Industriële productie
AI-systemen voor fabrikanten die fabrieksomstandigheden doorstaan, integreren met bestaande OT-infrastructuur en opschalen voorbij de pilotlijn.
AI voor productie faalt zelden op het algoritme. Het faalt op de integratielaag — het punt waar schone, gecontextualiseerde data uit een 24/7-besturingsnetwerk een model moet bereiken zonder de lijn te verstoren. Onze aanpak is om productie-AI te bouwen die is ontworpen om fabrieksomstandigheden te doorstaan, te integreren met bestaande OT-infrastructuur en op te schalen voorbij de pilotlijn, waarbij we leverancieronafhankelijk werken met welke apparatuurmix er ook al op uw vloer staat.
Waarom AI-pilots in de productie mislukken
Dit is het patroon dat we bij vrijwel elke productie-AI-opdracht zien: een leverancier voert een proof of concept uit op één productielijn, de nauwkeurigheidscijfers zien er uitstekend uit, en iemand presenteert een slidedeck aan de VP Operations. Zes maanden later draait het systeem ofwel op die ene lijn zonder uitbreidingsplan, ofwel zijn de operators het stilletjes gaan overrulen omdat de nauwkeurigheid afnam en niemand budget had gereserveerd voor het opnieuw trainen van het model.
IDC constateerde dat 88% van de AI-proofs-of-concept nooit in productie wordt uitgerold. In de productie specifiek ligt het implementatiepercentage rond de 13 tot 16%. De redenen zijn niet mysterieus, maar wel structureel: fabrieks-AI faalt op de integratielaag, niet op de algoritmelaag.
Het OT/IT-integratieprobleem dat alles blokkeert
De meeste productiefabrieken draaien automatiseringsinfrastructuur die is ontworpen voor betrouwbaarheid en isolatie, niet voor het delen van data. PLC's communiceren via propriëtaire protocollen, SCADA-systemen loggen naar lokale historians, en MES-platforms zitten achter firewalls die fabrieksingenieurs begrijpelijkerwijs terughoudend zijn om te openen. Een Gartner-onderzoek uit 2025 constateerde dat 61% van de fabrikanten hun OT/IT-integratie als basaal of onbestaand beoordeelt.
Dit is de muur waar AI-projecten tegenaan lopen. U kunt het meest geavanceerde model voor voorspellend onderhoud ter wereld bouwen, maar als u geen schone, gecontextualiseerde data uit de besturingslaag in het model krijgt zonder een productienetwerk te verstoren dat 24/7 draait, ziet het model nooit de productie.
De architectuur die vooruitstrevende fabrieken invoeren, is een Unified Namespace gebouwd op OPC UA voor context op machineniveau en MQTT met Sparkplug B (in 2023 geratificeerd als ISO/IEC-standaard) voor het transport van bedrijfsdata. Het vervangt de spaghetti van punt-tot-puntintegratie door een publish-subscribe-architectuur waarbij elke databron — van een trillingssensor op een CNC-spil tot een ERP-productieorder — publiceert naar één enkele semantische namespace.
Faciliteiten die dit implementeren, rapporteren een vermindering van 60 tot 80% in de doorlooptijd van AI-implementatie, omdat de dataleidingen één keer worden opgelost en niet voor elke use case opnieuw worden ontworpen. Onze aanpak is om deze architecturen te ontwerpen voor brownfield-fabrieken, waarbij we werken met welke mix van Siemens-, Rockwell-, Mitsubishi- of verouderde apparatuur er ook al op de vloer staat.
Voorspellend onderhoud voorbij de hype
Trillingsanalyse voor roterende apparatuur is een volwassen discipline sinds de jaren 90 — bedrijven als Emerson (CSI), SKF en Fluke verkopen al decennia hardware en software voor conditiebewaking. Wanneer een leverancier u vertelt dat ze AI-gestuurd voorspellend onderhoud hebben uitgevonden, bedoelen ze meestal dat ze een machine-learninglaag hebben toegevoegd bovenop één stroom conditiebewaking, doorgaans trilling, en dat 'voorspellend' hebben genoemd.
