Wanneer u de afgelopen twee jaar een leverancierspresentatie over AI-gestuurde productieplanning hebt bijgewoond, hebt u waarschijnlijk een variant van dezelfde boodschap gehoord: intelligente optimalisatie, realtime herplanning, aanzienlijke OEE-verbeteringen en energiebesparingen. Het is een overtuigend verhaal. Het kent echter ook een faalpercentage van 95% wanneer organisaties dit proberen te implementeren, zo blijkt uit het AI-onderzoek voor de maakindustrie van BCG uit 2025.
Die kloof tussen belofte en werkelijkheid komt niet doordat de technologie niet werkt. Dat doet zij wel. Het probleem is dat de meeste implementaties drie specifieke barrières negeren die bepalen of AI-planning daadwerkelijk waarde oplevert op een Europese productievloer. Dit artikel gaat over die barrières en wat er nodig is om deze te overwinnen.
Europese fabrikanten draaien hun planningssystemen onder omstandigheden waarvoor deze nooit zijn ontworpen.
Verouderde Advanced Planning and Scheduling (APS)-systemen zijn gebouwd rond een redelijke set aannames uit 2005: vraagcurves die over weken verschoven, niet over uren; energiekosten die seizoensgebonden veranderden, niet binnen één dag; doorlooptijden van leveranciers die voorspelbaar genoeg waren om op te plannen. Die aannames zijn verleden tijd.
De Eurozone Manufacturing PMI bracht een groot deel van 2023 tot en met 2025 in krimp door, met orderintakepatronen die scherp wisselden tussen piekperiodes en plotselinge dalingen. Industriële elektriciteitsprijzen in de EU blijven meer dan tweemaal zo hoog als in de Verenigde Staten. Anders dan tien jaar geleden fluctueert day-aheadprijsvorming op markten als EPEX Spot in Duitsland of RTE in Frankrijk inmiddels gedurende de dag dusdanig dat het verschil tussen het inplannen van een energie-intensief warmtebehandelingsproces om 02:00 uur of om 14:00 uur de kostprijs per eenheid betekenisvol kan beïnvloeden. In markten waar uren met negatieve prijzen 5 tot 8% van het totale jaaraantal uitmaken, is dat geen theoretisch gegeven, maar marge die op tafel blijft liggen.
Daarnaast is er de structurele krapte op de arbeidsmarkt. Het personeelsbestand in de Europese maakindustrie ligt in de meeste sectoren aanzienlijk onder het niveau van 2019, en die krapte is gestold tot een planningsprobleem: wanneer ploegenflexibiliteit wordt beperkt door het beschikbare personeel, lopen traditionele APS-systemen — die er feitelijk van uitgaan dat u capaciteit kunt toevoegen door ploegen toe te voegen — snel tegen de grenzen van hun optimalisatieruimte aan.
Het resultaat is dat planningsteams hun dagen reactief doorbrengen: planningen herbouwen na verstoringen, handmatig schipperen tussen concurrerende prioriteiten, plannen bijwerken die alweer verouderd zijn voordat ze worden verspreid. Het zijn vakmensen die werk doen waarvoor geen vakmensen nodig zouden moeten zijn.
Op dit punt gaan de meeste leveranciersgesprekken mis, en hier zouden COO’s moeten doorvragen.
‘AI-planning’ is geen enkele technologie. Er zijn ten minste drie verschillende capaciteiten die onder dat label vallen, en zij werken anders, kosten anders en falen anders.
De kern van systemen zoals Microsoft Dynamics 365 Planning Optimization is een deterministische aanpak die machinecapaciteit, personeelsbeschikbaarheid, materiaalvoorziening, omsteltijden, energieprijzen en koolstofkosten gelijktijdig beoordeelt en zo een haalbaar schema vindt dat de gewogen doelstellingen maximaliseert. Deze aanpak is snel, verklaarbaar en controleerbaar. Wanneer een planner vraagt waarom het systeem een bepaalde opdracht om 03:00 uur heeft ingepland, is daar een leesbaar antwoord op. Voor de meeste Europese fabrikanten is dit de juiste starttechnologie.
