Definitie uitleg
•
28.07.2026
Leestijd:
4
Waarom AI-pilots in de fabriek stranden
Bijna negen van de tien fabrikanten zijn een AI-pilot gestart. Slechts een kwart heeft er ooit één in productie gekregen. Het probleem is niet de AI, het is wat eronder ontbreekt. Over de kloof tussen AI-pilot en werkvloer, en wat de fabrieken die wél slagen anders doen.
Ben Spaninks
De cijfers die niemand in de demo laat zien
Uit de Future of Manufacturing-studie van Deloitte onder bijna 600 productiebedrijven: 87% is een generative AI-pilot gestart. Slechts 24% heeft het in minstens één fabriek daadwerkelijk in gebruik. En maar 10% netwerkbreed.
Het beeld wordt bevestigd in Deloitte's 2025 Smart Manufacturing and Operations Survey: 24% draait generative AI op fabrieksniveau, terwijl 38% nog in de pilotfase zit.
Lees dat nog eens. Negen van de tien fabrieken experimenteren met AI. Driekwart daarvan komt nooit voorbij het experiment.
Het probleem is niet gebrek aan interesse. Niet gebrek aan budget. En ook niet de AI zelf, de modellen zijn beter dan ooit. Het probleem zit een laag dieper.
Waarom AI-pilots in de fabriek stranden
Wij zien in de praktijk steeds hetzelfde patroon. De pilot start met een indrukwekkende demo: een chatbot die vragen beantwoordt over storingen, een dashboard dat voorspelt wanneer een machine uitvalt. De directie is enthousiast. En dan begint het echte werk en loopt het vast op drie muren:
Muur 1 — De data blijkt niet te bestaan.
De AI moet leren van wat er op de vloer gebeurt. Maar wat er op de vloer gebeurt, staat nergens. De omsteltijden zitten in het hoofd van de teamleider. De reden waarom order X uitliep staat op een papiertje dat al is weggegooid. Waarom die ene machine op maandag altijd hapert, weet alleen André — en die heeft het nooit ergens ingevoerd. Een AI zonder input is een heel dure gok-machine. (Herkenbaar? We schreven eerder over de procesproblemen achter onze zeven persona's.)
Muur 2 — De data die er wél is, klopt niet.
Registraties die achteraf zijn ingevuld. Normen uit een calculatie van vijf jaar geleden. Storingscodes waar iedereen standaard "overig" kiest omdat dat het snelst is. De AI leert braaf van deze data en zegt vervolgens zelfverzekerd de verkeerde dingen. Eén verkeerde aanbeveling op de vloer, en het vertrouwen is weg. Definitief.
Muur 3 — De operator was nooit onderdeel van het plan.
De pilot is bedacht op kantoor, voor kantoor: rapportages, samenvattingen, dashboards. De mensen die de data moeten aanleveren, de operators, kregen er alleen extra werk bij, zonder er iets voor terug te krijgen. Dus registreren ze zo min mogelijk. En daarmee droogt de pilot op bij de bron.
Waarom AI pilots succesvol zijn in de fabriek
De fabrieken die AI wél in productie krijgen, hebben één ding gemeen: ze zijn niet bij de AI begonnen. Ze zijn begonnen bij de input.
Eerst zorgen dat registreren op de vloer vanzelfsprekend is, frictieloos, met direct voordeel voor de operator zelf: de juiste tekening bij de hand, geen papier, geen dubbel werk. Dan groeit er vanzelf een dataset die klopt, omdat hij ontstaat uit het echte werk in plaats van uit administratieplicht.
Pas op dat fundament wordt AI betrouwbaar. Dan kán het systeem patronen herkennen, normen opbouwen uit echt gedrag, en kennis teruggeven op het moment dat het ertoe doet. De volgorde is niet onderhandelbaar:
- Eerst registreren — shop floor control die operators daadwerkelijk gebruiken
- Dan leren — patronen en normen uit echt gedrag: het operational learning platform
- Dan pas AI-toepassingen — zoals een shopfloor AI agent die op dat fundament wél waarmaakt wat de demo beloofde
Wie deze volgorde omdraait, koopt een dak zonder huis eronder.
Zo doen we het zelf trouwens ook: we testen de eerste versie op ons eigen assemblageproces. voordat er één klant mee werkt.
De vraag die je vóór elke AI-pilot moet stellen
Niet: welk AI-model kiezen we? Maar: weten we eigenlijk wat er nu op onze vloer gebeurt en gelijktijdig vastgelegd door de mensen die erbij staan?
Is het antwoord nee, dan is de eerste investering. Dan is het de input-laag. Die is goedkoper, sneller live, en levert op zichzelf al resultaat op, nog vóórdat er één AI-model aan te pas komt. Twijfel je of dat een MES moet zijn of iets lichters? Ook daar schreven we een eerlijke vergelijking over.
Dat is precies waarom wij shopfloorcontrol.ai in deze volgorde bouwen: eerst een input-laag die operators graag gebruiken, met het lerende systeem eronder. Zodat AI in de fabriek geen gestrande pilot wordt, maar gewoon werkt. Te proberen op één werkstation, zonder instapkosten, aantoonbaar de investering terug in 90 dagen, of je stopt kosteloos.
Vraag aan jou:
Heb jij een AI-pilot zien stranden in jouw fabriek of bij een klant? Op welke van de drie muren liep hij stuk: de ontbrekende data, de foute data, of de vergeten operator?
