AI Toepassingen

AI voor productiebedrijven in het mkb: begin bij de papierstroom, niet bij de machine

AI voor productiebedrijven in het mkb: voorspellend onderhoud is meestal te vroeg. De eerste winst zit in calculatie, werkbonnen en kwaliteitsregistratie.

AI WorkTalent Redactie · 17 augustus 2026 · 13 min leestijd

AI voor productiebedrijven in het mkb is in de praktijk vooral automatisering van de papierstroom rond de productie: calculatie, werkbonnen en kwaliteitsregistratie. Slimmere machines en voorspellend onderhoud komen pas daarna. Toch gaan industrie 4.0-verhalen bijna altijd over die machine: sensoren die een storing zien aankomen voordat die zich voordoet. Hieronder lees je waarom voorspellend onderhoud voor de meeste bedrijven nog te vroeg komt, waar de winst wel zit, en in welke volgorde je het beste begint.

Voorspellend onderhoud voor productiebedrijven: de meest verkochte belofte, en de minst haalbare

Voorspellend onderhoud is knap wanneer het werkt. Maar voor het gemiddelde mkb-maakbedrijf zit daar niet de eerste winst. Volgens de AI-monitor 2024 van het CBS — die kijkt naar bedrijven met tien of meer werkzame personen — gebruikte 18,0 procent van de bedrijven in de sector industrie AI-technologie. Dat is lager dan het landelijke gemiddelde van 22,7 procent, en veel lager dan de 58,0 procent in de sector informatie en communicatie, de koploper. Over 2025 meldt het CBS hogere cijfers voor dezelfde groep bedrijven: landelijk 33 procent, informatie en communicatie 70 procent. Die cijfers zijn voorlopig. Het CBS verbeterde bovendien de weging en vroeg in 2025 naar acht in plaats van zeven AI-technologieën. Een deel van de stijging is dus een definitiekwestie. De achterstand van de industrie op het landelijke gemiddelde is geen reden om meteen aan de machine te beginnen. Een sensorproject is zelden het verstandigste startpunt. Kijk eerst naar het werk waar dagelijks tijd in verdwijnt: de papierstroom rond de productie. Aanvragen omzetten naar een calculatie, werkbonnen uitschrijven, afkeur vastleggen, dezelfde vraag over de levertijd voor de tiende keer beantwoorden.

Van alle AI-toepassingen in de maakindustrie wordt voorspellend onderhoud het meest aangeprezen, en het heeft tegelijk de hoogste instapdrempel. Het idee is aantrekkelijk: sensoren op een machine meten trillingen, temperatuur en draaiuren, en een model signaleert een afwijking voordat er een storing optreedt. Om dat te kunnen, moet een model eerst leren wat een naderende storing onderscheidt van normaal gebruik. Dat vraagt jaren aan sensordata, én een flink aantal daadwerkelijke storingen om van te leren. Een machine die zelden uitvalt, levert juist te weinig voorbeelden van wat er misgaat om er een betrouwbaar patroon uit te halen.

Bij een mkb-maakbedrijf met een handvol machines ontbreken precies die twee dingen: doorlopende sensordata, en genoeg storingen om een patroon uit te halen. Grote productiebedrijven met honderden identieke machines en een historie van jaren sensordata kunnen dat wel opbouwen. Vandaar dat de succesverhalen van leveranciers bijna altijd uit die hoek komen, of uit sectoren waar één type kritieke installatie op grote schaal draait. Voor de meeste mkb-bedrijven is voorspellend onderhoud daarom geen project van dit jaar, maar een investering die pas kan renderen zodra de sensoren en de historie er al een tijd staan. Wie er nu al mee start, betaalt vooral de leerperiode; de besparing komt later, als die al komt.

