Door Edse Dantuma

De Nederlandse industrie past weliswaar steeds vaker kunstmatige intelligentie toe in haar bedrijfsprocessen, maar blijft achter bij het tempo dat nodig is om internationaal concurrerend te blijven. In 2025 is de adoptie in de industrie sneller toegenomen dan in andere sectoren. Toch maakt slechts een op de vijf producenten actief gebruik van AI, terwijl de software-investeringen achterblijven bij de totale industriële investeringsgroei. De reële waarde van het industriële software-kapitaal is de afgelopen vijf jaar zelfs met 7,5% afgenomen. Dit terwijl er landelijk sprake is van 8,5% groei. Daarmee dreigt de sector kansen te missen om productiever en concurrerender te worden. Op de middellange termijn blijken industriebedrijven die AI implementeren doorgaans beter te presteren dan concurrenten die dat niet doen.

In deze publicatie belichten wij de potentie van AI (kunstmatige intelligentie) voor de maakindustrie, de vorderingen op het vlak van toepassingen en de manieren waarop producenten stappen kunnen zetten met AI.

Hoe ver zijn industriebedrijven met AI?

Industrie dicht AI-kloof met andere bedrijfstakken

In 2025 maakte 18% van de Nederlandse industriebedrijven gebruik van minimaal een AI-toepassing. Daarmee hebben zij de AI-kloof met andere bedrijfstakken gedicht. Door de relatief sterke toename in adoptie is het aandeel AI-gebruikers in de industrie nu even hoog als het landelijke gemiddelde van alle bedrijfstakken.

Grotere maakbedrijven zetten AI drie keer zo vaak in als kleinere bedrijven

AI-adoptie hangt zowel in de industrie als daarbuiten sterk samen met bedrijfsomvang. Grotere industriebedrijven met 250 of meer werkzame personen maken drie keer zo vaak gebruik van AI (namelijk 64% van het totaal) als kleinere bedrijven met 10 tot 50 werkzame personen (21%). Hoewel snelgroeiende startups vaak AI-koplopers zijn, blijkt voor het merendeel van de volwassen maakbedrijven schaalgrootte een onderscheidende factor als het om het toepassen van AI gaat. Grotere Amerikaanse bedrijven ontplooien massaal nieuwe AI-initiatieven. Bij elkaar zijn honderden AI-usecases geïnventariseerd, waarvan veruit de meest ondervraagde maakbedrijven binnen een tot vier jaar een positief rendement verwachten.

"Industriebedrijven hebben veel te winnen bij een succesvolle inzet van AI. Zij doen er goed aan een pragmatische aanpak te kiezen. Begin klein en haal waar nodig expertise van buiten. Het op orde brengen van de datahuishouding verdient prioriteit om AI-toepassingen met de juiste gegevens te kunnen voeden. Vervolgens kun je AI verantwoord stap voor stap opschalen."
Gert Jan Braam – Sectorbanker Industry
Voor vragen neem contact op met Gert Jan

AI in Nederlandse industrie minder vaak toegepast dan elders in Noordwest-Europa

Afgezet tegen andere EU-landen geeft de industriële AI-adoptie van Nederland een tweeledig beeld. Maakbedrijven zetten in Nederland vaker AI in dan gemiddeld in de EU, maar lopen achter bij de Europese koplopers. Gemeten onder bedrijven met 10 of meer werkzame personen gebruikt in Nederland 29% van de maakbedrijven AI, terwijl dat in de totale EU gemiddeld 17% is. Tegelijkertijd staan Nederlandse maakbedrijven op achterstand vergeleken met hun tegenhangers in de meeste omringende landen in Noordwest-Europa. Zo geeft in België en Denemarken bijna 40% van de maakbedrijven aan in 2025 AI te hebben gebruikt. Het aandeel industriële grootgebruikers (dat drie of meer AI-toepassingen inzet), ligt in die landen met 17% versus 11% ook een stuk hoger dan in Nederland.

