Optimize Product Development with Teamcenter
Make your manufacturing and Engineering-to-Order projects smoother with Siemens Teamcenter. Teamcenter helps you work better together, cut costs, and scale as your needs change.

The CLEVR way: From vision to value
At CLEVR, we don’t just implement technology—we enable transformation. Our approach ensures that companies don’t just digitize but truly evolve by embedding Low Code, PLM, and MOM solutions in a structured, scalable way.
Key NX Features

Integrated Design, Simulation, and Manufacturing
Combine all aspects of product development into a single environment, reducing design iterations and accelerating time-to-market.

Integrated Design, Simulation, and Manufacturing
Combine all aspects of product development into a single environment, reducing design iterations and accelerating time-to-market.

Integrated Design, Simulation, and Manufacturing
Combine all aspects of product development into a single environment, reducing design iterations and accelerating time-to-market.

Integrated Design, Simulation, and Manufacturing
Combine all aspects of product development into a single environment, reducing design iterations and accelerating time-to-market.
Why CLEVR?

- Proven Expertise: 20 years of low code experience, 3,500+ applications delivered.
- Tailored Solutions: A unique "Vision to Value" methodology ensuring measurable results.
- Global Recognition: Mendix Platinum Partner, awarded Best BNL Partner 2024.
- Customer Satisfaction: Score of 8.8 out of 10, reflecting our commitment to excellence.
- Certified Professionals: The largest team of Mendix expert developers and MVPs.
- Proven Expertise: 20 years of low code experience, 3,500+ applications delivered.
Compare licensing plans
Advanced
Create and edit designs of typical 3D parts and assemblies and more with NX X Design Standard.
Standard
Create and edit designs of typical 3D parts and assemblies and more with NX X Design Standard.
Premium
Create and edit designs of typical 3D parts and assemblies and more with NX X Design Standard.
Verhalen van onze klanten
Bekijk hoe bedrijven zoals het uwe veranderen met CLEVR.
We hebben de samenwerking met CLEVR als zeer prettig ervaren. Het draait daarbij niet alleen om de kennis en ervaring die CLEVR meebrengt, maar ook om hun passie, intuïtie en nieuwsgierigheid.


CLEVR is vanaf het begin bij ons betrokken. Ze hebben alles vanaf de basis opgebouwd en we weten dat het goed komt zodra CLEVR bij het project betrokken is. Ze weten precies wat ze moeten doen.


Wat we het meest waarderen aan de samenwerking met CLEVR, is hun vermogen om onze ideeën naar een hoger niveau te tillen. Ze voeren niet zomaar uit wat we vragen, maar dagen ons uit, scherpen onze visie aan en helpen ons iets te creëren dat écht impact maakt.


Het was een van de soepelste implementaties die we de laatste tijd hebben gedaan. CLEVR ondersteunde ons niet alleen technisch, maar had ook echt oog voor de commerciële kant van de zaak. Ze hielpen ons om slimme proceskeuzes te maken, in plaats van simpelweg aanpassingen door te voeren zonder dat daar een duidelijke meerwaarde tegenover stond.

De samenwerking met CLEVR verliep vanaf het begin uitstekend. Ze vormden de verbindende schakel tussen alle betrokkenen, brachten technische en organisatorische belangen samen en zorgden voor een soepele en efficiënte samenwerking. We weten dat we altijd op CLEVR kunnen rekenen wanneer er nieuwe behoeften of uitdagingen ontstaan.


CLEVR heeft als onderdeel van het bredere backendteam een sleutelrol gespeeld bij het tijdig opleveren van de oplossing. Ze waren altijd bereikbaar, betrokken en oplossingsgericht wanneer er vragen waren.

CLEVR is nauw betrokken bij het hele proces en helpt ons bij het definiëren van de juiste prompts, het selecteren van geschikte modellen en het structureren van workflows. Die voortdurende ondersteuning maakt het voor ons veel gemakkelijker om de nieuwe mogelijkheden van het platform optimaal te benutten en het vertrouwen op te bouwen om het platform effectief in de hele organisatie in te zetten.

Mendix is snel te leren en eenvoudig in gebruik. Gebruikers kunnen veel zelf realiseren en bouwstenen eenvoudig hergebruiken in andere apps. Levert een gebouwde app niet het gewenste resultaat op? Dan kun je deze eenvoudig aanpassen of verwijderen. Dit sluit naadloos aan bij de nieuwe manier van werken.


CLEVR weet hun waardevolle perspectief op een elegante manier in te zetten om vereisten kritisch te bevragen en resultaten van topniveau te behalen. Het is een van de vele kwaliteiten waar CLEVR trots op mag zijn.


Dit project vereiste een snelle doorlooptijd, maar dankzij de Agile-aanpak van CLEVR en het gebruik van Mendix werd het portaal binnen de deadline opgeleverd en voldeed het aan al onze wensen.


Er was direct een klik en een gevoel van vertrouwen tussen CLEVR en Thuisvaccinatie. Het hele team, van beide organisaties, was nauw betrokken bij het ontwikkelproces. Het was een zeer complexe applicatie, maar het is ons gelukt om deze binnen zes maanden live te krijgen.


Eneco Home Services is inmiddels ondenkbaar zonder deze applicatie, zonder Splash. Als we deze stap niet hadden gezet, zouden we de strijd om de klant al hebben verloren.


Dankzij de flexibiliteit van de Mendix-technologie voor applicatieontwikkeling kunnen we onze projectvereisten gedurende het hele ontwikkelproces bijsturen. Tijdens de ontwikkeling van ons systeem zien we hoe eenvoudig het is om tegelijkertijd extra functionaliteiten te implementeren.


Vanaf het begin was duidelijk dat de kennis en ervaring van CLEVR ons team zou verrijken. Wij weten precies wat er nodig is om een storing op de beste manier op te lossen en CLEVR weet dit perfect te vertalen naar een IT-oplossing.


Dit project stelt ons in staat om inzicht te krijgen in wat klanten nodig hebben om volledig digitale pakketten aan te leveren. Deze pakketten kunnen wij vervolgens rechtstreeks importeren, waardoor onze installatieprocedure volledig geautomatiseerd kan verlopen.


Wij werken samen met prestigieuze bedrijven en onze inkoop en ontwerpen moeten tot in de puntjes verzorgd zijn. Daarom hebben we CLEVR ingeschakeld.


Ik ben ontzettend blij met het resultaat. Dit project, dat we samen met CLEVR hebben gerealiseerd, vormt een vliegwiel voor verdere ontwikkeling. We willen steeds meer processen automatiseren. Daarvoor hebben we een platform nodig dat de vertaalslag maakt tussen IT en de business, en andersom. CLEVR helpt ons om de benodigde kennis binnen onze eigen organisatie te borgen en inspireert ons tegelijkertijd met de mogelijkheden die het platform biedt.


CLEVR kreeg drie maanden de tijd om te bewijzen dat ze de uitdaging aankonden, en dat is meer dan gelukt: ze hebben zichzelf overtroffen.


We moeten op het gebied van kwaliteit en concurrentievermogen op het hoogste niveau blijven presteren. Gezien de hoge kosten in Noorwegen is het essentieel dat we onze kabels zo efficiënt mogelijk produceren. Alleen zo kunnen we aantrekkelijk blijven voor onze klanten.


Van alle partijen die we hebben gesproken, begreep CLEVR ons het best. We waren onder de indruk van hun kennis van retailprocessen. Dankzij die kennis kunnen de experts de applicatie optimaal laten aansluiten op onze bedrijfsvoering.


