AI in de fabriek: drie niveaus in de productie

De vorige edities van deze nieuwsbrief heb ik besteed aan de twee fundamenten van digitale transformatie in de metaal: wat een Unified Namespace is en waarom dat het fundament is voor alles wat hierna komt, en wat een MES-systeem is en hoe je er vandaag mee kunt beginnen. Vandaag komt alles samen: AI.

AI wordt verkeerd begrepen in de industrie. Niet omdat het niet werkt, maar omdat we het benaderen als iets dat je koopt.

Een agent hier, een chatbot daar. Prima als begin. Maar je mist dan het volledige potentieel.

Het probleem met “een agent kopen”

Je wordt gebeld. Bedrijven die een AI-agent willen bouwen voor je mailverwerking. Je ERP-leverancier, Business Central, Odoo, SAP, kondigt aan dat ze “iets met AI gaan doen.” Iemand biedt je een AI-planning aan.

Dat is allemaal prima. Maar wat heb je dan? Een agent die in je ERP zit. Die kent orders en financiën. Maar die weet niet wat je machine aan het doen is. Die ziet geen kwaliteitsprobleem. Die weet niet dat je materiaal later komt.

Stel je voor dat je een nieuwe medewerker aanneemt. Die moet weten: welke orders lopen er? Wat is de machinestatus? Waar liggen de tekeningen? Nu moet die persoon in drie, vier systemen kijken. Een gekochte AI-agent heeft precies hetzelfde probleem. En als je er vijf koopt, één per systeem, heb je vijf collega’s die niet met elkaar praten.

Dat is het spaghetti-probleem dat je kent van integratie, ik schreef er eerder over. Nu met AI. En het maakt agents ook nog eens inefficiënt: hoe meer systemen zo’n agent zelf moet doorzoeken, hoe meer rekenwerk, en hoe trager en complexer het geheel wordt.

AI is een gereedschap, geen product

Wat bijna niemand doorheeft: AI kan inmiddels niet alleen antwoorden, maar ook doen en bouwen. Niet in de toekomst, nu.

Ik onderscheid drie niveaus:

Niveau 1, AI die antwoordt. Chatten met je data. “Wat is de status van order X?” Nuttig, maar niet doorbreken. De meeste bedrijven zitten hier.

Niveau 2, AI die doet. Orders verwerken, statussen bijwerken, problemen signaleren. Echt werk overnemen. Denk aan twee vertraagde orders herplannen via een gesprek met de AI, en dat de aanpassing daadwerkelijk in het systeem staat.

Niveau 3, AI die bouwt. Dashboards, apps, koppelingen tussen systemen. Dingen die je normaal door een softwarebedrijf laat bouwen. Een dashboard laten genereren op basis van productiedata, zonder één regel code zelf te schrijven.

De industrie zit vast op niveau 1. De echte mogelijkheden zitten op 2 en 3.

En om het concreet te maken: het ERP-systeem dat ik in demo’s gebruik, heb ik zelf gebouwd met AI. De database, de schermen, alles. Niet omdat ik lui ben, maar omdat het sneller, beter en consistenter is.

Hoe AI echt kan werken: de achterdeur en de menukaart

Oké, AI kan doen en bouwen. Maar hoe dan? Hoe gaat een AI een order aanpassen in je ERP?

Bijna elk modern softwaresysteem heeft een API, de achterdeur van je software. Als jij in je ERP klikt op “order aanmaken”, stuurt die knop een opdracht naar de database. Een API maakt diezelfde opdracht beschikbaar voor andere systemen, of voor een AI.

En daarvoor is iets bedacht dat MCP heet: Model Context Protocol. MCP is een menukaart voor je AI. Je beschrijft welke acties er beschikbaar zijn, waarvoor ze dienen, en hoe ze werken. Vergelijk het met een instructieblad voor een nieuwe medewerker op zijn eerste dag: dit zijn de systemen, dit kun je ermee doen, zo werkt het.

Zonder die menukaart kan een AI alleen praten. Mét die menukaart kan een AI werken.