De echte kans, en de reden waarom de economie overtuigend is, ligt in het samenvoegen van meerdere stromen conditiebewaking met productiecontext: trilling plus thermische beeldvorming plus analyse van de motorstroomsignatuur plus akoestische emissie, gecorreleerd met wat de machine op dat moment daadwerkelijk produceerde, levert schattingen van de resterende levensduur op die analyse van één enkele stroom niet kan bieden.
ABB ondervroeg 3.200 onderhoudsleiders van fabrieken en constateerde dat twee derde van de bedrijven ten minste maandelijks ongeplande stilstand ervaart, tegen een gemiddelde kostprijs van $125.000 per uur. In de gehele productiesector kost ongeplande stilstand naar schatting $50 miljard per jaar. Fabrieken die voorspellend onderhoud met meerdere stromen goed inzetten, rapporteren:
- 25 tot 40% vermindering in onderhoudskosten;
- 50% minder incidenten van ongeplande stilstand;
- ROI doorgaans gerealiseerd binnen 12 tot 18 maanden.
Een opdracht wordt afgebakend om de sensorfusie-pipeline te bouwen, de edge-inferentielaag (in detail beschreven in ons onderzoek naar edge-native AI-latentie in de productie), en de integratie met uw CMMS — of dat nu SAP PM, Maximo of Fiix is — zodat het onderhoudsteam bruikbare werkorders ziet, geen ruwe modeloutput.
Kwaliteitsinspectie die standhoudt onder productieomstandigheden
AI-visuele inspectie werkt. Gedocumenteerde implementaties tonen detectiepercentages van defecten 90% beter dan handmatige inspectie, met een nauwkeurigheid tussen 95 en 99% bij snelheden die menselijke inspecteurs niet kunnen volhouden. Het probleem is dat die cijfers afkomstig zijn uit validatiesets die zijn verzameld onder gecontroleerde verlichting, met een consistente oriëntatie van onderdelen, op schone optiek.
Zes weken in de productie — nadat de verlichting met de seizoenen is verschoven, gereedschap is versleten, materiaalpartijen zijn veranderd en stofdeeltjes van slijpen of lassen de cameralens hebben bedekt — verslechtert de nauwkeurigheid geruisloos. Het systeem geeft geen foutmelding; het begint gewoon defecte onderdelen door te laten of goede af te keuren. Als het te veel goede onderdelen afkeurt, overrulet de lijnverantwoordelijke het. Als het defecte onderdelen doorlaat, komt u erachter via retourzendingen van klanten. Beide uitkomsten zijn slechter dan helemaal geen systeem hebben, want u draagt de kosten van de implementatie plus een vals gevoel van dekking.
Onze aanpak is om inspectiesystemen te ontwerpen die rekening houden met productiedrift:
- Omgevingsbewaking die herkalibratie activeert wanneer verlichtings- of vervuilingsomstandigheden voorbij drempelwaarden veranderen;
- Dataset-pipelines die automatisch randgevallen verzamelen en labelen voor modelupdates;
- Degradatiedetectie die kwaliteitsingenieurs waarschuwt voordat de nauwkeurigheid onder de controlelimiet zakt.
Het inspectiemodel is het makkelijke deel. Bij de productiegeharde implementatie ligt het echte engineeringwerk — zie onze werkende demo van edge-AI-productie-inspectie.
De digital-twinkloof
64% van de digital-twinprojecten komt nooit voorbij de pilotfase, en de grondoorzaak is bijna altijd data, niet simulatietechnologie. Een op fysica gebaseerde simulatie van een productielijn bouwen is eenvoudig als u de CAD-modellen en procesparameters hebt. Het gesynchroniseerd houden met de werkelijkheid vereist live datafeeds van elke relevante sensor, actuator en controller, gecontextualiseerd met productieplanningen, materiaalpartijen en onderhoudshistorie.
De meeste fabrieken hebben die pipeline niet. Hun historian-data is onvolledig, inconsistent getagd en opgeslagen in formaten die maatwerk-ETL vereisen voordat er iets bruikbaars mee kan worden gevoed. Siemens demonstreerde zijn Digital Twin Composer op NVIDIA Omniverse op de Hannover Messe 2026, met PepsiCo als lanceerpartner. De simulatie-engines zijn echt; de kloof zit in de data-infrastructuur die ze voedt. Onze aanpak begint bij het datafundament, niet bij de simulatielaag.
