Elk jaar investeren maakbedrijven in Nederland opnieuw in AI-pilots. Voorspellend onderhoud, slimme planningsoptimalisatie, autonome kwaliteitscontrole. De verwachtingen zijn hoog, de budgetten worden vrijgemaakt, externe consultants worden ingevlogen.
En toch: de meeste van deze projecten stranden. Niet na jaren — maar al na drie tot zes maanden. De pilot leverde geen herhaalbare resultaten. Het model werkte in de testomgeving maar niet op de productievloer. De data bleek te rommelig, te versnipperd, of simpelweg niet beschikbaar op het moment dat het algoritme hem nodig had.
De standaardverklaring is dan: "AI is nog niet rijp voor onze sector" of "we hadden meer data nodig." Maar dat klopt niet. Het echte probleem zit dieper — en het heeft niets met AI te maken.
De reden dat AI-projecten in de maakindustrie mislukken is bijna altijd hetzelfde: de onderliggende datastructuur is niet op orde. Machines genereren data in hun eigen formaten, op hun eigen momenten, met hun eigen naamgevingsconventies. Systemen slaan die data op in silo's die niet met elkaar praten. En als een AI-model dan om een consistente, realtime datastroom vraagt, is die er simpelweg niet.
Dit is geen AI-probleem. Het is een architectuurprobleem. En zolang de architectuur niet klopt, blijft elk AI-project hangen in de pilotfase — hoeveel talent of budget je er ook tegenaan gooit.
De oplossing begint met inzicht in twee lagen die in de praktijk structureel door elkaar worden gehaald: het uitvoeringsysteem en de dataarchitectuur.
Vraag een productieleider wat een MES is en wat een UNS is. De kans is groot dat hij je aankijkt alsof het hetzelfde is. Dat is begrijpelijk — maar het is precies de verwarring die AI-implementaties duur maakt.
Een MES (Manufacturing Execution System) is een applicatie. Het is software die de productieuitvoering ondersteunt: werkorders aanmaken, bewerkingsstappen registreren, kwaliteitsdata vastleggen, operatoren aansturen. Een MES denkt in bewerkingen en machines. Het is ontworpen voor de werkvloer van gisteren: gestructureerde processen, vaste routings, herhaalbare stappen.
Maar een traditioneel MES heeft een fundamentele beperking: het is gebouwd als een eiland. Data gaat erin, data gaat eruit via exports en koppelingen — maar het systeem zelf bepaalt wanneer, hoe en in welk formaat. Voor een bedrijf met een hoge mix en lage volumes, continu veranderende processen en meerdere machinetypen van verschillende leveranciers, is dat onhoudbaar.
Een UNS (Unified Namespace) is geen applicatie. Het is een architectuurlaag. Het is de manier waarop je bepaalt hoe data door je organisatie stroomt — real-time, gestructureerd, en toegankelijk voor elk systeem dat die data nodig heeft.
Het onderscheid is fundamenteel: een MES doet iets. Een UNS verbindt alles.
Een UNS werkt alleen als data consistent gelabeld is. Dat klinkt triviaal, maar in de praktijk is het een van de grootste uitdagingen bij digitalisering: machine A noemt een productielijn "Lijn-1", machine B noemt diezelfde lijn "ProductionLine_01", en het ERP kent hem als "PL001". Voor een mens vervelend. Voor een AI-model fataal.
De industriestandaard die dit oplost heet ISA-95. ISA-95 definieert een hiërarchische naamgevingsconventie voor productiebedrijven: van fabrieksniveau, naar afdeling, naar werkcel, naar machine, naar variabele. Het resultaat is een vaste "mappenstructuur" voor je productiedata — ongeacht welke machine, welk systeem of welke leverancier de data genereert.
Wanneer je ISA-95 consequent toepast als basis voor je UNS, ontstaat er iets dat in de industrie de heilige graal is: één consistente databron voor alle systemen tegelijk. Je ERP, je MES, je BI-dashboard en je AI-modellen lezen allemaal uit dezelfde, real-time bijgewerkte datalaag. Niet uit vijf verschillende exports die om verschillende redenen altijd net iets anders zeggen.
Dit is waar het voor de maakindustrie interessant wordt. Want zodra de datastructuur op orde is — real-time, consistent, machineleesbaar — opent dat de deur naar AI-toepassingen die eerder niet haalbaar waren. Niet als toekomstmuziek, maar als operationele realiteit voor bedrijven die de architectuur goed hebben ingericht.
Voorspellend onderhoud is de meest genoemde AI-toepassing in de maakindustrie — en tegelijk de meest mislukte pilot. De reden: het vereist continue, historische data over trillingspatronen, stroomopname, temperatuurverloop en alarmcodes per machine. Die data bestaat wel, maar leeft versnipperd in machinelogs, SCADA-systemen en papieren onderhoudsdossiers.
