Belgische productie-kmo's hebben zelden behoefte aan een sciencefictionfabriek. Gewoonlijk hebben ze vooral behoefte aan minder laattijdige e-mails van leveranciers, een snellere beoordeling van afwijkingen, beter gestructureerde onderhoudsgegevens en een productieteam dat kan vertrouwen op de volgende instructie op het scherm. AI-automatisering is nuttig wanneer ze deze workflows helpt vooruitgaan op basis van bewijs, niet wanneer ze de mensen probeert te vervangen die de productielijn kennen.
De businesscase wordt realistischer omdat Belgische ondernemingen al met AI experimenteren. Statbel meldt dat het gebruik van AI door ondernemingen in België is toegenomen, waarbij toepassingen voor taal, documenten en bedrijfsprocessen tot de gangbare patronen behoren. Voor een productie-kmo betekent dit niet dat ze met autonome productiebeslissingen moet beginnen. Het betekent dat AI wordt ingezet waar de input ongestructureerd is, maar de beslissingsbevoegdheid bij mensen kan blijven: kwaliteitsnotities, werkorders, antwoorden van leveranciers, klachten van klanten, onderhoudslogboeken, veiligheidsdocumentatie en uitzonderingen in het ERP-systeem.
Deze gids is bedoeld voor verantwoordelijken voor operationele activiteiten, kwaliteit en vestigingen die werken met een klein IT-team en een gemengde technologiestack: ERP, spreadsheets, gedeelde mailboxen, onderhoudssoftware, papieren formulieren en de kennis van operators. De beste eerste automatisering is niet de meest spectaculaire. Het is de workflow waarin verloren context nu al elke week tijd kost.
Waar AI in de workflow van een Belgische fabriek past
De meeste gesprekken over productieautomatisering gaan meteen over robots of voorspellend onderhoud. Die kunnen later belangrijk worden, maar veel Belgische kmo's hebben eerst behoefte aan automatisering van de coördinatie rond het productieproces. Een kwaliteitsprobleem kan beginnen aan een inspectiepost, vervolgens via foto's en notities worden doorgegeven, wachten op een leidinggevende, bewijsmateriaal van een leverancier vereisen en eindigen als een corrigerende maatregel in een kwaliteitssysteem. Als die overdrachten via e-mail en tabbladen in spreadsheets plaatsvinden, leidt dat tot vertraging en onzekerheid.
AI kan helpen door ongestructureerde informatie te lezen, te classificeren, samen te vatten en door te sturen, en door te controleren of verplichte velden aanwezig zijn. Dat is iets anders dan AI laten beslissen of een batch veilig is, een machine mag draaien of een product mag worden verzonden. Die beslissingen moeten binnen goedgekeurde operationele procedures, kwaliteitscontroles en menselijke bevoegdheden blijven.
Een praktische eerste shortlist omvat doorgaans drie soorten workflows.
- Kwaliteits- en afwijkingsbeheer: inspectienotities classificeren, terugkerende defecten groeperen, vragen aan leveranciers opstellen, foto's en batchgegevens toevoegen en een door mensen te beoordelen registratie van corrigerende maatregelen voorbereiden.
- Administratie rond onderhoud en stilstand: meldingen van operators omzetten in gestructureerde werkorders, symptomen koppelen aan bekende storingsmodi, opvolging prioriteren en een controleerbare onderhoudshistoriek bijhouden.
- Productieadministratie en klantactiviteiten: orderwijzigingen afstemmen, leveringsverwachtingen bijwerken, vereisten uit e-mails van klanten halen en verkoop of planning waarschuwen wanneer een toezegging in gevaar komt.
Deze workflows zijn goede kandidaten voor AI omdat ze taal, beoordeling en uitzonderingen bevatten, maar toch door regels kunnen worden beheerst. Het systeem kan een voorstel doen. Een verantwoordelijke persoon keurt het goed.
Begin bij de huidige controlegrenzen
Breng de controlegrenzen in kaart voordat u een model of integratie ontwerpt. Leg vast welk systeem de primaire gegevensbron is, wie het mag wijzigen, welk bewijs vereist is en welke beslissingen betrekking hebben op veiligheid, kwaliteit, financiën of contractuele verplichtingen. ISO 9001 benadert kwaliteitsmanagement vanuit beheerste processen, bewijs, verantwoordelijkheden en continue verbetering. Zelfs wanneer een Belgische kmo niet formeel gecertificeerd is, helpt dezelfde discipline om AI-automatisering nuttig te houden.
