Optimize Product Development with Teamcenter

Een groot deel van ons dagelijks werk bestaat uit het verzamelen van informatie, het doorzoeken van bronnen, het herschrijven van dezelfde ideeën in verschillende formats of het samenvatten van discussies. Dit soort routinewerk zorgt er logischerwijs voor dat mensen zoeken naar manieren om tijd te besparen, herhaling te verminderen en met minder moeite tot een bruikbaar resultaat te komen. En agentic AI presenteert zich als een krachtige snelkoppeling, die in staat is om een ruwe gedachte om te zetten in een gepolijste e-mail, een vergadering in een beknopte samenvatting of een handmatige workflow in een geautomatiseerde stap.

Voor veel teams is dat precies de valkuil: dat AI-chatbots en copilots in staat zouden zijn tot hetzelfde conceptuele werk dat mensen instinctief doen wanneer ze een vaag doel nemen, dit opdelen in betekenisvolle onderdelen en toewerken naar een nuttig resultaat. En uiteindelijk worden ze op de verkeerde manier lui.

AI-adoptie begint met realistische verwachtingen

De publieke belofte rondom AI-adoptie suggereert iets dat in de buurt komt van een alleskunner als denkpartner. Een systeem dat doelen kan begrijpen, context kan interpreteren en een probleem kan uitwerken zoals een ervaren collega dat zou doen. Maar niets is minder waar.

AI is een voorspeller, geen begrijpend systeem

In de kern voorspelt AI waarschijnlijke vervolgstappen. Het begrijpt je bedrijfsmodel, je operationele beperkingen of de onderlinge samenhang van de bewegende delen binnen je organisatie niet op de manier waarop een mens dat doet. Het weet niet waarom de ene uitzondering belangrijker is dan de andere, waarom een proces in zijn huidige vorm bestaat of welke afwegingen er achter een beslissing zitten, tenzij deze zaken expliciet worden gemaakt.

Als gevolg daarvan kan AI snel zijn, maar toch oppervlakkig. Het kan iets genereren dat er compleet uitziet, terwijl de mechanismen die er voor het bedrijf echt toe doen, ontbreken.

AI kan professioneel klinken en toch onjuist zijn

Een van de redenen waarom AI zo overtuigend is, is dat het informatie met zelfvertrouwen presenteert. Het schrijft helder en structureert argumenten goed, maar vloeiende output moet niet worden verward met expertise.

Een ervaren professional in welk vakgebied dan ook zal AI doorgaans overtreffen waar nuance, context en consequenties van belang zijn. Zij kunnen zien wat er ontbreekt, vraagtekens zetten bij wat niet klopt en herkennen wanneer een antwoord technisch aannemelijk maar praktisch onjuist is. AI daarentegen kan hallucineren of belangrijke nuances negeren.

Meer context maakt AI niet automatisch beter

Het model begrijpt informatie niet zoals een mens dat doet. Het weet niet uit zichzelf welk detail strategisch belangrijk is, welke relatie tussen inputfactoren daadwerkelijk het resultaat bepaalt of welke uitzondering zwaarder moet wegen dan het algemene patroon. Wanneer er te veel context wordt toegevoegd zonder duidelijke structuur, prioritering of kaders, verwatert belangrijke informatie door secundaire of zwakke signalen en weerspiegelt de output slechts correlaties aan de oppervlakte.

Dit is de reden waarom strategische selectie een menselijke verantwoordelijkheid blijft.

De menselijke rol in AI-strategie en -implementatie

Een goed gestructureerde en beheerde AI-strategie is wat agentic AI verandert van een sluiproute in een systeem. Maar die structuur komt niet voort uit het model zelf. Het komt van de persoon die het gebruikt. Degene die bepaalt welke informatie ertoe doet, wat genegeerd kan worden, wat het werkelijke doel is en welke randvoorwaarden de output moeten vormen. AI neemt die beslissingen niet goed uit zichzelf, althans niet betrouwbaar in de huidige staat.

Om deze reden moet elke interactie tussen mens en agent worden geleid door vijf essentiële elementen:

1. Een scope met grenzen

AI presteert het best wanneer de taak zo duidelijk is gedefinieerd dat het systeem weet wat er van hem wordt gevraagd en wat buiten zijn rol valt. Zonder grenzen neigt AI naar brede, algemene antwoorden die er misschien compleet uitzien, maar geen operationele relevantie hebben.

Een systeem dat wordt gevraagd om een serviceworkflow te ondersteunen, moet bijvoorbeeld weten of het een antwoord opstelt, een probleem classificeert, informatie extraheert of een volgende stap aanbeveelt.