Dat is meteen de kritiek op veel industrie 4.0-marketing. Het verhaal begint bij de machine omdat dat het mooiste plaatje oplevert, niet omdat een mkb-bedrijf daar het snelst iets terugverdient. De druk om te moderniseren is wel echt: de arbeidsproductiviteit in de industrie moet in tien jaar met 50 procent omhoog. Alleen zo blijft Nederland internationaal concurrerend, stelt Rabobank in onderzoek dat TNO aanhaalt. Ook in robotdichtheid loopt Nederland achter. Op basis van IFR-cijfers over 2023 stond ons land twaalfde, met 264 robots per tienduizend werknemers in de industrie. Duitsland telde er ruim 400, Zuid-Korea meer dan 1.000. Die achterstanden dicht je niet met één sensorproject dat pas over jaren misschien rendeert. Begin bij de winst die nu al binnen handbereik ligt; de zwaardere stappen komen daarna.

Waar de eerste winst wél zit: de papierstroom rond de productie

Rond elke productieorder loopt een administratieve schaduwstroom mee: een aanvraag wordt een calculatie, een calculatie wordt een werkbon, een werkbon legt resultaten en afkeur vast, en een klant vraagt tussentijds naar de levertijd. Dat werk vraagt geen jaren sensordata en geen zeldzame storingen om iets te leren. Het gebeurt dagelijks, in elk mkb-maakbedrijf, en levert daarom sneller iets op.

• Van aanvraag naar calculatie-invoer. Een klant stuurt een tekening, een specificatie of een mailtje met wat er nodig is. AI die tekeningen en aanvragen kan uitlezen, zet dat om in een eerste calculatie-invoer — afmetingen, materiaal, bewerkingen, aantal — die de calculator controleert en aanvult met marge en levertijd. Het rekenwerk zelf blijft mensenwerk, het overtypen en uitzoeken eromheen niet.
• Werkbonnen en productieorders. Veel bedrijven vullen de werkbon op papier in en typen die aan het einde van de dag over. Je kunt die bon ook direct digitaal vastleggen en automatisch laten omzetten in een productieorder in het planning- of ERP-systeem. Dat scheelt dubbel werk en zorgt dat de informatie dezelfde dag klopt, niet pas de volgende ochtend. Werken je systemen — calculatie, planning, facturatie — nu nog los van elkaar, dan is automatisering met software als n8n vaak de manier om ze te laten samenwerken.
• Kwaliteitsrapportages en afkeurredenen. Veel bedrijven noteren afkeur wel, maar zelden gestructureerd genoeg om er iets van te leren: "verkeerd" of "fout" zegt weinig, een vaste lijst afkeurcodes per oorzaak wel. AI kan losse notities en meldingen omzetten in een gestructureerd rapport, zodat patronen — welk materiaal, welke machine, welke ploeg — pas echt zichtbaar worden.
• Standaardvragen over levertijd. "Wanneer is mijn order klaar?" is een vraag die telkens terugkomt en waarvan het antwoord meestal al ergens in het planningssysteem staat. Een chatbot of geautomatiseerd antwoord dat die data raadpleegt, scheelt telefoon- en mailverkeer zonder dat iemand het steeds hoeft op te zoeken.

Geen van deze vier vraagt een sensor, een jaar aan historie of een datawetenschapper. Ze vragen vooral discipline om het proces eenmalig goed in te richten — en leveren daardoor als eerste iets op.

Kwaliteit en visuele inspectie: het werkt, maar niet zonder voorbereiding

Visuele inspectie met een camera en een AI-model is een van de weinige "machinegerichte" toepassingen die in de praktijk aantoonbaar werkt. Een model dat krassen, scheuren, verkleuringen of verkeerde maatvoering herkent op basis van beeldmateriaal, kan sneller en consistenter keuren dan een mens die na acht uur nog scherp moet blijven. Maar dat resultaat komt niet uit een demonstratie met een handvol mooie voorbeelden — het vraagt drie dingen die de meeste mkb-bedrijven nog niet op orde hebben.