Een assistent voor afwijkingsbeheer mag bijvoorbeeld de definitieve hoofdoorzaak niet herschrijven. Hij kan inspectieopmerkingen verzamelen, deze vergelijken met eerdere incidenten, een defectcategorie voorstellen en een conceptbericht voor de leverancier voorbereiden. De kwaliteitsverantwoordelijke keurt nog steeds de categorie goed, bekrachtigt de corrigerende maatregel en beslist of de productie wordt voortgezet.
Machineveiligheid vereist afzonderlijke grenzen. Belgische richtlijnen voor veiligheid op het werk leggen verplichtingen op rond arbeidsmiddelen, afscherming, onderhoud, instructies en veilig gebruik. Door AI gegenereerde onderhoudssuggesties mogen nooit lockoutprocedures, vereisten voor bevoegde personen of de veiligheidsinstructies van de fabrikant omzeilen. Beschouw AI als een ondersteunende administratieve en diagnostische laag, niet als een manier om wettelijke verplichtingen te omzeilen.
Een praktische implementatievolgorde
Het eerste onderdeel dat in productie wordt genomen, moet beperkt genoeg zijn om binnen enkele weken in plaats van kwartalen te valideren. Kies één lijn, één workflow, één eigenaar en één meetbaar knelpunt. Vermijd als eerste stap een kennisassistent voor de hele fabriek, tenzij de documentatie en toegangsrechten al op orde zijn.
- Definieer de trigger. Voorbeelden zijn een afgekeurde inspectieregistratie, een notitie over stilstand, een laattijdig antwoord van een leverancier of een e-mail over een orderwijziging. De trigger moet in een bestaand systeem waarneembaar zijn.
- Leg het vereiste bewijs vast. Maak een lijst van de velden, foto's, documenten, batchnummers, machinereferenties en opmerkingen van operators die nodig zijn voordat een leidinggevende actie kan ondernemen.
- Bouw de classificatielaag. Gebruik AI om velden te extraheren, ontbrekend bewijs te detecteren, vergelijkbare incidenten te groeperen en de volgende interne verantwoordelijke voor te stellen.
- Voeg deterministische workflowregels toe. Stuur zeer ernstige problemen, vertragingen met gevolgen voor klanten of veiligheidsgerelateerde meldingen door naar specifiek aangewezen personen. Laat escalatie niet uitsluitend afhangen van de beoordeling door het model.
- Houd het goedkeuringsscherm eenvoudig. De menselijke beoordelaar moet het bronmateriaal, de voorgestelde classificatie, opmerkingen over de betrouwbaarheid en de actieknoppen kunnen zien. Het mag niet nodig zijn om een lange uitleg van de AI te lezen.
- Schrijf de gegevens terug naar de primaire gegevensbron. Werk na goedkeuring het kwaliteitssysteem, de onderhoudstool, de ERP-notitie of het CRM-record bij. Het auditspoor moet tonen wie de wijziging heeft goedgekeurd en wanneer.
De implementatie moet vanaf de eerste dag een afwijzingsroute bevatten. Als een operator of kwaliteitsverantwoordelijke de suggestie afwijst, leg dan de reden vast: verkeerde defectcategorie, ontbrekende context, onveilige aanbeveling, dubbele registratie of onduidelijk bewijs. Deze afwijzingen vormen het leersignaal voor betere prompts, zoekprocessen en workflowregels.
Beperkingen van gegevens en systemen
Productie-kmo's beschikken vaak over versnipperde gegevens. Een spreadsheet kan leveranciersreferenties bevatten, een ERP-systeem kan onderdeelnummers bijhouden, een onderhoudstool kan andere machinenamen gebruiken en operators kunnen hetzelfde probleem in het Nederlands, Frans of Engels beschrijven. AI kan bepaalde taalvariaties overbruggen, maar kan niet zelfstandig nette stamgegevens creëren.
Begin met het normaliseren van de identificatiegegevens die bepalend zijn voor de routering: artikelnummer, leverancier, klant, lijn, machine, batch, defectcode en ploeg. Als deze velden niet stabiel zijn, zal de automatisering er tijdens een demonstratie indrukwekkend uitzien, maar in productie mislukken. Bouw een kleine referentietabel, bepaal wie daarvoor verantwoordelijk is en maak uitzonderingen zichtbaar.
Persoonsgegevens vormen een andere praktische beperking. Productienotities met raakvlakken met HR, informatie over afwezigheid, opmerkingen over prestaties, camerabeelden en toegangslogboeken kunnen al snel gevoelig worden. Houd de eerste workflow gericht op operationele gegevens waarvoor geen persoonsgegevens nodig zijn, of ontwerp expliciete maatregelen voor anonimisering en toegangsbeheer. De richtlijnen van de Europese Commissie over de AI-verordening maken het ook belangrijk om te begrijpen of een toepassing binnen een gereguleerde categorie valt. De meeste workflows voor administratieve ondersteuning zullen een lager risico hebben dan autonome, veiligheidskritieke aansturing, maar de classificatie moet worden gedocumenteerd en mag niet zomaar worden aangenomen.