2. Een gedefinieerd proces

AI is het meest effectief wanneer het een proces ondersteunt in plaats van een proces te vervangen dat nooit goed is gedefinieerd. Als de workflow zelf onduidelijk of inconsistent is, of zwaar leunt op ongedocumenteerde workarounds, zal AI die ambiguïteit weerspiegelen in plaats van oplossen.

Dit is vaak het punt waarop organisaties de technologie overschatten. Ze gaan ervan uit dat het model proceshiaten kan compenseren, terwijl het deze in de praktijk meestal juist uitvergroot.

3. Een definitie van kwaliteit

Als niemand definieert hoe "goed" eruitziet, kan AI dit niet betrouwbaar produceren. Kwaliteit moet expliciet worden gemaakt. Dat betekent beslissen welk nauwkeurigheidsniveau acceptabel is, welke soorten fouten ertoe doen, wat een beoordeling moet triggeren en waar de kosten van een fout te hoog zijn voor giswerk.

Bij klantcommunicatie kan "goed" helderheid en consistentie betekenen. Bij gereguleerde documentatie kan het gaan om traceerbaarheid en compliance. In een interne supportworkflow kan het snelheid betekenen, waarbij een mens uitzonderingen controleert. AI kan die standaarden niet betrouwbaar uit zichzelf afleiden.

4. Gecureerde context

Context is alleen waardevol als deze relevant, gestructureerd en op het juiste moment beschikbaar is. Dat betekent de input selecteren die daadwerkelijk invloed heeft op de taak, uitsluiten wat niet relevant is en de relaties tussen inputs zo leesbaar mogelijk maken.

In een productieomgeving kan dat betekenen dat de status van machines, orderbeperkingen en onderhoudsvensters voorrang krijgen boven algemene historische informatie, terwijl in een commercieel proces het systeem wordt gebaseerd op accounthistorie, productregels en de huidige fase van de workflow.

5. Gecontroleerde uitrol

AI moet niet in één stap van een veelbelovende output naar volledige autonomie gaan. Voordat een systeem wordt vertrouwd in echte operaties, moeten teams het in de praktijk testen, de output vergelijken met menselijk oordeel en bepalen waar beoordeling noodzakelijk blijft.

Laat AI eerst naast mensen draaien, de workflow ondersteunen, patronen blootleggen, de betrouwbaarheid bewijzen en prestaties monitoren na verloop van tijd. Teams moeten kunnen zien waar het systeem goed presteert, waar het tekortschiet, welke fouten terugkeren en wanneer veranderingen in de context of het modelgedrag aanpassingen vereisen. Zo bouw je vertrouwen op.

Een praktisch raamwerk voor AI-implementatie in het bedrijfsleven

Veel AI-implementatietrajecten lopen vast omdat organisaties overstappen op agents voordat ze er klaar voor zijn. Bij CLEVR zien we dit vaak gebeuren wanneer het proces nog niet duidelijk is gedefinieerd en er nog geen vertrouwen in de workflow is ingebouwd. Daarom hebben we een zesstappenmethode ontwikkeld voor organisaties die zich voorbereiden op de toekomst van AI-agents.

Dit is hetzelfde raamwerk dat we gebruiken in ons adviesproces om AI-volwassenheid te beoordelen, structurele hiaten te identificeren en de juiste volgende stap te bepalen op weg naar geavanceerdere agent-systemen:

1. Begrijp het werk

Kijk hoe het proces in de praktijk echt verloopt, inclusief handmatige omwegen, uitzonderingen en informele stappen die nooit in een organigram verschijnen.

2. Vind de echte kansen

Identificeer waar AI zinvolle meerwaarde kan bieden zonder onnodige risico's te introduceren (bijv. processen met herhalende taken, voorspelbare knelpunten, waardevolle tijd die verloren gaat aan handmatig werk, enz.)

3. Ontwerp doelgericht

Bepaal wat de AI moet doen, welke informatie daarvoor nodig is en wat binnen de menselijke verantwoordelijkheid moet blijven.

4. Definieer wat "goed" betekent

Bepaal wat acceptabele prestaties zijn, welke soorten fouten ertoe doen, welke output beoordeling vereist en waar de kosten van een fout te hoog zijn voor benaderingen.

5. Laat het eerst naast mensen werken

Dit maakt het mogelijk om resultaten te vergelijken, foutpatronen te identificeren en te leren waar menselijke beoordeling nog steeds de meeste waarde toevoegt.

