By Carine Lucas - AI verandert de maakindustrie ingrijpend, maar voor veel bedrijfsleiders blijft het moeilijk om de werkelijke mogelijkheden van AI onderscheiden van de hype errond. In aanloop naar zijn deelname aan de plenaire sessie van Agoria's Bright New World-evenement op 6 oktober licht Matthias Loskyll
, Senior Director AI & Robotics bij Siemens, de realiteit achter Industrial AI en Physical AI toe. Hij gaat in op hardnekkige misverstanden rond volledig autonome 'dark factories' en humanoïde robots, benadrukt waarom mensgerichte processen onmisbaar blijven en deelt een pragmatische visie op hoe Europese maakbedrijven hun diepgaande domeinkennis kunnen inzetten om hun concurrentiekracht te versterken.
Om maar meteen met de deur in huis te vallen: de markt wordt overspoeld met AI-termen zoals Generatieve AI, Consumer AI en Physical AI voor de maakindustrie. Hoe zou u de fundamentele verschillen tussen deze concepten uitleggen aan een directiecomité?
Matthias Loskyll: Eerst en vooral is het belangrijk te beseffen dat deze termen niet allemaal op hetzelfde niveau zitten. Ze overlappen elkaar gedeeltelijk. Generatieve AI is een specifiek onderdeel van AI-technologie, net zoals voorspellende AI of klassieke machine learning. Generatieve AI richt zich op het creëren van nieuwe inhoud, zoals tekst, softwarecode, beelden of technische documentatie en ontwerpen voor industriële toepassingen. Die technologie kan zowel in consumententoepassingen als in industriële omgevingen worden ingezet.
Wanneer we kijken naar toepassingen, maken we doorgaans een onderscheid tussen Consumer AI en Industrial AI. Industrial AI is voor ons de overkoepelende term voor alle AI-toepassingen in omgevingen zoals fabrieken, gebouwen en transportinfrastructuur.
Physical AI van zijn kant is het domein waarin artificiële intelligentie rechtstreeks handelt in de fysieke wereld. Het is momenteel aan een sterke opmars bezig in industriële omgevingen. De AI neemt haar omgeving waar via sensoren, analyseert wat er gebeurt en voert vervolgens autonoom fysieke handelingen uit via actuatoren, zoals een robotarm of een productiesysteem.
Het grootste verschil tussen Consumer AI en Industrial AI zit in de verantwoordelijkheid en de impact van de beslissingen die worden genomen. Op de werkvloer kan een AI-toepassing invloed hebben op productkwaliteit, veiligheid van medewerkers, energieverbruik en de continuïteit van de productie. Als er iets fout loopt, kunnen de gevolgen aanzienlijk zijn.
Daarom moet Industrial AI betrouwbaar, veilig en transparant zijn. Bovendien moet ze steunen op technische kennis, operationele data en diepgaande expertise van het specifieke domein waarin ze wordt ingezet.
Het grootste verschil tussen Consumer AI en Industrial AI zit in de verantwoordelijkheid en de impact van de beslissingen die worden genomen. Op de werkvloer kan een AI-toepassing invloed hebben op productkwaliteit, veiligheid van medewerkers, energieverbruik en de continuïteit van de productie.
Matthias Loskyll, Senior Director AI & Robotics bij Siemens
Sirris publiceerde onlangs de Smart Manufacturing Barometer, een bevraging bij 600 Vlaamse maakbedrijven die een representatieve steekproef van meer dan 90 respondenten opleverde. Daaruit blijkt dat 35% van de bedrijven nog geen AI-strategie heeft en dat AI vandaag vooral wordt ingezet voor administratieve processen, eerder dan op de werkvloer. De grootste drempels zijn het vinden van een concreet startpunt (42%) en het bewijzen van de businesscase (35%). Hoe kunnen maakbedrijven volgens u die hindernissen overwinnen en AI op een veilige manier van de backoffice naar de productievloer brengen?
Matthias Loskyll: Deze resultaten sluiten nauw aan bij wat wij in de markt zien. Het probleem is zelden een gebrek aan technologie. De echte uitdaging is eerder het ontbreken van een duidelijk businessgedreven startpunt en een helder pad naar ROI. Veel bedrijven blijven steken in proefprojecten zonder de stap naar grootschalige implementatie te zetten.
Daarom is het belangrijk om niet vanuit de technologie te vertrekken. Zeg niet: "We moeten AI inzetten op onze werkvloer" gewoon omdat het kan. Begin bij een concrete businessuitdaging: ongeplande stilstand verminderen, kwaliteitsproblemen aanpakken, energieverbruik terugdringen, complexe planningsvraagstukken oplossen of cruciale expertise borgen wanneer ervaren medewerkers met pensioen gaan. Het zijn de plant managers en hun teams die deze uitdagingen het best kennen.
Zodra een duidelijke businessuitdaging is geïdentificeerd, raden we aan om drie stappen te volgen:
Evalueer de datamaturiteit en -architectuur: Denk vooraf na over de volledige architectuur. Bepaal waar AI-modellen zullen draaien: in de cloud of lokaal aan de rand van het netwerk (edge computing), via industriële pc's die rechtstreeks met machines verbonden zijn.
