Thought leaders
Voorbij de hype – Waar AI echt werkt in de maakindustrie

Belangrijkste puntenGebruik AI voor patroonherkenning, niet voor gezaghebbende redenering in de productie.
Meer weergeven
- Gebruik AI voor patroonherkenning, niet voor gezaghebbende redenering in de productie.
- Verdeel grote productieproblemen in kleinere, taalintensieve taken voor AI-agenten.
- Vermijd AI in veiligheidskritische operaties en real-time besturingssystemen met nauwe toleranties.
AI wordt gepositioneerd als de volgende industriële revolutie, maar veel leiders worstelen om hun enthousiasme om te zetten in praktische resultaten. Meer dan 80% van de leidinggevenden in de Amerikaanse maakindustrie zeggen dat ze hun gebruik van AI binnen de komende twee jaar willen vergroten, maar dat gebeurt niet altijd met een duidelijke strategie voor wat ze realistisch verwachten te bereiken.
Tussen de druk van het bestuur om iets met AI te doen en de realiteit van complexe productieomgevingen, groeit de kloof tussen verwachting en uitvoering. Die kloof moet worden gesloten als fabrikanten de voordelen van AI in hun bedrijven willen zien.
AI-adoptie gaat sneller dan gereedheid
Leidinggevenden in de maakindustrie weten tegenwoordig dat ze AI moeten adopteren om concurrerend te blijven. Een recente enquête van The National Association of Manufacturers (NAM) toonde aan dat 51% van de fabrikanten momenteel AI gebruiken en dat 80% AI essentieel zal vinden voor het uitbreiden of in stand houden van hun bedrijf.
Fabrikanten gebruiken deze technologie op allerlei verschillende manieren. AI heeft een enorm potentieel. Echter, in veel organisaties leveren investeringen in AI niet het beloofde rendement op.
Een recente enquête van PWC en het Manufacturing Institute toonde aan dat de druk van leiders om AI te adopteren de gereedheid tot AI-gedreven verandering kan overtreffen. Dezelfde enquête toonde ook aan, in hun woorden:
- Onevenwichtige AI-adoptie kan de integratie in dagelijkse operaties vertragen
- Vooruitgang op de AI-adoptiecurve vereist training en het opbouwen van vaardigheden door praktische ervaring
- Menselijke tekortkomingen en hiaten in de gereedheid kunnen AI-adoptie beperken
- Beperkte input van frontline-leiders kan AI-adoptie en -uitvoering beperken
De oplossing vinden
In plaats van AI te behandelen als een universele oplossing, moeten leiders onderscheid maken tussen toepassingen waarin AI uitblinkt – zoals het verbeteren van de interactie tussen mens en systeem, het vastleggen van operationele kennis en het vereenvoudigen van complexe workflows – en gebieden waarin het nog steeds slecht geschikt is, zoals precisiebesturing en herhaalbare besluitvorming in productieomgevingen.
Een goede plek om dit toe te passen is tijdens uw verkoopproces. Veel fabrikanten willen het geleide verkoopproces met AI verbeteren. Ze moeten beginnen met zich te concentreren op de doelen of resultaten van de klant in plaats van hen te vragen specifieke parameters over een product te kiezen.
Hier is een persoonlijk voorbeeld: ik kocht onlangs mijn eerste elektrische auto (EV). Ik ging naar de website van de EV-fabrikant en het eerste wat ik zag waren de technische parameters, zoals bereik: 360-558 km. Dat is een groot bereik, maar ik weet wat het betekent. Maar pk? Geen idee. En verbruik? Nu had ik echt geen idee; is verbruik goed of slecht? Zal het een verschil maken voor de jaarlijkse skireis van mijn familie, die mij momenteel ongeveer zeven uur kost? Dat is het soort informatie dat me echt zou helpen bij mijn beslissing.
Als ik een AI had om over wat ik belangrijk vind te praten, zou de EV-fabrikant begrijpen wat voor mij belangrijk is en die prioriteiten omzetten in de technische specificaties die voor mij geschikt zijn.
Nog een voorbeeld is het gebruik van AI-agents om complexe problemen in kleinere stukjes te breken. Agents plannen en voeren multi-stapdoelen uit. Om het meeste uit deze agents te halen, moeten de taken vooral op taal gericht zijn.
Sommige ingenieursorganisaties nemen deze aanpak als het gaat om het beheren van complexe vereisten. Soms is de informatie verspreid over honderden of duizenden documenten en is het formaat niet gestandaardiseerd. Als je een traditioneel softwaresysteem zou bouwen om al deze informatie te importeren, zouden er te veel regels en uitzonderingen op die regels zijn. Aangezien AI goed is in patroonherkenning, hoef je niet elke afzonderlijke regel over hoe je die documenten moet interpreteren op te schrijven.
Beste praktijken voor AI in de fabricage
Grote problemen in kleinere taken breken. AI heeft een beperkt werkgeheugen. Als je het te veel gegevens of een te breed probleem geeft, kan het de context verliezen en beginnen te hallucineren terwijl het toch een antwoord probeert te geven. Om dit risico te verkleinen, moet je grote taken in kleinere componenten verdelen en de resultaten samenvoegen – een gebied waarin agentframeworks bijzonder effectief worden.
Gebruik AI voor patroonherkenning, niet voor gezaghebbende redenering. AI is goed in patroonherkenning en het identificeren van relaties, maar het is niet goed voor logica en redenering. Bijvoorbeeld, de „redeneer-“ en wiskundige vaardigheden ervan zijn voorspelling, niet berekening. Dus, de uitkomsten kunnen inzichtelijk lijken, maar zijn niet gegarandeerd correct, tenzij je de AI verbindt met een ander systeem dat de resultaten kan valideren. In deze benadering kan de AI de workflow orkestreren, maar je hebt een expliciete beslissing genomen over waar de operationele grenzen liggen.
AI in de fabricage kan echte waarde creëren, maar er zijn specifieke scenario’s waarin het risico de voordelen overtreft. Dat omvat veiligheids- en kwaliteitskritische operaties. Het omvat ook scenario’s met weinig gegevens of zeer nieuwe scenario’s, omdat AI slecht presteert wanneer het niet genoeg relevante gegevens heeft gezien. Streng gereguleerde omgevingen zijn een andere uitdaging, omdat AI nog steeds geen echte traceerbaarheid heeft. Real-time besturingssystemen met strakke toleranties zijn een andere plek waar AI moet worden vermeden, aangezien AI-latentie of instabiliteit onaanvaardbaar kan zijn in hoge-snelheidsprocessen.
Van hype naar praktische toepassing
AI is geen panacee voor alle fabricageproblemen. Maar door de echte use cases en veelvoorkomende misvattingen te overwegen, kunnen fabrikanten een meer evenwichtige aanpak van AI adopteren. Op korte termijn is het belangrijkste punt om AI te gebruiken voor wat het het beste doet: problemen die een hoge mate van patroonherkenning vereisen. Gebruik het niet voor gevallen die voorspelbaarheid, consistentie, logica of berekeningen vereisen.
Fabrikanten kunnen door de ruis heen kijken en identificeren waar AI echt waarde levert vandaag. Het doel is niet om de adoptie te vertragen, maar om ervoor te zorgen dat organisaties AI inzetten waar het de productiviteit en besluitvorming op een betekenisvolle manier verbetert, in plaats van alleen maar de industrie-hype te volgen.