6. Monitor en verbeter

De krachtigste AI-systemen verbeteren omdat ze worden geobserveerd, bijgestuurd en opgeschaald op basis van bewezen use-cases, in plaats van dat ze vanaf dag één als voltooid worden beschouwd.

Maak van uw AI-strategie uw echte hefboom

AI kan een uniek concurrentievoordeel creëren, maar alleen als het wordt toegepast met structuur, context en een duidelijke definitie van succes. Dat geldt zeker voor organisaties die verder kijken dan prompts en zich richten op agents, automatisering en meer autonome systemen. Met 30+ jaar ervaring in digitale transformatie en een sterk portfolio op het gebied van AI-agents, AI-oplossingen en automatisering, CLEVR helpt organisaties om die eerste stappen met helderheid te zetten.

Van het begrijpen waar AI waarde kan toevoegen tot het ontwerpen van de juiste use-case en het bouwen van een roadmap naar meer geavanceerde agent-systemen: wij helpen om vroege ambities om te zetten in praktische vooruitgang. Stap voor stap, use-case voor use-case, met betrouwbare resultaten.

‍

Elke dag als ik wakker word, open ik mijn laptop, lees ik mijn e-mails en check ik het nieuws (ook het AI-nieuws). En elke dag zie ik nieuwe modellen, nieuwe onderzoeksdocumenten en nieuwe projecten. Er gebeurt van alles.

Ik voel me gehaast. Ik voel urgentie. Ik heb het gevoel dat ik iets moet doen met deze informatie en ook een beetje FOMO. Ik zie andere bedrijven actie ondernemen en ik denk dat wij dat misschien ook moeten doen.

Dit alles zorgt voor een soort opgekropte energie waarvan ik niet echt weet waar ik die moet plaatsen. Het geeft me het gevoel dat ik het moet doen iets. En zoals iedereen in het bedrijfsleven val ik terug op de meest bekende reflex als iets te groot, te snel of te complex wordt om mee om te gaan: het uitbesteden, hulp inhuren, er een probleem van maken.

En met AI denk ik dat het de verkeerde manier is om erover rond te kijken.

AI-denken uitbesteden is gevaarlijk

We zien dit bij veel van onze klanten. Ze schakelen externe teams zoals wij in om software te bouwen, net zoals ze loodgieters inhuren om verstopte leidingen te repareren. Ze leiden loodgieters niet intern op omdat dat inefficiënt is, en ze kunnen geen volledige ontwikkelingsteams vanaf nul opzetten omdat dat enorm veel tijd, kosten en organisatorische inspanningen kost. In de meeste gevallen is uitbesteding gewoon de snelste en minst storende manier om het bedrijf draaiende te houden.

Maar op het moment dat je het overdraagt, draag je ook het geleerde dat daarbij hoort over. Het denken, de besluitvorming, de gesprekken die je intern zou moeten voeren over AI, die vinden uiteindelijk ergens anders plaats, met iemand die niet leeft in de realiteit van je organisatie.

En dat is het echte risico. AI is een onderwerp dat simpelweg te groot is, en het zal de manier waarop we te diep werken veranderen, zodat elke organisatie het inzicht en het leren kan uitbesteden aan een entiteit buiten je eigen muren.

Waarom AI anders is dan elke 'disruptieve' technologie tot nu toe

Als we het over technologie hebben, gebruiken we vaak het woord 'disruptief', maar AI verdient het echt. Niet omdat het luider of sneller is, maar omdat het verandert waar er wordt gewerkt en wie dat kan doen. De vraag wordt dus: waarom is AI anders dan alle andere technologieën waarvan we ooit dachten dat ze alles zouden veranderen? Voor mij komt het neer op drie simpele maar diepgaande verschuivingen.

1. Mensen werken in systemen, AI werkt in verschillende systemen

We werken allemaal in systemen. Of het nu gaat om CRM, e-mail, ontwikkeltools, ERP (noem maar op), ons dagelijkse werk gebeurt binnen deze gestructureerde applicaties. Maar de echte inspanning, het deel dat geen enkel systeem echt aankan, zit tussen die tools.

Wanneer iets te complex of te ongestructureerd is om te automatiseren, zetten we daar mensen in. Ze nemen beslissingen, zoeken informatie na, praten met meerdere teams, lossen problemen op en verplaatsen processen van status A naar status B. In de praktijk fungeren mensen als het bindweefsel dat al deze systemen op één lijn houdt en in beweging houdt.

Ze vormen de lijm tussen toepassingen, en dat is precies de ruimte waar AI een impact begint te maken.

