Fabrikanten Behalen AI ROI – Nu Tijd om te Schalen voor Grotere Impact

AI levert ROI in de productie, maar schalen blijft de uitdaging. Zonder sterkere data- en netwerkfunderingen stagneert de voortgang.

Door Nic Leszczynski, Principal Solutions Engineer, UKI, bij Riverbed Technology

Van de shopfloor tot de supply chain, levert kunstmatige intelligentie (AI) al meetbare rendementen doorheen de productie. Vraag het maar aan de 87% van de sectorleiders die de 2025 Riverbed Global Survey vertelde dat ROI van Artificial Intelligence for IT Operations (AIOps) hun verwachtingen heeft gehaald of overtroffen.

De uitdaging is echter het schalen van die winsten over het bedrijf heen. Alleen 12% van AI-initiatieven zijn volledig geïmplementeerd in de productie nu, en slechts 37% van de organisaties binnen de sector voelt zich momenteel volledig voorbereid om AI op schaal te operationaliseren. Deze structurele kloof schildert AI als een work in progress: gedeeltelijk gerealiseerd, doch onbekwaam om naar voltooiing te vorderen.

Met Industry 4.0 goed bezig, is het niet nodig om te bewijzen dat AI zich uitbetaalt – de data toont al aan dat het dat doet. Maar terwij het demonstratie-effectief is in gecontroleerde tests, worstelt de meerderheid van fabrikanten om die voordelen te schalen over hun complexe, real-world omgevingen. Dit zal waarschijnlijk het geval blijven tot de juiste digitale funderingen op hun plaats zijn.

Waarom AI-optimalisatie in de productie wordt belemmerd

Volgens Deloitte stelt 'slimme productie' – die AI gebruikt om dingen te drijven zoals predictief onderhoud, kwaliteitsborging, supply chain optimalisatie en energie-efficiëntie monitoring – al een 10% – 20% verbetering in productieoutput en 10% – 15% in ontgrendelde capaciteit in staat. Het netto potentieel is dus enorm, maar de breedte van zijn mogelijke impact maakt het schalen van AI gecompliceerd.

Dat is omdat slimme productieomgevingen afhankelijk zijn van een betrouwbare en veilige stroom van data tussen alle apparaten, machines, faciliteiten en logistieke netwerken. AI-modellen moeten deze verstrengeling van telemetrie in real-time opnemen, interpreteren en erop handelen – vaak over legacy systemen, edge devices en cloud platforms. Beslissers moeten in staat zijn om deze informatie te zien en te analyseren.

Verwarrende of gebottleneckte datapipelines creëren operationele spanning, terwijl beperkte zichtbaarheid in systeemgedrag optimalisatie en schalen aanzienlijk moeilijker maakt. De druk montaert om deze kwesties op een infrastructuur niveau aan te pakken.

Een opkomende data-gereedheids gap

De prestatievoordelen van AI zijn onmiskenbaar. Maar dankzij een set structurele kwesties, is de schaalbaarheid van deze voordelen ellusief. Voordat de technologie enterprise-wide omarmd kan worden, moeten fabrikanten de infrastructuur-rigor vestigen die nodig is om het te ondersteunen. Nieuwe onderzoeksresultaten schilderen deze zoektocht naar AI-gereedheid in meer detail:

– 91% van fabrikanten zeggen dat AI-databeweging cruciaal is voor hun strategie.

– 96% noemen netwerkprestaties en betrouwbaarheid als top overwegingen.

– Bijna de helft (47%) mist vertrouwen in de nauwkeurigheid en volledigheid van hun data.

Samen genomen bewijzen deze cijfers dat er nog veel meer vooruitgang te maken is. Als meer dan negen tienden van leiders databeweging en netwerkprestaties als cruciaal zien, dan hangt AI's integratie af van infrastructuur gebouwd om data snel en betrouwbaar te verplaatsen. Tegelijkertijd vertrouwt bijna één op de twee organisaties de data die wordt verplaatst niet volledig. Beide componenten moeten aangepakt worden om counter-productieve investeringen te vermijden.

Terwijl fabrikanten duidelijk begrijpen wat AI nodig heeft om te gedijen, opereren velen nog steeds op digitale funderingen die nog niet robuust en flexibel genoeg zijn om het op schaal te accommoderen. Voeg daaraan de fragmentatie veroorzaakt door meerdere observabiliteitstools en het wordt duidelijk waarom de systemen die productieoperaties ondersteunen niet in staat zijn om voorbij proof-of-concept initiatieven te gaan.

De Fundamenten Bouwen om AI te Operationaliseren

Op organisatieniveau zal het succes van AI gevormd worden door de kwaliteit van data, de snelheid waarmee het beweegt, en de transparantie die teams hebben in de systemen die het dragen. Dus, voordat in full-scale deployment geïnvesteerd wordt, is het imperatief dat fabrikanten:

– Netwerkprestaties en datastroom behandelen als strategische prioriteiten
Productie AI-systemen moeten opereren over gedistribueerde productieomgevingen en interconnected supply chains, alle gedreven door high-volume, real-time data. Als resultaat kan netwerkprestaties niet langer behandeld worden als een achtergrond IT-kwestie.

Omdat deze shift van pilot naar operatiemodel deliberate leiderschap en coördinatie vereist, hebben organisaties consistentie nodig in hoe hun data wordt vastgelegd en verplaatst. Frameworks zoals OpenTelemetry helpen strategische alignment bereiken door telemetrie te standaardiseren over complexe netwerken – creërend de stabiele, high-functioning data backbone die AI nodig heeft om enterprise-wide te integreren.

– Data-kwaliteit en vertrouwen versterken
AI-modellen zijn alleen zo effectief als de data die ze consumeren. En in de productie, waar data gegenereerd en gegoten wordt over een bereik van actieve bronnen, introduceren inconsistenties of onnauwkeurigheden risico en compromitteren integriteit.

– Tool sprawl en blinde vlekken reduceren zodat leiders prestatiegaten kunnen zien
Met organisaties die typisch 13 observabiliteitstools van negen leveranciers draaien, persisteert fragmentatie als een grote barrière voor het schalen van AI. Hoewel elk van deze tools een specifiek probleem kan oplossen, creëert hun collectieve overlap duplicatie en beperkt zichtbaarheid – wat het moeilijk maakt te begrijpen hoe systemen interacteren onder AI-gedreven workloads.

Deze architecturale spanning is waarom 95% van de fabrikanten door een proces van tool consolidatie gaan. In deze context, het integreren van de tech stack in een unified observability platform gaf een globale productieorganisatie toegang tot data-gedreven en actionable inzichten om productiviteit en prestaties te verbeteren. Dit soort forensische helderheid is wat organisaties in staat stelt AI met vertrouwen en zonder wrijving te schalen.

AI Potentieel een Operationele Realiteit Maken

Ambitieus verwachten 85% van de fabrikanten AI-klaar te zijn tegen 2028. Maar als slechts 37% zich vandaag volledig voorbereid voelt, zal de haalbaarheid van die timeline bepaald worden door hoe snel organisaties de gereedheidsgap kunnen dichten.

Over de komende paar jaar zal AI nog dieper ingesloten raken dan het nu is – met de invloed die het heeft op productielijnen, supply chains en besluitvormingsprocessen die alleen extra druk uitoefenen op de efficatie van telemetrie en observabiliteit.

Het is nooit duidelijker geweest dat de fabrikanten die nu investeren in full-fidelity data en full-stack zichtbaarheid – terwijl ze ook hun strategische principes aanpassen om de nieuwe eisen van Industry 4.0 te anticiperen – het best gepositioneerd zullen zijn om hun succesvolle AI-pilots om te zetten in volhoudbare operationele en commerciële voordelen.

Nic Leszczynski is Principal Solutions Engineer, UKI, bij Riverbed Technology.