En het mooie: je hoeft je bestaande software niet te vervangen. Als het een goede achterdeur heeft, kun je er zo’n menukaart op zetten. Niet alleen het AI-product van je leverancier, maar elke AI kan er dan mee werken.

Daarom is dit misschien wel de belangrijkste vraag bij elke software-investering: heeft het een goede achterdeur? Want zonder die achterdeur kan geen enkele AI ermee werken. Dan is je software een doodlopende weg.

De sleutel: je datastructuur

Nu snap je dat AI een menukaart nodig heeft. De vraag is: waar hang je die op?

Optie A: op elk systeem apart. Maar dan krijg je precies wat je al kent, spaghetti. Vijf verbindingen, vijf onderhoudspunten. En een agent die door al die systemen zelf moet zoeken, is traag en moeilijk te beheren.

Optie B, en dit is waar het interessant wordt: één centraal punt.

Dit is waar de Unified Namespace terugkomt. Al je systemen sturen hun data naar één centraal punt. Je ERP stuurt orderdata. Je machines sturen hun status. Je MES stuurt productievoortgang. Alles op één adres, gestructureerd, met context erbij.

En dan geef je de AI één menukaart: die van het centrale punt. Eén verbinding, toegang tot alles.

De AI staat daarin als een gelijkwaardige deelnemer, net als je ERP, je MES, je machines. Niet erbovenop als een los hulpje. Erin, als een collega die bij dezelfde informatie kan als alle andere systemen.

Concreet: via een MCP-connector op een UNS kun je de AI vragen naar de status van de lasrobots in een fabriek. Hij weet direct welke cel actief is, welke inactief, en kan daar een dashboard op bouwen, omdat de context al in de structuur van de namespace zit.

Maar, en dit is een belangrijk punt, je gaat niet alle data uit alle systemen naar de AI sturen. Dan verdrinkt hij. De discipline zit in wat je publiceert: de juiste data, op het juiste adres, met de juiste betekenis erbij. Geen datamoeras, een gestructureerde hub. Dat begint bij de data die je wél verzamelt.

UNS en AI zijn complementair, niet concurrerend

Er is een vraag die ik regelmatig krijg: waarom heb je een Unified Namespace nodig als je een AI-agent hebt die zelf systemen kan bevragen, of zelfs zijn eigen middleware kan schrijven?

Het antwoord zit in het verschil tussen twee problemen.

De UNS lost het infrastructuurprobleem op: betrouwbare, realtime, semantisch gestructureerde data die beschikbaar is voor alles en iedereen, niet alleen AI, maar ook machines en andere systemen die deterministisch en zonder vertraging data nodig hebben. Een conveyor die weet wat de machine stroomopwaarts doet, heeft geen AI nodig. Die heeft gewoon data nodig, op tijd.

De AI lost het redeneerprobleem op: wat moet je met die data doen?

Een AI die werkt op een goed gestructureerde UNS is dramatisch krachtiger dan een AI die zelf systemen moet scrapen of schema’s moet raden. Want de context is al ingebakken. De AI hoeft niet uit te zoeken wat een waarde betekent, die betekenis zit al in de structuur van het centrale punt.

De keten is simpel: je data gestructureerd op één plek, een menukaart voor de AI, en de AI gaat aan het werk.

De mensenkant

Ik wil dit heel duidelijk zeggen: AI is niet bedoeld om banen weg te nemen.

Ik werk veel met creatievelingen in mijn klantbedrijven, mensen die de voorbereiding doen, die zelf met de knoppen aan de machine staan, die zien waar de kansen liggen. Zij hebben gigantische mogelijkheden gekregen. Meer doen, sneller doen, geen bottlenecks meer van externe partijen.

We hebben te weinig instroom in de metaal. De drempel is te hoog. Er is meer dan genoeg werk. Veel van wat mensen nu doen is eigenlijk robotwerk, dingen overkloppen van het ene naar het andere systeem, manueel printen, manueel opzoeken. Dat is werk dat niet voor mensen bedoeld is.

Mensen zijn creatief. Mensen moeten zoeken naar ideeën en oplossingen. Als AI het robotwerk overneemt en de drempel verlaagt om in te stromen, gebruik je het effectief.

AI is een enabler. Omarm het.