De maakindustrie bestaat uit werk dat zich moeilijk laat samenvatten in één type taak. Er is planningswerk: orders inplannen, materiaalstromen afstemmen, capaciteit verdelen over machines en ploegen. Er is kwaliteitswerk: inspecteren, meten, afwijkingen beoordelen en documenteren. Er is onderhoudswerk: storingen diagnosticeren, onderdelen bestellen, preventief werk plannen. En er is administratief werk rond dat alles: certificaten, nacalculatie, rapportage naar klanten en toezichthouders.
Deze werksoorten verschillen sterk in hoe voorspelbaar ze zijn. Een planningstaak met vaste regels en historische data leent zich anders voor automatisering dan het beoordelen van een lasnaad die net buiten de norm valt maar waarschijnlijk toch goed is. Die laatste beoordeling hangt af van ervaring, van context die niet in een systeem staat, en van verantwoordelijkheid die iemand moet kunnen dragen. Dat verschil bepaalt grotendeels welke ambitie realistisch is voor welk deel van het werk.
Overal in de maakindustrie loopt dezelfde driedeling door het werk. Een deel kan AI overnemen: repetitieve controles op basis van sensordata, het samenstellen van standaardrapportages, het herkennen van bekende storingspatronen. Een deel gaat deels, met een mens die goedkeurt of afkeurt: kwaliteitsbeoordelingen waarbij een algoritme een voorstel doet en een operator of kwaliteitsmedewerker de beslissing bevestigt of corrigeert, met reden. En een deel blijft mensenwerk: het oplossen van een storing die niemand eerder zo heeft gezien, het onderhandelen met een leverancier over een afwijkende levering, het nemen van verantwoordelijkheid bij een veiligheidsincident.
Wat vandaag in de ene fabriek al in de eerste categorie valt, staat in de andere fabriek nog volledig in de derde. Dat verschil komt zelden door de techniek zelf. Het komt door of de data er staat, of de sensoren de juiste dingen meten, of medewerkers het systeem vertrouwen genoeg om er iets aan over te laten, en of er iemand is die de uitkomst mag goedkeuren zonder dat het proces stilvalt in afwachting van een handtekening.
Een directie die zegt "wij willen AI-gestuurde kwaliteitscontrole" zegt daarmee ook iets over de organisatie die dat moet kunnen dragen. Er moet iemand zijn die de foutmeldingen van het systeem beoordeelt, niet alleen theoretisch maar in de dagelijkse ploegendienst. Er moet duidelijkheid zijn over wie een afkeuring van het systeem mag overrulen en op welke grond. En er moet capaciteit vrij zijn om het systeem in te richten en te onderhouden, capaciteit die vaak al volledig is toegewezen aan lopend werk.
Dit is waar veel ambities in de maakindustrie vastlopen: niet op de vraag of de techniek het kan, maar op de vraag of de organisatie de rol eromheen al heeft ingevuld. Wie beslist als het systeem twijfelt? Wie is aanspreekbaar als een klant een klacht heeft over een product dat door een AI-gestuurde inspectie is gekomen? Die vragen raken aan verantwoordelijkheden binnen het personeelsbestand, en voor besluiten die daaruit volgen gelden eigen wettelijke vereisten; die beoordeling ligt niet hier.
Twee fabrieken met vergelijkbare machines en vergelijkbare producten kunnen sterk uiteenlopen in wat AI daadwerkelijk van hun werk overneemt. De ene heeft jarenlang sensordata verzameld en gestructureerd, de andere heeft dezelfde sensoren maar de data verdwijnt in logs die niemand ooit heeft opgeschoond. De ene heeft een kwaliteitsteam dat wekelijks tijd heeft om afwijkingen te beoordelen en het systeem bij te sturen, de andere heeft dat team volledig bezet met de lopende productie. Geen van beide is fout, maar het bepaalt hoeveel van de ambitie dit jaar haalbaar is en hoeveel volgend jaar.
Deze verschillen zijn niet uniek voor de maakindustrie. Dezelfde spanning tussen ambitie en gereedheid speelt in de transportsector, waar planning en routekeuze vergelijkbare vragen oproepen, en in de zakelijke dienstverlening, waar toezicht op adviesuitkomsten een vergelijkbare rol speelt als kwaliteitscontrole op de vloer. Ook de vraag hoe je een ambitie in stukken deelt die een organisatie in een jaar daadwerkelijk kan behappen, komt in elke sector terug, en wordt apart behandeld in een toelichting op het faseren van een ambitie die te groot is voor één jaar.
De vraag die onder al deze voorbeelden ligt, is niet of AI dit soort werk in het algemeen kan overnemen. Het is welk specifiek deel van het werk in dit specifieke bedrijf daadwerkelijk over te nemen is, gegeven de data, de systemen en de mensen die er nu zijn. Die vraag wordt per taak beantwoord met de werkscan van FTE TO AI, los van welk beeld de directie er zelf bij heeft.
Een ambitie wordt pas bruikbaar als hij is opgesplitst in wat de organisatie moet kunnen, en getoetst aan wat ze al kan. Hoe snel een organisatie werkelijk kan veranderen op dat soort punten, is een vraag die los staat van de ambitie zelf en apart wordt uitgewerkt in een beschouwing over het werkelijke veranderingstempo van organisaties.
Als eerste stap is er een gratis gereedheidscheck: acht korte vragen, één per dimensie, die een beeld geven van waar uw organisatie het verst is en waar nog het minst. De volledige ambitietoets, met de vier lagen van visie tot target state en de vertaling naar rollen en besluitrechten, is in aanbouw.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.