AI in de maakindustrie.

Kunstmatige intelligentie staat bij vrijwel ieder maakbedrijf op de agenda. Medewerkers gebruiken ChatGPT voor het schrijven van een e-mail, het samenvatten van een document of het maken van een eerste tekst voor een vacature. Dat is nuttig, maar het raakt nog nauwelijks de kern van het bedrijf.

AI in de maakindustrie. Waar zit de grootste winst?

De echte waarde ontstaat wanneer slimme software wordt geïntegreerd in het primaire proces. Bijvoorbeeld bij het verzamelen van klantinformatie, het samenstellen van een product, het uitvoeren van technische berekeningen, het bepalen van een prijs en het genereren van een offerte.

Juist daar liggen voor mkb-maakbedrijven in de Achterhoek grote kansen.

De Achterhoek heeft een sterke uitgangspositie

De Achterhoek beschikt over een relatief grote en gespecialiseerde maakindustrie. Bedrijven in metaalbewerking, machinebouw, interieurbouw, installatietechniek, logistieke systemen en industriële toelevering leveren vaak complexe producten die klantspecifiek worden samengesteld.

De regio kent bovendien een actief ecosysteem rond innovatie en Smart Industry. Organisaties zoals het Achterhoeks Centrum voor Technologie en CIVON verbinden maakbedrijven, onderwijsinstellingen en technologiepartners. ACT organiseert bijvoorbeeld leerkringen en bijeenkomsten rond praktische AI-toepassingen in de maakindustrie.

Die technische basis is sterk. Tegelijkertijd werken veel bedrijven achter de schermen nog met een combinatie van Excel-bestanden, losse calculaties, productkennis in hoofden, handmatig samengestelde offertes en systemen die beperkt met elkaar communiceren.

Daar zit de ruimte voor verbetering.

Wat doet het gemiddelde mkb-bedrijf momenteel met AI?

Het gebruik van AI groeit snel, maar in de praktijk zien we meestal drie niveaus.

Niveau 1: individueel gebruik

Medewerkers gebruiken ChatGPT, Microsoft Copilot of een vergelijkbare toepassing voor:

• het schrijven van e-mails;
• het verbeteren of vertalen van teksten;
• het samenvatten van documenten;
• het maken van werkinstructies;
• het zoeken naar algemene informatie.

Dit levert tijdwinst op, maar het gebruik is vaak persoonlijk en ongestructureerd. Er is geen vaste werkwijze en waardevolle bedrijfskennis wordt nog niet gekoppeld.

Niveau 2: ondersteuning van afdelingen

AI wordt gebruikt binnen verkoop, marketing, administratie of engineering. Denk aan het analyseren van documenten, uitlezen van aanvragen, maken van rapportages of zoeken binnen interne kennis.

Hier ontstaat meer waarde, maar de medewerker moet informatie meestal nog handmatig kopiëren tussen verschillende systemen.

Niveau 3: integratie in het bedrijfsproces

Op dit niveau wordt AI onderdeel van een applicatie of workflow. De software gebruikt gegevens uit bijvoorbeeld een ERP-systeem, productdatabase, prijslijst, CRM, CAD-omgeving of documentbeheersysteem.

De gebruiker werkt niet rechtstreeks met een algemeen AI-programma, maar met een toepassing die is ingericht rond het eigen product, de eigen regels en het eigen proces.

Hier ligt voor veel Achterhoekse maakbedrijven de grootste kans.

Begin niet met de vraag: “Wat kunnen we met AI?”

Dat is een te brede vraag. Een betere vraag is:

Op welke plek in ons proces verliezen we veel tijd, maken we regelmatig fouten of zijn we te afhankelijk van enkele ervaren medewerkers?

AI is namelijk zelden de volledige oplossing. Vaak bestaat een goede oplossing uit een combinatie van:

• duidelijke proceslogica;
• gestructureerde productdata;
• koppelingen tussen bestaande systemen;
• technische rekenregels;
• een gebruiksvriendelijke applicatie;
• automatisering;
• AI voor onderdelen die niet volledig met vaste regels zijn af te handelen.

Soms is AI essentieel. Soms is een goede configurator, database of koppeling belangrijker. Het doel is niet om zoveel mogelijk AI toe te voegen, maar om het proces aantoonbaar beter te maken.

De grootste kans: van aanvraag naar offerte

Bij veel maakbedrijven is het offertetraject arbeidsintensief. Een klant stuurt een e-mail met een tekening, omschrijving of lijst met eisen. Vervolgens moet een verkoper of engineer:

1. de aanvraag interpreteren;
2. ontbrekende gegevens verzamelen;
3. een mogelijke uitvoering bepalen;
4. technische controles uitvoeren;
5. componenten selecteren;
6. prijzen opzoeken;
7. uren en bewerkingen calculeren;
8. een offerte opstellen;
9. de offerte intern laten controleren.

