Wat meerdere rondetafels met maakbedrijven ons leerden over AI-agents

De verborgen kosten van informatie

Wanneer we spreken over efficiëntie in productie, denken we vaak aan machines, automatisering en productiecapaciteit. Tijdens de rondetafels ging het echter opvallend vaak over iets anders:

• Over orders die handmatig verwerkt worden.
• Over certificaten die op het laatste moment moeten worden opgezocht.
• Over wijzigingen die in meerdere systemen moeten worden doorgevoerd.
• Over medewerkers die informatie moeten verzamelen voordat zij hun werk daadwerkelijk kunnen uitvoeren.
• Over documentatie die bij een machine hoort, maar vaak handmatig moet worden verzameld voordat deze kan worden verstuurd.

Dat soort werkzaamheden zijn in veel organisaties zo vanzelfsprekend geworden dat ze nauwelijks nog worden gezien als verspilling. Toch kosten ze dagelijks veel tijd. En misschien nog belangrijker: ze halen de aandacht weg van het werk waarin vakmanschap daadwerkelijk het verschil maakt en is foutgevoeliger omdat veel handmatig wordt uitgevoerd.

Van informatie zoeken naar beslissingen nemen

Veel gesprekken over AI draaien nog steeds om automatisering. Welke handelingen kunnen sneller? Welke taken kunnen worden overgenomen? Maar de gesprekken tijdens de rondetafels lieten een ander perspectief zien.

Veel werkzaamheden beginnen namelijk niet met uitvoeren, maar met voorbereiden. Voordat een medewerker een beslissing kan nemen, moet informatie uit verschillende bronnen worden verzameld. Een planner zoekt gegevens op in meerdere systemen. Een medewerker controleert certificaten en documentatie. Een inkoper verzamelt informatie voordat hij leveranciers benadert.

AI-agents maken het mogelijk om een groot deel van die voorbereiding parallel uit te voeren. Informatie uit ERP-systemen, documenten, mailboxen en andere databronnen kan gelijktijdig worden verzameld en gepresenteerd. Hierdoor verschuift de rol van medewerkers van informatie verzamelen naar beoordelen, afwegen en beslissen.

Juist daar ligt naar mijn overtuiging de grootste waarde. Niet omdat mensen minder belangrijk worden, maar omdat hun tijd beter benut kan worden. Een planner die een wijziging in een productieorder verwerkt, moet vaak informatie uit meerdere systemen combineren: beschikbare materialen, actuele tekeningen, kwaliteitsgegevens en levertijden. Een AI-agent kan deze informatie automatisch verzamelen en signaleren waar afwijkingen zitten. Daardoor hoeft de planner minder tijd te besteden aan zoeken en controleren en kan hij zich richten op de juiste beslissing voor de productieplanning.

Datakwaliteit mag geen excuus zijn om stil te staan

Een van de meest terugkerende thema's tijdens beide sessies was data. Vrijwel iedere organisatie herkent het dilemma. Enerzijds zien bedrijven kansen in AI. Anderzijds bestaat de zorg dat de datakwaliteit eerst volledig op orde moet zijn voordat een eerste stap gezet kan worden.  

De realiteit is dat datakwaliteit nooit volledig "af" is. Organisaties die succesvol experimenteren met AI wachten meestal niet op het perfecte fundament. Zij beginnen met processen waarin al betrouwbare informatie beschikbaar is. Vaak zijn dat juist ERP-, CRM- of kwaliteitssystemen die dagelijks worden gebruikt.  

Interessant genoeg gebeurt er vervolgens iets anders. Door AI-agents in processen in te zetten, worden ontbrekende gegevens, inconsistenties en afwijkingen juist sneller zichtbaar. Dat maakt een organisatie niet afhankelijk van betere data. Het helpt om betere data te creëren.

Productinformatie wordt een strategisch bedrijfsmiddel

Een onderwerp dat naar mijn mening de komende jaren steeds belangrijker wordt, is productinformatie. Veel maakbedrijven investeren in het optimaliseren van processen, terwijl de basis daarvoor vaak wordt gevormd door productstamdata, stuklijsten (BOM's), materiaalinformatie en traceability. Deze informatie ondersteunt productie, kwaliteit, inkoop en compliance. Toch staat het in de praktijk regelmatig verspreid over verschillende systemen, spreadsheets en documenten.

Daardoor besteden medewerkers veel tijd aan het controleren van gegevens, het zoeken naar de juiste versie en het herstellen van afwijkingen. Hier zie ik een interessante rol voor AI-agents ontstaan.

Niet alleen door informatie sneller beschikbaar te maken, maar ook door verbanden zichtbaar te maken tussen materialen, batches, leveranciers en productieorders. Hierdoor verschuift productinformatie van administratieve noodzaak naar een bron voor betere besluitvorming. De organisaties die hierin investeren, bouwen niet alleen aan efficiëntere processen, maar ook aan meer wendbaarheid.

Vertrouwen ontstaat niet door technologie

Het meest waardevolle inzicht uit de rondetafels bleek uiteindelijk verrassend genoeg weinig met technologie te maken te hebben. De vragen die het meest werden gesteld gingen namelijk niet over functionaliteit. Ze gingen over vertrouwen. Wat als een agent fouten maakt? Wat als medewerkers het niet vertrouwen? Wie blijft verantwoordelijk? Dat zijn terechte vragen.

Wat ik in de praktijk zie, is dat vertrouwen niet ontstaat door een demo of presentatie. Vertrouwen ontstaat doordat medewerkers ervaren hoe een oplossing werkt in hun dagelijkse praktijk. Daarom beginnen succesvolle toepassingen vaak met een eenvoudig principe: de agent doet een voorstel, de medewerker neemt de beslissing.

Op die manier blijft kennis, context en verantwoordelijkheid aanwezig bij de mensen die het proces begrijpen. Tegelijkertijd ontstaat ruimte om repetitief werk te verminderen en sneller te handelen.

Klein beginnen blijkt vaak de beste strategie

Wanneer organisaties over AI praten, gaat het gesprek al snel over grootschalige transformatie. De ervaringen van de deelnemers laten echter een ander beeld zien.

De meeste kansen bevinden zich verrassend dicht bij de dagelijkse operatie. Bij het verwerken van orders. Bij het verzamelen van certificaten. Bij het beantwoorden van leveranciersvragen. Bij het controleren van productinformatie. Allemaal processen waarin veel administratieve handelingen plaatsvinden en waar de impact relatief snel zichtbaar kan worden.

Juist door klein te beginnen ontstaat inzicht in wat werkt, welke data nodig is en hoe medewerkers ermee omgaan. Daarna kan stap voor stap worden uitgebreid.

De volgende stap voor de maakindustrie

Na meerdere rondetafels bleef uiteindelijk één conclusie hangen. De discussie gaat steeds minder over de vraag óf AI een rol krijgt binnen de maakindustrie. Die ontwikkeling is al ingezet. De belangrijkere vraag is waar organisaties als eerste waarde creëren.

Mijn overtuiging is dat die waarde niet primair ontstaat door zoveel mogelijk taken te automatiseren. De grootste winst ontstaat wanneer technologie vakmensen ondersteunt met de juiste informatie, op het juiste moment en in de juiste context.

Want uiteindelijk draait de toekomst van de maakindustrie niet om AI. Die draait om mensen die dankzij technologie betere beslissingen kunnen nemen, sneller kunnen handelen en meer ruimte krijgen voor het werk waarin hun ervaring en vakmanschap het verschil maken.