Industrie loopt risico potentiële productiviteitswinst niet te benutten

Academische studies op bedrijfsniveau laten zien dat de invoering van AI de jaarlijkse productiviteitsgroei van werknemers tot 3 procentpunten kan verhogen. Hoewel de voordelen verschillen per taak en dus per bedrijf, loopt de industrie het risico achter te blijven bij een belangrijke nieuwe technologie met potentieel significante productiviteitswinst. Uit het Draghi-rapport over de Europese concurrentiekracht blijkt dat een groot gedeelte van het verschil in economische groei tussen Europa en de VS kan worden verklaard door een grotere ICT-innovatiekracht en productievere toepassing van ICT-mogelijkheden. Op het vlak van AI-gerelateerde investeringen loopt Nederland achter bij de VS. Op de middellange termijn blijken industriebedrijven die AI implementeren doorgaans beter te presteren dan concurrenten die dat niet doen, zowel op het gebied van productiviteit als marktaandeel.

Industriële software-investeringen moeten omhoog om AI-productiviteitspotentieel te benutten

Voor een productieve AI-inzet zijn grotere investeringen in software nodig. De industrie heeft de afgelopen vijf jaar de investeringen in software weliswaar opgevoerd, maar gemiddeld was de groei met 2% per jaar slechts half zo hoog als de totale industriële investeringsgroei. Vergeleken met de economie-brede investeringen in software blijft de industriële groei van software-investeringen nog verder achter. Terwijl de nominale waarde van het softwarebezit nog is toegenomen, is de reële waarde ervan tussen 2019 en 2024 met 7,5% afgenomen. Een verschil van 16 procentpunt met de 8,5% groei van het landelijke softwarekapitaal. Om met AI substantiële productiviteitswinsten te realiseren is dan ook een omkering van die neergaande trend nodig.

Textmining en natural language generation meest gebruikte AI-technologieën

Industriebedrijven zetten AI in 2025 het vaakst in bij de analyse van geschreven taal. Zo'n 17% van de bedrijven doet aan deze "textmining". Dit kan op verschillende manieren. Bijvoorbeeld bij onderhoudsanalyse op basis van storingsrapporten en onderhoudslogs van monteurs om zo de oorzaken van storingen beter te analyseren. Een ander voorbeeld is het genereren van inzichten voor het verbeteren van de klantbediening bijvoorbeeld door analyse van e-mails van klanten, klachtenformulieren of verslagen van klantgesprekken. Het genereren van teksten, gesproken taal en softwarecode is de op een na meest gebruikte AI-technologie (14%). Dit wordt ingezet om technische data naar begrijpelijke taal te vertalen, zoals geautomatiseerde teksten bij gesignaleerde kwaliteitsafwijkingen of andere rapportages over het functioneren van interne processen. Het genereren van afbeeldingen, video's of geluid met GenAI-toepassingen is de op twee na meest gebruikte technologie (11%).

Wat kan AI industriebedrijven brengen?

AI hard nodig om productieprocessen te flexibiliseren en personeelskrapte te verminderen

Kunstmatige intelligentie kan productiebedrijven efficiënter maken. De door ons geïnterviewde koplopers uit de sector gaven aan dat AI niet meer weg te denken is. Het is cruciaal voor een efficiëntere inrichting van productieprocessen en daarmee het tekort aan personeel op te vangen. Industriële machines werken al zeer efficiënt, maar bedrijfsprocessen vereisen bij de meeste maakbedrijven nog talloze handmatige handelingen. Veel van dat werk kan met verdere automatisering en AI efficiënter. Zeker de trend richting kleinere en meer verschillende orders ("high-mix, low-volume") vereisen IT-oplossingen die autonomere productieprocessen mogelijk maken. De toegevoegde waarde van medewerkers komt steeds meer bij de ontwikkeling van producten en maakprocessen te liggen en steeds minder bij het maakproces zelf. Ontslagen liggen daarbij, gezien de continue personeelsschaarste, niet voor de hand. Bovendien is AI een volgende stap in de voortdurende zoektocht naar efficiëntere methoden om op de wereldmarkt te kunnen concurreren. Ook gaat automatisering voor een belangrijk deel ten koste van minder concurrerende activiteiten en minder populaire werkzaamheden.