Die tussenrollen, die loops zijn nu steeds meer te automatiseren. Vijf jaar geleden was dit gewoon niet realistisch. Vandaag kan AI meer van dat lijmwerk overnemen, het werk dat nu door mensen wordt gedaan, en in de toekomst zal dit alleen maar versnellen.

2. AI automatiseert wat voorheen niet automatiseerbaar was

De AI-markt kan op veel manieren worden gesneden, maar het onderscheid dat voor mij het beste werkt, is dit:

Aan de ene kant heb je tools, de meer traditionele, incrementele vorm van softwareontwikkeling. Een nieuwe feature hier, een kleine verbetering daar, iets waardoor een product 5% beter of juist wat fijner in gebruik is. In de AI-wereld zijn dat zaken als vertaalfuncties, samenvattingsknoppen of een slimme automatische aanvulling die enkele velden voor je invult. Handig, maar uiteindelijk gewoon uitbreidingen van wat software altijd al heeft gedaan.

Dan heb je agenten. En ik zal eerlijk zijn, ik vind het woord niet eens leuk, want iedereen noemt tegenwoordig alles een „agent”, en 9 van de 10 keer is dat niet één. Want als je goed kijkt naar wat een echte agent eigenlijk is, is het iets heel anders.

Het is een softwaresysteem dat ongestructureerde informatie kan omzetten in een eigen takenlijst, die lijst kan uitvoeren (of andere AI's kan vragen dit te doen), tussen systemen kan schakelen, gegevens uit uw CRM kan halen, beslissingen kan nemen en vervolgens gestructureerde, zinvolle output kan produceren. Dat is geen mooiere tool. Dat is een heel andere categorie software.

Want de waarheid is dat ons werk eigenlijk gewoon een bundel taken is. Sommige van die taken zijn ongelooflijk moeilijk te automatiseren (zoals relaties opbouwen, een kamer lezen, dineren met een klant als je een verkoper bent). Menselijke verbinding is niet iets dat AI kan vervangen, dus die delen van de taakbundel zijn voorlopig veilig.

Maar de kleine, zich herhalende administratieve taken? De huidige AI-systemen kunnen al veel van deze systemen automatiseren of je helpen ze veel sneller te voltooien. En alles daartussenin. Die gemengde bundels van oordeel, administratie en kleine beslissingen zal AI steeds beter aankunnen. En dat vermogen zal alleen maar blijven groeien.

Maar hoe zullen mensen deze verschuivingen ervaren? Hoe gaan we ze daarbij begeleiden? Hoe gaan we ervoor zorgen dat deze transitie de organisatie versterkt, in plaats van onrustig maakt?

De menselijke kant van een AI-gestuurde workflow leren kennen

Bepaalde taken zullen natuurlijk verschuiven van mensen naar AI, dat zien we elke dag beetje bij beetje gebeuren. Een of twee taken hier, een klein proces daar, in het begin niets dramatisch. Het werk verdwijnt niet. Het wordt gewoon niet meer door mensen gedaan.

En daar begint het echte gesprek. Want hoewel taken kunnen veranderen, verdwijnen de mensen die ze uitvoeren niet. Hun identiteit, hun gevoel voor bijdrage en de waarde die ze aan de organisatie toevoegen, zijn verbonden met dat werk. We moeten dus nu over deze dingen beginnen te praten, open en eerlijk.

De financiële druk

Een tijdje geleden hebben we een van onze particuliere klanten bezocht. In veel opzichten was hun organisatie goed gestructureerd: elke afdeling functioneerde efficiënt binnen zijn eigen branche, mensen wisten waar ze verantwoordelijk voor waren en ze losten problemen snel op. Maar op het moment dat het werk moest worden verplaatst ertussen die verticalen, alles begon langzamer te worden.

Ze lieten mensen handmatig informatie van het ene systeem naar het andere verplaatsen. Gegevens in Excel typen, naar Outlook kopiëren, informatie uit Outlook halen, formaten aanpassen, kleine inconsistenties corrigeren („dit moeten vijf cijfers zijn in plaats van zes”) en dat proces tientallen keren per dag herhalen. Het was allemaal niet strategisch werk. Het was allemaal essentieel werk.

En dit is de realiteit voor veel organisaties. Deze handmatige lijmmaskers kosten al gauw €50.000 per persoon per jaar. Stel je nu een AI-systeem voor dat 80% van dat werk kan doen voor €500 per jaar.

Wat zou je dan doen? Wat zouden je klanten doen? Wat zou een bedrijf doen als er honderd mensen waren die dat soort taken zouden uitvoeren?

Dit is waar de financiële motivatie onmogelijk te negeren wordt.