Deze technologie voedt de op constraints gebaseerde planning met betere vraagsignalen. Waar traditionele MRP gebruikmaakt van vaste doorlooptijden en een gemiddelde vraag, leveren ML-modellen die getraind zijn op orderhistorie, klantsignalen en externe indicatoren — zoals energieprijzen, PMI en leverdata van toeleveranciers — probabilistische voorspellingen waarmee de optimizer kan werken met een realistischer beeld van wat eraan komt. Hiermee wordt de kloof gedicht tussen ‘plannen op basis van het plan’ en ‘plannen op basis van wat waarschijnlijk daadwerkelijk gaat gebeuren’.
Dit is de richting waarin meer geavanceerde implementaties bewegen: modellen worden getraind om de optimale volgorde van opdrachten in een specifieke productieomgeving in de loop van de tijd te leren. Dit is krachtiger, maar ook lastiger te valideren, lastiger uit te leggen en gevoeliger voor de kwaliteit van data. Het hoort thuis in fase twee of drie van een routekaart, niet in een eerste implementatie.
Het verschil kennen is van belang, omdat de implementatievereisten, data-afhankelijkheden en faalmechanismen voor elk van deze drie capaciteiten volledig anders zijn.
De BCG-bevinding dat slechts 5% van de fabrikanten betekenisvolle rendementen behaalt uit AI-investeringen, wordt voortdurend aangehaald en bijna nooit kritisch onderzocht. De vraag die het waard is om te stellen, luidt: wat gaat er specifiek mis?
Op basis van het implementeren van deze systemen bij Europese fabrikanten in meerdere sectoren, zijn drie specifieke barrières verantwoordelijk voor het overgrote deel van de mislukkingen.
Dit is de barrière die de meeste leveranciers presentaties geheel overslaan, omdat zij weinig glamoureus is en lastig in een slidedeck te vatten valt. Toch is het de meest voorkomende technische reden waarom implementaties van AI-planning mislukken.
Apparatuur op de werkvloer — PLC’s, SCADA-systemen, CNC-machines en de MES-laag — draait op Operational Technology (OT)-protocollen zoals OPC-UA, MQTT, Modbus en PROFINET. Deze systemen communiceren niet vanzelfsprekend met cloud-ERP-platformen of AI-modellen. Realtime productiedata in de IT-laag krijgen waar de planningsAI zich bevindt — zoals machinestatus, cyclustijden, kwaliteitsmarkeringen en energieverbruik per productiecel — vereist industriële IoT-integratie: edge-computingnodes op de fabrieksvloer, protocolvertaling, datanormalisatie en doorlopende bewaking van die datapijplijn.
Wanneer deze integratie niet correct wordt uitgevoerd, draait het AI-planningsysteem op verouderde of onvolledige data. En een planningoptimalisatiemotor die op verouderde data draait, produceert geen licht suboptimale planningen, maar actief misleidende.
Op Azure verloopt deze integratie via Azure IoT Hub voor apparaatconnectiviteit en Azure Arc voor edgebeheer, waarbij de data doorstromen naar Dynamics 365 Supply Chain Management en Azure Machine Learning. Het is een volwassen, beproefde stack. Het integratiewerk zelf vereist echter mensen die zowel de OT-omgeving op de fabrieksvloer als de IT-architectuur in de cloud begrijpen, en die combinatie is zeldzaam.
Los van de problematiek van de OT/IT-pijplijn hebben de meeste Europese fabrikanten een datakwaliteitsprobleem in de productie dat pas zichtbaar wordt wanneer u een AI-model probeert te trainen of te draaien.
De data bestaan in enige vorm verspreid over ERP, MES, kwaliteitssystemen, onderhoudslogboeken en energiemonitoringsplatformen. Maar zij bestaan in formats en structuren die niet consistent zijn tussen systemen, met gaten waar handmatige invoer inconsistent was, met productcodes en werkcentrumidentificatoren die niet overeenkomen tussen systemen, en op aggregatieniveaus die te grof zijn voor planningoptimalisatie om mee te werken.
Een op constraints gebaseerde optimizer heeft schone, consistente stamgegevens nodig: nauwkeurige cyclustijden, betrouwbare omstelmatrices, juiste capaciteitskalenders en correcte stuklijststructuren. ML-prognosemodellen hebben historische data nodig die werkelijk reële productiepatronen weerspiegelen, niet data die achteraf zijn gecorrigeerd of retrospectief zijn ingevoerd.