Kunstmatige intelligentie geen nieuw fenomeen voor de industrie

Een groeiend aantal maakbedrijven is volop bezig met het experimenteren en implementeren van AI. Verschillende vormen van AI zijn al langer onderdeel van industriële processen. Het is een containerbegrip waar ook machine learning en deep learning onder vallen. Denk aan zelflerende computersystemen, zoals die al langer worden gebruikt voor predictive maintenance (voorspellend onderhoud), waarbij het systeem de prestaties van de machine monitort om storingen te voorspellen op basis van analyse van data van vergelijkbare machines. Een ander gangbaar voorbeeld is procesbewaking en kwaliteitscontrole via automatische inspectie van producten via camera's of andere typen sensoren. Het computermodel leert daarbij aan de hand van duizenden beelden hoe een "goed" product eruitziet, waarna afwijkingen automatisch worden gesignaleerd en tot vervolgacties leiden.

AI gaat sector volgens koplopers in vijf jaar sterk veranderen

Generatieve AI biedt ondersteuning van personeel op de werkvloer via automatisch gegeneerde antwoorden. Industriebedrijven experimenteren er volop mee. Zij gebruiken GenAI-tools vaak voor "laaghangend fruit", zoals het creëren van teksten voor bijvoorbeeld marketinguitingen of vacatures, maar koplopers passen het ook toe bij de aansturing van productieprocessen, productontwikkeling en het beantwoorden van klantvragen door een chatbot. De hoge snelheid waarmee AI-modellen een grote hoeveelheid gegevens interpreteren en content genereren, biedt in combinatie met de vele toepassingsgebieden veel mogelijkheden om industriële taken en processen sneller en kwalitatief beter te maken. Het tiental koplopers uit de sector dat wij over dit onderwerp spraken is het erover eens dat AI de dagelijkse bedrijfsvoering in de industrie in de komende vijf jaar sterk tot zeer sterk gaat veranderen.

Veel meerwaarde voor industriële kernprocessen…

Het aantal succesvolle industriële AI-usecases groeit met de dag. In kernprocessen worden steeds vaker machine- en deeplearningmodellen ingezet. Slimme toepassing van AI maakt industriële processen dan ook sneller, kwalitatief beter en betrouwbaarder. AI-ondersteunde kwaliteitscontroles in de productielijn en monitoring en preventie van machineslijtage en -werking komt steeds vaker voor. Andere toepassingen in kernprocessen waar industriebedrijven aan werken zijn het stroomlijnen van productieprocessen door efficiëntere productieplanning, het sneller en nauwkeuriger vertalen van productontwerp (CAD) naar bewerkingsstappen (CAM) en bijvoorbeeld het verkorten van omsteltijden en cyclustijden door AI-aangestuurde instelling van machines en selectie van gereedschappen. Siemens heeft de automatiseringskosten in haar fabriek in Erlangen in bepaalde assemblagestappen met 90% verlaagd door de inzet van AI-gestuurde robots die verschillende onderdelen en materialen oppakken en plaatsen in geautomatiseerde assemblagelijnen. Ook in logistieke processen, voor de afdelingen marketing en verkoop en in de serviceverlening zijn er tal van AI-toepassingen met potentie. Denk aan optimalisering van ordering en voorraadbeheer, geautomatiseerde beantwoording van klantvragen met chatbots en het genereren van optimale prijsstelling en offertes zonder menselijke tussenkomst.

