AI-roadmap voor de maakindustrie: van fabrieksdata naar agents

Uw AI-pilot werkte op één lijn. Een jaar later heeft de tweede fabriek hem nog steeds niet, en op de eerste lijn is men er stilletjes mee gestopt.

Een AI-roadmap voor de maakindustrie bestaat om dat te voorkomen. Hij heeft vier fasen. Koppel fabrieksdata aan ERP-data, voeg een beheerste intelligentielaag toe, schaal AI-agents op en bouw AI vervolgens in de manier waarop de fabriek draait.

De meeste producenten proberen bij fase drie te beginnen. Daarom lopen de pilots vast.

Ik heb ERP geïmplementeerd in de kunststof-, staal- en defensie-industrie. Het patroon herhaalt zich. Het model is zelden het moeilijke deel.

Het moeilijke deel is dat drie systemen dezelfde order op drie manieren beschrijven.

Neem één order voor 5.000 spuitgegoten doppen. Het ERP ziet een productieorder. Het MES (het systeem dat de werkvloer aanstuurt) ziet een job op pers 14, en de pers kent alleen cyclustellingen.

Deze roadmap werkt ongeacht uw kernsysteem: SAP, Oracle, Microsoft, Infor of iets wat u zelf hebt gebouwd.

Zo zou ik de drie jaar indelen.

Drie jaar, vier fasen

1. 01

   Nu: datafundament

   Fabrieks-, kwaliteits- en ERP-data in één beheerst platform, met data lineage en selfservicerapportage.

2. 02

   Jaar 1: beheerste intelligentie

   Eén bedrijfstaal voor fabrieken, lijnen, materialen en orders, AI-governance en de eerste snelle successen.

3. 03

   Jaar 2: AI-agents opschalen

   Agents voor onderhoud, kwaliteit, planning en inkoop, actief in alle fabrieken.

4. 04

   Jaar 3: AI op schaal ingebed

   AI in de manier waarop de fabriek plant, draait en verbetert, met mensen en agents die samenwerken.

Zie de planning als richtlijn. Een groep met tien fabrieken op vier ERP-systemen heeft meer tijd nodig in fase één.

Fabrieksdata zit in lagen, en de ISA-95-standaard beschrijft die goed. Onderaan zitten sensoren en PLC's, de besturingen die elke machine aansturen. Daarboven komen SCADA-schermen en historians (databases met machinemetingen), dan het MES, en bovenaan het ERP dat alles plant en calculeert.

AI heeft nodig dat die lagen met elkaar praten. In de meeste fabrieken doen ze dat niet.

Ik zou met drie dingen beginnen.

1. Een dataplatform, meestal een lakehouse of datawarehouse in de cloud, dat ERP-data, MES-registraties en historian-metingen opneemt. De meeste use cases hebben samenvattingen nodig, zoals de gemiddelde smelttemperatuur per batch.
2. Governance vanaf dag één: een datacatalogus, lineage die laat zien waar elk getal vandaan komt, en kwaliteitsregels. Als niemand kan zeggen waar een uitvalcijfer vandaan komt, vertrouwt niemand een model dat het voorspelt.
3. Selfservicerapportage. Fabrieksmanagers moeten OEE (goede output tegenover mogelijke output), uitval en planningstrouw uit één bron zien voordat er AI aan te pas komt.

Het zwaarste werk zit in de stamgegevens. Neem een kunststofgroep met twee fabrieken.

Fabriek A noemt een zwart polypropyleengranulaat MAT-1001 en telt het in kilo's. Fabriek B noemt het PP-BLK-25 en telt het in zakken van 25 kg. Vraag een model het harsverbruik te voorspellen en het ziet twee materialen die niets met elkaar te maken hebben.

De oplossing is saai. Een materiaaleigenaar koppelt de codes, spreekt één eenheid af, en het platform past die regel elke nacht toe.

De tool kan de koppeling voorstellen. Een mens beslist nog steeds welke code wint en wie vanaf dat moment eigenaar is van de regel.

Klokken zijn het andere punt dat ik vroeg zou controleren. De historian van een walserij logt ovenmetingen misschien in lokale tijd, terwijl het ERP in UTC boekt.

U wilt een oppervlaktefout op coil 4471 koppelen aan de oventemperatuur op het moment dat hij gewalst werd. Als de klokken vier uur uit elkaar liggen, leert het model van de verkeerde temperatuur. Los het hier één keer op en elke latere use case doet het goed.