Mensen moeten deel uitmaken van het plan

Hier wordt de menselijke kant net zo belangrijk als de financiële. Als je niet actief aan het plannen bent hoe AI en automatisering in je organisatie zullen worden geïntroduceerd, hoe mensen zullen worden opgeleid, hoe hun rollen kunnen evolueren en hoe deze nieuwe technologie een plek zal vinden die eerlijk en comfortabel aanvoelt, dan worden mensen gewoon buiten beschouwing gelaten.

Want als de discussie het bestuur bereikt zonder die menselijke context, wordt het een beslissing die enkel uit cijfers bestaat. Op een spreadsheet is €550.000 tegenover €500 geen dilemma; het is een conclusie. En als die vergelijking tientallen of honderden mensen betreft, wordt de keuze nog duidelijker.

Daarom is het essentieel om naast de financiële logica ook een menselijk plan op te stellen. Mensen moeten begrijpen wat er gaat komen, hoe dit hun werk beïnvloedt en hoe hun toekomst eruitziet in een AI-organisatie. Deze verandering vindt plaats, of we dat nu willen of niet, maar hoe mensen het ervaren ligt nog steeds in onze handen.

De eerste stappen die elk bedrijf moet nemen

We moeten echte gesprekken over AI gaan voeren, niet omdat het trendy is, maar omdat de wereld om ons heen in beweging is, of we nu meedoen of niet. Twee jaar geleden betekende 'AI' voor sommige organisaties de aankoop van een chatbot of het automatiseren van een enkele workflow. Maar elke dag open ik mijn laptop, lees ik het nieuws of bekijk ik nieuw onderzoek, en de mogelijkheden zijn weer gegroeid. Dingen waarvan we vorig jaar dachten dat ze onmogelijk waren, zijn opeens standaard.

Andere bedrijven zijn hier al mee bezig. En als we niet eens weten wat er mogelijk wordt, kunnen we niet verwachten dat onze organisatie de ideeën of innovaties genereert die we nodig hebben om concurrerend te blijven.

De beste ideeën komen altijd van mensen. Maar alleen als die mensen geïnformeerd en betrokken zijn en deel uitmaken van het gesprek.

1. Neem de angst voor automatisering weg

Automatisering gebeurt al overal om ons heen, en een van de belangrijkste dingen die organisaties kunnen doen, is er een onderwerp van maken waar mensen zich veilig over voelen. Het hoeft geen eng woord te zijn. In veel industrieën (productie is een goed voorbeeld) evolueert automatisering al tientallen jaren. Werk dat ooit met hamers, beitels en handmatige inspanningen werd gedaan, wordt nu door robots gedaan en vaak beter gedaan.

Automatisering zelf is dus niet het probleem. De echte uitdaging is om mensen te helpen begrijpen wat het voor hen betekent. Je hebt een plan nodig voor hoe je organisatie zich zal aanpassen, hoe rollen kunnen evolueren en hoe mensen door die verandering zullen worden ondersteund. Als automatisering deel uitmaakt van een eerlijk, gestructureerd gesprek, wordt het iets dat je beheert, niet iets waar je bang voor bent. En dat brengt me bij het tweede punt.

2. Wees transparant

Transparantie wordt cruciaal op het moment dat je de overstap maakt naar AI-adoptie. Mensen moeten begrijpen wat er gebeurt, waarom het gebeurt en hoe dit hun manier van werken zal beïnvloeden. Wanneer organisaties stil of vaag blijven, vult onzekerheid de hiaten. En onzekerheid verandert al snel in angst.

Daarom heb je een duidelijk stappenplan nodig. Niet perfect, maar wel eentje die blijk geeft van richting, intentie en eerlijkheid. Laat mensen zien hoe je dit project aanpakt, welke beslissingen er worden genomen en waar ze in het verhaal passen.

Als we eerlijk zijn over de omvang van de transformatie, kunnen mensen zich voorbereiden, bijdragen en zich aanpassen. Maar als we het proces achter gesloten deuren houden, wordt AI iets dat „hen overkomt” in plaats van iets waar ze deel van uitmaken.

3. Organisatorisch inzicht mogelijk maken

Voordat je dit allemaal succesvol kunt doen, heb je een duidelijk inzicht nodig in je eigen organisatie. Uw processen, uw gegevens, uw mensen en hoe het werk daadwerkelijk wordt gedaan. Dit is nog nooit zo belangrijk geweest, omdat AI nu in staat is om het soort werk te automatiseren dat voorheen als onmogelijk te automatiseren werd beschouwd.