Wat u kunt meten zonder ROI te verzinnen
Een geloofwaardig meetplan gebruikt operationele nulmetingen van vóór de lancering en vergelijkt die met dezelfde workflow na de ingebruikname. Beloof geen vast besparingspercentage voordat het huidige proces is gemeten. Voor een Belgische kmo zijn de nuttige meetwaarden doorgaans eenvoudig.
- Tijd tussen een afgekeurde inspectie en de eerste menselijke beoordeling.
- Percentage afwijkingsregistraties dat wordt teruggestuurd omdat bewijs ontbreekt.
- Meldingen van stilstand die tijdens dezelfde ploeg in volledige werkorders worden omgezet.
- Herhaalde defecten die onder dezelfde leverancier, hetzelfde materiaal, dezelfde machine of dezelfde processtap worden gegroepeerd.
- Administratieve tijd besteed aan het kopiëren van informatie tussen e-mail, ERP- en kwaliteitssystemen.
- Aantal AI-suggesties dat wordt aanvaard, bewerkt, afgewezen en geëscaleerd.
Beoordeel de cijfers tijdens de eerste maand wekelijks. Maak een onderscheid tussen de kwaliteit van het model en de ingebruikname van de workflow. Als de suggesties goed zijn maar leidinggevenden ze niet gebruiken, kan het goedkeuringsscherm of de escalatieregel verkeerd zijn. Als het gebruik hoog is maar er nog steeds veel herstelwerk nodig is, kan de stap voor gegevensvastlegging nog onvolledig zijn.
Waar dit werkt en waar niet
AI-automatisering werkt goed wanneer de workflow voldoende herhaalde structuur bevat om van te leren, voldoende tekst of bewijs biedt om te interpreteren en een menselijk beslismoment omvat dat duidelijker kan worden gemaakt. Ze werkt minder goed wanneer er te weinig gegevens zijn, de beslissing veiligheidskritiek is of de proceseigenaar niet kan bepalen hoe een goed resultaat eruitziet.
Begin niet met autonome productieplanning als planners het nog oneens zijn over prioriteiten, beperkingen en klantregels. Begin niet met voorspellend onderhoud als machines geen betrouwbare incidenthistoriek hebben. Begin niet met computervisie als beelden niet consistent worden vastgelegd en niemand heeft gelabeld wat als een defect geldt. Begin waar betere routering, samenvatting en bewijscontroles vandaag echte knelpunten wegnemen.
Voor veel kmo's is de waardevolste eerste versie een assistent die de bestaande verantwoordelijke helpt sneller te werken. Hij bereidt het dossier voor, verwijst naar vergelijkbare incidenten, markeert ontbrekende gegevens, stelt het bericht voor de leverancier of klant op en registreert de definitief goedgekeurde actie.
Hoe Intyb het eerste onderdeel zou afbakenen
Tijdens de eerste workshop zou Intyb één workflow rond de productie in kaart brengen, van de trigger tot de definitieve registratie. We zouden de bronsystemen, bewijsvereisten, goedkeuringsmomenten, uitzonderingsroutes, taalbehoeften en minimale integratie vaststellen die nodig zijn om dubbele invoer te voorkomen. Het doel is niet om een volledig platform te verkopen. Het doel is om één beheerste workflow met een duidelijke eigenaar en een auditspoor te bewijzen.
Een realistisch eerste onderdeel kan er als volgt uitzien: een afgekeurde inspectie komt binnen via een formulier, AI extraheert het onderdeelnummer en de defectnotities, de workflow controleert of foto's en batchgegevens aanwezig zijn, de kwaliteitsverantwoordelijke ontvangt een voorgestelde categorie en eerdere vergelijkbare incidenten, en de goedgekeurde beslissing wordt teruggeschreven naar het kwaliteitslogboek. Dit kan later worden gekoppeld aan de opvolging van leveranciers, meldingen aan klanten en onderhoudsacties, maar die onderdelen mogen pas worden toegevoegd nadat de eerste cyclus betrouwbaar is gebleken.
Bespreek een productieworkflow met het Belgische AI-automatiseringsteam van Intyb, ontdek onze dienst voor workflowautomatisering en bekijk ons werk voor Belgische ondernemingen. Lees voor een breder operationeel principe waarom slechte procesautomatisering meer kost.