…maar grootste AI-potentieel bij verdere automatisering rondom kernproces…

AI kan systemen in een machine met edge-achtige AI-oplossingen slimmer maken – waarbij data direct op of naast de machine wordt verwerkt, zodat systemen sneller berekeningen kunnen genereren en minder afhankelijk zijn van de cloud. Toch zit het grootste potentieel van (Gen)AI niet in het kernproces van produceren zelf. Dat is al sterk geautomatiseerd met machines en robots. Juist in processen rondom de kern valt nog veel te winnen. Denk aan het koppelen van automatische transportsystemen (agv's) en beladers die voor autonome aan- en afvoer tussen magazijn en productielijnen zorgen. Maar ook aan een geautomatiseerd bestel- en offerteproces voor minder complexe, meer gestandaardiseerde producten. Zo kan het gehele productieproces door een goede verbinding en aansturing van IT-OT-systemen (Information Technology en Operational Technology) efficiënter werken en meer autonoom of manloos worden en richting een dark- of lights-out-factory toe bewegen. De Zuid-Afrikaanse startup XMPro gebruikt GenAI-agents die als developer in teams met andere gespecialiseerde GenAI-agents samenwerken aan oplossingen voor industriële IT-OT-integratie. Maar ook laagdrempeliger is er veel tijd te besparen en kwaliteit te verbeteren, bijvoorbeeld voor operators en monteurs die geautomatiseerd zaken kunnen vinden en vastleggen met speech-to-text toepassingen van werkinstructies of instructiebeelden krijgen voorgeschoteld via Augmented Reality.

…en bij ontwikkeling nieuwe software en producten

Ook in de ondersteunende bedrijfsprocessen is nog veel te winnen. Naast kantoortaken waar meer laaghangend AI-fruit kan worden geplukt, zoals contentcreatie en analyse-toepassingen voor afdelingen als marketing en sales, HR, IT, finance en legal, ligt het grootste AI-potentieel bij het schrijven van software, engineering en productontwikkeling. Maakbedrijven zetten AI steeds vaker in om geautomatiseerd code te schrijven voor stuurprogramma's van machines en robots. Zo neemt AI bij Philips inmiddels 30% van het programmeerwerk voor zijn rekening en past zij die ook toe om haar producten en diensten slimmer te maken. Slimme AI-toepassingen zullen bovendien de hardware-productontwikkeling (engineering) naar verwachting veel sneller en succesvoller maken door op basis van opgebouwde kennis ontwerpvoorstellen te genereren. Met het strategische partnerschap met AI-ontwikkelaar Mistral verschuift het belang van AI voor ASML van louter softwaretoepassingen naar de kern van haar engineering, productieprocessen en klantoplossingen. Daarbij zet ASML diverse AI-agents in met gebruik van verschillende AI-technologieën en voor verschillende usecases. Een ander voorbeeld is BMW, dat met Nvidia GenAI inzet in de productie-engineering. BMW creëerde een synthetische dataset van meer dan 800.000 afbeeldingen om vision-modellen te trainen voor assemblagetaken. Dit verkortte de tijd om nieuwe kwaliteitscontrolemodellen te ontwikkelen en te implementeren met meer dan twee derde. Van de Nederlandse koplopers die wij voor dit onderzoek spraken zijn Demcon en AWL ook actief in het genereren van synthetische data om de beschikbare real world data mee uit te breiden en zo sneller trainingssets voor algoritmes te kunnen creëren.

Veel voordelen voor industriebedrijven

De potentiële voordelen van AI-toepassingen zijn voor de maakindustrie als volgt samen te vatten:

• Meer efficiëntie: Door repetitieve taken te automatiseren en machines zichzelf te laten bijsturen, versnelt AI de productie, verkort het doorlooptijden en worden fouten aanzienlijk verminderd.
• Lagere kosten: Met voorspellende analyses kunnen de kosten van materiaalverspilling, energieverbruik en onderhoud en stilstand worden beperkt.
• Hogere kwaliteit en minder uitval: Ook de productkwaliteit verbetert: vision-systemen, sensoren en deep-learningmodellen detecteren afwijkingen vroegtijdig, waarna machines automatisch corrigeren en afkeur vermindert.
• Betere besluitvorming: Doordat AI grote hoeveelheden data in realtime kan verwerken en via digitale tweelingen (digital twins) scenario's kan simuleren, worden beter onderbouwde beslissingen mogelijk en kunnen risico's vooraf beter worden ingeschat.
• Grotere veiligheid: Daarnaast vergroten AI-gestuurde robots, cobots en AR-(Augmented Reality) ondersteunde instructies de veiligheid door zwaar of gevaarlijk werk over te nemen.
• Snellere innovatie: Een ander voordeel is de versnelling in ontwerp- en ontwikkelprocessen, AI vergemakkelijkt het maken van virtuele prototypes en verkort via simulaties de time-to-market.
• Duurzamere productie: Tot slot draagt AI bij aan duurzaamheid door energie en materialen efficiënter in te zetten en onderhoud slimmer te plannen, waardoor machines langer meegaan en de milieu-impact afneemt.