De meeste bedrijven hebben prachtig gedocumenteerde procesdiagrammen en goed gedefinieerde applicatiestromen. Maar alles tussen die stromen, het echte dagelijkse werk, de ongeschreven delen van je functiebeschrijving, de informele stappen die mensen nemen om dingen in beweging te houden? Die worden zelden ergens vastgelegd. En het is precies in die ongestructureerde ruimte waar AI zijn impact begint te maken.

Handelen of er naar handelen

Word jij het soort organisatie dat AI opzettelijk omarmt? Eén waarin mensen op de hoogte zijn, op elkaar zijn afgestemd en begrijpen hoe het bedrijf van plan is om met AI te werken naarmate de mogelijkheden groeien?

Of word jij de organisatie waar AI jou gewoon „overkomt”? Twee jaar later hebben concurrenten AI omarmd, de kosten zijn gedaald, de efficiëntie is enorm gestegen en klanten vragen zich plotseling af waarom je het niet kunt bijhouden.

Als je dat punt bereikt, heb je niet langer de tijd of ruimte om je eigen raamwerk, je eigen menselijke verhaal of je eigen manier van aanpassen aan deze veranderingen te creëren. Je wordt gedwongen tot actie in plaats van ervoor te kiezen. En door niet te handelen, door niet eens de discussie te beginnen, maak je nog steeds een keuze.

Je kiest ervoor om in de groep terecht te komen waar AI plaatsvindt naar jou in plaats van via jou. En dat is een positie waar geen enkele organisatie zich in wil bevinden, maar het is de stille realiteit waar veel bedrijven naar afdwalen.

AI is een trein die al in beweging is

AI wordt elke dag capabeler, en als je het negeert, wordt het niet vertraagd. Het is een trein die al in beweging is, of we dat nu leuk vinden of niet. De enige echte vraag is of we ervoor kiezen om zelf te bepalen welke invloed dit op ons heeft.

Dat begint met geïnformeerd worden, meer mensen erbij betrekken en de gesprekken voeren die er toe doen. En ik geloof echt dat we bij CLEVR al goede stappen in die richting zetten. Meer mensen zijn betrokken, er vinden meer discussies plaats, en dat is precies wat we nodig hebben.

Praat er dus over. Denk er eens over na. Bespreek het met je collega's. Hoe meer we onze gedachten en vragen delen, hoe beter we voorbereid zijn.

‍

Elk jaar, Siemens Realize LIVE brengt fabrikanten, ingenieurs en technologieleiders samen om te onderzoeken waar de industrie naartoe gaat en hoe die toekomst in de praktijk vorm krijgt. Productupdates, roadmap-aankondigingen en technologische hoogtepunten tijdens sessies, klantverhalen en partnerdiscussies hebben dit jaar aangetoond dat productie niet langer draait om het optimaliseren van individuele technologieën. Het gaat om het verbinden van systemen, intelligentie en mensen tot één coherent geheel. Deze verschuiving is met name zichtbaar in hoe AI in de productie evolueert van geïsoleerde use cases naar verbonden, operationele systemen.

Deze verschuiving bouwt voort op een langdurige ambitie binnen de industrie om verbonden omgevingen te creëren waar gegevens naadloos stromen tussen PLM, ERP, MES en leveranciersnetwerken, wat de efficiëntie, zichtbaarheid en besluitvorming verbetert. De introductie van AI breidt dit landschap verder uit, niet alleen door het potentieel voor automatisering en inzicht te vergroten, maar ook door kritische vragen op te roepen over hoe deze mogelijkheden kunnen worden vertaald naar meetbare en schaalbare operationele waarde.

Hier zijn de 4+1 ideeën die bepalend waren voor Realize LIVE 2026 en wat ze betekenen voor de toekomst van de productie.

‍

1. AI wordt operationeel, niet experimenteel

Jarenlang is AI gepositioneerd als een krachtig hulpmiddel, dat individuen ondersteunt via copilots, voorspellingen en inzichten. Op Realize LIVE 2026 werd duidelijk dat deze fase evolueert naar uitvoering op schaal.

AI-use cases in de productie verschuiven van assistentie naar orkestratie binnen echte workflows. In plaats van geïsoleerd te reageren op prompts, wordt het ingebed in processen waar het beslissingen kan ondersteunen, systemen kan coördineren en activiteiten met meerdere stappen gedurende de hele levenscyclus kan automatiseren.