• Goede, consistente beelden. Vaste belichting, een vaste camerahoek en een vaste positie van het product. Een lichtval die per dagdeel verschilt of een product dat steeds net anders ligt, verstoort de herkenning al voordat het model aan zijn eigenlijke werk toekomt.
• Genoeg voorbeelden van fouten. Een model leert het onderscheid tussen goed en fout, en in een gezonde productielijn zijn fouten juist schaars. Je hebt dus maanden nodig om genoeg afkeurbeelden te verzamelen, vaak meer dan bedrijven vooraf verwachten. Pas daarna kan een model betrouwbaar omgaan met de uitzonderingen die in de praktijk voorkomen.
• Tijd om te valideren en te beheren. Een model dat op de lijn draait, moet je blijven controleren. Verandert het product, de lens of de belichting, dan moet je opnieuw valideren.

Met die drie zaken op orde is visuele inspectie een van de sterkste AI-toepassingen in productie. Zonder die voorbereiding is het een project dat op de eerste dag al tegenvalt, en dat is precies waarom het meestal een latere stap is dan een startpunt.

Voorraad en inkoop: signaleren, niet beslissen

AI kan verbruikspatronen volgen en afwijkingen signaleren. Denk aan een grondstof die sneller opraakt dan gebruikelijk, of een order die door extra afkeur opvallend veel materiaal kost. Ook een voorraad die sneller daalt dan het seizoen verklaart, valt zo op. Dat is waardevol, omdat het iemand op tijd laat kijken in plaats van dat een tekort pas opvalt bij de volgende bestelling.

Wat AI hier niet moet doen, is de bestelbeslissing zelf nemen. Hoeveel je bestelt, bij welke leverancier en tegen welke prijs, hangt af van afspraken, onderhandelingsruimte, minimale afnamehoeveelheden en soms een persoonlijke relatie met een leverancier die al jaren meedenkt. Dat zijn factoren die een verbruikssignaal niet kan wegen. Zie AI hier als een systeem dat een seintje geeft, niet als inkoper.

De kennis van de werkvloer vastleggen

In veel mkb-maakbedrijven zit een groot deel van de echte productiekennis niet in een systeem, maar in het hoofd van een paar ervaren operators. Denk aan welke instelwaarden bij welk materiaal horen, welke uitzondering een bepaalde machine bij vochtig weer nodig heeft, of welke truc een storing voorkomt voordat die zich meldt. Zolang die mensen er zijn, valt het niemand op dat het nergens is opgeschreven. Gaat er iemand met pensioen of naar een andere baan, dan is het in één keer weg.

AI helpt hier vooral om kennis te ontsluiten: instelwaarden en uitzonderingen laten opschrijven of inspreken, samenvatten en doorzoekbaar maken. Zo kan een collega een vraag stellen aan een systeem in plaats van te wachten tot de ervaren operator weer beschikbaar is. Dat vervangt het vakmanschap niet, maar zorgt dat het niet verdwijnt zodra iemand de deur uit loopt. Net als de papierstroom-toepassingen vraagt dit geen aparte investering in sensoren of camera's. Je hebt vooral tijd van je eigen mensen nodig, plus de discipline om het structureel op te schrijven. Hoe je dat aanpakt zonder er een apart project van te maken, staat in de aanpak om kennis van vertrekkende medewerkers vast te leggen.

Van tekening naar offerte: zo werkt dat bij een spuitgietbedrijf

Neem een mkb-bedrijf dat kunststof onderdelen spuitgiet. Een aanvraag komt daar meestal binnen als een tekening in de bijlage van een e-mail. De calculator zoekt dan eerst de juiste mal, het materiaal en de cyclustijd van vergelijkbare eerdere orders op, typt dat over in het calculatieformulier, en stuurt pas daarna een offerte. Dat kost al gauw drie kwartier per aanvraag, ongeacht hoe eenvoudig het onderdeel is. AI kan dat eerste uitzoekwerk overnemen — de tekening herkennen, vergelijkbare eerdere orders vinden, een conceptcalculatie klaarzetten. Voor de calculator blijft het werk over waar ervaring het verschil maakt: de marge bepalen, de levertijd inschatten op de actuele bezetting, en de offerte controleren. Hoeveel tijd dat concreet scheelt, hangt af van het aantal aanvragen per week. Maar het onderliggende patroon — handmatig uitzoekwerk vervangen door een consistent gegenereerd startpunt — is bij vrijwel elk maakbedrijf met een regelmatige stroom aan aanvragen de eerste stap waard.

