De inzet van kunstmatige intelligentie in productontwikkeling is niet langer een verre toekomstdroom. Het gebeurt nu, in de auto’s die we rijden, de medische apparaten die levens redden en de apparaten in onze huizen. Maar waar marketingteams soms met veel bombarie nieuwe AI-functies aankondigen, gaan productingenieurs en ontwikkelaars er heel anders mee om. Hun aanpak is gedisciplineerd en pragmatisch, omdat de gevolgen van een fout niet virtueel zijn, maar tastbaar: van een productrecall tot een structureel falen.

Uit een rapport van MIT Technology Review, gebaseerd op een enquête onder 300 respondenten en gesprekken met experts, blijkt dat de meerderheid van de engineeringorganisaties hun investeringen in AI verhoogt. Maar die groei is bescheiden. Ongeveer 45 procent van de leiders plant een investeringstoename tot 25 procent. Slechts 15 procent kiest voor een grotere sprong. Deze terughoudendheid is geen gebrek aan ambitie, maar een reflectie van de realiteit. Bij producten die eenmaal zijn uitgebracht, kun je een fout niet zomaar ’terugdraaien’ met een software-update.

De kern: validatie en simulatie boven alles

De prioriteiten van productontwikkelaars verschillen sterk van die in andere sectoren. Waar het in de marketing vaak gaat om snelheid en creativiteit, draait het in de productengineering om controle en bewijs. De belangrijkste toepassingen waar men nu in investeert zijn dan ook voorspellende analyses en AI-gestuurde simulatie en validatie. Deze worden door een meerderheid van de respondenten genoemd.

De reden is simpel: deze technieken bieden duidelijke feedbackloops. Je kunt de prestaties auditen, het rendement aantonen en, cruciaal, de goedkeuring van regelgevers verkrijgen. Het gaat niet om het vervangen van menselijk oordeel, maar om het versterken ervan met betere data en snellere, uitgebreidere tests. AI kan bijvoorbeeld duizenden simulaties draaien om de slijtage van een onderdeel te voorspellen onder extreme omstandigheden, iets wat fysiek testen onbetaalbaar en tijdrovend zou maken.

Een gelaagd systeem van vertrouwen

Omdat de risico’s reëel zijn, kiezen productteams niet voor algemene, alles-in-één AI-oplossingen. In plaats daarvan werken ze met gelaagde systemen die verschillende ‘drempels van vertrouwen’ hebben. Voor een taak als het optimaliseren van de luchtstroom in een ontwerp (een proces dat volledig in de digitale simulatie blijft) kan men een geavanceerd AI-model vertrouwen. Voor het valideren van de structurele integriteit van datzelfde ontwerp blijft het menselijk oordeel, ondersteund door traditionele berekeningen en strikte protocollen, leidend.

Verificatie, governance en expliciete menselijke verantwoordelijkheid zijn volgens het rapport niet optioneel, maar verplicht in een omgeving waar de output fysiek is. Het vertrouwen in AI-tools wordt langzaam opgebouwd, laagje voor laagje, door ze eerst in gecontroleerde, laag-risico scenario’s te bewijzen.

Hoe kun je dit vandaag toepassen?

De pragmatische aanpak uit het rapport is een blauwdruk voor elke ondernemer of professional die met tastbare producten of complexe systemen werkt. Het draait niet om de nieuwste, spannende AI, maar om de meest betrouwbare.

Als je een fysiek product ontwikkelt of verbetert, zoals een consumentenapparaat of een industrieel onderdeel, dan is simulatie de meest logische eerste stap. Een mogelijkheid is om te onderzoeken of bestaande engineeringsoftware die je gebruikt AI-aangedreven simulatiemodules heeft. Deze kunnen je helpen om ontwerpen sneller te itereren en potentiële zwakke punten te identificeren voordat je kostbare prototypes maakt.

Als je leiding geeft aan een technisch team en druk wordt gezet om ‘iets met AI’ te doen, richt je dan op validatie. Overweeg om AI in te zetten om bestaande testprocessen te versnellen of te verrijken. Denk aan het automatisch analyseren van duizenden uren aan sensordata van prototype-tests om patronen te vinden die een menselijk oog zou missen. Dit bouwt vertrouwen op omdat het het bestaande werk ondersteunt, niet overhoop gooit.

Als je werkt in een sterk gereguleerde sector, zoals de medische technologie of automotive, dan zijn governance en traceerbaarheid je kompas. Een optie is om te beginnen met AI-tools die een volledig audittrail bieden: elke aanbeveling of uitkomst moet herleidbaar zijn tot de invoergegevens en het gebruikte model. Dit maakt het mogelijk om de tool verantwoord in te zetten en de benodigde documentatie voor goedkeuring te genereren.

Als je als MKB’er samenwerkt met grotere leveranciers of klanten, kijk dan naar hun eisen. Steeds meer grote bedrijven verwachten dat hun toeleveranciers geavanceerde validatiemethoden gebruiken. Door nu te investeren in AI-gestuurde test- en simulatiecapaciteiten, zelfs op bescheiden schaal, positioneer je jezelf als een betrouwbare en toekomstbestendige partner.

Als je vooral bezig bent met de efficiëntie van je productieproces, richt je dan op voorspellende analyses. Een manier om te beginnen is door machinegegevens te koppelen aan AI-modellen die onderhoud kunnen voorspellen of kwaliteitsafwijkingen in een vroeg stadium kunnen detecteren. Dit minimaliseert stilstand en verspilling, en heeft een direct meetbaar rendement, wat de pragmatische investering rechtvaardigt.

De kern is om klein en meetbaar te beginnen, met een focus op het verbeteren van wat er al is, niet op het vervangen van bewezen expertise. Het doel is niet de meest geavanceerde AI, maar de meest betrouwbare uitkomst.

Bron: MIT Technology Review