De introductie van Intelligence Center X signaleert deze overgang expliciet. Door bedrijfsgegevens, levenscycluscontext en workflows te verbinden in een gecontroleerde omgeving, kunnen organisaties AI-agenten inzetten naast mensen als onderdeel van een hybride personeelsbestand, en zo overstappen van geïsoleerde pilots naar uitvoering op productieniveau met traceerbaarheid en controle.

De vraag is niet langer of AI werkt. Het gaat erom hoe organisaties het inbedden in verbonden systemen en gestructureerde workflows, met de governance die nodig is om consistente, meetbare en schaalbare waarde te leveren.

‍

2. Verbonden systemen zijn belangrijker dan geïsoleerde innovatie

Ondanks voortdurende investeringen in digitale transformatie, staan veel fabrikanten nog steeds voor uitdagingen als het gaat om het opschalen van innovatie binnen de hele onderneming. Het onderliggende probleem is niet een gebrek aan technologie, maar een gebrek aan connectiviteit, met name over de integratielagen van PLM, ERP en MES die essentieel zijn om schaalbare AI in de productie mogelijk te maken.

Binnen organisaties blijven systemen gefragmenteerd, gegevens zijn verspreid over silo's en AI-initiatieven worden vaak geïntroduceerd als geïsoleerde pilots. Hoewel deze inspanningen lokale verbeteringen opleveren, vertalen ze zich zelden in meetbare impact over de gehele productlevenscyclus.

In de maakindustrie zijn ontwerp, engineering, productie en service inherent onderling afhankelijk. Het optimaliseren van individuele componenten op zichzelf leidt daarom niet tot systemische verbetering. Het verbinden van bestaande systemen tot een samenhangende digitale draad doet dat wel.

Dit is precies wat onze CEO, Tim Claes, benadrukte in zijn keynote, waarbij hij deze uitdaging en kans schetste aan de hand van wat hij definieerde als de Heilige Drie-eenheid van de Maakindustrie:

• PLM als de ruggengraat voor productgegevens en de digitale draad
• Smart factory als de laag die IT en OT verbindt, waardoor zichtbaarheid en controle over alle operaties mogelijk wordt
• Low code en AI als de orkestratielaag die systemen, workflows en besluitvorming met elkaar verbindt

Individueel levert elk van deze domeinen waarde op. De echte impact ontstaat echter wanneer ze functioneren als onderdeel van een verbonden systeem. Dit wordt steeds meer de aanpak die fabrikanten hanteren om concurrerend en relevant te blijven in een snel evoluerende markt.

‍

3. Duurzaamheid wordt onderdeel van alledaagse engineering

Een ander sterk signaal van Realize LIVE was de verschuiving in hoe organisaties duurzaamheid in productie en compliance benaderen.

Regelgeving wordt strenger, met name in Europa, waar kaders zoals CSRD, REACH en opkomende vereisten zoals het Digitaal Productpaspoort organisaties dwingen gedetailleerd inzicht te geven in materialen, inkoop en milieu-impact over de gehele waardeketen. Tel daarbij op de druk waarmee specifieke industrieën zoals lucht- en ruimtevaart en defensie te maken hebben om hun marges te verbeteren, en de strengere compliance-eisen en groeiende verwachtingen van OEM's en partners, dan kan duurzaamheid niet langer een aparte rapportageactiviteit zijn, maar een factor die direct van invloed is op kosten, risico's en concurrentievermogen.

Tijdens zijn keynote, Gerrit Kiefer, onze Head of Solutions en Customer Success Management in Duitsland, demonstreerde hoe deze transitie in de praktijk al plaatsvindt. Samen met tec4U, liet hij zien hoe compliance en duurzaamheid direct in engineeringworkflows kunnen worden geïntegreerd, waardoor organisaties in staat zijn om:

• Regelgevende vereisten direct integreren in PLM- en ontwerpomgevingen
• Volledige traceerbaarheid van materialen, componenten en leveranciers gedurende de gehele productlevenscyclus waarborgen
• Handmatige inspanningen bij compliancerapportage verminderen door geautomatiseerde gegevensvastlegging en -validatie
• Risico's en compliance-lacunes eerder identificeren in de ontwerpfase, waar ze nog efficiënt kunnen worden aangepakt
• Kosten-, duurzaamheids- en engineeringbeslissingen op elkaar afstemmen door alle relevante gegevens beschikbaar te maken in één verbonden workflow
• De tijd tot compliance versnellen met behoud van controle en auditbaarheid over processen

‍

4. De opkomst van de orchestratielaag

Met de introductie van Intelligence Center X heeft Siemens duidelijk een strategische focus geformuleerd op het opzetten van een orchestratielaag die bedrijfsgegevens, workflows en AI-agenten verbindt tot een samenhangend en schaalbaar systeem. Een orchestratielaag fungeert als de architectonische component die data-orkestratie, workflowcoördinatie en AI-uitvoering over systemen heen mogelijk maakt.