1. 01Machines en historiansSensormetingen, samengevat per batch
2. 02MESJobs, stilstand en uitval
3. 03ERPOrders, materialen en kosten
4. 04LandingszoneRuwe kopieën, bewaard zoals ze binnenkwamen
5. 05Opgeschoond en gekoppeldEén materiaalcode, één eenheid, één klok
6. 06SelfservicerapportenOEE, uitval en planningstrouw

Eén betrouwbare versie van elke order, van machine tot grootboek

Jaar één maakt van die data iets wat AI veilig kan gebruiken. De kern is een semantische laag: één gedeelde bedrijfstaal voor fabrieken, lijnen, werkplekken, materialen, orders en defecten.

Vraag een agent naar “stilstand op lijn 3” en hij moet weten welke lijn 3 bedoeld is. Fabriek A en fabriek B hebben er misschien allebei een, en tellen stilstand anders.

De ene fabriek start de klok wanneer de machine stopt. De andere start hem wanneer de operator de stop registreert. De semantische laag legt één definitie vast, en elk rapport en elke agent gebruikt die.

Zet in hetzelfde jaar AI-governance op. Houd een register bij van elke AI-use case, elk met een benoemde eigenaar, een risicoclassificatie en een punt waarop een mens de output controleert.

Als een AI-systeem een veiligheidscomponent van een machine wordt, behandelt de EU AI Act het als hoog risico. Haal uw veiligheidsingenieurs er vroeg bij. Ik wil ze in de eerste workshop hebben.

Lever daarna twee of drie snelle successen op die de mensen op de vloer merken. Hier is een onderhoudscopilot tijdens een nachtdienst.

1. Een monteur staat voor een hydraulische pers die steeds in storing gaat op lage druk. Ze typt de storingscode en het persnummer in de copilot op een tablet.
2. De copilot doorzoekt de handleiding en eerdere werkorders voor die pers.
3. Hij antwoordt dat dezelfde storing al twee keer eerder optrad, beide keren een versleten afdichting op de hoofdcilinder.
4. Hij geeft het onderdeelnummer van de afdichting en linkt naar de handleidingpagina met de vervangingsprocedure.

Zij beslist nog steeds of de pers stilgezet wordt, en ze past de vergrendeling nog steeds zelf toe. De copilot heeft alleen het zoeken door oude papieren overbodig gemaakt.

Samenvattingen voor de dienstoverdracht zijn het tweede snelle succes. Om 6 uur 's ochtends krijgt de binnenkomende ploegleider één pagina, opgebouwd uit MES-gebeurtenissen, stilstandlogs en kwaliteitsblokkades. Pers 9 verloor 40 minuten door een trage matrijswissel, en batch 2207 staat geblokkeerd vanwege onvolledig gevulde producten.

De ploegleider controleert de blokkade en beslist wat er eerst gedraaid wordt.

Een derde optie is controle van leveranciersdocumenten. Als op het walscertificaat van een coil S275 staat en u S355 hebt besteld, signaleert de AI dat vóór de goederenontvangst. Iemand van kwaliteit accepteert of weigert de coil nog steeds.

Zo zou ik de eerste kandidaten rangschikken.

1. 01Ploegleider vraagtWaarom verloor lijn 3 vannacht tijd?
2. 02Semantische laagWelke fabriek, welke lijn, welke stilstandregel
3. 03Beheerste dataStilstandlog, MES-gebeurtenissen, werkorders
4. 04Copilot antwoordtMet de bron van elk cijfer
5. 05Ploegleider controleertAccepteert, corrigeert of escaleert

Een antwoord waarover de fabrieksmanager en het directierapport het eens zijn

BedrijfswaardeHoogGemiddeldLaag

• Autonome planning

• Visuele kwaliteitsinspectie

• Onderhoudscopilot

• Controle leveranciersdocumenten

• Samenvattingen dienstoverdracht

• Generieke chatbot

LaagGemiddeldHoogDatagereedheid

• Later
• Plannen
• Nu beginnen

Jaar twee gaat van assistenten naar agents. Een assistent beantwoordt een vraag. Een agent volgt een signaal, beslist wat te doen binnen grenzen die u stelt, en handelt in uw systemen.

Dit zijn de agents die zich in de maakindustrie volgens mij het eerst terugbetalen.