Cyberbeveiliging wanneer OT en AI samenkomen
Het verbinden van fabrieksbesturingsnetwerken met AI-systemen opent een aanvalsoppervlak dat de meeste IT-teams in de productie niet zijn toegerust om te verdedigen. Het aantal dreigingsactoren dat zich op de productiesector richt, nam toe met 71% tussen 2024 en begin 2025, en de gemiddelde tijd om een inbreuk in de productie te identificeren en in te dammen bedraagt 272 dagen, ruim boven het sectoroverstijgende gemiddelde.
De uitdaging is dat OT-cyberbeveiliging en IT-cyberbeveiliging verschillende disciplines zijn. IEC 62443 definieert de beveiligingsarchitectuur van zones en conduits voor industriële automatisering, en NIST publiceerde zijn Cybersecurity Framework 2.0 Manufacturing Profile (IR 8183 Rev 2) in 2025. Maar de meeste AI-implementaties slaan gaten in de grens van het OT-netwerk om data naar buiten te halen, en creëren precies het soort ongecontroleerde laterale bewegingspad dat deze frameworks moeten voorkomen. Onze aanpak is om AI-data-architecturen te ontwerpen die de segmentatie van het OT-netwerk respecteren — met gebruik van edge-compute en unidirectionele datadiodes waar nodig — zodat de AI zijn data krijgt zonder het besturingsnetwerk in een aanvalsvector te veranderen.
De regelgevende verschuiving: AI-gestuurde machines
De EU-machineverordening 2023/1230 vervangt de Machinerichtlijn 2006/42/EG op 20 januari 2027, zonder overgangsperiode. Voor het eerst dekt de verordening expliciet op AI gebaseerde veiligheidsfuncties in machines. Fabrikanten moeten:
- Datagovernancepraktijken, versies van trainingsdata en specificaties van het systeemontwerp documenteren voor traceerbaarheid;
- Een gedetailleerde uitleg geven van de besluitvormingsprocessen van AI.
Als u machines met AI-gestuurde veiligheidsfuncties op de EU-markt verkoopt, moet uw compliance-programma nu al draaien, niet zes maanden voor de deadline. Onze aanpak helpt fabrikanten om hun AI-gestuurde machines af te stemmen op de nieuwe eisen, de documentatie-artefacten op te bouwen en de technische dossiers voor te bereiden die conformiteitsbeoordelingsinstanties zullen beoordelen.
Opschalen voorbij de pilotlijn
De grootste verspilling in productie-AI is niet een mislukte pilot — het is een geslaagde pilot die nooit opschaalt. De fabriek bewees het concept op Lijn 3, de metrieken zagen er goed uit, en er gebeurde niets omdat niemand plande voor het integratiewerk, de hertrainingspipeline of de infrastructuur om 12 lijnen te ondersteunen in plaats van één. Deloitte meldt dat de adoptie van agentic AI in de productie zal verviervoudigen van 6% naar 24% in 2026. De vraag is er; de uitvoeringskloof zit in het opschalen, niet in het piloten.
Wij structureren opdrachten vanaf dag één rond productie-implementatie: de pilotlijn is een sjabloon, de data-architectuur ondersteunt uitbreiding over meerdere lijnen, de hertrainingspipeline is geautomatiseerd, en de MES/ERP-integratie is geparametriseerd. Omdat die leidingen één keer worden ontworpen en hergebruikt, is de uitbreiding van één lijn naar twaalf bedoeld als een configuratiewijziging die in weken wordt gemeten in plaats van nog een opdracht van achttien maanden.
Waarom niet de grote SI of de platformleverancier?
Platformleveranciers als Siemens, Rockwell en PTC bouwen uitstekende automatiseringsinfrastructuur, maar hun AI-mogelijkheden zijn ontworpen om u binnen hun ecosysteem te houden. Een fabriek die sterk op Siemens leunt, krijgt Siemens-AI; een Rockwell-fabriek krijgt Rockwell-AI. Als uw fabriek gemengde automatisering draait — wat de meeste doen — heeft geen van beide leveranciers een prikkel om de platformoverstijgende integratielaag te bouwen, en het overstappen van automatiseringsleverancier kan meer kosten dan het bouwen van een nieuwe faciliteit.
