Het verborgen probleem dat de adoptie van AI in de productie tegenhoudt

Iedereen in de productiewereld lijkt het over kunstmatige intelligentie te hebben. Predictive maintenance, geautomatiseerde kwaliteitscontroles, real-time supply chain-optimalisatie. Op papier beloven deze use cases minder downtime, hogere doorvoer en snellere, meer geïnformeerde besluitvorming. Maar ondanks alle opwinding en investeringen in AI-hulpmiddelen, worstelen veel fabrikanten nog steeds om van pilots naar echte resultaten te komen.

Het blijkt dat de grootste bottleneck niet een tekort aan algoritmes is, of zelfs een gebrek aan bewustzijn over het potentieel van AI. Het meest persistente, verborgen probleem is inefficiëntie. Specifiek, de kloof tussen AI-mogelijkheden en de verspreide, inconsistente operationele realiteit die op de meeste fabrieksvloeren wordt aangetroffen.

U hoeft niet ver te zoeken om dit probleem in cijfers te zien. Een onderzoek uit 2024 over de staat van de productie toonde aan dat terwijl 90% van de fabrikanten meldt dat ze op de een of andere manier AI in hun operaties gebruiken, 38% zich nog steeds achtergesteld voelt aan hun concurrenten qua implementatie en impact. Dit onthult een soort “impostersyndroom” waarbij technologie aanwezig is, maar nog niet transformatief is omdat het niet is geïntegreerd in de kernprocessen.

Tegelijkertijd toont een breed industrieonderzoek aan dat 65% van de fabrikanten gegevensuitdagingen noemt, variërend van toegang en opmaak tot integratie en governance, als de belangrijkste barrière voor de adoptie van AI, ver voorbij andere problemen zoals vaardigheden van de werkende bevolking of verouderde apparatuur.

Het probleem van gegevenskwaliteit gaat nog dieper. Een globale enquête onder IT- en zakenleiders, waaronder veel uit de productiesector, vond dat 87% het erover eens is dat goede gegevens essentieel zijn voor het succes van AI, maar slechts 42% de volledigheid en nauwkeurigheid van hun gegevens als uitstekend beoordeelt, en hetzelfde percentage zegt dat slechte gegevenskwaliteit een barrière is voor verdere AI-investeringen.

Deze bevindingen maken één ding duidelijk: fabrikanten zijn enthousiast om AI te benutten, maar de meesten hebben nog niet de operationele basis nodig om dit op een manier te doen die de onderneming echt vooruit helpt.

Waarom “AI-gereedheid” en echte adoptie niet hetzelfde zijn

Het is verleidelijk om gereedheid gelijk te stellen met adoptie. Maar onderzoek toont aan dat er een verrassende kloof tussen deze concepten bestaat. Een onderzoek dat is gepubliceerd in ScienceDirect geeft aan dat zelfs in gevallen waar bedrijven een hoog niveau van technische gereedheid voor AI laten zien, het daadwerkelijke adoptietarief, vooral in productiecontexten, vaak in de lage twee cijfers blijft.

Deze aarzeling is niet verrassend als je bedenkt hoe de productie traditioneel heeft gefunctioneerd. In tegenstelling tot data-gedreven industrieën zoals financiën of e-commerce, is de productie gericht op fysieke processen en machines, niet op gegevens. Een OECD-geleid rapport merkt op dat fabrikanten vaker AI-adoptiebarrières tegenkomen dan bedrijven in de informatie- en communicatietechnologie, deels omdat ze geen traditie van big-data-praktijken hebben en vaker afhankelijk zijn van verouderde systemen.

Wat dit in de praktijk betekent, is dat organisaties haasten om AI te testen zonder de benodigde gegevensinfrastructuur of workflowconsistentie op te bouwen die nodig is voor AI-hulpmiddelen om betrouwbare resultaten te leveren. Het is alsof je een high-performance-motor in een auto met een gebroken frame plaatst en verwacht dat deze het aankan.

Gegevens, processen en de “AI-reality gap”

Een van de meer openbarende kaders die binnen de industrie worden besproken, is het idee van de “reality gap”. In enquêtes geven fabrikanten consistent vertrouwen in hun AI-strategie op papier. Een meerderheid zegt dat AI een topprioriteit en een concurrentievoordeel is. Toch voelt slechts een klein fractie zich echt voorbereid om AI-projecten vandaag te implementeren.