Wat je aan AI overlaat, en wat het ervoor vraagt

Een overzicht van de toepassingen uit dit artikel, wat je ervoor nodig hebt, en hoe snel het iets oplevert:

De volgorde die werkt voor productiebedrijven in het mkb: begin bij de administratie

De verleiding is groot om te beginnen bij het project met het meeste aanzien: een sensor op een machine, een camera bij de lijn. Maar de toepassingen die het snelst iets opleveren, zijn juist de saaiste: calculatie-invoer, werkbonnen, afkeurregistratie en standaardvragen. Ze vragen geen jaren data, geen dure hardware en geen aparte datastrategie — alleen de discipline om een bestaand proces eenmalig goed in te richten. Begin daar, bewijs de waarde, en gebruik het budget en vertrouwen dat dat oplevert om pas daarna aan visuele inspectie en, uiteindelijk, voorspellend onderhoud te beginnen. Hoe je dat stap voor stap aanpakt, staat in het stappenplan voor AI in het mkb. Wil je vooraf weten wat een groter project oplevert, lees dan hoe je de ROI van een AI-investering berekent.

Kosten, en welke regelingen kunnen helpen

Wat dit ongeveer kost, verschilt sterk per toepassing. Calculatie-invoer, werkbonnen digitaliseren, kwaliteitsrapportages en een chatbot voor levertijdvragen draaien meestal op software die je al hebt. Wat je erbij betaalt, is een automatiseringsproject van beperkte omvang: vergelijkbaar met een gerichte procesverbetering, niet met een productielijn. Visuele inspectie en voorspellend onderhoud vragen een grotere investering, in camera's, sensoren en validatietijd. Voor het mkb bestaan bovendien drie regelingen die een deel van de kosten kunnen dragen, elk voor een ander soort kosten. De WBSO geeft een fiscaal voordeel op de loonkosten van speur- en ontwikkelingswerk. Onder de MIT (mkb-innovatiestimulering) vallen onder meer haalbaarheidsprojecten en R&D-samenwerkingsprojecten. SLIM is geen innovatieregeling: die vergoedt een deel van de kosten van leren en ontwikkelen op de werkvloer, bijvoorbeeld het opleiden van je mensen voor het nieuwe proces.

Let goed op bij welk loket je moet zijn, want dat verschilt per regeling en zelfs per MIT-onderdeel. De WBSO loopt via de Rijksdienst voor Ondernemend Nederland (RVO). Binnen de MIT is voor R&D-samenwerkingsprojecten zowel landelijk als regionaal budget beschikbaar, maar de haalbaarheidsprojecten voert RVO niet meer uit: die kun je alleen nog regionaal aanvragen. De loketwijzer van RVO wijst per MIT-onderdeel het juiste loket aan. SLIM loopt via Uitvoering van Beleid, de uitvoeringsorganisatie van het ministerie van Sociale Zaken en Werkgelegenheid. Check de voorwaarden en aanvraagperiodes steeds bij de uitvoerder zelf, want die wijzigen jaarlijks.

AI helpt een mkb-productiebedrijf niet doordat de machine slimmer wordt, maar doordat de papierstroom eromheen krimpt: minder overtypen, minder uitzoekwerk, minder kennis die alleen in iemands hoofd zit. Bewaar voorspellend onderhoud voor het moment dat je de data ervoor daadwerkelijk hebt. Twijfel je hoe je hiermee begint of wie je erbij haalt? Zie de complete gids voor het inhuren van een AI-expert, of plaats je opdracht op AI WorkTalent en ontvang voorstellen van AI-specialisten. Contract en betaling lopen via het platform; het budget komt pas vrij als jij de oplevering goedkeurt.