Industrieën over de hele wereld gaan een nieuwe transformatiefase in die wordt aangedreven door data en artificial intelligence. Stijgende energiekosten, verstoringen in de toeleveringsketen, duurzaamheidsvereisten en een groeiende talentkloof dwingen fabrikanten om opnieuw na te denken over hoe ze werken en innoveren.

In dit gesprek voor The Bridge, Artefact's Alexandre Thion de la Chaume, Managing Partner & Global Industry Lead, en Florence Bénézit, Partner en Global Manufacturing Lead, onderzoekt de belangrijkste uitdagingen van AI in de industrie en fabricage, en de voorwaarden waaraan moet worden voldaan om van AI een echte motor voor prestaties, innovatie en veerkracht te maken.

Wereldwijde industrie op een keerpunt

Het huidige industriële landschap is sterk gefragmenteerd. Het omvat grote multinationale fabrikanten met wereldwijde productienetwerken, maar ook duizenden gespecialiseerde kleine en middelgrote ondernemingen die in nichemarkten opereren. Ondanks hun verschillen staan deze organisaties voor veel van dezelfde structurele uitdagingen.

“Industriële spelers zijn zeer heterogeen wat betreft omvang, maturiteit en voortgang van de transformatie,” aldus de CEO.” legt Alexandre uit. “Maar ze worden allemaal geconfronteerd met stijgende kosten, een complexe toeleveringsketen en toenemende verwachtingen op het gebied van duurzaamheid.”

Verschillende trends zetten industriële waardeketens onder druk:

  • Hogere energie- en grondstofkosten
  • Toenemende volatiliteit van de toeleveringsketen
  • Een tekort aan technisch en digitaal talent
  • Strengere eisen op het gebied van duurzaamheid en regelgeving

Tegelijkertijd moeten fabrikanten inspelen op de stijgende vraag naar meer op maat gemaakte producten. Deze verschuiving naar personalisatie vereist flexibelere productiesystemen en een betere data infrastructuur. “Klanten verwachten steeds vaker producten die op maat gemaakt zijn voor zeer specifieke behoeften,” aldus de klant.” Notities Florence. “Dat vereist industriële processen die zich snel kunnen aanpassen, en data speelt een centrale rol in het mogelijk maken van die flexibiliteit.”

Het moderniseren van fabrieken en het integreren van data-driven besluitvorming wordt daarom niet alleen essentieel voor het concurrentievermogen, maar ook voor het aantrekken van geschoolde werknemers die moderne digitale omgevingen verwachten.

AI in de industriële waardeketen

Kunstmatige intelligentie biedt krachtige hulpmiddelen om deze uitdagingen in de hele industriële waardeketen aan te gaan. In plaats van beperkt te zijn tot productieomgevingen, kan AI de besluitvorming op meerdere gebieden van het bedrijf ondersteunen. “AI kan worden gebruikt om de vraag beter te voorspellen en de toeleveringsketen beter op elkaar af te stemmen,” aldus de CEO.” zegt Alexandre. “Het kan de veiligheid in fabrieken verbeteren, activiteiten optimaliseren en functies zoals marketing, juridisch of HR verbeteren.”

In het verleden waren veel industriële AI-toepassingen gericht op gebieden zoals voorspellingen, kwaliteitscontrole en energie-optimalisatie. Deze use cases blijven belangrijk en worden nu op grote schaal toegepast in veel sectoren. De komst van generatieve AI heeft de mogelijkheden echter aanzienlijk uitgebreid, waardoor bedrijven:

  • Productontwerp en -configuratie versnellen
  • Veiligheidstraining en het delen van operationele kennis verbeteren
  • Complexe workflows en documentatie automatiseren
  • B2B verkoop- en voorstelbeheer verbeteren

Florence wijst erop hoe generatieve AI de interacties tussen werknemers en industriële systemen een nieuwe vorm kan geven: “In de toekomst kan een operator een bot gewoon vragen naar de veiligheidsprocedures met betrekking tot een werkplek. AI zal de manier veranderen waarop we in fabrieken met kennis omgaan.” Deze evolutie heeft het potentieel om de toegang tot complexe technische informatie te vereenvoudigen en tegelijkertijd de productiviteit en operationele veiligheid te verbeteren.

Bewezen gebruiksscenario's die een meetbare impact hebben

Hoewel veel AI-toepassingen nog in opkomst zijn, leveren sommige use cases al meetbare resultaten op in industriële omgevingen. Een van de meest volwassen toepassingen is predictief onderhoud. Door machine data in realtime te analyseren, kunnen AI-modellen storingen in apparatuur voorzien en onderhoud aanbevelen voordat er storingen optreden. “Voorspellend onderhoud kan de onderhoudskosten en stilstandtijd met ongeveer 30 procent verminderen,” aldus de directeur.” Alexandre merkt op.

