen is 3D-printen vaak de snelste manier om een fysiek testonderdeel te maken.

Een oprichter met een goed idee maar zonder CAD-opleiding moest iemand inhuren voordat die wist of het de moeite waard was om het idee verder uit te werken. Dat verandert. We ontvangen nu modellen die met hulp van AI zijn gemaakt door mensen zonder formele CAD-achtergrond. De geslaagde modellen beginnen zelden met één enkele prompt. Mensen leveren afmetingen, foto’s, metingen, referentieobjecten en een handgetekende schets aan, waarna AI helpt die informatie om te zetten in een eerste model dat ze kunnen aanpassen.

Ook het onderzoek ontwikkelt zich in die richting. Tijdens ICML 2025 combineerde CADFusion grote taalmodellen met visuele feedback om parametrische CAD-reeksen op basis van tekst te genereren. Het gaat om onderzoek, niet om een vervanging van professionele CAD, maar het laat zien hoe snel hulpmiddelen die natuurlijke taal omzetten in CAD zich verbeteren.

Voor een startup is de praktische winst dat je sneller een eerste bewerkbaar 3D-model hebt. Een oprichter kan een prompt schrijven: “Ik heb een afdekking nodig voor deze behuizing. Dit zijn de afmetingen, deze vier schroeven moeten bereikbaar blijven en dit oppervlak mag niet hoger uitkomen dan dit.” Het resultaat is misschien niet het uiteindelijke onderdeel, maar het is veel bruikbaarder dan een leeg CAD-scherm.

2. Verken meer versies voordat je één prototype maakt

Elke fysieke versie kost geld aan materiaal, machinetijd en verzending. Na de productie kan een team ontdekken dat een beugel niet past bij de omliggende constructie of dat een bevestigingspunt moet worden verplaatst. Hoe eerder zulke vragen digitaal worden onderzocht, hoe minder onnodige fysieke iteraties het team mogelijk nodig heeft.

AI kan meer van dat experimenteren naar de digitale fase verplaatsen. Een team kan alternatieve geometrieën opvragen, afmetingen aanpassen en ontwerpen vergelijken voordat het beslist welke versies het waard zijn om als prototype te maken. Dat betekent niet dat het doel altijd is om maar één fysieke versie te maken. Teams kunnen nog steeds verschillende fysieke versies bestellen, met uiteenlopende ontwerpen of materialen. We zien al dat klanten meerdere genummerde versies van hetzelfde onderdeel indienen, meestal niet omdat er iets is misgegaan, maar omdat ze meer opties verkennen voordat ze geld aan productie besteden.

Volgens schattingen van McKinsey kunnen generatieve ontwerptools onderdelen van R&D in de auto-industrie met 10% tot 20% verbeteren. Eén leverancier meldde productiviteitswinst tot 30% toen ingenieurs generatieve AI gebruikten bij het uitwerken van vereisten.

Die cijfers zijn geen universele belofte voor hardwareontwikkeling. De kern is eenvoudiger: digitaal experimenteren wordt goedkoper, en hoe goedkoper het wordt, hoe selectiever teams kunnen zijn in wat ze naar de productie sturen.

3. Stel eerder vragen over de maakbaarheid

Een 3D-model is maar de helft van het werk. Daarna komen de praktischere vragen. Kan deze geometrie daadwerkelijk worden geproduceerd? Welk productieproces is geschikt? Welk materiaal? Is een wand te dun? Levert een bepaald kenmerk problemen op bij het printen?

Geef een AI-tool informatie over de beoogde functie van het onderdeel, samen met een render of een eenvoudig 3D-model, en vaak kan die al technologieën, materialen en mogelijke problemen met de geometrie voorstellen voordat het bestand de productie bereikt. De tool kan ingenieurs ook helpen eerder na te denken over afwegingen bij materiaalkeuze, bijvoorbeeld of een standaardmateriaal, een met koolstofvezel gevuld materiaal of een met glasvezel gevuld materiaal geschikter is voor een specifiek model en gebruiksdoel.

Zo kunnen sommige vragen die te voorkomen zijn eerder in het ontwerpproces aan bod komen, voordat het team tijd en geld besteedt aan een fysieke iteratie. Het is een eerste beoordeling, een hulpmiddel voor een voorselectie, geen technische goedkeuring. Dat onderscheid wordt belangrijker naarmate onderdelen van prototypes uitgroeien tot functionele samenstellingen.

4. Geef AI de context die niet in het CAD-bestand staat

Alleen de geometrie vertelt maar een deel van het verhaal. Vraag AI om vier gaten aan je onderdeel toe te voegen en dat is precies wat het zal doen. Maar AI weet niet waarvoor die gaten dienen en kan dus alleen hun grootte, type en positie raden. Als je die details niet in de prompt vermeldt, worden het aannames.

Onlangs zagen we een ontwerp met meerdere onderdelen die in elkaar konden worden gezet, maar gaten die over verschillende onderdelen heen moesten uitlijnen, sloten niet zo nauwkeurig op elkaar aan als een ervaren ingenieur ze zou hebben geplaatst. De geometrische kenmerken waren aanwezig, maar de logica van de assemblage was niet goed overgebracht.

De regel voor hardwareteams is eenvoudig: beschrijf wat het onderdeel moet doen, niet alleen hoe het eruit moet zien. Leg uit hoe het onderdeel in het echte product werkt: waarop het wordt aangesloten, waar de kracht naartoe gaat en welke afmetingen niet mogen veranderen. Meer context leidt tot betere geometrie.

5. Automatiseer routinestappen vóór de productie

Zodra een team een CAD-bestand verstuurt om iets 3D te laten printen of extern te laten produceren, begint een andere workflow. Afhankelijk van de opdracht kunnen daar allerlei routinecontroles en coördinatiestappen bij komen kijken voordat de productie kan beginnen. Het zijn kleine stappen, maar samen zorgen ze ervoor dat er uren of dagen voorbijgaan voordat er iets in beweging komt.

Basistaken zoals prijsbepaling, intake en een eerste beoordeling van de maakbaarheid kunnen al behoorlijk betrouwbaar worden geautomatiseerd. Eenvoudige onderdelen van standaardmaterialen kunnen bovendien verder door het proces gaan zonder routinematige menselijke tussenkomst. In Deloitte’s 2025 Smart Manufacturing Survey, waaraan 600 leidinggevenden van grote fabrikanten met activiteiten in de VS deelnamen, bleek dat 24% generatieve AI al had ingezet op het niveau van een productielocatie of netwerk, terwijl nog eens 38% ermee experimenteerde.

Bij Upside Parts werken we aan een intern systeem dat meerdere AI-agenten inzet om binnenkomende bestellingen te beoordelen op factoren zoals geometrie, materiaal, productieprofiel en de gereedheid van machines. Voor geschikte opdrachten is het doel een goedgekeurde bestelling binnen enkele minuten richting productie te sturen, in plaats van te wachten op routinematige coördinatie. Ongebruikelijke geometrie, gespecialiseerde materialen, onduidelijke vereisten of bestellingen met een hoger risico worden daarbij nog steeds doorgestuurd voor menselijke beoordeling. . De printer zelf wordt er niet sneller door. Een onderdeel kan nog altijd uren nodig hebben om te printen, maar door de wachttijd vóór de start van de productie te verkorten, wordt de volledige doorlooptijd korter.

6. Weet wanneer menselijke beoordeling nog steeds belangrijk is

AI werkt het best bij eenvoudige onderdelen met duidelijke vereisten en standaardmaterialen, waarbij problemen makkelijker te signaleren en te verhelpen zijn. Bij complexe onderdelen ligt dat anders: daar kost een fout veel meer dan een paar minuten extra beoordeling.

Daar komt menselijk inzicht meer van pas. De routekaart van NIST voor 2026 voor AI en machine learning in slimme productie wijst op dezelfde grens. Het document noemt additive manufacturing, autonome systemen, robotica en digitale tweelingen als gebieden waarop AI vooruitgang boekt, en stelt tegelijk dat AI in industriële omgevingen betrouwbaar, uitlegbaar en betrouwbaar moet functioneren.

We zien het dagelijks. Een AI-systeem kan een routinematig onderdeel beoordelen en het probleem oplossen dat eraan is voorgelegd. Een ervaren productie-ingenieur kan naar een lastig onderdeel kijken en besluiten dat het probleem verkeerd is geformuleerd.

Sneller naar de volgende test

Hardware moet altijd rekening houden met de natuurkunde, dus fysieke tests blijven belangrijk. AI neemt die stap niet weg. Het helpt bij het digitale werk dat eraan voorafgaat. Ontwerpaanpassingen en controles op maakbaarheid vinden plaats voordat materiaal een onderdeel wordt, en elk van die stappen verloopt steeds sneller.

Voor een startup of een klein engineeringteam betekent dat meer nuttige testrondes met hetzelfde aantal mensen. Het volledige traject van prompt tot afgewerkt onderdeel is nog niet betrouwbaar voor elk productiescenario. Er zijn te veel materialen en uitzonderingssituaties die in de weg staan. Maar onderdelen van dat traject werken al, en zodra de wachttijd tussen de stappen afneemt, kunnen hardwareteams sneller aan hun volgende iteratie beginnen.