Het werk om data in een staat te krijgen waarin AI-modellen betrouwbare resultaten produceren, is niet glamoureus. Het wordt aan het begin van projecten ook vaak onderschat en raakt vervolgens hard aan de implementatieplanning. Onze teams bij Intwo bouwen daarom voorafgaand aan elke AI-implementatie een data-afstemmingsstap in elk project in. Niet omdat dit een vakje afvinkt, maar omdat het overslaan ervan de snelste route is naar een mislukte pilot.
De derde barrière is organisatorisch in plaats van technisch, maar even voorspelbaar. De neiging — vooral wanneer de directie aandringt op AI-transformatie — is om vanaf het begin de volledige productieomgeving te omvatten. Dit mislukt vrijwel altijd.
Eén enkele productielijn, met gedefinieerde inputs, bekende beperkingen en meetbare basislijnprestaties, vormt een volledig beheersbaar vraagstuk voor AI-planning. Het is bovendien klein genoeg dat wanneer er iets misgaat met de datapijplijn of wanneer de optimalisatieparameters bijgesteld moeten worden, u dit kunt diagnosticeren en oplossen zonder de hele fabriek te verstoren.
Een enterprise-brede implementatie versterkt daarentegen elk datakwaliteitsprobleem, elke OT/IT-integratiekloof en elk organisatorisch verzetspunt tegelijkertijd. Het resultaat is een project dat twee jaar doorloopt, aanzienlijk meer kost dan gepland en resultaten oplevert die moeilijk eenduidig aan het AI-systeem zijn toe te rekenen.
De fabrikanten die de beste resultaten boeken, beginnen met één enkele afgebakende lijn. Zij definiëren een succesnorm voor zes maanden — doorgaans verbetering van OEE en verkorting van de planningscyclus — voordat de pilot van start gaat. Zij bouwen de datapijplijn en de OT/IT-integratie voor die lijn correct op. En zij gebruiken die pilot vervolgens om de waarde aan te tonen, planners te trainen en het organisatorische vertrouwen op te bouwen voor de volgende fase.
Er is een dwingende factor die in de meeste gesprekken over planningsAI niet wordt genoemd, maar waar COO’s en CFO’s in de Europese maakindustrie zich steeds bewuster van worden: de CSRD.
De EU Corporate Sustainability Reporting Directive, die vanaf 2024 gefaseerd is ingevoerd, verplicht fabrikanten om Scope 1- en Scope 2-emissies te rapporteren op een operationeel detailniveau dat de meeste bedrijven momenteel niet kunnen leveren. Geen jaargemiddelden, maar energieverbruiksdata op het niveau van productieruns, herleidbaar tot specifieke orders en werkcentra.
AI-planningsystemen die integreren met energiemanagementinfrastructuur produceren deze data als bijproduct. Elke geplande opdracht heeft een bijbehorende energiekosten- en koolstofschatting. Elk herplanningsbesluit dat een energie-intensief proces verschuift naar een venster met lage prijzen en lage uitstoot, creëert een controleerbare registratie. Voor naleving van de CSRD is dit waardevol, los van de voordelen op het gebied van planningsoptimalisatie.
Naast de CSRD classificeert de EU AI Act — die nu van kracht is — bepaalde geautomatiseerde besluitvormingssystemen in industriële omgevingen als hoog risico. Daaronder vallen mogelijk ook planningsystemen die rechtstreeks invloed hebben op personeelsindeling of productiedoelstellingen. Dit vereist conformiteitsbeoordelingen en transparantiedocumentatie. Het is geen reden om AI-planning te vermijden, maar wel een reden om deze te implementeren op een platform met ingebouwde audit trail- en uitlegbaarheidsmogelijkheden. Dit is een van de argumenten om voor op constraints gebaseerde systemen te kiezen in plaats van voor ondoorzichtige ML-modellen als primaire planningsmotor.
Voor een middelgrote Europese fabrikant die op een modern cloud-ERP draait, of bezig is daarnaar te migreren, verloopt een goed gestructureerde AI-planningsimplementatie doorgaans in drie fasen.