1. Voorspellend onderhoud. Machinemetingen zetten vóór de storing een werkorder in het ERP klaar, met gereserveerde reserveonderdelen.
2. Kwaliteit. Visuele inspectie signaleert een defect, en de agent blokkeert de batch, koppelt hem aan de procesinstellingen en opent een afwijkingsmelding.
3. Planning. De agent herverdeelt de planning wanneer een machine uitvalt of een materiaal te laat is, en vraagt een planner om goedkeuring.
4. Inkoop. Hij zit achter late leveringen aan en stelt het verzoek tot versnelling op.

Zo handelt een onderhoudsagent een falend lager op een stanspers af.

1. De trilling op het hoofdlager kruipt in twee weken omhoog, en de temperatuur volgt.
2. De agent vergelijkt het patroon met eerdere storingen op hetzelfde type pers en vindt een overeenkomst.
3. Hij maakt een onderhoudsmelding aan in het ERP, controleert of er een reservelager op voorraad is en reserveert het.
4. Hij stelt een moment voor in de geplande stop van zaterdag en stuurt het verzoek naar de onderhoudsplanner.

De planner keurt het moment goed of verschuift het. De agent kan zelf melden en reserveren, maar hij kan geen lijn stilzetten, en een benoemde persoon is eigenaar van die grens.

Neem nu de planningsagent. Op dinsdagmiddag valt een extruder uit tot donderdag, en een container hars staat vast in de haven.

De agent controleert openstaande orders, leverdata en welke lijnen welke producten kunnen maken. Hij bouwt twee opties. Verplaats drie orders naar lijn 2 met overwerk op woensdag, of schuif één klantorder twee dagen op.

De planner kiest er een, of belt eerst de klant. Ik zou een agent nooit stilletjes een klantdatum laten verschuiven.

De grotere verandering in jaar twee is eigenaarschap. Iemand moet eigenaar zijn van elke agent, zijn grenzen en zijn resultaten. Ik behandel agents als nieuwe teamleden, met een functieomschrijving en een vaste evaluatie.

1. 01VolgenTrilling, temperatuur en stroom op elke pers
2. 02SignalerenEen lagermeting drijft buiten bereik
3. 03VoorbereidenWerkorder opgesteld, reserveonderdeel gereserveerd
4. 04GoedkeurenOnderhoudsplanner plant het moment in
5. 05UitvoerenOrder vrijgegeven, monteur ingezet
6. 06LerenDe uitkomst voedt de volgende voorspelling

Eén eigenaar per agent, met vaste grenzen

In jaar drie is AI geen apart project meer. Het zit in planning, productie, kwaliteit, onderhoud en kostprijsberekening.

Zo ziet dat eruit in een maandelijkse S&OP-cyclus, waarin verkoop, productie en financiën één plan afspreken.

1. Klanten delen prognoses, en de agent signaleert de prognoses die te hoog lijken ten opzichte van de orderhistorie.
2. Leveranciers delen capaciteit, zodat de agent ziet dat uw coatingleverancier in maart vol zit.
3. De agent stelt een plan op dat bij beide past en calculeert het in het ERP.
4. De vergadering besteedt haar uur aan de paar echte afwegingen.

Mensen blijven eigenaar van het plan. Het hoofd operations tekent het, en financiën controleert de marge.

Kostprijsberekening is de andere plek waar ik zou kijken. Stel dat een spuitgietmachine steeds langzamer draait dan zijn standaard cyclustijd. De agent ziet het verschil, berekent het kosteneffect en vraagt de kostprijsaccountant of de standaard moet worden bijgewerkt.

De accountant beslist, omdat een wijziging van de standaardkostprijs doorwerkt in de voorraadwaardering en de marges.

1. FabrieksdirecteurEigenaar van de fabrieksdoelen en de agentportfolio
   AI-governanceRegister, testen en een noodstop voor elke agent
2. ProductiemanagerKeurt planningswijzigingen goed die de agents voorstellen

• OnderhoudsagentEigendom van de onderhoudsmanager
• KwaliteitsagentEigendom van de kwaliteitsmanager
• PlanningsagentEigendom van de hoofdplanner
• InkoopagentEigendom van de inkoper

1. 04AI-agents en copilotsAgents voor onderhoud, kwaliteit, planning en inkoop, met menselijke goedkeuringspunten
2. 03Beheerste intelligentielaagSemantisch model van fabrieken, lijnen, materialen en orders, plus het AI-register
3. 02DatafundamentLakehouse met ERP-, MES- en historian-data, catalogus en lineage
4. 01Fabrieks- en bedrijfssystemenSensoren, SCADA, historians, MES en het ERP

Vier dingen horen niet bij één jaar. Ze lopen door alle jaren heen.