Rodin Machining bouwt een autonome fabriek met AI als vliegwiel voor groei

Rodin Machining bouwt sinds 2022 aan een volledig digitale en grotendeels autonome verspaningsfabriek, waarbij kunstmatige intelligentie de kern vormt van zowel het offerteproces als de productie. Klanten leveren 3D‑CAD‑ of STEP‑bestanden aan, waarna een fabrieksspecifiek AI‑algoritme de geometrie analyseert, vergelijkt met een groeiende interne productiedatabase en binnen één minuut een nauwkeurige offerte genereert. Paul Mooij, verantwoordelijk voor digitalisering bij Rodin: "Door deze data‑gedreven aanpak vervalt de afhankelijkheid van menselijke calculatie en groeit de nauwkeurigheid mee met iedere productierun."

Ook in de CAM‑fase, waarin het ontwerp wordt omgezet in een maakbaar productieplan voor machinebewerkingen, speelt AI een centrale rol. Een generatief model doet voorstellen voor bewerkingsstrategieën, gereedschappen en snijsnelheden, gebaseerd op eerdere productie-ervaringen. De CAM‑engineer blijft daarbij eindverantwoordelijk, maar werkt meer als procesregisseur dan als programmeur, omdat veel routinetaken door AI worden voorbereid. Dankzij deze digital‑first werkwijze verloopt het traject van ontwerp tot productie volledig digitaal en met consistente datakwaliteit.

In de fabriek zelf nemen robots het grootste deel van de productie over. Mooij: "Materiaalhandling, machinebelading en het afvoeren van gereed product verlopen 24 uur per dag automatisch; medewerkers richten zich vooral op aanvoer en uitzonderingen. Via digital twins simuleren en optimaliseren wij robotpaden en verspaningsstrategieën al voordat fysieke productie plaatsvindt. Tijdens het verspanen controleren taster‑sensoren continu de maatvoering en slijtage van gereedschappen, waarna eventuele afwijkingen automatisch worden gecorrigeerd.”

Rodin onderscheidt zich doordat de AI‑applicaties en ondersteunende software (de “AI-stack”) is gebouwd op eigen proces- en kwaliteitsdata, in plaats van generieke platformdata. Hierdoor worden de modellen na verloop van tijd steeds nauwkeuriger en groeit de autonomie van het systeem mee met de fabriek. De infrastructuur is bovendien ontworpen voor schaalbaarheid: van vier machines nu tot twaalf op korte termijn, en uitrolbaar naar nieuwe locaties.

De volgende stap ligt in verdere automatisering van backofficeprocessen met agentic AI, het verbeteren van generatieve AI voor CAM‑programmering en het koppelen met klanten via industriestandaarden als SCSN. Mooij: "Voor een succesvolle toepassing van AI ben je wel afhankelijk van een robuuste datahuishouding en zorgvuldige adoptie in de organisatie. Voor Rodin is het een voordeel dat zij een jong bedrijf is en vanaf de start volledig digitaal en autonoom heeft kunnen bouwen."

Hoe kunnen industriebedrijven AI succesvol toepassen?