Grote adviesbureaus rekenen $300 tot $500 per uur, voeren deze opdrachten 6 tot 18 maanden uit en bemensen ze vanuit algemene pools. Ze beheren programma's goed, maar de mensen die de SOW schrijven, debuggen zelden communicatiestoringen van PLC's of ontwerpen edge-implementaties die de EMI van een lascel overleven (zie onze whitepaper over edge-native AI voor de productie). Ons model is om leverancieronafhankelijk te werken, maatwerk te bouwen voor de apparatuurmix en data-architectuur van elke fabriek, en te bemensen met ingenieurs die ervaring hebben op de fabrieksvloer — een kleiner, gericht team, zonder platform-lock-in.
Belangrijkste conclusies
- Productie-AI faalt op de integratielaag, niet op het algoritme — daarom bereikt slechts 13 tot 16% van de pilots de productie.
- Een Unified Namespace op OPC UA en MQTT Sparkplug B lost de dataleidingen één keer op en verkort de doorlooptijd van AI-implementatie met 60 tot 80%.
- Voorspellend onderhoud met meerdere stromen (trilling, thermisch, stroomsignatuur, akoestische emissie) levert 25 tot 40% lagere onderhoudskosten en 50% minder stilstandincidenten, met ROI binnen 12 tot 18 maanden.
- Visuele inspectie en digital twins staan of vallen met productiegeharde datapijplijnen, niet met het model of de simulatie-engine.
- OT-bewuste beveiliging (IEC 62443, NIST IR 8183 Rev 2) en gereedheid voor de EU-machineverordening 2023/1230 moeten nu al worden ingebouwd, vooruitlopend op de deadline van 20 januari 2027.
- Onze opdrachten worden leverancieronafhankelijk en op maat gebouwd, ontworpen om in weken op te schalen van één lijn naar twaalf.
Industriële productie
BekijkenAI voor materiaalterugwinning en het sorteren van zwart plastic | Veriprajna
Carbon black-pigment absorbeert nabij-infrarood licht. Elke zwarte PP-schaal, PE-verpakking en ABS-behuizing die uw optische sorteerder mist, belandt in het residu en vervolgens op de stortplaats. Wij bouwen de MWIR-sensing- en edge-AI-laag die het terugwint.
BekijkenEdge AI voor kwaliteitsinspectie in de maakindustrie | Veriprajna
Of u nu voor het eerst AI-gebaseerde inspectie evalueert, herstelt van een cloudpilot die de cyclustijd niet kon halen, of een werkend prototype opschaalt naar 15 fabrieken: het probleem is hetzelfde: edge AI in productie krijgen is een integratie- en operationele uitdaging, geen hardware-aankoop.
Veelgestelde vragen
Waarom bereikt 88% van de AI-pilots in de maakindustrie nooit de uitrol in productie?
Het model is vrijwel nooit het probleem. De integratielaag wel. AI-pilots in de productie mislukken omdat ze zijn gebouwd op ad-hoc-datapijplijnen die niet schalen, handmatige datavoorbewerking vereisen die niemand onderhoudt nadat de datawetenschapper is vertrokken, geen integratie hebben met de MES-, ERP- of CMMS-systemen van de fabriek, en nooit zijn ontworpen voor de omgevingsomstandigheden van een productievloer. Een Gartner-onderzoek uit 2025 constateerde dat 61% van de fabrikanten hun OT/IT-integratie als basaal of onbestaand beoordeelt, wat betekent dat het datafundament dat AI nodig heeft er simpelweg niet is. Wij structureren elke opdracht vanaf het begin rond productie-implementatie: de data-architectuur is ontworpen voor het schalen over meerdere lijnen, de pipeline voor het opnieuw trainen van het model is geautomatiseerd, en de integratie met fabriekssystemen is geparametriseerd, zodat uitbreiding een configuratiewijziging is en geen herontwerpproject.
Wat is de werkelijke kostprijs van ongeplande stilstand en hoe verandert AI voor voorspellend onderhoud de rekensom?