Werken met Promotion Manager zorgt voor een gestructureerd proces en is efficiënter. Iedereen werkt nu in dezelfde applicatie en met dezelfde data, wat de kwaliteit ten goede komt!


CLEVR werkt met het applicatieontwikkelplatform Mendix, en die combinatie werkt goed. Het sluit naadloos aan bij de Agile-aanpak van CLEVR. Dankzij de korte iteraties en snelle implementaties kunnen we vaart houden in het project.


Het promotieproces is nu onderdeel van ons IT-landschap in plaats van een losstaand proces. Met de Promotion Manager werkt iedereen met dezelfde informatie en kunnen we eenvoudig datagedreven beslissingen nemen.


Om een eerlijke en nauwkeurige prijs te bepalen, kunnen we gebruikmaken van de pricingtool van CLEVR.


We richten ons nu volledig op procesverbetering binnen onze organisatie. In toekomstige projecten ligt de focus op verdere automatisering, zodat we het werk eenvoudiger kunnen maken en fouten kunnen verminderen. Het centraliseren van informatie is daarbij een belangrijke pijler. Zo kunnen we onze klanten zo goed mogelijk bedienen.


Tijdens de samenwerking met CLEVR hebben we veel optimalisaties doorgevoerd, waarbij de ene optimalisatie de basis vormde voor de volgende.


In een dynamische markt als deze is een flexibel IT-systeem een strategische vereiste. Voor ons was het duidelijk dat CLEVR de juiste partij was om onze groeiambities te realiseren. Ze begrijpen niet alleen hoe onze business werkt, maar ook wat er nodig is om onze businesscase te laten slagen.


We houden elkaar scherp. Al bij de start van onze samenwerking liet CLEVR zien dat ze de vertaalslag tussen onze business en IT goed konden maken. Dat zorgde direct voor vertrouwen. Bovendien heeft CLEVR veel kennis van de retailmarkt, waar wij ook van profiteren.


In CLEVR hebben we een betrouwbare partner gevonden. Niet alleen vanwege hun aanpak en hun vermogen om samen met ons het proces zo eenvoudig mogelijk te maken, maar ook dankzij de inzet en toewijding van het team om alles op tijd op te leveren. CLEVR zorgde voor duidelijke communicatie en realistische doelen. Beide essentieel om een project als dit succesvol te begeleiden.


De branchekennis en ervaring van CLEVR met het automatiseren van complexe groothandelsprocessen hebben ons geholpen een toekomstbestendige product lifecycle management (PLM) omgeving te creëren. We zijn zeer tevreden over de samenwerking. Het klikte vanaf het eerste moment. We houden elkaar scherp en maken goed gebruik van elkaars aanvullende expertise.

CLEVR kwam bij ons langs, stelde vragen over onze organisatie en nam de tijd om te zien hoe we op de werkvloer werken. Ze kwamen vervolgens met innovatieve manieren om Teamcenter in te zetten waar we zelf nog niet aan hadden gedacht.


CLEVR was vanaf het begin bij ons betrokken, van het bepalen van de visie voor de software tot de samenwerking met ons team tijdens de ontwikkeling. Hun expertise in low-codeoplossingen en voortdurende ondersteuning zijn van grote waarde geweest om DataCross op tijd op te leveren.


Ik geloof dat we samen op verschillende manieren aan morgen bouwen. Wij proberen de toekomst vorm te geven door apparatuur te leveren voor de productie van groene waterstof, en CLEVR helpt ons met informatietechnologie om dat efficiënt te doen.



Find out how CLEVR can drive impact for your business
We try to build the future by providing equipment to produce green hydrogen to enable the green transition.
Related Resources

Van datapunten naar beslissingen: Ontologieën en knowledge graphs bepalend voor het succes van de agentic enterprise
Elke agent in uw onderneming moet één vraag beantwoorden voordat deze in actie komt: waar kijk ik eigenlijk naar? Een taalmodel kan een record uit Teamcenter, SAP en uw MES lezen. Op zichzelf kan het niet weten dat het "onderdeel" in alle drie hetzelfde fysieke object is, dat dit onderdeel in een assemblage zit waarvoor een open technische wijziging geldt, en dat de garantieclaim van vorige week precies naar die assemblage verwijst.
Uw medewerkers weten dit door jarenlange ervaring. Agents hebben dit op schrift nodig. Dat vastgelegde begrip is een ontologie, en zodra deze wordt gevuld met live data, wordt het een knowledge graph. Samen vormen ze de minst opvallende en tegelijk meest bepalende laag van de agentic enterprise: de laag waardoor mensen en agents vanuit dezelfde werkelijkheid werken.
Deze blog legt uit wat ontologieën en knowledge graphs zijn, hoe ze werken, waar ze in uw architectuur passen, wat de voorgedefinieerde industriële ontologieën in Siemens Intelligence Center X maakbedrijven opleveren, en wat ervoor nodig is om er zelf een te bouwen.
Weinig tijd? Hier een kort overzicht
- Agents falen op context, niet op modellen. Gartner verwacht dat 60% van de AI-projecten zonder AI-ready data wordt stopgezet. Of een agent waarde creëert of incidenten veroorzaakt, hangt ervan af of hij begrijpt wat uw data betekent.
- Een ontologie is het regelboek; een knowledge graph is de kaart die volgens dat regelboek is getekend. De graph verbindt elk onderdeel, elke wijziging en elke claim over uw systemen heen, zodat agents het pad van vraag naar antwoord kunnen volgen. Samen geven ze mensen en agents dezelfde definities, dezelfde regels en hetzelfde audittrail: de basis voor een hybride workforce die u kunt vertrouwen.
- Houd de core clean en leg context erbovenop. Uw core systems blijven onaangeroerd aan de basis. De ontologie en knowledge graph liggen er direct boven als gedeelde contextlaag, met orkestratie en AI daarbovenop waar dat zinvol is.
- Niet elke ontologielaag is gebouwd voor agents. Agents stellen vragen die niemand had voorzien, over veel systemen tegelijk. Graph Studio in Siemens Intelligence Center X is een schaalbaar graphplatform dat is ontworpen om zulke vragen op enterpriseschaal te beantwoorden, zonder prestatiegrenzen.
- Bouw voort op bewezen branchekennis. U hoeft de maakindustrie niet vanaf nul te modelleren. Voorgedefinieerde industriële ontologieën en open standaarden beschrijven de digital thread al, van engineering-stuklijst tot garantieclaim. Uw domeinexperts maken ze eigen: ze koppelen records over systemen heen en bepalen hoe het model zich ontwikkelt. Begin met één systeemoverstijgende workflow en laat elke volgende use case daarop voortbouwen.
Waarom agents vastlopen zonder context
Het model is zelden de bottleneck. De context waarmee het redeneert wel.
Gartner voorspelt dat organisaties tot en met 2026 60% van de AI-projecten zonder AI-ready data zullen stopzetten, en dat 63% van de organisaties de juiste datamanagementpraktijken voor AI mist of niet weet of ze die heeft. Specifiek voor agents verwacht Gartner dat eind 2027 meer dan 40% van de agentic-AI-projecten is stopgezet, vanwege oplopende kosten, onduidelijke bedrijfswaarde en ontoereikende risicobeheersing.
Het duidelijkste bewijs van wat context doet, komt uit een benchmark door data.world. Deze onderzoekers stelden GPT-4 zakelijke vragen over een bedrijfs-SQL-database uit de verzekeringssector. stelden GPT-4 zakelijke vragen over een SQL-database uit de verzekeringssector. Bij directe bevraging beantwoordde het model 16,7% van de vragen correct. Via een knowledge graph, gebouwd op een ontologie van dezelfde data, steeg de nauwkeurigheid naar 54,2%. Bij de moeilijkste vragen over de meest complexe schema’s scoorde directe SQL 0%, terwijl de route via de knowledge graph 36–39% haalde. Een vervolgstudie gebruikte de ontologie zelf om de queries van het model te controleren en te herstellen, en bracht de nauwkeurigheid naar 72%.
Hetzelfde model, dezelfde data. Het enige verschil was of de betekenis van de data expliciet was gemaakt. Voor een agent die niet alleen antwoordt maar ook handelt, bepaalt dat verschil of hij waarde creëert of incidenten veroorzaakt.
Waarom 72% een startpunt is, geen eindoordeel
Geen organisatie zou op basis van 72% moeten handelen, en geen goed ontworpen enterprisesysteem vraagt dat. De benchmark meet een taalmodel dat zonder vangrails zelf queries schrijft op open vragen. In productie veranderen drie dingen het beeld.
Ten eerste werkt de ontologie als controle, niet alleen als richtlijn. Queries die niet passen bij het model van de organisatie worden opgevangen en gecorrigeerd, of het systeem ziet af van een antwoord. Een bewust “ik weet het niet” is veilig. Een zelfverzekerd fout antwoord niet.
Ten tweede hangt de vereiste nauwkeurigheid af van de gevolgen. Bij het verkennen van een vraag is onzekerheid acceptabel. Bij het goedkeuren van een terugroepactie niet. Beslissingen met grote impact draaien op uitgewerkte regels en gevalideerde queries, met een menselijke goedkeuringsstap, terwijl open verkenning een ondersteunend hulpmiddel blijft.
Ten derde is elk antwoord herleidbaar. Welke data is gebruikt, welke query is uitgevoerd en wie de actie heeft goedgekeurd, wordt vastgelegd. Zo is een fout zichtbaar en te corrigeren, in plaats van verborgen.
De les uit het onderzoek is niet dat AI met ontologieën voor 72% betrouwbaar is. De les is dat het verankeren van AI in context de meest effectieve manier is om AI betrouwbaarder te maken, en eerlijk te laten zijn over waar de kennis ophoudt.
Het regelboek en de kaart
Een ontologie is het regelboek; een knowledge graph is de kaart die door dat regelboek is getekend. De twee termen worden vaak door elkaar gebruikt, maar ze hebben een andere functie.
De ontologie is een formeel vocabulaire voor uw organisatie. Ze definieert welke soorten dingen er bestaan (een pomp, een productielijn, een technische wijziging, een leverancier), welke eigenschappen ze hebben, hoe ze met elkaar in verband mogen staan en welke regels gelden. Een pomp kan in een lijn zijn geïnstalleerd. Een technische wijziging raakt één of meer onderdelen. Een onderdeel mag niet worden vrijgegeven zonder goedgekeurd ontwerp. Zonder ontologie heeft u een plaatje van punten en lijnen. Met een ontologie weet het systeem wat elk punt is en kan het erover redeneren.
De knowledge graph is dat vocabulaire toegepast op uw echte data: pomp P-101, lijn 3, wijzigingsverzoek ECR-2291 en de miljoenen verbanden daartussen, continu bijgewerkt vanuit uw core systems.
| Aspect | Ontology | Knowledge graph |
|---|---|---|
| What it is | The schema of meaning: types, relationships, rules | The instances: your actual assets, parts, orders and their links |
| Example | “A Part is affected by an Engineering Change” | “Part 4471-A is affected by ECR-2291” |
| Size | Hundreds to a few thousand concepts | Millions to billions of facts |
| Rate of change | Slow, versioned, deliberately governed | Continuous, synchronised with source systems |
| Owned by | Domain experts and knowledge engineers | Data pipelines, agents and the platform |
Dit onderscheid is cruciaal voor de agentic enterprise. In de ontologie leggen mensen vast wat iets voor de organisatie betekent. In de graph lezen agents en applicaties die betekenis en handelen ze ernaar. Zit de ontologie goed, dan erft elke nieuwe agent dat begrip automatisch.
Hoe een knowledge graph werkt
Een knowledge graph slaat elk feit op als triple: subject, relatie, object. Koppel genoeg triples aan elkaar en u krijgt een kaart waar mensen en agents doorheen kunnen lopen, in plaats van een datawarehouse dat ze met een dozijn moeizame joins moeten bevragen.
Triples. “Pomp P-101 is geïnstalleerd in lijn 3.” “Lijn 3 produceert product X.” “Product X bevat samenstelling 4471.” “Samenstelling 4471 heeft als eis max. 80 °C.” Elk ding is een node, elke relatie een edge. In de W3C-standaarden die de meeste enterprise graphs gebruiken, zijn dit RDF-triples, die met SPARQL worden bevraagd.