1. OT-beveiliging. OT staat voor de besturingen en netwerken die machines aansturen. Ze koppelen aan AI in de cloud vergroot het aanvalsoppervlak, dus ontwerp de koppeling volgens IEC 62443 en houd besturingsnetwerken gescheiden. De agent leest een kopie van de historian-data en schrijft nooit naar een PLC.
2. Soevereiniteit. Defensie, overheid en sommig exportgecontroleerd werk vragen om AI-opties in eigen land of on-premise. Beslis welke data de fabriek mag verlaten voordat u een model kiest. Een tekening van een defensieonderdeel mag misschien nooit in de buurt van een publiek model komen, terwijl een harsprognose dat waarschijnlijk wel mag.
3. Een open stack met meerdere leveranciers. Gebruik open formaten en standaardinterfaces zoals OPC UA, een gangbare standaard voor het uitlezen van machinedata. Dan kunt u van model wisselen zonder opnieuw te bouwen.
4. Uw mensen. Train planners, engineers en monteurs om met agents te werken. Een planner die de opties van de agent vertrouwt, gebruikt ze. Een planner die ze niet vertrouwt, bouwt het plan opnieuw op in Excel.

De meest voorkomende mislukking is een pilot die niet kan opschalen. Een visueel model, getraind op één lijn met handmatig verzamelde data, bewijst het idee en verder niets.

Breng het naar de tweede fabriek. De camera's zijn anders, de onderdeelnummers komen niet overeen en niemand is eigenaar van het model.

De tweede mislukking is AI behandelen als IT-project. Als de leiders van productie, kwaliteit en onderhoud geen eigenaar zijn van de use cases, worden de agents gebouwd en daarna genegeerd.

Mijn advies is om met processen te beginnen. Breng in kaart hoe een werkorder of kwaliteitsblokkade vandaag loopt, en kies daarna het systeem. Geef elke use case een eigenaar uit de business voordat iemand code schrijft.

Hoe het misgaatWat werkt

1. 01Hoe het misgaat: Een pilot op één lijn met handmatig verzamelde data→Wat werkt: Een datafundament gebouwd voor elke fabriek
2. 02Hoe het misgaat: IT bouwt het en de fabriek wordt nooit eigenaar→Wat werkt: Een eigenaar uit productie, kwaliteit of onderhoud per use case
3. 03Hoe het misgaat: Codes, eenheden en klokken in elk project opnieuw gerepareerd→Wat werkt: Stamgegevens één keer centraal op orde
4. 04Hoe het misgaat: Agents zonder eigenaar, grenzen of evaluatie→Wat werkt: Elke agent met een eigenaar, grenzen en een vaste evaluatie

Wilt u dit toetsen aan uw eigen fabrieken? Plan een gesprek en neem één use case mee plus een ruwe schets van uw ERP en MES. Ik vertel u in welke fase u echt zit en wat ik als eerste zou doen.

Wat is een AI-roadmap voor de maakindustrie?

Het is een gefaseerd plan om AI in een productiebedrijf in te zetten. Het begint met een datafundament dat fabrieks- en ERP-data koppelt. Daarna volgen een beheerste intelligentielaag, AI-agents en AI die is ingebouwd in de manier waarop de fabriek draait.

Waar moet een producent beginnen met AI?

Begin met data. Breng ERP-, MES- en machinedata samen in één beheerst platform, breng de stamgegevens op orde en geef fabrieksmanagers selfservicerapportage. De eerste AI-use cases komen in jaar één, bovenop dat fundament.

Welke AI-use cases betalen zich in de maakindustrie het eerst terug?

Onderhoudscopilots, samenvattingen voor de dienstoverdracht en controle van leveranciersdocumenten zijn snel op te leveren. Voorspellend onderhoud, visuele inspectie en het herverdelen van de planning leveren meer op maar vragen betere data, dus die komen meestal in jaar twee.

Hoe lang duurt een AI-roadmap voor de maakindustrie?

Ik plan hem over drie jaar zodra het datafundament in gang is gezet. Jaar één voegt de intelligentielaag toe, jaar twee schaalt agents op en jaar drie bouwt AI in de kernprocessen. Snelle successen moeten binnen het eerste jaar waarde laten zien.

Moeten we ons ERP of MES vervangen voordat we AI gebruiken?

Nee. AI ligt via het datafundament bovenop uw bestaande systemen. Wat telt, is dat uw ERP- en MES-data schoon en gekoppeld is, welke leveranciers u ook gebruikt.