Een ander belangrijk gebruik betreft de automatisering van operationele workflows door middel van AI-agenten. Industriële bedrijfsprocessen omvatten vaak meerdere data bronnen, interfaces en opeenvolgende taken. AI-gestuurde automatisering kan deze workflows vereenvoudigen en de verwerkingstijd aanzienlijk verkorten. In sommige gevallen hebben bedrijven reducties van 70 tot 75 procent in procesduur door automatisering, AI en verbeterde gebruikersinterfaces te combineren.

AI verandert ook de klantenservice in industriële sectoren waar producten zeer technisch zijn en catalogi duizenden referenties kunnen bevatten. Traditioneel moesten klantenserviceteams talrijke documenten en data-bases doorzoeken om technische vragen te beantwoorden. Met generatieve AI kunnen operators nu productinformatie opvragen via één enkele interface, waardoor sneller antwoord geven aan klanten en minder vaak teruggebeld worden, en verbetert zowel de efficiëntie als de klanttevredenheid.

Data: De basis van industriële AI

Ondanks deze mogelijkheden blijft het inzetten van AI in de industrie een uitdaging. Het grootste obstakel is niet de technologie zelf, maar de kwaliteit en beschikbaarheid van data. “In veel industriële bedrijven is data gefragmenteerd, moeilijk toegankelijk of slecht gestructureerd,” aldus de directeur.” Florence merkt op. Twee soorten data zijn bijzonder kritisch:

  • Product data, waarin productspecificaties en configuraties worden beschreven
  • Operationeel data, gegenereerd door machines, sensoren en fabriekssystemen

Product data wordt vaak beheerd via Productlevenscyclusbeheer (PLM) systemen, maar deze platforms zijn niet altijd volledig geïmplementeerd of gestandaardiseerd binnen organisaties. Fabrieksmatige data vormt een extra uitdaging. Het wordt in realtime gegenereerd, kan van productielocatie tot productielocatie verschillende standaarden volgen en vereist vaak grootschalige data verzamelprogramma's om bruikbaar te worden.

Beveiligingsoverwegingen voegen nog een laag complexiteit toe. Industriële omgevingen werken met een sterke veiligheidscultuur, en elk digitaal systeem dat met machines verbonden is, moet aan strenge cyberbeveiligingseisen voldoen. “Er werken mensen achter die machines,” zei hij.” Florence benadrukt. “Veiligheid moet altijd de hoogste prioriteit hebben.”

Bestuur en vertrouwen in AI-systemen

Naast data infrastructuur is governance een ander essentieel element voor een succesvolle AI-implementatie in de industrie. Industriële organisaties werken meestal in omgevingen waar fouten aanzienlijke gevolgen kunnen hebben voor de bedrijfsvoering of de veiligheid. Daarom zijn ze geneigd om AI voorzichtig toe te passen.

Generatieve AI-systemen kunnen bijvoorbeeld af en toe onjuiste output produceren. Dit kan acceptabel zijn in sommige digitale contexten, maar vereist zorgvuldig beheer in industriële omgevingen. Governance frameworks helpen organisaties evenwicht vinden tussen innovatie en risicobeheer. Dit omvat:

  • Duidelijke data kwaliteitsnormen definiëren
  • De prestaties van het AI-systeem bewaken
  • Processen instellen om fouten op te sporen en te corrigeren

Florence brengt ook de opkomende uitdaging van agentkwaliteit naar voren. Als bedrijven AI-agents inzetten om processen te automatiseren, hebben ze mechanismen nodig om de betrouwbaarheid en nauwkeurigheid van deze systemen te evalueren. “Net zoals we vandaag de dag de kwaliteit van data bewaken, zullen we binnenkort de kwaliteit van AI-agenten moeten bewaken,” aldus de directeur.” zegt ze.

Conclusie: Bouwen aan de industriële AI-fundament

Kunstmatige intelligentie ontwikkelt zich snel tot een belangrijke motor voor transformatie in industriële waardeketens. Van voorspellend onderhoud tot automatisering van workflows en verbeterde klantenondersteuning, AI levert nu al het volgende op meetbare verbeteringen in productiviteit en operationele efficiëntie. Tegelijkertijd is er voor een succesvolle implementatie meer nodig dan alleen het overnemen van nieuwe technologieën.

Industriële organisaties moeten sterke data foundations opbouwen, robuuste governance frameworks implementeren en ervoor zorgen dat AI-systemen in een veilige en gecontroleerde omgeving worden ingezet.

Door te investeren in data kwaliteit, bestuur en moderne digitale infrastructuur, kunnen industriële bedrijven het volledige potentieel van AI ontsluiten en veerkrachtigere, efficiëntere en innovatievere waardeketens voor de toekomst bouwen.

 

Bekijk het originele interview in het Frans: