Fabrikanten behalen AI ROI – nu is het tijd om op te schalen voor een grotere impact

AI zorgt voor ROI in de productie, maar het opschalen ervan blijft de uitdaging. Zonder sterkere data- en netwerkfundamenten stagneert de vooruitgang.

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

Van de werkvloer tot de toeleveringsketen levert kunstmatige intelligentie (AI) al meetbare rendementen op tijdens de hele productie. Vraag het maar aan de 87% van de sectorleiders die in de Riverbed Global Survey van 2025 vertelden dat de ROI van Artificial Intelligence for IT Operations (AIOps) aan hun verwachtingen heeft voldaan of deze heeft overtroffen.

De uitdaging is echter om deze winsten binnen de hele onderneming op te schalen. Slechts 12% van de AI-initiatieven wordt momenteel volledig ingezet in de productie, en slechts 37% van de organisaties binnen de sector voelt zich momenteel volledig voorbereid om AI op grote schaal te implementeren. Deze structurele kloof schildert AI af als een werk in uitvoering:gedeeltelijk gerealiseerd, maar toch niet in staat om verder te gaan.

Nu Industrie 4.0 in volle gang is, is het niet nodig om te bewijzen dat AI loont; uit de gegevens blijkt al dat dit het geval is. Maar hoewel het aantoonbaar effectief is in gecontroleerde tests, worstelt de meerderheid van de fabrikanten met het schalen van deze voordelen in hun complexe, reële omgevingen. Dit zal waarschijnlijk het geval blijven totdat de juiste digitale basis aanwezig is.

Waarom AI-optimalisatie wordt belemmerd in de productie

Volgens Deloitte maakt ‘slimme productie’ – waarbij gebruik wordt gemaakt van AI om zaken als voorspellend onderhoud, kwaliteitsborging, optimalisatie van de toeleveringsketen en monitoring van de energie-efficiëntie aan te sturen – al een verbetering van 10% – 20% in de productieoutput en 10% – 15% in de ontgrendelde capaciteit mogelijk. Het nettopotentieel is dus enorm, maar de omvang van de mogelijke impact maakt het opschalen van AI ingewikkeld.

Dat komt omdat slimme productieomgevingen afhankelijk zijn van een betrouwbare en veilige gegevensstroom tussen alle apparaten, machines, faciliteiten en logistieke netwerken. AI-modellen moeten deze verstrengeling van telemetrie in realtime verwerken, interpreteren en ernaar handelen – vaak via oudere systemen, edge-apparaten en cloudplatforms. Beslissers moeten deze informatie ook kunnen zien en analyseren.

Ingewikkelde datapijplijnen of knelpunten zorgen voor operationele druk, terwijl een beperkt inzicht in het systeemgedrag optimalisatie en schaalvergroting aanzienlijk moeilijker maakt. De druk neemt toe om deze problemen op infrastructureel niveau aan te pakken.

Een opkomend tekort aan datagereedheid

De prestatievoordelen van AI zijn onmiskenbaar. Maar dankzij een reeks structurele problemen is de schaalbaarheid van deze voordelen ongrijpbaar. Voordat de technologie bedrijfsbreed kan worden omarmd, moeten fabrikanten de infrastructurele nauwkeurigheid creëren die nodig is om deze te ondersteunen. Nieuwe onderzoeksresultaten beschrijven dit streven naar AI-gereedheid gedetailleerder:

– 91% van de fabrikanten zegt dat het verplaatsen van AI-data cruciaal is voor hun strategie.

– 96% noemen netwerkprestaties en betrouwbaarheid als topoverwegingen.

– Bijna de helft (47% ) hebben geen vertrouwen in de juistheid en volledigheid van hun gegevens.

Alles bij elkaar bewijzen deze cijfers dat er nog veel meer vooruitgang moet worden geboekt. Als meer dan negen tiende van de leiders databewegingen en netwerkprestaties als cruciaal beschouwt, hangt de integratie van AI af van de infrastructuur die is gebouwd om data snel en betrouwbaar te verplaatsen. Maar tegelijkertijd vertrouwt bijna één op de twee organisaties de gegevens die worden verplaatst niet volledig. Beide componenten moeten worden aangepakt om contraproductieve investeringen te voorkomen.

