AI wint in de fabriek pas na de pilot

Inleiding

Jarenlang gold in industrie en productie dezelfde reflex als elders in AI: bewijs eerst dat een use case werkt, schaal daarna wel op. In 2026 is precies dat middenstuk het probleem geworden. Het is niet meer zo lastig om ergens in een fabriek een model te laten voorspellen, herkennen of optimaliseren. De echte moeilijkheid begint zodra een organisatie die eerste winst ook wil herhalen over lijnen, ploegen, locaties en processen.

Daarom is het actuele Deloitte-onderzoek van 30 juni 2026 zo relevant voor ondernemers en bestuurders. De onderzoekers laten zien dat 84 procent van de ondervraagde fabrikanten al meetbare waarde uit AI haalt, maar dat slechts ongeveer een op de vijf use cases echt consistent is opgeschaald over meerdere locaties of organisatiebreed. Dat is geen klein uitvoeringsdetail. Het betekent dat de competitieve grens verschuift van experimenteren naar industrialiseren.

Wie dus nog denkt dat AI in de fabriek vooral een innovatieproject is, leest de markt te licht. In productieomgevingen wordt AI nu snel een discipline van standaardisatie, governance en organisatieontwerp.

Waarde is niet meer het vraagstuk, herhaalbaarheid wel

De meeste bestuurskamers praten nog over AI alsof de eerste opgave is om een businesscase te vinden. In de maakindustrie is dat stadium grotendeels voorbij. Deloitte ziet juist dat de grootste waarde al zichtbaar wordt in domeinen waar data rijk is en KPI's hard zijn: kwaliteit, productie en logistiek. Volgens datzelfde onderzoek lopen kwaliteitstoepassingen voorop, gevolgd door productie en supply chain. Dat is logisch. Juist daar zijn afwijkingen meetbaar, sensordata overvloedig en opbrengsten direct terug te zien in productievolume, stilstand, materiaalverlies, energie en onderhoud.

Maar dat verklaart ook meteen waarom schaal zo lastig is. Een geslaagde kwaliteitscase op lijn A is nog geen schaalbaar model voor lijn B. Een voorspellend onderhoudsmodel in fabriek 1 werkt niet automatisch in fabriek 2 met andere assets, operators, storingspatronen en datadiscipline. Wie alleen naar de eerste businesscase kijkt, verwart bewijs van mogelijkheid met bewijs van reproduceerbaarheid.

Precies daar ontstaat het nieuwe onderscheid. De winnaars van de komende jaren zijn niet de bedrijven die het eerst een pilot konden tonen, maar de bedrijven die een werkend uitrolsysteem bouwen.

De fabriek is geen kantoor met sensoren

Dat schaalvraagstuk is in productie scherper dan in veel kantoorfuncties. NIST schreef op 3 juli 2026 in zijn roadmap voor smart manufacturing dat AI in industriële omgevingen nog steeds wordt geremd door de complexiteit van industriële data, de koppeling met heterogene sensoren en besturingssystemen, en de noodzaak van betrouwbare, uitlegbare en veilige werking in omgevingen waar fouten directe operationele gevolgen hebben.

Dat is een cruciaal verschil. In een kantoorproces is een matige AI-output vaak vervelend. In een fabriek kan een verkeerde aanbeveling leiden tot afkeur, storingen, veiligheidsrisico's, energieverlies of verstoring van leverbetrouwbaarheid. Daardoor ligt de lat voor vertrouwen, validatie en escalatie veel hoger.

De oudere, maar nog steeds nuttige empirische basis van de American Economic Association laat zien dat dit geen nieuw fenomeen is dat pas met generatieve AI ontstond. Op basis van een grote Census-enquête onder Amerikaanse productielocaties concludeerden onderzoekers in mei 2026 dat AI-adoptie historisch juist samenhangt met recentere digitale infrastructuur, cloudgebruik, predictive analytics en strakker procesmanagement, niet met oudere on-premises systemen of alleen algemene productiviteit. Met andere woorden: AI landt het makkelijkst waar de fabriek al bestuurbaar is ingericht.

Dat is precies waarom generatieve AI de fysieke wereld niet zomaar overschrijft. Ook in 2026 blijft industriële AI vooral een volwassenheidsvraag.

De echte bottleneck heet replicatie

Het Roland Berger-onderzoek van 9 juli 2026 maakt die volgende stap nog concreter. Op basis van een survey onder meer dan honderd leiders uit de maakindustrie en bijna veertig interviews schetsen de onderzoekers een markt waarin de koplopers niet langer vragen of AI waarde kan leveren, maar hoe snel zij succesvolle toepassingen over de rest van de onderneming kunnen uitrollen. Tegelijk meldt het onderzoek dat bijna twee derde van de respondenten eerst aanzienlijke opschoning van data en voorbereiding nodig had voordat AI-initiatieven fatsoenlijk konden starten.

Dat ene datapunt zegt veel. De bottleneck zit niet vooral in modeltoegang, maar in operationele herhaalbaarheid:

• zijn definities van stilstand, uitval en kwaliteit overal hetzelfde;
• is data bruikbaar tussen locaties, teams en systemen;
• weet iedereen wanneer AI adviseert en wanneer een operator of engineer beslist;
• en bestaan er standaardtemplates voor validatie, onderhoud en uitrol.

Zonder zulke bouwstenen verandert AI in een verzameling lokale successen die elkaar bestuurlijk niet versterken. Dan groeit de pilotportfolio, maar niet de prestatie van het netwerk.

McKinsey beschreef op 7 juli 2026 iets vergelijkbaars in bredere bedrijfstermen: AI levert pas onevenredige waarde op wanneer organisaties workflows en operating models herontwerpen in plaats van alleen tools op bestaande processen te plakken. Voor productiebedrijven betekent dat concreet dat een algoritme niet genoeg is. De winst komt pas vrij wanneer planning, onderhoud, operators, kwaliteitsborging en data-eigenaarschap rondom dat algoritme meebewegen.

IT/OT en cybersecurity worden groeifactoren

Een tweede misverstand is dat fabrieks-AI vooral een data science-vraag is. Cisco liet op 7 april 2026 in zijn State of Industrial AI-onderzoek zien dat industriële AI juist vastloopt op netwerkreadiness, security en samenwerking tussen IT en OT. In het wereldwijde onderzoek onder meer dan duizend OT-beslissers zei 61 procent al AI in live operationele omgevingen te gebruiken, terwijl 20 procent aangaf al geschaalde, volwassen uitrol te hebben. Tegelijk noemde 40 procent cybersecurity de grootste hindernis voor verdere opschaling.

Dat is bestuurlijk belangrijk. Zolang AI in presentaties of rapportages zit, kun je infrastructuurproblemen nog wegduwen. Zodra AI ingrijpt in inspectie, planning, machinevisie, energieverbruik of onderhoudsbeslissingen, wordt de kwaliteit van het onderliggende netwerk opeens een directe prestatievariabele. Dan worden IT/OT-samenwerking en segmentatie geen technische randzaken meer, maar voorwaarden voor opbrengst.

Voor directies betekent dit iets ongemakkelijks maar nuttigs: de AI-roadmap en de infrastructuurroadmap mogen niet langer los van elkaar bestaan.

Waarom dit groter is dan een fabrieksverhaal

Het belang reikt verder dan operations alleen. BCG stelde op 28 mei 2026 dat factory-of-the-future-capaciteiten in sommige sectoren de productiviteit fors kunnen verhogen en zelfs de economische logica van offshoring kunnen veranderen. Of die precieze bandbreedtes per sector haalbaar zijn, blijft afhankelijk van context en bronmethodiek. Maar de bestuurlijke richting is geloofwaardig: AI verandert niet alleen hoe een fabriek draait, maar ook waar en onder welke kostenstructuur productie concurrerend blijft.

Daarmee schuift AI in de maakindustrie op van efficiëntievraag naar strategievraag. Niet alleen de fabrieksmanager, maar ook directie, finance en supply chain moeten bepalen waar standaardisatie loont, waar lokale variatie nodig blijft en hoe kapitaal tussen software, assets, training en netwerkinfrastructuur verdeeld wordt.

Voor veel bedrijven wordt de kernvraag dus niet: hebben wij al AI in de fabriek? De betere vraag is: hebben wij een fabriekssysteem dat AI betrouwbaar kan dragen?

Wat leiders nu anders moeten doen

Dat levert zes praktische managementlessen op.

1. Kies minder use cases, maar ontwerp ze voor replicatie. Een use case die niet op meerdere locaties uitrolbaar is, is strategisch vaak minder waard dan een iets kleinere use case die wel herhaalbaar blijkt.

2. Standaardiseer definities voordat je modellen opschaalt. Verschillende meetdefinities per fabriek of lijn maken iedere AI-uitrol duur, traag en politiek.

3. Behandel opschoning van data niet als voorwerk, maar als kerninvestering. Als bijna twee derde van de respondenten eerst veel voorbereiding van data nodig heeft, is dat geen bijzaak maar het werk zelf.

4. Maak IT/OT-samenwerking bestuurbaar. AI op de werkvloer faalt zelden alleen op modelkwaliteit en vaak op overdrachten tussen netwerk, security, operations en onderhoud.

5. Leg menselijk mandaat expliciet vast. Operators en engineers moeten weten wanneer zij advies volgen, wanneer zij overrulen en hoe afwijkingen worden teruggekoppeld.

6. Meet succes niet op demo's, maar op netwerkimpact. Minder materiaalverlies, hogere beschikbaarheid, kortere cyclustijd, lager energieverbruik en snellere uitrol naar volgende locaties zijn zinvollere maatstaven dan aantallen pilots.

Van pilotlogica naar productielogica

Dat is uiteindelijk de verschuiving. In de maakindustrie wordt AI minder een innovatie-etalage en meer een test van operationele volwassenheid.

De bedrijven die de komende jaren winnen, zijn waarschijnlijk niet de ondernemingen met de meeste experimenten. Het zijn de organisaties die van een goed idee een herhaalbaar systeem kunnen maken: met schone data, duidelijke mandaten, robuuste infrastructuur en een operating model dat onder echte productiedruk overeind blijft.

AI wint in de fabriek dus niet wanneer de eerste pilot slaagt.

AI wint pas wanneer de tweede, derde en vierde locatie niet opnieuw vanaf nul hoeven te beginnen.