De implicatie voor fabrikanten is aanzienlijk. De meesten hebben al zwaar geïnvesteerd in kernsystemen zoals PLM, ERP en MES. Dus in plaats van nieuwe systemen te bouwen, kunnen ze activeren en verbinden wat al bestaat.

Bij CLEVR, pleiten we al geruime tijd dat grootschalige 'rip and replace'-strategieën niet langer duurzaam, noch noodzakelijk zijn. Na verloop van tijd zijn engineeringlogica, domeinkennis en procesintelligentie diep ingebed geraakt in bestaande systemen. Het vervangen van deze fundamenten zou niet alleen risico's met zich meebrengen, maar ook waardevol intellectueel kapitaal weggooien.

In plaats daarvan kunnen fabrikanten een orchestratielaag introduceren bovenop hun huidige landschap, waardoor ze workflows kunnen verbinden, intelligentie kunnen inbedden en mogelijkheden kunnen uitbreiden zonder te verstoren wat al werkt.

‍

4+1. Technologie is klaar. Organisaties niet

Als er één ding is dat we veilig kunnen afleiden uit Realize LIVE 2026, dan is het dat de uitdaging niet langer technologisch is. Fabrikanten hebben vandaag de dag toegang tot geavanceerde PLM-platforms, verbonden fabriekssystemen, low-code omgevingen en steeds krachtigere AI-mogelijkheden. De bouwstenen voor transformatie zijn al aanwezig.

Toch stagneren veel AI-adoptie-initiatieven in de productie. Bij CLEVR zien we dit patroon dagelijks bij organisaties. Workflows die niet volledig begrepen of in kaart gebracht zijn, beslissingslogica die impliciet blijft, ongestructureerde data, of niet verbonden op een manier die betrouwbare, systeemoverkoepelende uitvoering mogelijk maakt.

Intelligentie inbedden in workflows vereist meer dan implementatie. Het vereist duidelijkheid over hoe beslissingen worden genomen, waar de verantwoordelijkheid ligt en hoe mensen en systemen met elkaar omgaan.

Dit betekent dat de volgende grens die moet worden aangepakt van organisatorische aard is. Fabrikanten moeten workflows ontwerpen die duidelijk gedefinieerd zijn, beslissingen die expliciet gestructureerd zijn, en governance-modellen die kunnen worden vertaald naar uitvoerbare logica. Alleen dan kunnen AI-agenten betrouwbaar functioneren, autonome beslissingen nemen binnen gedefinieerde grenzen, en schalen over de hele onderneming met consistentie en controle.

‍

5 acties die fabrikanten vandaag kunnen ondernemen

Ten eerste, moet de focus verschuiven van het toevoegen van meer tools naar het verbinden van bestaande tools. De meeste organisaties hebben de kernsystemen al in huis. De echte kans ligt in het koppelen ervan tot een coherente digitale draad doorheen ontwerp, engineering, productie en service.

Ten tweede, moeten AI-initiatieven verder gaan dan experimenteren. In plaats van geïsoleerde pilots moet de nadruk liggen op het inbedden van intelligentie in echte workflows waar het meetbare impact kan leveren. Dit vereist duidelijke governance, gedefinieerde beslissingsgrenzen en een sterke orkestratielaag.

Ten derde, moeten transformatiestrategieën pragmatischer worden. Grootschalige, meerjarige vervangingsprogramma's zijn steeds moeilijker te rechtvaardigen. Een 'leave and layer'-benadering stelt organisaties in staat om te beginnen met wat ze hebben, dit intelligent uit te breiden en stapsgewijs waarde te leveren.

Ten vierde, mogen duurzaamheid en compliance niet langer aan de zijlijn staan. Door deze vereisten direct te integreren in engineering- en productontwikkelingsprocessen, kunnen fabrikanten ze omzetten in een concurrentievoordeel in plaats van een beperking.

Tot slot, moeten organisaties opnieuw nadenken over hoe mensen en technologie samenwerken. Naarmate AI wordt ingebed in de bedrijfsvoering, zullen nieuwe rollen, verantwoordelijkheden en manieren van werken ontstaan. Dit bewust ontwerpen is cruciaal voor het succes van de transformatie.

Denk groot met een duidelijke visie voor uw organisatie, begin klein met één workflow die onmiddellijke waarde levert, en schaal snel zodra de aanpak effectief blijkt.

‍