ABB ondervroeg wereldwijd 3.200 onderhoudsleiders van fabrieken en constateerde dat twee derde van de bedrijven ten minste maandelijks ongeplande stilstand ervaart, tegen een gemiddelde kostprijs van $125.000 per uur. In de gehele productiesector kost ongeplande stilstand naar schatting $50 miljard per jaar, waarbij de kosten sinds 2019 met 50% zijn gestegen. Fabrieken die voorspellend onderhoud goed inzetten — dat wil zeggen conditiebewaking met meerdere stromen (trilling plus thermisch plus stroomsignatuur plus akoestische emissie) samengevoegd met productiecontextdata — rapporteren een vermindering van 25 tot 40% in onderhoudskosten en 50% minder incidenten van ongeplande stilstand, met een ROI die doorgaans binnen 12 tot 18 maanden wordt gerealiseerd. Het cruciale woord is 'goed'. Implementaties met één sensor en één algoritme leveren deze rendementen zelden op, omdat ze de faalmodi missen die alleen zichtbaar worden over meerdere datastromen.
Hoe krijgen we data van de fabrieksvloer in AI-modellen zonder het besturingsnetwerk te verstoren?
De architectuur die werkt, is een Unified Namespace gebouwd op OPC UA voor datacontext op machineniveau en MQTT met Sparkplug B voor het transport van bedrijfsdata. OPC UA levert het rijke semantische datamodel, dat beschrijft wat elk datapunt betekent in zijn operationele context. MQTT Sparkplug B (in 2023 geratificeerd als ISO/IEC-standaard) levert efficiënt publish-subscribe-transport dat het netwerkverkeer met 80 tot 95% vermindert ten opzichte van polling. Edge-gateways bevinden zich op de OT/IT-grens, lezen data van PLC's en SCADA-systemen aan de besturingskant en publiceren naar de namespace aan de IT-kant, zonder bidirectionele paden naar het besturingsnetwerk te openen. Faciliteiten die deze architectuur implementeren, rapporteren een vermindering van 60 tot 80% in de doorlooptijd van AI-implementatie, omdat nieuwe use cases data verbruiken die al in de namespace aanwezig is in plaats van nieuwe punt-tot-puntintegraties te vereisen.
Wat vereist de EU-machineverordening 2023/1230 voor AI-gestuurde veiligheidsfuncties?
De EU-machineverordening 2023/1230 vervangt de Machinerichtlijn 2006/42/EG op 20 januari 2027, zonder overgangsperiode. Voor het eerst dekt zij expliciet software en AI-systemen die veiligheidsfuncties in machines uitvoeren. Fabrikanten moeten documentatie bijhouden van datagovernancepraktijken, versies van trainingsdata en specificaties van het systeemontwerp om traceerbaarheid te ondersteunen. Ze moeten ook een gedetailleerde uitleg geven van het besluitvormingsproces van de AI ten behoeve van onderhoud, training en incidentanalyse. De verordening introduceert ook nieuwe cyberbeveiligingseisen voor verbonden machines. Als u AI-gestuurde machines voor de EU-markt fabriceert of integreert, moeten uw compliance-programma en technische documentatie nu al in uitvoering zijn.
Waarom verslechtert de nauwkeurigheid van AI-inspectie na een paar weken in de productie?
De validatienauwkeurigheid wordt gemeten onder gecontroleerde omstandigheden: consistente verlichting, schone optiek, bekende oriëntaties van onderdelen, stabiele materiaalpartijen. Productieomstandigheden zijn anders. De verlichting verschuift met de seizoenen en naarmate lampen verouderen. Cameralenzen verzamelen stofdeeltjes van slijpen, lassen of koelvloeistofnevel. Slijtage van gereedschap verandert de geometrie van onderdelen binnen de tolerantie maar buiten de trainingsverdeling. Wijzigingen in materiaalpartijen introduceren variaties in de oppervlakteafwerking die het model nooit heeft gezien. Geen van deze veroorzaakt een foutmelding. Het systeem begint gewoon meer verkeerde beslissingen te nemen. Wij pakken dit aan met omgevingsbewaking die herkalibratie activeert wanneer de omstandigheden afdrijven, geautomatiseerde dataset-pipelines die randgevallen verzamelen en labelen voor modelupdates, en degradatiedetectie die kwaliteitsingenieurs waarschuwt voordat de nauwkeurigheid onder de controlelimieten zakt. Het inspectiemodel is het eenvoudige deel. Het nauwkeurig houden ervan onder productieomstandigheden is de engineeringuitdaging.
Hoe beveiligen we OT-netwerken die nu AI-systemen voeden?