Hoewel fabrikanten duidelijk begrijpen wat AI nodig heeft om te kunnen gedijen, opereren velen nog steeds op digitale fundamenten die nog niet robuust en flexibel genoeg zijn om dit op grote schaal mogelijk te maken. Voeg daarbij de fragmentatie die wordt veroorzaakt door meerdere observatietools en het wordt duidelijk waarom de systemen die productieactiviteiten ondersteunen niet in staat zijn om voorbij proof-of-concept-initiatieven te komen.

De basis leggen om AI te operationaliseren

Op organisatorisch niveau zal het succes van AI worden bepaald door de kwaliteit van de gegevens, de snelheid waarmee deze zich verplaatsen en de transparantie die teams hebben in de systemen die deze gegevens bevatten. Voordat fabrikanten dus investeren in een volledige implementatie, is het absoluut noodzakelijk dat fabrikanten:

– Behandel netwerkprestaties en gegevensstroom als strategische prioriteiten
AI-systemen voor de productie moeten werken in gedistribueerde productieomgevingen en onderling verbonden toeleveringsketens, allemaal aangedreven door grote hoeveelheden realtime gegevens. Als gevolg hiervan kunnen de netwerkprestaties niet langer worden behandeld als een IT-probleem op de achtergrond.

Omdat deze verschuiving van pilot- naar operationeel model doelbewust leiderschap en coördinatie vereist, hebben organisaties consistentie nodig in de manier waarop hun gegevens worden vastgelegd en verplaatst. Frameworks zoals OpenTelemetry helpen strategische afstemming te bereiken door telemetrie binnen complexe netwerken te standaardiseren – waardoor de stabiele, goed functionerende data-backbone wordt gecreëerd die AI nodig heeft om bedrijfsbreed te integreren.

– Versterk de datakwaliteit en het vertrouwen
AI-modellen zijn slechts zo effectief als de gegevens die ze verbruiken. En in de productiesector, waar gegevens worden gegenereerd en verspreid via een reeks actieve bronnen, brengen inconsistenties of onnauwkeurigheden risico's met zich mee en brengen ze de integriteit in gevaar.

– Verminder de wildgroei aan tools en blinde vlekken, zodat leiders prestatieverschillen kunnen zien
Omdat organisaties doorgaans dertien observatietools van negen leveranciers gebruiken, blijft fragmentatie een grote belemmering voor het opschalen van AI. Hoewel elk van deze tools een specifieke uitdaging kan oplossen, zorgt hun collectieve overlap voor duplicatie en beperkt het de zichtbaarheid, waardoor het moeilijk wordt om te begrijpen hoe systemen samenwerken onder AI-gestuurde workloads.

Deze architecturale spanning is de reden waarom 95% van de fabrikanten een proces van gereedschapsconsolidatie doormaakt. In deze context gaf de integratie van de technologie in een uniform observatieplatform een ​​wereldwijde productieorganisatie toegang tot datagestuurde en bruikbare inzichten om de productiviteit en prestaties te verbeteren. Dit soort forensische duidelijkheid stelt organisaties in staat om AI met vertrouwen en zonder wrijving op te schalen.

Het potentieel van AI tot een operationele realiteit maken

Ambitieus verwacht 85% van de fabrikanten in 2028 klaar te zijn voor AI. Maar als slechts 37% zich vandaag volledig voorbereid voelt, zal de haalbaarheid van die tijdlijn worden bepaald door hoe snel organisaties de gereedheidskloof kunnen dichten.

In de loop van de komende paar jaar zal AI nog dieper verankerd raken dan nu het geval is – waarbij de invloed die het heeft op productielijnen, toeleveringsketens en besluitvormingsprocessen de effectiviteit van telemetrie en waarneembaarheid alleen maar extra onder druk zal zetten.

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

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