Herbert Pesch, Managing Director B2B at Valtech, on Industry Today: Manufacturing Companies Are Not Investing Enough In AI
Despite recognizing AI’s potential, manufacturers are underinvesting and often lack a clear starting point.
Uit het laatste onderzoek van Valtech, "The Voice of Digital Leaders in Manufacturing" (VODL), blijkt dat steeds meer bedrijven AI inzetten om de operationele efficiëntie te verbeteren. Het potentieel van AI reikt echter veel verder dan kortetermijnwinsten; fabrikanten verwachten dat het hun hele bedrijfsmodel zal transformeren.
Ondanks dat fabrikanten het potentieel van AI erkennen, investeren ze te weinig en hebben ze vaak geen duidelijk startpunt. Het is cruciaal om concrete oplossingen te presenteren en veelbelovende use cases te verkennen die zijn afgestemd op het digitale volwassenheidsniveau van een fabrikant.
AI-ambities versus realiteit: de kloof overbruggen
De VODL-studie van Valtech benadrukt een groot verschil tussen de AI-aspiraties van de industrie en de huidige realiteit. Toen hen werd gevraagd welke digitale trend de grootste impact op hun bedrijf zal hebben, noemden veel respondenten AI. Echter, slechts 11% van de respondenten geeft het prioriteit in hun digitaliseringsplannen voor 2024. Dit onderstreept het bewustzijn van het potentieel van AI, maar ook de uitdagingen bij het realiseren ervan. Er is vooruitgang nodig op drie belangrijke gebieden om AI winstgevend te maken:
Geavanceerde AI-toepassingen, zoals voorspellend onderhoud of procesoptimalisatie, vereisen een robuuste datafundering. Veel fabrikanten moeten eerst fundamentele problemen aanpakken en kritieke gegevens uit silo's bevrijden. Vaak blijven waardevolle gegevens van verschillende bedrijfseenheden niet gekoppeld of opgeslagen in niet-verbonden tools. Bovendien kunnen onvolledige, verouderde en inconsistent geformatteerde gegevens niet betrouwbaar worden gebruikt voor AI-toepassingen.
De beschikbaarheid van apparatuurgegevens van klanten is een andere uitdaging. Voorspellend onderhoud vereist bijvoorbeeld uitgebreide gegevensuitwisseling, soms buiten de grenzen van het bedrijf. Dit betekent dat de klant open moet staan voor en gemotiveerd moet zijn om toegang te verlenen tot hun apparatuurgegevens aan de fabrikanten van de apparatuur. Maar klanten ervaren een algemeen gebrek aan motivatie om genoemde fabrieksgegevens te delen, omdat ze bedenkingen hebben over welke voordelen dit hen zal opleveren, in tegenstelling tot de voordelen die de fabrikant hiervan zal profiteren.
Een ander probleem is terughoudendheid om de on-premise productiegegevens te delen vanwege beveiligingsbeleid, interoperabiliteitsproblemen tussen verschillende productie-ecosystemen en kostenoverwegingen voor het installeren van noodzakelijke sensoren, die ook de beschikbaarheid van gegevens beperken.
AI kan riskant zijn omdat het grote hoeveelheden data vereist die vatbaar kunnen zijn voor cyberaanvallen of onverwachte uitkomsten kunnen veroorzaken door het gebrek aan duidelijkheid over hoe sommige machine learning-modellen tot bepaalde conclusies komen. Dit betekent dat traditionele risicomijding in de maakindustrie, gedreven door een zerotolerancebeleid voor downtime en de noodzaak om handelsgeheimen te beschermen, de acceptatie van AI kan belemmeren.
Waar gaan we nu heen? Om ervaring op te doen met AI, moeten fabrikanten beginnen met AI-experimenten met een laag risico, "eenvoudige" AI, zoals in klantenservice. Dit stelt hen in staat om kennis op te bouwen en deze later over te dragen aan andere projecten. Bovendien kan het experimenteren met productiedata in sandbox-omgevingen, met name met behulp van ML-modellen voor voorspellend onderhoud, nuttig zijn.
Veel gevestigde productiebedrijven opereren in volwassen ecosystemen, zonder disruptors. Dit resulteert in een tekort aan rolmodellen en best practices. B2B-fabrikanten moeten innovatieprojecten op eigen initiatief versnellen. Het gebrek aan strategische prioriteit en richting voor het omarmen van deze verandering (top-down) brengt het succes van AI-adoptie evenzeer in gevaar als organisatorische inertie en weerstand tegen verandering (bottom-up). Voor een succesvolle transformatie moeten beide problemen worden aangepakt, zij het via verschillende maatregelen.
Waar gaan we nu heen? Digitale transformatie vereist organisatorische verandering. Bestaande digitaliserings- en AI-projecten moeten worden geconsolideerd in holistische, centraal beheerde initiatieven met duidelijke governancestructuren. AI-roadmaps, strategieën voor het werven en behouden van specialisten en IT-opstellingen die eenvoudige KPI-meting en gegevensuitwisseling mogelijk maken, zijn essentieel. De C-suite moet erkennen dat een datagestuurde aanpak kan leiden tot innovatieve bedrijfsmodellen. Gegevens moeten worden gezien als een product, net als vervaardigde componenten.
AI-gebruiksscenario's voor de B2B-productiesector
Een eenvoudig te implementeren AI-use case in de productie is het gebruik van grote taalmodellen (LLM's) om uitgebreide documentatie te doorzoeken. Dit kan werknemers helpen om snel de benodigde informatie te vinden, vooral onder tijdsdruk. Het integreren van generatieve AI-functies in B2B-klantenportals kan bedrijven onderscheiden van concurrenten.
AI-ondersteunde documentatie maakt ook deel uit van moderne B2B-commerceversnellers van externe leveranciers, die indien nodig externe expertise bieden.
Predictive maintenance, een top AI-toepassing in de productie, belooft aanzienlijke efficiëntiewinsten, maar vereist een hoge digitale volwassenheid. Het omvat verbonden, hoogwaardige data, samenwerking tussen afdelingen en geavanceerd IT-beheer.
In de praktijk omvat dit sensoren en camera's die continue databewaking van machinecomponenten bieden. Deze data kan vervolgens worden geanalyseerd met (meestal) op maat gemaakte software die AI/ML-technieken gebruikt, wat uiteindelijk ongeplande downtime vermindert. Dergelijke softwaretoepassingen kunnen ook factoren als orderstatus en beschikbaarheid van onderhoudspersoneel of reserveonderdelen in overweging nemen, wat de weg vrijmaakt voor nieuwe bedrijfsmodellen binnen onderling verbonden B2B-ecosystemen.
Fabrikanten bepalen hun AI-toekomst
Hoewel veel fabrikanten pas net beginnen met het inzetten van AI, is er geen reden tot bezorgdheid. Succesvolle AI-use cases zijn voornamelijk afhankelijk van organisatorische verandering. Door AI een kernprioriteit te maken en inspanningen te centraliseren, kunnen fabrikanten aanzienlijke vooruitgang boeken.
Er zijn geschikte AI-use cases voor elke fabrikant, passend bij hun digitale volwassenheid. Opgedane ervaring kan worden toegepast op toekomstige projecten. Voor succes op de lange termijn is het nodig om organisatorische factoren nauw af te stemmen op een geavanceerde datastrategie.
Kortom, fabrikanten hebben de macht om hun AI-ambities om te zetten in werkelijkheid, door AI te gebruiken om nieuwe inkomstenbronnen te creëren en de efficiëntie te verhogen.