Traversal. Een vraag als “welke openstaande garantieclaims betreffen onderdelen die zijn geraakt door de technische wijzigingen van vorige maand?” loopt door PLM-, ERP- en servicedata. In een relationele wereld is dat een project. In een graph is het een pad: claim → serienummer → as-built-configuratie → onderdeel → wijziging. Agents zijn goed in het volgen van paden, zolang die paden bestaan en iets betekenen.
Ontologie vs Knowledge graph · één pad van claim naar wijziging
De linkerkolom wordt één keer geschreven, door mensen. De rechterkolom wordt continu gevuld vanuit uw systemen. Een agent die de linkerkant begrijpt, vindt de rechterkant voor elke claim, in elke fabriek.
Inferentie. Omdat de ontologie regels bevat, kan de graph feiten afleiden die niemand heeft ingevoerd. Als elke samenstelling de compliance-eisen van haar onderdelen erft, markeert nieuwe regelgeving voor één materiaal direct elk product waarin dat materiaal zit.
Entity resolution. Het moeilijkste en minst zichtbare deel. “Pump_P101” in het onderhoudssysteem, “P-101” in het MES en “asset 4471-A” in het ERP moeten over miljoenen records heen als één object worden herkend. Gaat dat mis, dan redeneren agents vol vertrouwen over drie pompen die in werkelijkheid één zijn.
Gematerialiseerd of virtueel. Een graph kan data kopiëren naar een graph store, of de data laten waar ze staat en die ter plekke mappen. De fabriek van Bosch in Salzgitter koos een ontologie voor SMT-elektronicaproductie, gemapt op bestaande databases. Machinestoringen die per machine verschillend werden geregistreerd, werden samengebracht in één ontologieklasse, zodat engineers eindelijk appels met appels konden vergelijken.
Generatieve AI verankeren. Dezelfde structuur maakt retrieval voor taalmodellen scherper. LinkedIn bouwde een graaf op basis van historische klantenservicetickets in plaats van ze als losse tekst te behandelen. In productie verkortte het systeem de mediane doorlooptijd per issue met 28,6%. De les is direct toepasbaar op een service- of kwaliteitsorganisatie in de maakindustrie: structuur wint van een grotere stapel documenten.
Waar het zit: een contextlaag bovenop een clean core
In het CLEVR Digital Renovation-principe vormen de core systems laag 1: ERP, PLM, CRM, MES en eigen applicaties, de bronsystemen die schoon en stabiel blijven. Bovenop die kern vormen de ontologie en knowledge graph laag 2: de semantische contextlaag waarmee elke laag daarboven redeneert. Orkestratie en intelligentie zitten in laag 3. In laag 4 ontmoeten mensen agents. De graph vervangt geen enkel bronsysteem; hij maakt de systemen voor elkaar begrijpelijk. Samen brengen de lagen het CLEVR-principe in de praktijk: houd de kern schoon, leg er een slim orkestratieplatform bovenop en versterk met AI waar dat zinvol is.
Vier lagen · een clean core als basis, semantische context erbovenop
Elke agent en app in de lagen daarboven haalt zijn betekenis uit dezelfde contextlaag, onder dezelfde vertrouwenslaag.
Siemens Intelligence Center X is volgens dezelfde logica opgebouwd, in vier stappen:
- Enterprisedata uit heterogene bronnen en dataplatforms.
- Context: een ontologielaag over de hele organisatie die elk datapunt betekenis geeft, geleverd door Graph Studio.
- Intelligentie: AI- en ML-modellen in AI Studio die leren van semantisch verrijkte data, die vrijwel realtime wordt ververst.
- Actie: applicaties, workflows en agents, gebouwd en georkestreerd op Mendix, allemaal geworteld in dezelfde context.
Over alle vier loopt een enterprisebrede vertrouwenslaag, met vangrails, herleidbaarheid en auditeerbaarheid voor zowel mensen als agents. De engine van Graph Studio is ontworpen voor tientallen tot honderden miljarden RDF-triples, in het geheugen, op schijf of gevirtualiseerd, en stelt de graph via MCP beschikbaar aan agents, zodat die over domeinen heen kunnen verkennen en bevragen.
De bredere markt beweegt dezelfde kant op. Microsoft maakte Fabric IQ, zijn op ontologie gebaseerde contextlaag voor agents, algemeen beschikbaar tijdens Build 2026 en stelt de ontologie via MCP open voor agents van andere leveranciers. Databricks en Google hebben hun semantische lagen in dezelfde richting ontwikkeld, en Palantir bouwt Foundry al jaren rond zijn Ontology. De vraag is niet langer of u een semantische laag voor agents nodig heeft, maar welke uw domein begrijpt en of die aansluit op de platforms die u al gebruikt. Intelligence Center X sluit aan op Microsoft Fabric, Snowflake, Databricks en Palantir in plaats van ermee te concurreren, en onderscheidt zich op twee punten: de diepgang van industriële betekenis die het vanaf dag één meebrengt, en een graph-architectuur die is gebouwd voor vragen die niemand had voorzien.
Vier benaderingen van de ontologielaag
Niet elke ontologielaag is op dezelfde manier gebouwd. Kijk onder de motorkap en de markt valt uiteen in vier architectuurbenaderingen, elk geoptimaliseerd voor een andere taak.
De eerste drie zijn sterk in waarvoor ze zijn ontworpen. Een metadatalaag maakt dashboards en SQL-analyses consistent. Een objectlaag werkt goed wanneer de beslissingen vooraf bekend zijn en de objecten daarvoor kunnen worden gecureerd. Een transactionele graphdatabase is snel wanneer een vraag start bij een bekende node, zoals één klant of één asset.
Zo werken agents niet. Een hybride workforce stelt vragen waar niemand aan dacht toen het datamodel werd ontworpen: welke leveranciers, onderdelen, fabrieken en klanten worden geraakt als dit materiaal wordt beperkt, over alle productlijnen heen? Zo’n vraag heeft geen vast startpunt en doorkruist veel stappen en domeinen tegelijk. Op een metadata- of objectlaag betekent dat eerst nieuwe modellen of pipelines bouwen. Op een transactionele graphdatabase betekent het node voor node naar buiten werken, wat trager wordt naarmate de graph en de vraag groeien.
Van de vier benaderingen is alleen een schaalbaar graphplatform ontworpen voor die vraag. Graph Studio, de contextlaag van Intelligence Center X, draait op een massaal parallelle engine die de graph over het hele cluster verdeelt, zodat elke processorkern aan elke query meewerkt. De ontologie wordt automatisch gegenereerd vanuit de bronsystemen en gekoppeld, in plaats van per bron handmatig te worden opgesteld. Dat is het verschil tussen agents die de vragen beantwoorden waarop u had gerekend, en een agentische organisatie waarin mensen en agents elke vraag kunnen stellen, zonder tegen prestatiegrenzen aan te lopen.
Dat maakt de andere benaderingen niet overbodig. Intelligence Center X sluit aan op de dataplatforms die u al gebruikt, en voegt de contextlaag toe waarmee agents over al die platforms heen kunnen redeneren.
Voorgedefinieerde industriële ontologieën: niet beginnen met een leeg blad
Een voorgedefinieerde industriële ontologie is een kant-en-klaar model van wat dingen in de maakindustrie betekenen, zodat u het uitbreidt in plaats van het zelf te bedenken. Hier onderscheidt Intelligence Center X zich van generieke semantische lagen.
Siemens levert Intelligence Center X met industriële ontologieën die branchekennis over de hele productlevenscyclus vastleggen. Out-of-the-box dekken ze de kernobjecten van de digital thread af: ontwerp, onderdeel, engineering-stuklijst (EBOM), technische wijziging, bill of process, servicestuklijst, garantieclaim, voorraad en IoT-tijdreeksen. Deze zijn live gekoppeld aan bronsystemen (PLM, ERP, CRM en eigen applicaties) en aan dataplatforms zoals Microsoft Fabric, Snowflake, Databricks en Palantir. Siemens omschrijft dit als data in context die “live, veilig, geconfigureerd en direct klaar voor gebruik” is.
Waarom dit ertoe doet, ziet u het best aan de stuklijst. Een engineering-stuklijst (EBOM) beschrijft wat het product is. Een productiestuklijst (MBOM) beschrijft hoe het wordt gemaakt. Een servicestuklijst beschrijft hoe het wordt onderhouden. In de meeste bedrijven staan deze stuklijsten in verschillende systemen, beheerd door verschillende teams, met verschillende identificaties. Een ontologie die al weet hoe een EBOM-item zich verhoudt tot zijn MBOM-tegenhanger, welke technische wijziging beide raakt en welke serviceonderdelen eruit voortvloeien, geeft agents de digital thread als navigeerbare structuur. Ze weerspiegelt bovendien decennia Siemens-ervaring met Teamcenter, Opcenter en het bredere Xcelerator-portfolio: kennis die duur is om vanaf nul opnieuw op te bouwen.
Siemens staat hierin niet alleen. Verschillende open initiatieven definiëren semantiek voor de maakindustrie, en een goede ontologiestrategie weet waar die passen:
| Source | What it covers | Maintained by | Where it helps |
|---|---|---|---|
| Siemens Intelligence Center X industrial ontologies | Digital thread objects: EBOM, MBOM, change, bill of process, service BOM, warranty, inventory, IoT | Siemens Digital Industries Software | Fast start for Siemens-centric product lifecycles, live-connected to source systems |
| IOF Core Ontology | Common manufacturing concepts (manufacturing process, assembly, material product, agent roles), plus domain modules for production planning, maintenance and biopharma | Industrial Ontologies Foundry (OAGi), with NIST; MIT licence | Shared vocabulary across companies and suppliers, built on the ISO/IEC 21838-2 top-level ontology |
| Asset Administration Shell (IEC 63278) | Digital twin of an asset, with standard submodels such as Digital Nameplate, Technical Data and Handover Documentation | Industrial Digital Twin Association (IDTA) | Exchanging asset data across the supply chain, Manufacturing-X and Digital Product Passport |
Deze initiatieven vullen elkaar aan in plaats van te concurreren. De IOF Core is zo ontworpen dat domeinontologieën onderling consistent blijven (IOF). De Asset Administration Shell structureert assetinformatie in submodellen waarvan de IDTA de templates publiceert (all-about-industries). Een voorgedefinieerde platformontologie brengt u het snelst naar productie; door die te mappen op open standaarden blijft u interoperabel met leveranciers en klanten.
Eén eerlijke kanttekening: geen enkele voorgedefinieerde ontologie kent uw bedrijf. Uw productfamilies, naamgevingsconventies, fabrieksspecifieke processen en eigen systemen moeten nog steeds worden gemodelleerd. Voorgedefinieerde ontologieën verschuiven het werk van bedenken naar uitbreiden, en dat is het verschil tussen maanden en weken.
Wat er nodig is om een ontologie te bouwen
Ontologieontwerp is vakmanschap, geen configuratiescherm. Het slaagt wanneer het begint bij beslissingen en wordt gebouwd samen met de mensen die ze nemen. In onze ervaring volgt het zeven stappen:
- Begin bij de beslissingen, niet bij de data. Schrijf de vragen op die agents en mensen moeten kunnen beantwoorden: “Welke klanten worden geraakt als leverancier X uitvalt?” “Welke producten worden geraakt door deze wijziging?” Knowledge engineers noemen dit competency questions. Ze bepalen de scope en worden de testset.
- Hergebruik voordat u zelf bedenkt. Begin met een voorgedefinieerde industriële ontologie en open standaarden zoals de IOF Core of de Asset Administration Shell. Modelleer alleen wat uw bedrijf onderscheidt.
- Modelleer met domeinexperts aan tafel. EEngineers, planners en serviceverantwoordelijken weten wat een “release” of een “variant” echt betekent. Het integratiewerk bij Bosch liet zien dat de betrokkenheid van domeinexperts essentieel was voor zowel de ontologie als de mappings.
- Breng uw bronnen in kaart. Koppel velden in Teamcenter, SAP, het MES en uw eigen applicaties aan ontologieconcepten. Bepaal per bron of data naar de graph wordt gekopieerd of virtueel wordt bevraagd.
- Los entiteiten op. Bepaal welke records hetzelfde object in de echte wereld beschrijven, en houd die beslissingen uitlegbaar.
- Valideer aan de hand van de werkelijkheid. Draai de competency questions. Controleer de ontologie met een reasoner op logische consistentie. Laat agents de ontologie bevragen en kijk waar ze verkeerde paden nemen.
- Beheer en ontwikkel door. Versioneer de ontologie, wijs per domein eigenaren aan en houd de graph synchroon met zijn bronnen. Een graph die achterloopt op zijn bronsystemen bevat de data van gisteren, en een agent die daarop handelt, handelt op basis van het verleden.
Dit was vroeger de reden dat knowledge-graphprojecten een jaar nodig hadden voordat ze waarde opleverden. Automatisering verandert dat. Siemens positioneert automatische ontologiecreatie vanuit bronsystemen als manier om maandenlange ontologieontwikkeling overbodig te maken, en zet via MCP gekoppelde agents in om de knowledge graph zelf te helpen opbouwen en onderhouden. Onderzoek wijst dezelfde kant op: bij Boschmaakte het automatisch omvormen van een domeinontologie naar een slanker graphschema het genereren van knowledge graphs voor lasdata zeven tot acht keer sneller.
Automatisering versnelt stap 2 tot en met 5. Stap 1, 3 en 7 vervangt ze niet. Bepalen wat iets voor uw bedrijf betekent, en wie verantwoordelijk is voor die betekenis, blijft mensenwerk.
Eén ontologie voor een hybride workforce
Een hybride workforce werkt alleen als mensen en agents dezelfde definities, dezelfde regels en dezelfde grenzen delen. Alle drie liggen vast in de ontologie.
Dezelfde definities. Als een planner en een planningsagent hetzelfde bedoelen met “beschikbare voorraad” of “vrijgegeven onderdeel”, leveren overdrachten geen fouten meer op. Zonder dat draagt elke agent stilletjes zijn eigen interpretatie mee in zijn prompt, en heeft u de silo’s die u wilde doorbreken opnieuw opgebouwd.
Dezelfde regels. Beleid dat is uitgedrukt in bedrijfsconcepten in plaats van databasetabellen, geldt voor iedereen. Intelligence Center X voegt beleidsgestuurde toegangscontrole toe aan de knowledge graph, op basis van kenmerken van zowel de gebruiker als de data, zodat dezelfde regel bepaalt wat een menselijke gebruiker en een agent mogen zien. Een agent voor leverancierskwaliteit ziet wat een leverancierskwaliteitsengineer mag zien, en niets meer.
Hetzelfde spoor. Omdat elke actie verwijst naar concepten in de graph, kan de vertrouwenslaag niet alleen vastleggen wat een agent deed, maar ook waarover hij redeneerde. Dat maakt beslissingen auditeerbaar en autonomie verdedigbaar.
Dit creëert ook nieuw werk voor mensen. In onze whitepaperreeks Digital Renovation beschreven we rollen als de Agent Supervisor en de Eval Owner. Voeg er één aan toe: de Ontology Steward, de domeinexpert die eigenaar is van wat een concept betekent en wijzigingen daarin goedkeurt. Onderzoekers noemen dit profiel de knowledge scientist. Hoe u het ook noemt: organisaties die deze rol overslaan, eindigen met een graph die niemand vertrouwt.
Waar te beginnen: één proceslijn, niet de hele onderneming
U heeft geen ontologie voor de hele organisatie nodig voordat uw eerste agent live gaat. U heeft één waardevolle thread door uw systemen nodig, goed gemodelleerd, en een fundament dat meegroeit met elke volgende use case.
Kies een workflow die systemen overstijgt en vandaag pijn doet. Kwaliteit is een goede kandidaat. Siemens illustreert een typische lus van garantie naar engineering waarin klachttriage, onderzoek en rootcauseanalyse twee tot vier weken duren, en de oplossing zo’n acht. Die lus raakt garantieclaims, servicestuklijsten, as-built-configuraties, onderdelen en technische wijzigingen: precies de concepten die de voorgedefinieerde industriële ontologieën in Intelligence Center X al afdekken.
Van daaruit volgen we de CLEVR-aanpak die we bij elk agentisch programma toepassen: think big, start small, scale fast. Denk groot door de ontologie te ontwerpen als gedeeld fundament voor uw hele hybride workforce. Begin klein met één thread, uitgebreid vanuit een voorgedefinieerde ontologie in plaats van vanaf nul getekend. Schaal snel door elke nieuwe agent, app en workflow te laten hergebruiken wat de eerste de graph heeft geleerd.
Agents worden steeds slimmer. Of ze ook slimmer worden over uw bedrijf, hangt af van de laag eronder.

Upgraden naar Mendix 11: Hoe Maia en mxcli je documentatie up-to-date houden
Vraag een willekeurige Mendix-ontwikkelaar wat hij liever doet: een nieuwe functie bouwen of een halve dag besteden aan het documenteren van de vorige, en je kent het antwoord al. Documentatie is misschien veel minder dankbaar dan programmeren, maar dat is niet de enige reden waarom het onderaan de backlog belandt.
Onder strakke deadlines en de druk om werkende code op te leveren, is documentatie meestal het eerste dat sneuvelt. Wat er wel wordt geschreven, is vaak informeel, lastig te volgen en snel verouderd. Hoe rommeliger de bestaande documentatie wordt, hoe minder nut ontwikkelaars erin zien om deze bij te werken, en de kloof wordt met elke release alleen maar groter.
Wat als documentatie zichzelf up-to-date zou kunnen houden, mee zou schalen met de applicatie en herleidbaar zou zijn naar elke wijziging? Voor veel teams zou dit meer veranderen dan alleen de dagelijkse ontwikkeling. Het zou veranderen hoe ze aankijken tegen een upgrade naar Mendix 11.
De verborgen kosten van ongedocumenteerde Mendix-apps
Veel Mendix-applicaties draaien al jaren in productie, sommige sinds Mendix 6 of 7, en veel daarvan zijn bedrijfskritisch. Ze upgraden naar Mendix 11 zou een logische stap moeten zijn. In plaats daarvan voelt het vaak als een sprong in het diepe.
Wanneer zoveel van wat de app doet zich alleen in de hoofden van mensen bevindt, kan niemand precies zeggen wat erin zit, wat er kapot zal gaan of hoe lang het duurt om daarachter te komen. Hierdoor staan teams voor drie dilemma's:
1. Nu upgraden, of blijven bouwen op oude grond?
Upgraden betekent de confrontatie aangaan met wat jaren aan wijzigingen hebben achtergelaten: verborgen workarounds, verouderde widgets en oude modules die niemand zich meer herinnert. Elke grote Mendix-versie stelt bovendien oudere widgets, modules en Java-versies buiten gebruik, dus een upgrade betekent vaak dat onderdelen van de app vervangen moeten worden, in plaats van ze alleen opnieuw te compileren. Maar blijven zitten waar je zit, betekent dat elke nieuwe functie wordt gebouwd op een fundament dat steeds verder achterop raakt, terwijl Mendix 11-mogelijkheden zoals Maia buiten bereik blijven.
2. Snel bewegen, of stabiliteit behouden?
De business wil nieuwe functies, meer gebruikers en nieuwe integraties. Zonder documentatie kan echter niemand de impact van een wijziging voorspellen, en zonder tests of een duidelijke beschrijving van hoe elk proces zich hoort te gedragen, kan niemand bevestigen dat alles daarna nog steeds werkt. Elke release wordt een afweging tussen snelheid en stabiliteit, en het opschalen van de app wordt elke keer moeilijker.
3. Investeren in de upgrade, of in nieuwe functies?
Als je de omvang van een upgrade niet kunt bepalen, kun je deze niet inschatten. Elk proces moet handmatig worden gecontroleerd, en de ervaren ontwikkelaars die de vragen konden beantwoorden, zijn misschien al vertrokken. Geconfronteerd met onduidelijke kosten en een werkende app, gaan budgetten naar zichtbare functies. De upgrade wordt steeds uitgesteld, en elk jaar dat het wacht, wordt het groter en duurder.
Haal het giswerk uit je Mendix 11-upgrade
Met Mendix 11 krijgen ontwikkelaars eindelijk wat legacy-apps al jaren missen: een helder overzicht van hun applicatie en de tools om deze met vertrouwen aan te passen.
1. Documenteer je Mendix-app voordat je iets wijzigt
De eerste stap uit het onbekende is een kaart. Maia, de AI-assistent die in Studio Pro is ingebouwd, en de Mendix CLI (mxcli) – een command-line tool van Mendix Labs waarmee coding agents zoals Claude Code of Codex met een Mendix-project kunnen werken – kunnen beide een applicatie inspecteren en de structuur blootleggen: modules, entiteiten, microflows, pagina's en de onderlinge afhankelijkheden.
Een agent kan die metadata omzetten in duidelijke documentatie over hoe de app werkt, zonder dat een ontwikkelaar dit handmatig hoeft te reverse-engineeren. mxcli voegt linting en best-practice rapporten toe die problemen en verouderde patronen markeren, waardoor technische schuld zichtbaar wordt nog voordat de migratie begint.
2. Snel bewegen zonder de controle te verliezen
Zodra de app gedocumenteerd is, is elke wijziging makkelijker te beoordelen. De impactanalyse van mxcli laat zien welke microflows, pagina's en entiteiten een wijziging zal raken voordat iemand deze doorvoert. Maar belangrijker nog: de documentatie raakt niet langer achterop.
Na elke wijziging, of het nu gaat om een nieuwe pagina, een nieuw attribuut of nieuwe bedrijfslogica, werkt de agent de documentatie bij als onderdeel van dezelfde taak, waarmee twee doelgroepen tegelijk worden bediend. Ontwikkelaars en zakelijke gebruikers lezen het om de app te begrijpen, en AI-agents gebruiken het om de volgende wijziging te sturen of om een assistent aan te sturen die nieuwe gebruikers helpt hun weg te vinden.
Omdat Maia en mxcli werken op basis van het Mendix-model in plaats van duizenden regels ruwe code, blijft de output eenvoudig te controleren.
3. Maak van je Mendix-upgrade een weloverwogen beslissing
Wanneer je inzicht hebt in wat er in de app zit, kun je de scope van de upgrade bepalen. Als je de scope kunt bepalen, kun je een inschatting maken, en verandert de discussie over het budget van een sprong in het diepe in een zakelijke beslissing.
Het platform waarnaar je upgradet is ook van belang. Met Mendix 11.12, de eerste Long-Term Support (LTS)-release van Mendix 11, krijgen teams een stabiele basis voor onderhoudbaarheid, beveiliging en schaalbaarheid op de lange termijn. De bijbehorende AI-ondersteunde tools zijn bovendien klaar voor bedrijfskritische productie-apps. Maia Plan zet een beschrijving om in epics en user stories, en Maia Make begint met de implementatie ervan, zodat de investering nog lang na de migratie rendement oplevert.
4. Leg de basis voor de agentic enterprise
Een applicatie die zichzelf documenteert, is ook klaar voor wat er komen gaat. Dit is precies wat bedrijven krijgen met Mendix in de context van enterprise-orkestratie.
Als onderdeel van Siemens Intelligence Center X (ICX), de industriële AI-orkestratiesoftware van Siemens, speelt Mendix – samen met Maia en mxcli – een belangrijke rol in het begrijpelijk maken van applicaties voor zowel agents als mensen. Met Mendix 11.12 kan een app fungeren als een MCP-server die zijn logica, data en workflows blootstelt aan andere AI-tools, en Mendix Workflows kan agents en mensen aansturen binnen een beheerde, controleerbare vertrouwenslaag, waarmee de basis wordt gelegd voor het hybride personeelsbestand dat mensen en AI-agents samenbrengt.
Zie mxcli in actie: één prompt, feature en documentatie klaar
In een recente demo liet Erick Souza, Sr. Mendix Developer & Mendix MVP bij CLEVR, zien hoe één enkele prompt een nieuwe feature kan bouwen en tegelijkertijd de documentatie kan bijwerken. Niemand hoeft dit achteraf nog handmatig te doen. Hier is wat hij liet zien, voor als je geen tijd hebt om de volledige video te bekijken.
Zou een developer deze wijzigingen handmatig kunnen doorvoeren? Natuurlijk, maar het zou langer duren. Hier gebeurt het automatisch, elke keer weer.
Upgrade met vertrouwen naar Mendix 11, beginnend bij je documentatie
Download mxcli van de Mendix Labs GitHub-pagina, plaats het in je projectmap en voer mxcli init uit. Binnen enkele minuten is je project klaar voor de coding agent van jouw keuze, of dat nu Claude Code, Codex of een andere tool is.
Vanaf dat moment is de eerste prompt de meest waardevolle: vraag de agent om te documenteren wat er al in je app staat, maak het bijwerken van de documentatie vervolgens onderdeel van elke prompt, en de kennis van je team groeit mee met de applicatie in plaats van erachteraan te lopen. Eén waarschuwing: mxcli is nog alfa-software en ontwikkelt zich snel, dus werk altijd aan een kopie van je project of onder versiebeheer, en controleer de wijzigingen van de agent zoals je het werk van een collega zou controleren.
Het resultaat is een fundament waar je op kunt bouwen. Een applicatie die je team begrijpt, een upgrade die je kunt plannen en een architectuur die klaar is voor de agentic enterprise.
Benieuwd hoe dit er voor jouw applicaties uit zou kunnen zien? Neem contact op met CLEVR om een demo aan te vragen.

Digitale scheepsbouw: de bottleneck op de werf is niet het staal, maar de data
Hoewel de defensie-uitgaven in de EU in 2025 een recordhoogte van 418 miljard euro bereikten – een stijging van 47% sinds 2022 – en naar verwachting in 2026 zullen stijgen tot 454 miljard euro, waarschuwt het Europees Defensieagentschap (EDA) dat de tekorten aan marineschepen in Europa volgens de huidige nationale plannen waarschijnlijk niet voor 2030 zullen zijn weggewerkt.
De druk op de marinebouw om meer schepen sneller op te leveren is groter dan ooit, en het probleem is niet alleen een gebrek aan droogdokken, staal of vakbekwame lassers. Het probleem is versnippering, zowel tussen landen als binnen organisaties onderling. Vraag een scheepswerf hoe ze duizenden onderdelen, tekeningen en revisies synchroon houden tijdens een marineproject, en het antwoord loopt sterk uiteen: de ene werf gebruikt moderne scheepsbouwsoftware, de andere een verouderd PDM-systeem en een stapel spreadsheets. Zelfs binnen één werf zijn technische gegevens vaak verspreid over verschillende systemen, met een ERP-systeem dat met geen van beide communiceert.
Met een sterker streven naar Europese soevereiniteit en meer aandacht voor duurzaamheid wordt die versnippering steeds moeilijker te negeren. Digitale scheepsbouw is daardoor in hoog tempo een noodzaak geworden in plaats van een optie.
6 data-uitdagingen die de marinebouw afremmen
Staal bepaalt hoeveel een werf kan bouwen. Data bepaalt hoeveel daarvan in één keer goed wordt gebouwd. Bij marineprojecten die jaren duren, veranderen de eisen halverwege de bouw en moet elke beslissing vanaf dag één traceerbaar zijn. In zo'n omgeving blijft versnipperde data niet beperkt tot één plek. Het sijpelt door in elke fase van het project, wat leidt tot meer herstelwerk, vertragingen en langere doorlooptijden.
1. Verouderde ontwerpen op de werkvloer
Marineprojecten hebben zelden de luxe van een volledig afgerond ontwerp. Om leverdata te halen, snijden werven alvast staal voor de eerste blokken terwijl latere secties nog in de ontwerpfase zitten, en de druk om sneller te leveren vergroot die overlap alleen maar.
Wanneer technische gegevens verdeeld zijn over een verouderde PDM-tool en spreadsheets, kan niemand met zekerheid zeggen met welke revisie de productie werkt. In de praktijk kan dit betekenen dat een blok wordt uitgerust met een leidingtraject dat door de engineeringafdeling twee weken eerder al is gewijzigd.
2. Te laat ontdekte ontwerpwijzigingen
Een marineschip is een complex, nauw verweven systeem, en de eisen veranderen vaak tijdens de bouw naarmate systemen en missieprofielen worden aangepast. Vervang één onderdeel en de wijziging kan doorwerken in de constructie, het gewicht, de bekabeling, de ventilatie en de materiaallijst. Wanneer die informatie in losse bestanden staat, komen de gevolgen pas laat aan het licht, op de werkvloer, waar ze het duurst zijn om te herstellen.
3. Niet op elkaar afgestemde materiaallijsten
Engineering bepaalt waaruit het schip bestaat. ERP koopt het in, plant het en plant de tijdlijn. Wanneer deze twee niet verbonden zijn, overbruggen mensen de kloof handmatig: onderdelengegevens worden opnieuw ingevoerd, lijsten worden vergeleken en discrepanties worden nagejaagd. Bij marineapparatuur met lange levertijden kan een bestelling op basis van een verouderde revisie leiden tot maanden vertraging in plaats van dagen.
4. Goedkeuringen afhankelijk van personen
Op veel werven hangt het vrijgeven van een tekening of het goedkeuren van een onderdeel af van een paar ervaren krachten die weten hoe het proces werkt. Nu een generatie ingenieurs met pensioen gaat, vormt dit een risico voor de continuïteit. Bovendien verwachten defensieklanten dat elke beslissing traceerbaar is, iets wat een goedkeuringsproces dat verspreid is over e-mails en spreadsheets niet betrouwbaar kan bieden.
5. Verborgen kosten en ecologische voetafdruk
Het grootste deel van de kosten van een schip wordt vastgelegd tijdens het ontwerp, maar wordt vaak pas later berekend. Wanneer een leverancier te laat levert, heeft dit gevolgen voor de hele bouwvolgorde: de afbouw stagneert, blokken blijven liggen op de werf en werkzaamheden moeten worden verplaatst of in de verkeerde volgorde worden uitgevoerd tegen hogere kosten. Op de werkvloer stapelen herstelwerkzaamheden, extra arbeidsuren en spoedbestellingen zich op, zonder dat ze ooit worden herleid naar de wijziging die ze heeft veroorzaakt.
Tegen de tijd dat de werkelijke cijfers boven tafel komen, is er nauwelijks nog ruimte om bij te sturen.
6. Geen transparantie over de status van het programma
Defensieklanten verwachten regelmatige en nauwkeurige voortgangsrapportages. Wanneer gegevens versnipperd zijn, worden eenvoudige vragen lastig: wat is er vrijgegeven? Wat wacht op goedkeuring? Welke wijzigingen staan nog open?
En rapporten die handmatig zijn samengesteld uit tegenstrijdige bronnen bieden zelden het traceerbare, nauwkeurige beeld waar engineers op kunnen vertrouwen.
De digital thread: hoe digitale scheepsbouw ontwerp, productie en kosten met elkaar verbindt
Een digital thread is een continue informatiestroom die elke fase van de levenscyclus van een schip verbindt, van de eerste ontwerpbeslissing tot het opgeleverde schip. Waar een digitale tweeling het virtuele model van het schip is, zorgt de digital thread ervoor dat dat model, en elk team dat eraan werkt, wordt voorzien van nauwkeurige, traceerbare gegevens.
Door ontwerp-, engineering-, productie-, kosten- en prestatiegegevens op deze manier te verbinden, kunnen scheepsbouwers een levende digitale tweeling van elk schip creëren, de overdrachten die werven vertragen automatiseren en de controle over elke fase van de bouw behouden.
1. Ontwerp en engineering in één model
Elke wijziging die op de tekentafel wordt doorgevoerd, komt automatisch terecht in de onderdelenlijst en de productietekeningen. Geïntegreerde CAD-software maakt het mogelijk voor ontwerpers en engineers om aan hetzelfde model te werken, en ontwerpgegevens stromen door naar engineering zonder dat ze geëxporteerd, opnieuw getekend of opnieuw ingevoerd hoeven te worden. Het resultaat is minder tekenfouten en snellere ontwerpiteraties.
2. Eén bron van waarheid voor elk onderdeel en elke revisie
Elk onderdeel, elke tekening en elke revisie heeft één centrale plek, met een duidelijke status en historie. Scheepsbouw-PLM-software, gebaseerd op productlevenscyclusbeheer, beoordeelt elke wijziging aan de hand van de volledige productstructuur vóór vrijgave en leidt goedkeuringen via gestandaardiseerde workflows in plaats van via e-mailketens. Kennis blijft in het systeem behouden wanneer ervaren engineers vertrekken, en defensieklanten krijgen een volledig overzicht van wie wat wanneer heeft goedgekeurd.