Het aantal dreigingsactoren dat zich op de productie richt, nam tussen 2024 en begin 2025 toe met 71%, en de gemiddelde tijd om een inbreuk in de productie te identificeren en in te dammen bedraagt 272 dagen. De meeste AI-implementaties creëren risico door gaten te slaan in de grenzen van het OT-netwerk om data te onttrekken, waardoor ongecontroleerde laterale bewegingspaden ontstaan. De juiste aanpak gebruikt de zone-en-conduit-architectuur van IEC 62443 als fundament, met edge-compute-nodes die zich op de OT/IT-grens bevinden en data naar buiten duwen via unidirectionele paden. Het AI-model verbruikt data van de IT-kant van de grens en reikt nooit rechtstreeks tot in het besturingsnetwerk. Het Cybersecurity Framework 2.0 Manufacturing Profile (IR 8183 Rev 2) van NIST levert het raamwerk voor risicobeheer. Wij ontwerpen AI-data-architecturen die voldoen aan zowel IEC 62443 als het NIST-productieprofiel, zodat de fabriek AI-mogelijkheden krijgt zonder haar aanvalsoppervlak te vergroten.
Is agentic AI voor productieplanning echt of gewoon opnieuw gelabelde optimalisatie?
Deels allebei. Het optimaliseren van productieplanning met constraint solvers en heuristieken bestaat al decennia. Wat agentic AI toevoegt, is het vermogen om autonoom te reageren op verstoringen: een agent bewaakt realtime productiedata, detecteert een afwijking (machinestoring, materiaaltekort, spoedorder), evalueert opties tegen randvoorwaarden (leverdata, beschikbaarheid van arbeid, omstelkosten) en past de planning aan zonder te wachten op een menselijke planner. Deloitte voorspelt dat de adoptie van agentic AI in de productie zal verviervoudigen van 6% naar 24% in 2026. Meer dan 40% van de fabrikanten met planningssystemen is van plan dit jaar AI-gestuurde mogelijkheden toe te voegen. De technologie werkt voor goed gedefinieerde planningsproblemen met duidelijke randvoorwaarden en meetbare uitkomsten. Waar ze worstelt, is in fabrieken met hoge variabiliteit, frequente technische wijzigingen of slechte datakwaliteit, omdat de beslissingen van de agent alleen zo goed zijn als de data en de constraintmodellen waarop ze zijn gebaseerd.
Waarom een gespecialiseerd adviesbureau inhuren in plaats van de AI-diensten van onze automatiseringsleverancier of een Big Four-firma?
Platformleveranciers bouwen AI die uw afhankelijkheid van hun ecosysteem verdiept. Siemens-AI is ontworpen voor Siemens-fabrieken. Rockwell-AI werkt het best met Allen-Bradley-infrastructuur. Als uw fabriek gemengde automatisering draait — en de meeste doen dat — heeft geen van beide een prikkel om de platformoverstijgende integratie te bouwen die u nodig hebt. Het overstappen van automatiseringsecosysteem kan meer kosten dan het bouwen van een nieuwe faciliteit, dus leveranciers-AI zet u vaak verder vast. Grote adviesbureaus rekenen $300 tot $500 per uur, voeren productie-AI-projecten 6 tot 18 maanden uit voor $500K tot $5M of meer, en bemensen ze vanuit algemene pools. Ze beheren programma's goed, maar hebben zelden ingenieurs die OPC UA-servers hebben geconfigureerd, communicatiestoringen van PLC's tijdens een productierun hebben gedebugd, of een edge-implementatie hebben ontworpen die de EMI van een lascel overleeft. Wij werken leverancieronafhankelijk met welke apparatuurmix er ook op uw vloer staat, bouwen maatwerk voor uw specifieke data-architectuur en integratie-eisen, en leveren met ingenieurs die ervaring hebben op de fabrieksvloer.
Bouw uw AI met vertrouwen.
Werk samen met een team met diepgaande ervaring in het bouwen van de volgende generatie enterprise-AI. Laat ons u helpen bij het ontwerpen, bouwen en implementeren van een AI-strategie waarop u kunt vertrouwen.
Veriprajna Deep Tech-adviesbureau is gespecialiseerd in het bouwen van veiligheidskritische AI-systemen voor de gezondheidszorg, de financiële sector en gereguleerde domeinen. Onze architecturen worden gevalideerd aan de hand van gevestigde protocollen met uitgebreide compliancedocumentatie.