Dit proces kan uren of zelfs dagen duren. Bovendien is het vaak afhankelijk van medewerkers die precies weten welke combinaties mogelijk zijn en welke uitzonderingen gelden.

Een slimme applicatie kan een groot deel van dit proces ondersteunen.

Mogelijkheid 1: aanvragen automatisch analyseren

AI kan binnenkomende e-mails, aanvraagformulieren, bestekken en documenten analyseren en belangrijke gegevens herkennen.

Bijvoorbeeld:

• afmetingen;
• aantallen;
• materiaalsoorten;
• gewenste uitvoeringen;
• leverlocatie;
• normen en eisen;
• ontbrekende informatie;
• afwijkingen ten opzichte van een standaardproduct.

De uitkomst kan automatisch worden omgezet naar een gestructureerde aanvraag. Een verkoper hoeft dan niet ieder document volledig handmatig uit te pluizen.

De medewerker blijft verantwoordelijk voor de controle, maar begint niet meer met een leeg scherm.

Mogelijkheid 2: een productconfigurator

Wanneer producten uit vaste componenten, opties en combinatieregels bestaan, kan een configurator veel werk overnemen.

De gebruiker kiest bijvoorbeeld:

• afmetingen;
• materiaal;
• draagvermogen;
• aantal secties;
• afwerking;
• accessoires;
• montage;
• levering.

De applicatie controleert tijdens het configureren welke combinaties technisch mogelijk zijn. Onderdelen die niet samengaan worden uitgesloten. Prijzen, aantallen, productcodes en bewerkingen worden direct berekend.

Daarmee ontstaat één centrale bron voor productlogica. De kennis zit niet langer alleen in losse Excel-bestanden of in het hoofd van een ervaren calculator.

Mogelijkheid 3: een 3D-configurator

Bij visueel samengestelde producten kan een 3D-configurator nog een stap verder gaan.

De klant, verkoper of dealer ziet direct hoe de gekozen configuratie eruitziet. Wijzigingen in maatvoering, uitvoering, kleur of accessoires worden meteen zichtbaar.

Tegelijkertijd kan de applicatie op de achtergrond:

• technische regels controleren;
• onderdelenlijsten samenstellen;
• prijzen berekenen;
• tekeningen of afbeeldingen genereren;
• productcodes bepalen;
• een offerte voorbereiden;
• de configuratie doorgeven aan ERP, CRM of webshop.

Een 3D-configurator is daarmee niet alleen een commerciële presentatie. Het is een technische applicatie waarin verkoop, productkennis en calculatie samenkomen.

Bekijk hier een voorbeeld van een 3d staalconstructie configurator.

Mogelijkheid 4: offertes automatisch genereren

Wanneer de configuratie compleet is, kan de applicatie automatisch een offerte opbouwen.

Daarin kunnen onder andere worden opgenomen:

• klantgegevens;
• productomschrijving;
• gekozen opties;
• aantallen;
• prijzen en kortingen;
• technische specificaties;
• afbeeldingen van de configuratie;
• levervoorwaarden;
• planning;
• bijlagen.

Een medewerker controleert het resultaat en kan de offerte daarna direct verzenden.

De winst zit niet alleen in snelheid. Ook de kwaliteit en uniformiteit verbeteren. Iedere offerte gebruikt dezelfde productgegevens, rekenregels en opmaak.

Mogelijkheid 5: interne kennis toegankelijk maken

Veel maakbedrijven beschikken over jaren aan kennis in handleidingen, calculaties, projectmappen, tekeningen, productspecificaties en e-mails.

Een interne kennisassistent kan medewerkers helpen om daarin gericht te zoeken. Niet op basis van alleen een bestandsnaam, maar op basis van de inhoud.

Een medewerker kan bijvoorbeeld vragen:

• Welke uitvoering hebben we bij een vergelijkbaar project gebruikt?
• Welke toleranties gelden voor dit product?
• Wat zijn de montagevoorwaarden?
• In welke handleiding staat deze storingscode?
• Welke alternatieven zijn toegestaan als onderdeel X niet leverbaar is?

Daarvoor moeten documenten, rechten en databronnen zorgvuldig worden ingericht. Een algemene ChatGPT-omgeving zonder afbakening is hiervoor onvoldoende.

Mogelijkheid 6: planning, kwaliteit en onderhoud

Ook verderop in het proces ontstaan kansen. AI en datagedreven software kunnen helpen bij:

• het voorspellen van capaciteitsproblemen;
• het signaleren van afwijkingen in productiegegevens;
• visuele kwaliteitscontrole;
• onderhoud voorspellen op basis van sensordata;
• het optimaliseren van materiaalgebruik;
• voorraad- en inkoopadviezen;
• het analyseren van faalkosten;
• het herkennen van terugkerende oorzaken bij servicevragen.