Met een goed ingerichte UNS publiceert elke machine continu zijn sensordata naar een centrale datalaag. Een AI-model kan dan afwijkingspatronen detecteren die voor een menselijke operator onzichtbaar zijn — zoals een geleidelijke toename van trillingsamplitude die drie weken voor een lagerdefect begint. Het resultaat: onderhoud op het juiste moment, niet te vroeg en niet te laat, met aantoonbare reductie van ongeplande stilstand.
In verspanende bedrijven wordt kwaliteit traditioneel achteraf gemeten: het onderdeel is gemaakt, gaat naar de meetkamer, en dan blijkt pas of het goed is. Elke afgekeurde batch kost materiaal, tijd en capaciteit.
Een UNS maakt het mogelijk om procesparameters — spilsnelheid, voedingssnelheid, koelmiddeltemperatuur, trillingssignaal — real-time te correleren met keuringsresultaten. Een AI-model dat op deze gecombineerde dataset traint, leert welke parametercombinaties voorspellen dat een maat buiten tolerantie valt. Zo wordt kwaliteitsafwijking een signaal tijdens de bewerking, niet een constatering erna.
Plannen in de maakindustrie is het dagelijkse gevecht met onzekerheid: machines die uitvallen, orders die wijzigen, materiaal dat te laat binnenkomt. Een traditioneel MES plant op basis van de situatie van gisteravond. Een AI-planner die verbonden is met een real-time databus ziet de situatie van nu.
Real-time capaciteitsdata, actuele ordervoortgang en materialenstatus komen samen in één datalaag. Een planningsalgoritme kan daarmee in seconden herplannen bij een verstoring — en de consequenties doorrekenen voor de rest van de week. Niet als theoretisch scenario, maar als directe actie op de productievloer.
Energiekosten zijn voor verspanende en staalverwerkende bedrijven een groeiende kostenpost. De meeste bedrijven weten wat ze per maand verbruiken. Maar welke machine, welke order, welke bewerkingstap het meeste stroom verbruikt? Dat weet vrijwel niemand.
Een UNS koppelt energiemeterdata real-time aan productieorderdata. Een AI-model kan dan de volgorde van productieorders optimaliseren om stroompieken te reduceren — relevant voor bedrijven met een variabel stroomtarief of een piekvermogenscontract. De data was er altijd al. De architectuur om hem bruikbaar te maken, niet.
Een digitale tweeling — een virtueel model van je fabriek dat real-time de werkelijkheid spiegelt — staat al jaren op de roadmap van productiebedrijven, maar wordt zelden operationeel. De blokkade is niet de modelleertechnologie. Het is de datafeed.
Een tweeling is alleen zo betrouwbaar als de data die hem voedt. Met een UNS als fundament stroomt actuele machine- en procesdata continu het model in. Je kunt dan simuleren wat er gebeurt als je een order anders plant, een machine pauzeert of een nieuwe productvariant introduceert — voordat je de beslissing op de werkvloer doorvoert. Van scenarioplanning op buikgevoel naar scenarioplanning op data.
Het patroon dat we beschrijven heeft een naam in de industrie: composable manufacturing. In plaats van één monolithisch systeem dat alles probeert te doen, bouw je een ecosysteem van gespecialiseerde componenten die allemaal communiceren via dezelfde datalaag.
Je MES hoeft dan niet meer alles te kunnen. Het doet waar het goed in is: werkorderuitvoering en operatorsturing. De AI-laag, de planningsoptimalisatie, de kwaliteitsanalyse — dat zijn losse modules die data consumeren uit de UNS en er inzichten aan teruggeven. Elke module vervangbaar, uitbreidbaar en onafhankelijk van de andere.
Dit is een fundamentele breuk met hoe maakbedrijven traditioneel naar IT kijken: niet één groot systeem dat je vervangt als het verouderd is, maar een architectuur die meegroeit terwijl de wereld verandert.
De implementatie van een UNS hoeft niet groot te starten. De meest effectieve trajecten beginnen met één productielijn, twee of drie machines en één concrete use case — real-time bezettingsgraad of energiemonitoring zijn lage-drempel startpunten die snel waarde tonen.
De kritische vraag die je daarvoor moet beantwoorden is: welke machines in jouw fabriek hebben al een open interface? Moderne machines (bouwjaar 2018 of later) ondersteunen vrijwel altijd OPC-UA of MQTT. Oudere machines kunnen worden ontsloten via edge-devices die het machinale protocol vertalen naar een open standaard. De investering is een fractie van wat een nieuwe machine kost.
Zodra de eerste datastroom loopt en consistent gelabeld is volgens ISA-95, is de architectuur gebouwd. Elke AI-toepassing die daarna volgt, is geen nieuw project meer — het is een nieuwe module op een fundament dat er al ligt.
Ben je benieuwd hoe jouw huidige ERP-systeem omgaat met open datastandaarden en real-time integratie? De gratis ERP-scan van ITindustrie.nl geeft in 10 vragen inzicht in de toekomstbestendigheid van jouw IT-architectuur. Of lees verder in ons artikel over hoe een Unified Namespace de OT/IT-kloof overbrugt.
© 2026 ITindustrie.nl — Onafhankelijk kennisplatform voor ERP, AI en IT in de maakindustrie