Drempels aanpakken…

De volledige potentie van AI is niet van vandaag op morgen benut. Belangrijke drempels zijn:

• Ontoereikende digitale basis: Een goed databeheer is nodig om AI-systemen te voeden. Los van de koplopers hebben veruit de meeste bedrijven nog een lange weg te gaan. De Nederlandse en Europese maakindustrie is nog niet halverwege deze digitale (r)evolutie. Naar schatting bevindt het merendeel van de bedrijven zich grofweg aan het eind van fase twee van een erkende ontwikkelladder met zes treden richting de voorziene eindfase van Industry 4.0.
• Personele en culturele weerstand: Bij veel maakbedrijven is er nog geen sprake van een datagedreven, innovatiegerichte cultuur, terwijl dit een cruciale succesfactor is. Medewerkers moeten oude gewoontes afleren en nieuwe aanleren. Dat roept weerstand op. Te meer omdat veel mensen verwachten dat AI tot baanverlies leidt bij hun werkgever en lang niet altijd zin hebben om te veranderen.
• Gebrek aan kennis en kunde: Het aanbod van technische vakmensen is krap en bestaand industriepersoneel is veelal werktuigbouwkundig georiënteerd. Het verankeren van AI in processen vereist meer IT-kennis en -vaardigheden, maar IT-specialisten zijn schaars en hun kennis en kunde kostbaar.
• Implementatiekosten en onzekere opbrengsten: AI-adoptie kan met substantiële investeringen in technologie en infrastructuur gepaard gaan. Iets wat vooral voor kleinere bedrijven moeilijk is op te brengen. De meerwaarde is bovendien niet gegarandeerd en vaak pas na enige tijd zichtbaar. De introductie van AI-toepassingen leidt vaak eerst tot een tijdelijke daling van de prestaties, gevolgd door een sterkere groei in productie, omzet en werkgelegenheid (de 'J-curve').

"Accepteer dat data en niet langer technische kennis leidend is" — AI-koploper

…en voorwaarden creëren voor succesvolle AI-implementatie

Het realiseren van AI-voordelen blijkt afhankelijk van de culturele bereidheid, de bestuurlijke inbedding en de integratie in organisatieprocessen. Mede uit onze gesprekken met bestuurders van industriële koplopers komt naar voren dat een aantal stappen essentieel is om van AI een succes te maken:

1. Investeer in een goede data-infrastructuur: Bedrijven die meer gedigitaliseerd zijn, kunnen AI sneller implementeren en daardoor sneller de voordelen ervan benutten. Voordat aan autonome processen kan worden gedacht, moeten geïsoleerde IT-systemen met elkaar zijn verbonden en een weergave van de kernbedrijfsprocessen geven. Fabrikanten beschikken vaak niet over opgeschoonde, gestructureerde en toepassingsspecifieke data die nodig zijn voor betrouwbare inzichten. IT en OT moeten gekoppeld of geïntegreerd worden om data te ontsluiten, te ordenen en te beheren in een dataschil of datawarehouse. Uniforme datadefinities zijn nodig, zodat duidelijk is welke data waarvoor staat. Vervolgens kun je het model trainen door feedback-loops in te bouwen. Hoe meer data intern zijn ontsloten, des te beter AI verbanden kan leggen.
2. Strategische visie bestuurders gericht op inbedding: AI vergt een systeemverandering die wrijving oplevert. Tegelijkertijd komt uit onderzoek naar voren dat 95% van de GenAI-pilots mislukt, doordat bedrijven weerstand bij werknemers vermijden. Voorlopers met visie en enthousiasme vanuit het management laten zien dat die is weg te nemen. De 5% die waarde toevoegt is ontworpen met het oog op frictie: deze bedrijven verankeren GenAI in waardevolle werkprocessen, zorgen voor een diepe integratie en leveren tools met geheugen en feedbackloops voor lerend vermogen.
3. Kennis opbouwen – mensen opleiden, samenwerken en inkopen: Investeren in bijscholing is nodig om de acceptatie te vergroten en een omslag in denken te realiseren: van hardware naar software en van software naar AI. Medewerkers moeten eerst kennis maken met AI om er de meerwaarde voor hun werk en loopbaan van in te kunnen zien. Training en bijscholing helpt daarbij. Ook samenwerking met andere bedrijven en in brancheorganisaties of netwerken, zoals Smart Industry Hubs, is waardevol. Met name voor kleinere bedrijven die geen AI- of IT-gespecialiseerd personeel kunnen aantrekken. Zij hoeven sowieso niet zelf opnieuw het wiel uit te vinden, een externe adviseur kan in kaart brengen waar met AI impact is te maken. Ook innovatiesubsidies en -vouchers kunnen van pas komen.
4. Start nu met kleine stappen: Denk groot, maar begin simpel om de kosten en risico's te beheersen. Wacht niet tot alles is uitontwikkeld, maar experimenteer en leer. Inventariseer bij welke vraagstukken AI van pas kan komen en laat medewerkers experimenteren en ervaringen terugkoppelen in kleine, snel toetsbare pilots. Start niet bij processen met potentieel hoge faalkosten, maar laagdrempelig, zoals met prompting in GenAI-toepassingen voor kantoorwerk. Werk met beleid, zoals praktische richtlijnen die medewerkers houvast geven bij het uitvoeren van hun werk ("golden rules"), en gebruik van eigen data in een afgeschermde omgeving.