Deze toepassingen vragen meestal om betrouwbare historische gegevens. Zonder goede data kan een model geen betrouwbare voorspelling doen. Daarom is het bij veel mkb-bedrijven verstandiger om te beginnen bij een overzichtelijk proces met herkenbare invoer en duidelijke beslisregels.

Waar valt op korte termijn het meeste te halen?

Voor de meeste Achterhoekse mkb-maakbedrijven ligt de eerste winst niet bij volledig autonome productielijnen of ingewikkelde voorspellende modellen.

De snelste resultaten zijn meestal te behalen bij processen die:

• vaak worden herhaald;
• relatief veel kantoor- of engineeringtijd kosten;
• afhankelijk zijn van productkennis;
• duidelijke invoer en uitvoer hebben;
• regelmatig fouten of herstelwerk veroorzaken;
• bestaan uit veel handmatig overtypen;
• meerdere systemen of bestanden combineren.

Het traject van aanvraag naar offerte voldoet vaak aan al deze voorwaarden.

Daarom is dit een logisch startpunt. Het effect is direct zichtbaar in doorlooptijd, foutreductie, capaciteit en klantbeleving.

Van begrijpen tot bouwen

Integrity Design ontwikkelt technische applicaties voor bedrijven met complexe producten en processen. Daarbij beginnen we niet met een bepaalde technologie. We beginnen met het begrijpen van het bedrijf.

1. Begrijpen

We brengen eerst het werkelijke proces in kaart.

Wie doet wat? Welke informatie is nodig? Waar wordt informatie overgenomen? Welke kennis zit alleen in hoofden? Welke uitzonderingen bestaan er? Waar ontstaan fouten, wachttijden en dubbel werk?

Ook onderzoeken we welke systemen, productdata, prijslijsten, tekeningen en rekenregels al beschikbaar zijn.

Pas wanneer het proces duidelijk is, kan worden bepaald waar automatisering of AI daadwerkelijk waarde toevoegt.

2. Vereenvoudigen

Een inefficiënt proces automatiseren maakt het niet automatisch goed. Daarom kijken we eerst welke stappen kunnen worden gestandaardiseerd, samengevoegd of verwijderd.

We zetten productkennis om in duidelijke regels en maken onderscheid tussen:

• vaste logica;
• technische berekeningen;
• handmatige beslissingen;
• gegevens uit bestaande systemen;
• onderdelen waarbij AI ondersteuning kan bieden.

Zo ontstaat een beheersbaar model dat begrijpelijk blijft voor de organisatie.

3. Bouwen

Vervolgens ontwikkelen we een praktische applicatie rond het proces.

Dat kan bijvoorbeeld een offerteapplicatie, klantportaal, productconfigurator, 3D-configurator, calculatiemodule of interne kennisomgeving zijn. Waar nodig koppelen we deze aan bestaande ERP-, CRM-, PDM- of webshopsystemen.

We bouwen stapsgewijs. Eerst een werkbare kern waarmee het belangrijkste proces kan worden getest. Daarna wordt de oplossing uitgebreid op basis van gebruik, feedback en aantoonbare waarde.

AI hoeft geen groot veranderprogramma te worden

Veel managers denken dat AI direct vraagt om een grote datastrategie, een nieuw softwareplatform en een organisatiebreed veranderprogramma. Daardoor blijft men soms te lang praten en experimenteren.

Een betere aanpak is om één concreet proces te kiezen.

Bijvoorbeeld:

We willen de gemiddelde tijd voor het opstellen van een standaardofferte terugbrengen van vier uur naar één uur, zonder dat de foutkans toeneemt.

Dat is duidelijk, meetbaar en te vertalen naar functionaliteit.

Vanuit zo’n eerste toepassing kunnen productdata, koppelingen en kennisstructuren geleidelijk worden verbeterd. De eerste applicatie vormt dan niet het eindpunt, maar een praktische basis voor verdere digitalisering.

Van losse prompt naar een slimmer bedrijf

ChatGPT laat medewerkers kennismaken met de mogelijkheden van AI. Maar een verzameling slimme prompts vormt nog geen bedrijfsoplossing.

De volgende stap is het verbinden van intelligentie met:

• de eigen producten;
• de eigen rekenregels;
• de eigen kennis;
• de eigen klantvragen;
• de bestaande software;
• de dagelijkse werkwijze.

Daar ontstaat structurele waarde.

Voor Achterhoekse maakbedrijven ligt er een kans om de technische kennis die al aanwezig is beter schaalbaar te maken. Niet door vakmensen te vervangen, maar door hen gereedschap te geven waarmee ze sneller, consistenter en met minder herstelwerk kunnen werken.

Het begint daarom niet met AI.

Het begint met begrijpen. Daarna kunnen we gericht vereenvoudigen en bouwen.