Kunstmatige intelligentie (AI) heeft al aangetoond dat het informatie kan analyseren, patronen kan ontdekken en aanbevelingen kan doen. Industrial AI staat voor een zwaardere test: kan het die inzichten omzetten in meetbare verbeteringen op de fabrieksvloer?
Het National Institute of Standards and TechnologyHet werk van NIST (NIST) uit 2026 op het gebied van AI voor de productie weerspiegelt dat deze uitdaging. Naast het potentieel van AI om de productiviteit en veerkracht te verhogen, worden ook technische complexiteit, onzekerheid over de ROI, interoperabiliteit en betrouwbare implementatie geïdentificeerd als de uitdagingen tussen experimenten en wijdverbreid gebruik van de productie.
Bij Siemens combineren we AI-capaciteiten met diepgaande kennis van industriële apparatuur, automatisering en engineering. Dit stelt ons in staat klanten te helpen AI toe te passen in echte productie-, onderhouds- en engineeringworkflows.
Voor Amerikaanse fabrikanten creëert AI waarde wanneer het een meetbaar operationeel probleem oplost, in omgevingen met gemengde technologie werkt en voldoende vertrouwen verdient om de fysieke activiteiten te beïnvloeden. Daarom moeten de operaties beter presteren.
Waar moeten fabrikanten Industrial AI als eerste inzetten voor meetbare waarde?
Fabrikanten moeten beginnen met het identificeren van de uitdagingen die ze moeten oplossen en vervolgens bepalen welke AI-oplossingen kunnen helpen.
Een indrukwekkend model en een waardevolle productietoepassing zijn niet hetzelfde. Identificeer waar er sprake is van downtime, kwaliteitsverlies, onderhoudsvereisten, doorvoerbeperkingen of technische knelpunten die meetbare gevolgen hebben. Werk vervolgens terug van dat probleem om te bepalen welke gegevens, workflows en intelligentie het resultaat zouden kunnen veranderen.
Volgens Chris Stevens, President van Siemens U.S. Digital Industries, succesvolle implementaties beginnen met het bedrijfsprobleem en bepalen hoe de gegevens, de workflow en de gebruikerservaring tot een meetbaar resultaat kunnen leiden.
Voorspellend onderhoud is een nuttig voorbeeld. BlueScope begon Siemens Senseye Predictive Maintenance in te zetten om afwijkingen te identificeren voordat de apparatuur uitviel. Siemens meldt dat het initiatief meer dan 1.950 uur machinestilstand op verschillende locaties over de hele wereld heeft voorkomen en 53 volledige procesonderbrekingen heeft voorkomen. Dat is een veel belangrijkere maatstaf voor Industrial AI dan het aantal gebruikte modellen.
De les geldt niet alleen voor onderhoud. Kwaliteit, doorvoer of technische tijd kunnen even sterke uitgangspunten zijn als ze de prestaties beperken. De gemene deler is een operationele basislijn die gekoppeld is aan een meetbaar resultaat. Industrial AI verdient het recht op schaalbaarheid wanneer de fabrikant niet alleen kan aangeven wat de technologie heeft geproduceerd, maar ook kan aangeven wat er daardoor in de operatie is veranderd.
Wat verandert er wanneer Industrial AI activiteiten begint te beïnvloeden?
De risicovergelijking verandert wanneer AI overgaat van het verstrekken van informatie naar het beïnvloeden van technische, onderhouds- of productiebeslissingen.
Een aanbeveling in een kantoorworkflow kan worden herzien, gewijzigd of verworpen zonder dat dit gevolgen heeft voor een fysiek proces. Een aanbeveling waarbij een machineparameter, besturingsvolgorde of onderhoudsactie wordt gewijzigd, kan operationele gevolgen hebben. Hoe dichter AI bij de fysieke uitvoering komt, hoe belangrijker context, validatie, machtigingen en menselijk toezicht worden.
We zien deze grens al verschuiven. IMA-groep werkt samen met Siemens om Industrial AI te introduceren in de besturing van verpakkingsmachines. Productiescenario's worden gesimuleerd in een digital twin om synthetische trainingsgegevens te genereren voordat een neuraal netwerk wordt ingebed in een PLC voor realtime bewegingsbesturing en adaptief machinegedrag. Dankzij deze aanpak kunnen modellen worden getraind en gevalideerd voordat ze fysiek in gebruik worden genomen.
NISTEN onderzoekt dezelfde nieuwe uitdaging vanuit het oogpunt van normen. De productiewerkplaats in 2026 was gericht op de ontwikkeling en validatie van AI-gestuurde strategieën voor operaties, onderhoud en controle, evenals op vertrouwen, veiligheid en evaluatie van de effecten van AI op fysieke processen en bedrijfsmiddelen.
Een grotere AI-capaciteit zou dus niet moeten betekenen dat de besturing zwakker wordt. Het zou een meer weloverwogen weg moeten betekenen van inzicht naar aanbeveling naar gevalideerde actie. Hoe consequenter de beslissing, hoe sterker die weg moet worden.
Hoe kan industriële AI werken in de productie van brownfield?
De integratie van Industrial AI in bestaande fabrieken brengt bijzondere uitdagingen met zich mee: apparatuur, automatiseringssystemen en sensoren variëren in leeftijd en capaciteit, en de beschikbare gegevens zijn mogelijk niet verzameld met het oog op AI.
Dat maakt interoperabiliteit en implementatiearchitectuur net zo belangrijk als de prestaties van het model.
De wereldwijde uitrol van BlueScope voor voorspellend onderhoud illustreert de praktische realiteit. Het programma stuitte op verouderde apparatuur, verouderde sensoren en beperkte infrastructuur, evenals gegevens afkomstig van systemen zoals HMI's en PLC's met verschillende updatesnelheden en -formaten. In plaats van te wachten op perfecte gegevens, hebben teams de beschikbare informatie beoordeeld en waar nodig aangevuld. Toen BlueScope zijn kennis standaardiseerde, vorderde de operatie in Western Port van de installatie tot het eerste succes op het gebied van voorspellend onderhoud in drie maanden, tegenover 18 maanden voor de eerste pilot.
Audi toont een andere dimensie van de uitdaging aan. In samenwerking met Siemens, de autofabrikant maakt gebruik van Industrial Edge-infrastructuur dat virtuele PLC's en AI-oplossingen ondersteunt. De AI-modellen identificeren defecten, waaronder scheuren en lasspetters, terwijl de gestandaardiseerde infrastructuur een manier biedt om AI te integreren in de automatiseringsomgeving en deze breder in te zetten.
Voor Amerikaanse fabrikanten zijn de gevolgen belangrijk. Industrial AI vereist niet alle bestaande middelen om nieuw te worden. Schaalvergroting hangt in plaats daarvan af van het verbinden van beschikbare gegevens en automatisering in een herhaalbare architectuur die geschikt is voor de heterogeniteit die al op de fabrieksvloer bestaat.