De adoptie van AI in industriële contexten is nog pril, met beperkte implementaties en proof-of-concept, ondanks de hoge verwachtingen. „AI zal zich niet langer gedragen als een zijproject, maar als infrastructuur," zegt de CEO van GREÏ, een AI-gedreven platform voor procesintelligentie voor grote fysieke locaties. „Maar de ongemakkelijke waarheid is dat de meeste organisaties AI nog steeds toepassen op kapotte processen."
Voordat er geautomatiseerd kan worden en AI gezien kan worden als collega, moeten bedrijven volgens Rajuncé eerst workflows vereenvoudigen. Dit betekent ook investeren in sterke datafundamenten, beveiliging en governance, en de voorkeur geven aan interoperabele platformen boven gefragmenteerde tools.
Lees ook: Deze Silicon Valley-CEO weet het zeker: 2026 wordt het jaar van agents en vibe coding
AI- en roboticstrends voor 2026:
1. Agentic AI-systemen nemen het over van dashboards
Een van de grootste verschuivingen in 2026 is de opkomst van agentic AI-systemen, die autonoom workflows uitvoeren dwars door de operatie heen. Denk bijvoorbeeld aan een ongevallenscenario, waarbij een AI-agent het probleem volledig oplost. „In plaats van alleen een manager te waarschuwen, kan een AI-agent een werkorder initiëren, contact opnemen met de relevante leverancier, de beschikbaarheid van onderdelen controleren en de planning coördineren. De operationele respons wordt afgehandeld met minimale menselijke tussenkomst."
Deze mogelijkheden leggen echter ook zwakke fundamenten bloot. Gartner voorspelt dat 40 procent van de agentic AI-projecten tegen 2027 zal mislukken omdat ze verkeerd worden toegepast en geen enkelvoudig bedrijfsprobleem oplossen. In de praktijk betekent dit dat agentic AI zowel sterke punten als inefficiënties uitvergroot, wat leiders dwingt om de operationele realiteit sneller dan ooit onder ogen te zien.
2. Samenspel tussen mens en robot
AI beweegt zich snel van software naar de fysieke wereld via intelligente robotica. Het World Economic Forum identificeert drie systemen die steeds vaker naast elkaar zullen bestaan:
Op regels gebaseerde robotica voor voorspelbare taken.
Op training gebaseerde robotica voor variabele omgevingen.
Context-gebaseerde robotica voor onvoorspelbare omstandigheden.
Deze verschuiving levert nu al meetbare resultaten op: in distributiecentra waar AI de regie voert worden snellere levertijden gerealiseerd en is er meer ruimte voor geschoolde operationele rollen.
Hoewel gespecialiseerde systemen de huidige winst drijven, wordt verwacht dat humanoïde robots de komende jaren snel zullen opschalen. De prognoses gaan uit van 13 miljoen robots tegen 2035. Het draait daarbij niet langer om losse machines, maar om een realtime samenspel tussen mens, robot en proces.
In fysieke omgevingen is context geen ‘nice-to-have’; het is het verschil tussen inzicht en risico
Giedré Rajuncé CEO en medeoprichter GREÏ
3. Domeinspecifieke AI-modellen komen op
Hoewel generieke Large Language Models (LLM's) de krantenkoppen blijven domineren, worden de beperkingen in industriële omgevingen steeds duidelijker. Door een gebrek aan context over specifieke faciliteiten, apparatuur en veiligheidsbeperkingen, lopen generieke modellen het risico onnauwkeurige of zelfs gevaarlijke output te genereren.
Daarentegen blijken domeinspecifieke taalmodellen – op maat gemaakt voor productie, logistiek en bouw – veel effectiever. Sommige schattingen voorspellen dat tegen 2028 meer dan de helft van de enterprise GenAI-implementaties op dergelijke gespecialiseerde modellen zal vertrouwen.
„Generieke GenAI is een overhyped begrip voor industrieel gebruik," zegt Rajuncé. „Een model dat uw HVAC-systeem, bedrading, onderhoudshistorie of veiligheidsdrempels niet begrijpt, is een aansprakelijkheidsrisico. In fysieke omgevingen is context geen 'nice-to-have'; het is het verschil tussen inzicht en risico. Daarom halen domeinspecifieke modellen de generieke in bij serieuze industriële toepassingen."
4. Multimodale AI wordt mainstream
Tegen 2026 zullen multimodale AI-systemen – die in staat zijn om tekst, beelden, video, geluid en sensordata gelijktijdig te verwerken – mainstream worden. Voor industriële operaties maakt dit volledig nieuwe vormen van situationeel bewustzijn (situational awareness) mogelijk.
In de maakindustrie kunnen visiesystemen bijvoorbeeld visuele defecten correleren aan trillingspatronen, akoestische signalen en thermische data. In de bouw en logistiek kunnen dronebeelden worden geanalyseerd naast telematica van apparatuur en input van structurele sensoren. Het resultaat is een aanzienlijk hogere nauwkeurigheid en snellere responstijden dan enige afzonderlijke databron kan bieden.
Als een AI-systeem niet kan uitleggen waarom het een actie aanbeveelt, verdwijnt het vertrouwen
Giedré Rajuncé CEO en medeoprichter GREÏ
5. Onderhoud voorspellen met AI
Onderhoud voorspellen blijft een van de duidelijkste rendementen leveren binnen industriële AI. Organisaties rapporteren kostenreducties voor onderhoud tot wel 40 procent door over te stappen van tijdsgebonden preventieve modellen naar datagestuurde voorspellingen.
Tegelijkertijd komt bruikbaarheid op de werkvloer (frontline usability) naar voren als een kritieke differentiator. Onderzoek van het World Economic Forum toont aan dat AI-initiatieven falen wanneer eerstelijnsmedewerkers worden behandeld als passieve gebruikers in plaats van actieve kennisbijdragers. „Als een AI-systeem niet kan uitleggen waarom het een actie aanbeveelt, verdwijnt het vertrouwen," stelt Rajuncé. „Teams op de werkvloer willen duidelijkheid. Als een AI-agent voorstelt een machine uit te schakelen of een veiligheidsprobleem signaleert, moeten mensen de redenering achter die beslissing kunnen zien."
Ontvang elke week het beste van BusinessWise in je mailbox. Schrijf je hier nu gratis in:
