De meeste AI-verhalen in de maakindustrie komen van leveranciers of consultants. Ze beschrijven wat AI kan — in theorie, bij grote bedrijven, met onbeperkte budgetten en een IT-team. De operationele werkelijkheid van een metaalbedrijf van 30 man, een verspaner met 12 machines of een machinebouwer die ETO-projecten draait, ziet er anders uit.
Dit artikel beschrijft wat AI nu werkelijk doet in de Nederlandse maakindustrie — inclusief wat het niet oplost, wat het kost, en wanneer je er klaar voor bent. Geen hype, wel een eerlijk beeld.
Van de vijf toepassingen hieronder zijn er twee breed uitgerold en bewezen. De andere drie zijn volwassen genoeg om serieus te nemen, maar vragen een specifieke context.
Sensoren meten continu trillingen, temperatuur en stroomverbruik van machines. Een AI-model analyseert de patronen en geeft een signaal wanneer afwijkingen op een aankomende storing wijzen — vaak dagen of weken voordat de storing daadwerkelijk optreedt.
Dit werkt het beste bij dure, intensief gebruikte machines waar stilstand direct omzetverlies betekent: CNC-centra’s bij verspaners, persmachines bij plaatbewerkers, lasrobots bij staalconstructeurs. Bedrijven die het succesvol inzetten melden 25–40% minder ongeplande stilstand.
De investering: €15.000–€80.000 voor sensoren, software en implementatie, afhankelijk van het aantal machines en de gekozen aanbieder. De ROI-berekening is relatief eenvoudig: één voorkomen storing op een machine met een dagproductiewaarde van €8.000 is al €8.000 besparing.
Camera’s aan het einde van een productielijn inspecteren producten automatisch op maatafwijkingen, oppervlaktedefecten of assemblagefouten. De AI herkent afwijkingen sneller en consistenter dan een menselijke keurder.
Dit is bijzonder relevant voor verspaners met grote series en nauwe toleranties, en voor plaatbewerkers waar krassen of vervormingen pas laat worden ontdekt. Bij kleine series met hoge variatie — typisch voor machinebouw ETO — is de businesscase zwakker: de AI moet elke productvariant apart leren herkennen.
AI-planningstools analyseren tegelijkertijd machinecapaciteit, personeelsbeschikbaarheid, materiaalleveringen en klantdeadlines. Ze genereren planningsvoorstellen en passen die aan zodra er iets wijzigt — een spoedorder, een machinestoring, een leveranciersprobleem.
De vereiste: betrouwbare basisdata. Als de huidige planning draait op Excel-bestanden en mondelinge afstemming, heeft een AI-planningssysteem te weinig om op te trainen. Het systeem kan niet beter plannen dan de data die het invoert.
Op basis van historische projectdata herkent een AI-systeem patronen in vergelijkbare opdrachten en suggereert een kalkulatie voor uren, materiaal en risico-opslagen. Dit versnelt het offerteproces en verkleint de kans op structureel te laag calculeren.
De randvoorwaarde: een database van historische projecten met werkelijke kosten per fase — niet alleen de gefactureerde bedragen, maar de interne nacalculatiedata. Dat vereist een ERP-systeem dat nacalculatie systematisch bijhoudt.
AI-modellen voorspellen vraag op basis van historische verkoopdata, seizoenspatronen en externe factoren. Dit optimaliseert inkooptiming en voorraadhoogte.
Voor pure productiebedrijven met klantspecifieke orders is de toepassing beperkt — je kunt geen vraag voorspellen die afhankelijk is van opdrachten die nog niet zijn gegund. Voor bedrijven die ook handelsartikelen leveren, of die halffabricaten op voorraad produceren, is de businesscase sterker.
Dit is de sectie die je nergens in een leverancierspresentatie tegenkomt, maar die het meest bepaalt of een AI-investering succesvol is.
AI lost geen dataproblemen op. Als je productiedata verspreid zit over Excel-bestanden, losstaande systemen en papieren urenbriefjes, heeft een AI-model niets te leren. Garbage in, garbage out — ook voor de meest geavanceerde modellen.
AI lost geen procesbeschrijvingsproblemen op. Als je medewerkers zelf niet eenduidig zeggen welke stappen een order doorloopt, kan een AI die stappen niet optimaliseren. Proceshelderheid is een menselijk probleem, geen technologisch probleem.
AI lost geen adoptieproblemen op. Een AI-planningssysteem dat operators op de werkvloer niet vertrouwen of begrijpen, wordt genegeerd. Draagvlak en uitleg zijn randvoorwaarden, geen afterthought.
De meeste mislukte AI-projecten in de maakindustrie mislukken niet door technologie — ze mislukken door een onderschat datakwaliteitsprobleem. Waarom AI-projecten mislukken in de maakindustrie gaat hier dieper op in.
Een eerlijke zelfcheck vóór je een AI-investering overweegt:
Als je op meer dan twee van deze vragen “nee” antwoordt, is de prioriteit niet AI — het is het fundament.
Een goed ingericht ERP is niet het eindpunt van digitalisering in de maakindustrie — het is het startpunt voor AI. Predictive maintenance heeft machinehistorie en onderhoudsregistraties nodig. Offertecalculatie met AI heeft historische projectdata met werkelijke kosten nodig. Demand forecasting heeft betrouwbare verkoophistorie nodig. Al die data heeft een thuisbasis — en dat is het ERP.
Maar traditionele ERP-systemen hebben een blinde vlek: ze weten niet wat er op de werkvloer gebeurt. Machinedata, sensorwaarden en procesparameters van PLC’s en SCADA-systemen leven in een aparte wereld. Die kloof tussen IT en OT is een van de grootste obstakels voor AI-toepassingen die werkvloerdata vereisen. Hoe een Unified Namespace dat gat overbrugt, lees je in ons artikel over ERP en de werkvloer verbinden.
De bedrijven die het meeste rendement halen uit AI beginnen niet met een groot transformatieproject — ze beginnen met één concreet pijnpunt, een meetbare definitie van succes, en een bewuste keuze om te leren voordat ze schalen.
Wil je weten hoe ver jouw bedrijf staat op het gebied van AI-gereedheid? Doe de gratis AI-scan voor de maakindustrie — een diagnose van je huidige volwassenheid op het gebied van data, processen en IT-infrastructuur.
© 2026 ITindustrie.nl — Onafhankelijk kennisplatform voor ERP, AI en IT in de maakindustrie