"Niet algoritmen moeten centraal staan, maar data, integratie, mensen en governance" — AI-koploper

Niet de tool, maar het bedrijfsdoel

Hoewel zeer nuttig, is AI niet een doel op zich. Echte meerwaarde ontstaat als het een middel is dat bijdraagt aan de organisatiestrategie. Waar wil je als organisatie naartoe en wat is daarvoor nodig? Bij aanpassing van het businessmodel is de vraag voor een machinebouwer bijvoorbeeld: wat is er nodig om van productverkoop naar machine-as-a-service met prestatiecontracten te gaan? Dat begint vaak met de connectiviteitsvraag: waar haal je data vandaan en wat doe je ermee? Dan kan AI als middel zeer krachtig zijn.

"Fail fast, learn fast is mijn advies" — AI-koploper

Schaalvergroting industrie zal versnellen door toenemende complexiteit

De industrie kent veel kleine bedrijven die onvoldoende capaciteit hebben om voortdurend te innoveren. Dit terwijl de (internationale) concurrentie alleen maar toeneemt in de huidige, snel veranderende wereld. Niet alleen de digitale transformatie, maar ook de toenemende concurrentie en de complexiteit in algemene zin – van maakprocessen en door personeelsschaarste en regeldruk – maakt snellere schaalvergroting binnen de industrie onvermijdelijk. Dat proces kan ondernemers overkomen, maar het biedt ook nieuwe kansen.

Goede data-infrastructuur basis voor succes

Tot slot geldt: samenwerken of fuseren helpt om voldoende schaal te creëren, maar zonder een basis van goede datavoorzieningen heeft AI weinig impact. Hoe beter data zijn ontsloten en gestructureerd, hoe krachtiger AI verbanden kan leggen en waarde kan creëren.

Auteur: Edse Dantuma

Met medewerking van:
Gert Jan Braam (ING sector banking) – Gert.Jan.Braam@ing.com
Diederik Stadig (ING Research)

Met dank aan

Patrick Blommerde (FME), Jeroen Broekhuijsen (TNO, HightechNextGen), Christiene Everaars en Nienke Vergeer ( Siemens ), Guido van Gageldonk (BOM), Arnoud de Geus en Robbert van Herpen (Sioux Technologies), Gerben Heinen (Sanovo), Arthur van Hout en Boris van den Reek (KMWE), Arijleen Jordaan (Iso Groep), Paul Mooij (Rodin Machining), Dirk Peeters (24/7 Tailor Steel), Jan Post (RUG, Dutch High Tech System Roadmap), David Rijlaarsdam (Demcon), Yuri Steinbuch (Avular), Daniel Telgen (Cboost), Chiel van Til (AWL), Janwillem Verschuuren (De Cromvoirtse)