De maakindustrie is geen kantooromgeving met machines erbij. Het is een sector waarin een fysiek proces — grondstof, bewerking, product — leidend is, en waarin digitale systemen daar altijd achteraan lopen of ervoor moeten zorgen dat het proces blijft draaien. Die volgorde bepaalt wat AI-volwassenheid hier betekent. Een ERP-systeem, een MES, sensoren op een machine: ze bestaan om het fysieke proces te ondersteunen, niet om zelfstandig te functioneren. Dat is wezenlijk anders dan in de zakelijke dienstverlening, waar het werk zelf al digitaal is en data een startpunt is in plaats van een afgeleide.
Die gelaagdheid maakt het meten van volwassenheid ingewikkelder. Een productiebedrijf kan een moderne planningsapplicatie hebben en toch geen idee hebben wat de machine op de vloer daadwerkelijk doet, omdat die data nooit is ontsloten. Andersom kan een bedrijf met verouderde software toch goed zicht hebben op zijn proces, omdat mensen op de vloer al jaren nauwkeurig registreren. Volwassenheid en moderniteit van systemen lopen hier niet automatisch samen.
Binnen de zeven dimensies die de volwassenheidsmeting hanteert, valt in de maakindustrie vaak een specifiek patroon op. IT-infrastructuur en datamanagement — twee van de fundamentele dimensies — laten regelmatig een grote afstand zien tussen productie en kantoor. Op de vloer draaien systemen die zijn gebouwd voor betrouwbaarheid en uptime, niet voor het delen van data. Op kantoor draaien systemen die wel voor uitwisseling zijn gemaakt, maar die niet altijd zijn aangesloten op wat er in de fabriek gebeurt. Die twee werelden gebruiken vaak andere definities van dezelfde term, en dat gebeurt zonder dat iemand het als probleem benoemt totdat een AI-project erop vaststrand.
De organisatiedimensie kent een eigen patroon. Beslissingen over investeringen in productieprocessen liggen vaak bij mensen met een technische achtergrond, terwijl beslissingen over datastrategie bij anderen liggen. Wanneer die twee groepen zelden samen aan tafel zitten, ontstaat een organisatie die op papier klaar lijkt voor AI, maar in de praktijk twee aparte agenda's volgt. Dat is een andere spreiding dan in het onderwijs, waar de afstand vaker zit tussen beleid en de dagelijkse praktijk van de professional, niet tussen twee operationele kolommen binnen hetzelfde bedrijf.
De plot-ronde — waarin meerdere mensen los van elkaar scoren op de zeven dimensies — legt in de maakindustrie vaak een scherp contrast bloot tussen de productieleiding en de IT- of directielaag. Een productiemanager beoordeelt de dimensie datamanagement soms hoog, omdat de machine precies registreert wat er gebeurt. Een IT-manager beoordeelt diezelfde dimensie laag, omdat die data nergens gestructureerd wordt opgeslagen of ontsloten voor analyse. Beide observaties zijn correct; ze kijken alleen naar een ander deel van het proces.
Die spreiding is functioneel, niet ongemakkelijk. Ze laat zien waar binnen de organisatie een gedeeld beeld ontbreekt, en dat is precies de informatie die nodig is voordat er iets aan een pilot wordt toegevoegd. Een pilot die op de fundamentele dimensies draait — organisatie, infrastructuur, data — zonder dat die spreiding is opgemerkt, loopt het risico vast te lopen op een probleem dat niemand had benoemd omdat niemand het complete beeld had.
Omdat het fysieke proces leidend is, is de verleiding in de maakindustrie vaak om AI direct op een operationeel probleem te richten: onderhoud voorspellen, kwaliteit controleren, planning optimaliseren. Dat zijn zichtbare, aantrekkelijke toepassingen op de afhankelijke dimensies. Maar of ze werken, hangt af van wat daarvoor moet staan: is de data uit de machine op een manier vastgelegd die herbruikbaar is, is er iemand die verantwoordelijk is voor de kwaliteit van die data, en is er een organisatiestructuur waarin productie en IT dezelfde definities delen. Zonder dat fundament blijft een pilot een geïsoleerd experiment, hoe goed het model ook is.
Die volgorde geldt niet alleen hier. In de transportsector speelt een vergelijkbare spanning tussen operationele systemen en centrale data, en in de agrarische sector is het fysieke proces — het gewas, het dier, het seizoen — evenzeer leidend over wat digitale systemen kunnen registreren en beïnvloeden. De maakindustrie is geen uitzondering in deze logica, wel een sector waarin de gevolgen van een overgeslagen fundament snel zichtbaar worden op de vloer.
De volwassenheidsmeting geeft geen oordeel over een fabriek of een sector; ze geeft een beeld van vijf niveaus over zeven dimensies, ingevuld door meerdere mensen uit de organisatie zelf. Dat beeld laat zien waar de fundamentele dimensies al staan en waar ze nog ontbreken, en waar de meningen binnen het bedrijf uiteenlopen. Dat is een ander gesprek dan of een pilot indrukwekkend is; het is het gesprek over of de organisatie een pilot kan dragen.
Als eenmaal duidelijk is waar de organisatie staat op de dimensies die AI moeten dragen, ontstaat een andere vraag: welk deel van het werk zelf voor overdracht aan AI in aanmerking komt. Dat is niet wat deze meting beantwoordt. Daarvoor is de werkscan van FTE TO AI bedoeld, die per taak berekent welk deel daarvan door AI over te nemen is. De volwassenheidsmeting en de werkscan sluiten op elkaar aan: de ene laat zien of het fundament er staat, de andere laat zien wat er, gegeven dat fundament, op dat werk verandert. Wie beide beelden combineert, weet niet alleen of de organisatie klaar is, maar ook waar de eerste verandering zich concreet aandient.
De volwassenheidsmeting van hybridresourcing is in aanbouw. Wie de plot-ronde wil doorlopen zodra die beschikbaar is, kan zich aanmelden voor de wachtlijst.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.