AI in productie: 8 toepassingen die werken (en 3 die dat niet doen)

In 2024 was iedere AI-pilot in productie een succes-verhaal. In 2025 begonnen de eerste post-mortems boven water te komen: AI-projecten die op marketing-niveau briljant waren, maar op werkvloer-niveau niets toegevoegd hadden. In 2026 weten we beter wat werkt en wat niet.

Hier acht AI-toepassingen die we bij skrepr zelf in productieomgevingen zien renderen, plus drie hypes die je voorlopig kunt overslaan. Geen abstracte beloftes, maar wat we in productiebedrijven hebben zien werken.

Wat werkt

1. Forecasting voor materiaal-allocatie

Niet de Holy Grail van vraag-voorspelling, maar de eenvoudige variant: gegeven historische orderdata, voorspel wat in de komende 4-6 weken realistisch op de productielijn komt. Inkoop kan dan rolinkoop, plaat-inkoop of grondstof-inkoop daarop afstellen.

Werkt omdat: het is een afgebakend probleem met goede data en duidelijke evaluatie. Foutmarge van 10-15% is acceptabel zolang het better is dan handmatige schatting (typisch 25-30% off).

2. Predictive maintenance op specifieke machines

Niet "voorspel alle storingen", maar "voorspel slijtage van deze ene rolwissel-as op deze ene machine die we 12 keer per jaar te laat repareren". Het smalle gebruik werkt, het brede niet (zie verderop).

Werkt omdat: één machine, één signaal, één voorspelling. Genoeg trainings-data uit historische logs, en het foutmodel is begrijpelijk genoeg om operators te accepteren.

3. Rolallocatie en plaat-nesting

Algoritmische optimalisatie van welk materiaal van welke voorraad-eenheid komt en in welke volgorde. Bij textielfabrieken zien we snijverlies-reducties van 60 tot 72%. Bij metaal-nesting vergelijkbare percentages.

Werkt omdat: het optimalisatie-probleem is wiskundig goed gedefinieerd. AI is hier eigenlijk operations research met een moderne naam. Maar de impact is reëel en meetbaar in inkoop-euro's.

4. AI-collega voor dealer- en klantvragen

Een chatbot getraind op productspecificaties, levertijden, configuraties en bestelhistorie. Dealers krijgen 24/7 antwoord op routinevragen zonder dat het sales-team gestoord wordt. Bij een Nederlandse stalinterieur-producent vingen we hiermee het grootste deel van de inkomende dealermail af.

Werkt omdat: vraag-types zijn gestructureerd, antwoorden zitten in bestaande systemen (PIM, ERP), en RAG-architectuur (retrieval-augmented generation) houdt de antwoorden specifiek. Niet generieke ChatGPT, maar gericht op één bedrijf.

5. Document-verwerking voor inkomende facturen en bestellingen

OCR is sinds 2010 bestaande techniek, maar moderne LLM's lossen het probleem op dat OCR niet kon: ongestructureerde inkomende documenten interpreteren. Een PDF-bestelling van een nieuwe klant in een nieuw formaat, een handgeschreven bonnetje, een mail in het Engels: een LLM extraheert artikelnummer, aantal, prijs in seconden.

Werkt omdat: LLM's zijn goed in tekst-naar-structuur, en de domein-context is afgebakend (artikelen, klanten, prijzen).

6. Quality-control via beeldherkenning

Niet "vind alle defecten", maar "spot deze ene type onregelmatigheid op deze ene productlijn". Met 5.000 voorbeeld-foto's traint een model dat dezelfde herkenning doet als een ervaren QC-medewerker, sneller en zonder vermoeidheid. Voor specifieke materialen of producten waar het defect-type bekend is.

Werkt omdat: gericht probleem, voldoende trainingsdata, en het model leeft naast de operator (review-stap), niet ervoor in de plaats.

7. Productieplanning met soft constraints

Een planner balanceert harde regels (deadline, machinecapaciteit) met zachte voorkeuren (omsteltijd minimaliseren, ploegen in evenwicht). AI-modellen kunnen die zachte voorkeuren beter optimaliseren dan een MES dat met enkel harde regels werkt. Output: een planning die de planner moet goedkeuren, niet vervangen.

Werkt omdat: het herkent dat planning nooit volledig automatiseerbaar is, en focust op het deel waar AI bewezen voordeel heeft.

8. Energieverbruik-optimalisatie per machine

Met dynamische energieprijzen wordt het kostbaar om machines op verkeerde momenten te draaien. AI-modellen die productie-planning combineren met day-ahead-energieprijzen verschuiven niet-tijd-kritische orders naar goedkope uren.

Werkt omdat: het probleem is goed kwantificeerbaar (besparing in euro's), data is beschikbaar (smart meters, EPEX-prijzen), en de planning-flexibiliteit zit al in moderne MES-systemen.

Wat niet werkt (nog niet)

9. Generieke "AI-fabriek" platforms

Verkocht als alles-in-één: predictive maintenance, planning, kwaliteit, allocatie, voorraad. In de praktijk zijn deze platforms drie tot vijf jaar verwijderd van bruikbaarheid voor mid-market productiebedrijven, omdat ze trainings-data van enorme schaal vragen die alleen Tier-1 multinationals hebben.

Wat hier niet werkt: het probleem is niet AI, het is dat het platform aanneemt dat alle fabrieken hetzelfde zijn. Specifieke maatwerk-toepassingen leveren beter rendement.

10. Chatbot voor interne medewerkers ("ChatGPT met ons handboek")

Klinkt logisch: train een LLM op intern beleid, contracten, processen, en laat medewerkers vragen stellen. Maar de antwoorden zijn vaag, vaak fout, en het kost meer tijd om te verifiëren dan om zelf op te zoeken. Bovendien hebben de meeste fabrieken geen volwassen documentatie waarvan een LLM zinvol kan leren.

Wat hier niet werkt: het oplossen van een probleem dat eigenlijk een document-management-probleem is, niet een AI-probleem. Eerst documentatie op orde, dan eventueel een retrieval-laag erbovenop.

11. Generative AI voor product-design in productie-context

Genereer mij een nieuw productontwerp, dan checken we of het maakbaar is. Werkt voor concept-art, werkt niet voor B2B-productontwikkeling waar maakbaarheid, kostprijs, normering en toleranties domineren. AI hallucineert ontwerpen die productie niet kan maken, en de tijd die je bespaart in conceptfase verlies je in DFM-correcties.

Wat hier niet werkt: AI moet binnen de constraints werken die productie oplegt, niet ze negeren. Generatief design heeft toekomst in industriële productontwikkeling, maar nog niet als zelfstandige tool.

De rode draad

De acht toepassingen die werken hebben drie eigenschappen gemeen: afgebakend probleem, voldoende data, en menselijke checkstap. AI vervangt geen oordeelsvermogen, het versterkt het. Een operator met goede beeldherkennings-AI is sneller dan zonder, een planner met soft-constraint-AI maakt betere keuzes, een dealer met een AI-collega krijgt sneller antwoord. Maar geen van deze toepassingen vervangt de mens; ze versterken een specifieke handeling.

De drie die niet werken hebben een omgekeerde eigenschap: te breed, te ambitieus, of een verkeerd onderliggende probleem-diagnose. Een mid-market fabriek die "AI-transformatie" doet zonder eerst data en processen op orde te brengen, geeft meestal binnen 18 maanden op.

Hoe begin je verstandig?

skrepr werkt met productiebedrijven die niet hun eerste AI-experiment doen, maar wél hun eerste werkende AI-implementatie. De aanpak:

1. AI-scan (gratis): in 2 sessies kijken we welke toepassing in jouw fabriek het meeste rendement geeft.
2. AI-pilot (6-8 weken, afgebakende kosten): we bouwen één toepassing op je eigen data, met meetbare doelen vooraf.
3. Schaal of stop: na de pilot zie je in een rapport of het zin heeft door te zetten, of dat het idee in deze vorm niet werkt.

Voor de drie pillars forecasting, AI in productie, AI in backoffice en AI klantcontact hebben we kant-en-klare scopes. Voor maatwerk: neem contact op.

Conclusie

AI in productie is in 2026 niet meer een gok, maar het is ook niet de wondermiddel-laag die je hele fabriek transformeert. Wie de afgebakende, bewezen toepassingen kiest en de generieke beloftes overslaat, kan met een investering van enkele tienduizenden tot tonnen meetbare resultaten halen binnen 6-12 maanden.

Twijfel of jouw eerste AI-keuze de juiste is? Begin met de AI-scan, gratis, en we kijken samen welke toepassing voor jouw fabriek het hoogste rendement heeft.