Steeds meer ingenieurs in de maakindustrie gebruiken kunstmatige intelligentie, maar ze doen dat op een voorzichtige en gestructureerde manier. Dit blijkt uit onderzoek onder 300 respondenten en gesprekken met technologieleiders. De reden is simpel: bij het ontwerpen van fysieke producten, van auto-onderdelen tot medische apparaten, hebben fouten directe en soms gevaarlijke gevolgen. Een softwarebug kan worden gepatched, maar een structureel falen kan leiden tot recalls of erger. Daarom kiezen productiebedrijven niet voor algemene AI-implementaties, maar voor een gefaseerde aanpak met duidelijke grenzen aan het vertrouwen in het systeem.

De prioriteit ligt bij simulatie en validatie

De belangrijkste toepassingen waar bedrijven nu in investeren zijn voorspellende analyses en AI-gestuurde simulatie en validatie. Deze worden door een meerderheid van de leiders genoemd als prioriteit. Deze tools hebben een duidelijk voordeel: ze bieden een gesloten feedbackloop. Een AI kan duizenden simulaties draaien om een ontwerp te testen op stress, warmte of slijtage, veel sneller dan een mens ooit zou kunnen. Dit stelt bedrijven in staat om de prestaties te controleren, aan te tonen aan regelgevers, en de return on investment (ROI) hard te maken. Het is een manier om de waarde van AI te realiseren zonder de integriteit van het product in gevaar te brengen.

Vertrouwen wordt geleidelijk opgebouwd

De investeringsplannen illustreren deze voorzichtige houding. Negen van de tien leiders in productengineering willen de komende één à twee jaar meer investeren in AI, maar de groei is bescheiden. De grootste groep (45%) plant een investeringstoename tot 25%. Bijna een derde kiest voor een groei tussen 26% en 50%. Slechts 15% plant een grotere stap, tussen 51% en 100%. Deze cijfers, afkomstig uit het onderzoek, laten zien dat men AI niet als een big bang ziet, maar als een geleidelijke reis. Het vertrouwen in de tools moet groeien door herhaaldelijk succesvolle toepassingen in gecontroleerde omgevingen.

Verificatie en menselijke verantwoordelijkheid zijn verplicht

In een omgeving waar de output fysiek en het risico hoog is, zijn verificatie, governance en expliciete menselijke verantwoordelijkheid niet optioneel. Waar AI direct fysieke ontwerpen, embedded systemen of productiebeslissingen beïnvloedt die bij release vastliggen, kunnen productfouten leiden tot risico’s in de echte wereld die niet ongedaan gemaakt kunnen worden. Daarom implementeren teams vaak gelaagde AI-systemen. Een AI-tool kan bijvoorbeeld suggesties doen voor een ontwerpoptimalisatie, maar een menselijke engineer moet deze valideren en de uiteindelijke verantwoordelijkheid dragen voor de tekening die naar de fabriek gaat.

Hoe kun je dit vandaag toepassen?

De praktische toepassing hangt af van jouw situatie. Het onderzoek schetst een duidelijke route voor bedrijven die fysieke producten maken: begin klein, focus op gebieden met een duidelijke feedbackloop, en bouw vertrouwen op door successen.

Als je een maakbedrijf runt met ontwerpprocessen… Een mogelijke eerste stap is om te onderzoeken of AI-gestuurde simulatiesoftware iets kan toevoegen aan je bestaande validatiefase. In plaats van één of twee fysieke prototypes te testen, zou je kunnen overwegen om een AI-tool in te zetten om duizenden virtuele varianten door te rekenen op specifieke faalpunten. Dit kan leiden tot robuustere ontwerpen voordat de kostbare prototypefase begint.

Als je leiding geeft aan een engineeringteam in de automotive of medische sector… Een optie is om een pilot te starten rond predictive maintenance voor je eigen productielijn, voordat je het in je producten integreert. Door AI te gebruiken om uitval van machines te voorspellen, bouw je intern ervaring op met de technologie, haar voorspellingen en de benodigde verificatie, in een omgeving waar de risico’s beheersbaar zijn.

Als je als productontwikkelaar werkt met complexe materialen… Je zou kunnen kijken naar AI-tools die helpen bij het optimaliseren van materiaalgebruik of het voorspellen van het gedrag van composieten onder verschillende omstandigheden. Dit valt onder de categorie ‘predictive analytics’ waar het onderzoek naar verwijst. Het stelt je in staat om met meer zekerheid te ontwerpen, terwijl een menselijke expert de uiteindelijke berekeningen en keuzes blijft controleren.

Als je de ROI van technologie-investeringen moet rechtvaardigen… Overweeg dan om, in lijn met de onderzoeksresultaten, te focussen op AI-toepassingen met een meetbare feedbackloop. Simulatie en validatie leveren vaak harde cijfers op: minder prototypes, kortere ontwikkeltijd, minder faalkosten. Dit maakt het eenvoudiger om het financiële voordeel aan te tonen en draagvlak te creëren voor verdere, geleidelijke investeringen.

Als je bezorgd bent over de risico’s en aansprakelijkheid… Een pragmatische aanpak is om te beginnen met AI als een ‘adviseur’ in plaats van een ‘beslisser’. Definieer heldere processen waarbij elke AI-aanbeveling door een gekwalificeerd persoon moet worden beoordeeld en ondertekend voordat deze wordt overgenomen. Dit laagje van menselijke verantwoordelijkheid is, volgens het onderzoek, niet onderhandelbaar in een high-stakes omgeving.

Bron: Technologyreview