3. Engineering en bedrijfsvoering in sync
Inkoop, planning en productie werken vanuit dezelfde stuklijst, zodat apparatuur met een lange levertijd op basis van de juiste revisie wordt besteld. Door PLM te koppelen aan ERP en andere bedrijfssystemen met op maat gemaakte low-code applicaties, vloeien vrijgegeven engineeringgegevens automatisch door naar inkoop en planning, en hoeft niemand handmatig onderdelenlijsten over te typen. Dat betekent minder afstemmingswerk en minder kostbare bestelfouten.
4. Een werkvloer die ziet wat engineering ziet
De werkvloer bouwt altijd op basis van het laatst vrijgegeven ontwerp, en wat daar gebeurt, vloeit terug naar de engineering. Een Manufacturing Execution System (MES) dat verbonden is met de digital thread legt voortgang, herstelwerkzaamheden en extra uren vast zodra ze zich voordoen, en biedt digitale werkinstructies en een volledig 'as-built'-dossier van elk schip. Wanneer een leverancier vertraging oploopt, kunnen plannen worden aangepast met een helder inzicht in wat dat betekent voor de rest van de bouw.
5. Kosten en CO2-voetafdruk bepaald terwijl het ontwerp nog open is
Teams zien wat een ontwerpwijziging of vertraging bij een leverancier kost voordat het de begroting raakt. Product Cost Management-software (PCM) berekent kosten en de CO2-voetafdruk terwijl het ontwerp nog open is, inclusief complexe, niet-lineaire prijsmodellen van leveranciers. Het geeft inkopers bovendien een feitelijke positie bij leveranciersonderhandelingen en een betrouwbare basis voor offertes en aanbestedingen.
6. Live inzicht in plaats van handmatige rapportages
Programmamanagers, engineers en klanten zien de werkelijke voortgang in real-time, ondersteund door data die ze kunnen traceren en vertrouwen. Een industriële IoT- en analytics-laag brengt data uit engineering, de werkvloer en de bedrijfsvoering samen in op maat gemaakte dashboards, met live inzicht in de prestaties van apparatuur en vroegtijdige waarschuwingen wanneer de productie afwijkt van de planning.
7. Intelligentie die het programma vooruithelpt
Intelligente procesorkestratie signaleert risico's vroegtijdig, anticipeert op knelpunten en coördineert de volgende stap tussen teams en systemen, zodat problemen worden opgelost voordat ze tot vertragingen leiden. En omdat het is gebouwd op dezelfde gestructureerde, traceerbare data, blijft AI beheersbaar. Elke actie wordt gelogd, de toegang volgt dezelfde rollen en rechten als de rest van de digital thread, en de orkestratie is afgestemd op de specifieke processen van elke werf. Dat maakt het 'compliant by design' en schaalbaar van een enkele workflow naar een volledig programma.
Van spreadsheets naar een digitale scheepswerf: een voorbeeld van digitale transformatie door CLEVR
Met meer dan 30 jaar ervaring in digitale transformatie ondersteunt CLEVR PLM, productieactiviteiten en applicatieprogramma's voor diverse luchtvaart-, defensie- en maritieme fabrikanten in heel Europa. Een van hen, een toonaangevende Europese scheepswerf die marine- en overheidsschepen bouwt, kampte met precies de problemen die in dit artikel worden beschreven.
Het probleem: Geen digital thread, geen traceerbaarheid
Het synchroon houden van onderdelen, tekeningen en specificaties kostte constant handmatige inspanning, releases en goedkeuringen waren afhankelijk van de kennis van individuele engineers, en de rapportagemogelijkheden waren beperkt. Met engineeringdata verspreid over een verouderd PDM-systeem en losstaande spreadsheets, en zonder koppeling met ERP, had onze klant behoefte aan een systeem dat begreep hoe een scheepswerf daadwerkelijk werkt.
Het proces: Implementatie van software voor Product Lifecycle Management in de scheepsbouw
In plaats van de digitale transformatie van de scheepswerf als een alles-in-één vervanging aan te pakken, introduceerden de consultants van CLEVR in duidelijk gedefinieerde fasen Siemens Teamcenter, een toonaangevend PLM-platform. Eerst implementeerden ze Teamcenter op de eigen servers van de werf, waardoor er vanaf dag één volledige controle was over de engineeringdata, en vervolgens configureerden ze het rond de werkelijke engineeringpraktijk. Dit betekende in kaart brengen hoe aangepaste typen en eigenschappen onderdelen, tekeningen en documenten moeten beschrijven op de manier waarop de engineers van de werf er daadwerkelijk mee werken, rollen en toegangsrechten vaststellen die bepalen wie wat kan aanmaken, wijzigen en vrijgeven, en release-workflows standaardiseren zodat elke tekening en elk onderdeel een gedefinieerde route volgt van concept tot goedkeuring.
Het resultaat: Waarde die klaar is voor schaalvergroting
Die basis is nu live: elk onderdeel, elke tekening en elke revisie heeft één centrale plek en een traceerbare historie, en goedkeuringen zijn niet langer afhankelijk van wie toevallig het proces kent. Belangrijker nog: het geeft de scheepswerf een fundament om op voort te bouwen. Geavanceerde workflows, rapportages, CAD-integratie en de koppeling met ERP worden al uitgerold, waarbij elke stap automatisering toevoegt aan gestructureerde en betrouwbare data. Zodra de keten van begin tot eind verbonden is, kan intelligentie worden toegevoegd om problemen te voorzien, werk tussen teams te coördineren en de werf te helpen sneller te groeien naarmate de programma's groter worden.
CLEVR: Uw partner voor digitale transformatie in de scheepsbouw
Dit is de ware kracht van de CLEVR-methodologie.
In plaats van een standaardtemplate op te leggen, nemen onze consultants de tijd om te begrijpen hoe elke scheepswerf zijn schepen ontwerpt, en configureren we het systeem daarop. We werken in fasen, zodat elke stap iets bruikbaars oplevert voordat de volgende begint, en we werken vanaf dag één nauw samen met de teams van onze klanten. We bouwen oude integraties niet simpelweg na; we ontwerpen vanaf het begin met minder handmatige stappen in gedachten. Dat is wat een software-implementatie verandert in een verandering die engineers echt merken in hun dagelijkse werk.
Wilt u zien hoe een verbonden digital thread uw scheepswerf kan helpen om de groeiende vraag om te zetten in tijdige levering van schepen? Neem contact op met CLEVR voor een adviesgesprek.
Frequently Asked Questions
Which industries does CLEVR serve?
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.
How does CLEVR support digital transformation?
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.
What is CLEVR's experience and reach?
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.
Who are some of CLEVR's notable clients?
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