Fase 1 (maand 1 tot 6): fundament voor data en connectiviteit. In deze fase stemt u de productiestamgegevens af, brengt u de OT/IT-integratiepijplijn voor de pilotlijn tot stand en bouwt u de baselineprestatiemetingen op die het succes zullen meten. Op Dynamics 365 en Azure betekent dit het configureren van Planning Optimization met nauwkeurige resourcekalenders en capaciteitsdata, en het verbinden van werkvloerdata via Azure IoT Hub.
Fase 2 (maand 6 tot 12): pilotoptimalisatie. U laat de op constraints gebaseerde planningsmotor draaien op de pilotlijn, met live herplanningsmogelijkheden bij verstoringen. U meet de OEE-verbetering, de verkorting van de planningscyclustijd en de energiekosten per eenheid. U traint planners in het samenwerken met het systeem. Dit is niet optioneel en moet als een formele werkstroom worden opgenomen.
Fase 3 (maand 12 en verder): schalen en geavanceerde mogelijkheden. U breidt uit naar aanvullende lijnen en locaties, met gebruikmaking van de datapijplijnarchitectuur die voor de pilot is gebouwd. U introduceert ML-gebaseerde vraagvoorspelling om de kwaliteit van de input voor de optimizer te verbeteren. Overweeg energiebewuste planningstriggers, gekoppeld aan day-ahead prijs-API’s, daar waar de energie-intensiteit dit rechtvaardigt.
Gepubliceerde resultaten van implementaties die deze aanpak volgen, zijn consistent: 15 tot 20% reductie in productiekosten, OEE-verbeteringen van 10 tot 25 procentpunten, en planningcycli die zijn teruggebracht van uren tot minuten. De kanttekening daarbij is dat deze resultaten voortkomen uit implementaties die het funderingswerk hebben verricht, en niet uit implementaties die direct naar het algoritme zijn gesprongen.
Voordat u AI-planningstools of -platformen beoordeelt, zijn dit de vragen die werkelijk bepalen of uw organisatie hiervoor klaar is.
Kunt u realtime data van uw werkvloerapparatuur in een eengemaakte dataomgeving krijgen? Wanneer het antwoord nee is, of ‘niet zonder aanzienlijke integratiewerkzaamheden’, dan is die integratie het eerste op te leveren resultaat, en niet het AI-model.
Zijn uw productiestamgegevens — cyclustijden, omstelmatrices, capaciteitskalenders en stuklijsten — schoon, volledig en consistent over uw systemen heen? Zo niet, dan zal een AI-optimizer uw dataproblemen vastleggen in uw planning, en deze niet oplossen.
Beschikt u over één enkele productielijn waar u een duidelijke succesnorm kunt definiëren en een pilot van zes maanden kunt uitvoeren zonder dat dit invloed heeft op de rest van de fabriek? Zo ja, dan is dat de plek om te beginnen.
En één regelgevende vraag die in hetzelfde gesprek thuishoort: weet uw duurzaamheidsrapportageteam welke productiedata over emissies zij onder de CSRD nodig zullen hebben, en levert uw huidige infrastructuur die data?
Wanneer u eerlijk bent over deze vier vragen, wordt het pad naar AI-planning — en een realistische tijdlijn voor resultaten — aanzienlijk duidelijker.
Voor Europese fabrikanten die de technologiestack beoordelen, vormt Microsoft Dynamics 365 Supply Chain Management met Planning Optimization, gekoppeld aan Azure IoT Hub voor werkvloerdata en aan Azure Machine Learning voor prognosemodellen, een coherente en goed ondersteunde architectuur voor deze use case. Deze is bewezen in Europese productieomgevingen, beschikt over de audit- en uitlegbaarheidsmogelijkheden die het Europese regelgevingsklimaat steeds meer vereist, en schaalt van een pilot op één lijn tot een enterprise-brede implementatie op hetzelfde platform.
De implementatiekwaliteit blijft enorm belangrijk: het platform is de mogelijkmaker, niet de garantie. Maar starten op infrastructuur die voor dit doel is ontworpen, vermindert het funderingsrisico aanzienlijk.
Rest assured. We've got you.
Laten we contact opnemen en samen uw zakelijke uitdagingen aanpakken.