Begin klein en gericht: Kies één use case met een duidelijke meerwaarde, zoals visuele kwaliteitscontrole, predictief onderhoud of ondersteuning van operatoren. Zo kunt u snel aantonen welke waarde AI oplevert.
Bouw een gestandaardiseerde infrastructuur uit: Investeer in een gemeenschappelijke AI-infrastructuur en een duidelijk governancekader. Zodra die basis staat, wordt het veel eenvoudiger en goedkoper om bijkomende AI-toepassingen uit te rollen naar andere machines, productielijnen of vestigingen.
Maakbedrijven hoeven deze weg overigens niet alleen af te leggen. Open ecosystemen, ervaren systeemintegratoren en technologiepartners kunnen de implementatie versnellen, risico's beperken en helpen om succesvolle toepassingen op grotere schaal uit te rollen.
Nog steeds volgens de Smart Manufacturing Barometer van Sirris werkt ruim 80% van de ondervraagde bedrijven volgens een Make-to-Order- of Engineer-to-Order-model, dat zich kenmerkt door grote productvariatie, kleine productiereeksen en complexe planningsprocessen. Hoe dicht staan we er in zulke omgevingen bij dat Physical AI de volledige kring sluit, waarbij Digital Twins en virtuele simulaties fysieke machines automatisch en in realtime aansturen zonder menselijke tussenkomst?
Matthias Loskyll: We evolueren steeds meer naar adaptieve, AI-gestuurde productieomgevingen, maar vandaag gebeurt dat vooral binnen afgebakende en specifieke toepassingen, niet op het niveau van een volledig autonome fabriek. Denk bijvoorbeeld aan camerasystemen die defecte onderdelen automatisch detecteren en uitsorteren, of aan AI-gestuurde ‘soft sensors’ die parameters voorspellen die moeilijk rechtstreeks te meten zijn. Dat zijn in feite afzonderlijke "eilanden van autonomie".
Ik geloof niet dat een volledig zelfconfigurerende fabriek zonder menselijke tussenkomst wenselijk of zelfs realistisch is in omgevingen met veel variatie, zoals Engineer-to-Order-productie. De echte vooruitgang zit in het sluiten van de kring tussen simulatie, de Digital Twin en de fysieke productieomgeving. Door eerst in de virtuele wereld te simuleren, te testen en te optimaliseren, kunnen gevalideerde aanpassingen vervolgens veilig en efficiënt naar de productielijn worden uitgerold. De fabriek blijft in essentie mensgericht, waarbij mensen cruciale beslissingen nemen binnen het proces.
Siemens' visie op Physical AI
Physical AI betekent een fundamentele verschuiving van passieve software-intelligentie naar actieve uitvoering in de echte wereld. In de visie van Siemens vormt Physical AI de brug tussen de fysieke hardware op de productievloer, realtime verwerking aan de edge en virtuele Digital Twins.
Hoewel de autonomie binnen specifieke industriële processen verder zal toenemen, gelooft Siemens dat de toekomst van de maakindustrie ligt in de combinatie van AI, automatisering, Digital Twins en menselijke expertise. Samen maken zij adaptieve, veerkrachtige en continu optimaliserende productieomgevingen mogelijk.
Met oplossingen zoals de Industrial AI Suite stelt Siemens industriële bedrijven in staat om AI-modellen naadloos te integreren met deterministische PLC-controllers, modellen lokaal uit te rollen via Industrial Edge en de volledige AI-levenscyclus te beheren over wereldwijde activiteiten heen. Daarnaast werkt Siemens rechtstreeks samen met toonaangevende klanten via co-creatieprogramma's om baanbrekende concepten om te zetten in schaalbare industriële producten.
Wilt u meer weten over het volledige aanbod van Siemens op het vlak van Industrial AI? Bezoek dan het officiële Siemens Industrial AI Portal.
Wanneer AI op grotere schaal wordt ingezet, kunnen de kosten snel oplopen. Denk aan rekenkracht, edge-infrastructuur of zelfs de pure tokenkosten van LLM's. Hoe kan een bedrijf ervoor zorgen dat AI op de werkvloer financieel haalbaar blijft?
Matthias Loskyll: Vanuit technologisch oogpunt is het cruciaal te begrijpen dat niet voor elke toepassing grote taalmodellen (LLM's) nodig zijn. Honderden industriële use cases worden het best opgelost met traditionele machine learning of gespecialiseerde modellen voor visuele inspectie en predictieve analyses. Deze modellen zijn lichtgewicht, goedkoop om te trainen en kunnen lokaal draaien op industriële edge-apparatuur, zonder cloudcomputingkosten of doorlopende inferentie- en tokenkosten.
Voor toepassingen die complexe redeneringen of taalverwerking vereisen en waarvoor LLM's wel noodzakelijk zijn, kunnen de kosten onder controle worden gehouden door gebruik te maken van event-driven modeloproepen, caching en strikte mechanismen voor kostenmonitoring.
Uiteindelijk begint alles met het evalueren van de return on investment op basis van de kost per nuttig industrieel resultaat, zoals het aantal vermeden uren stilstand, het aantal succesvol uitgevoerde inspecties of het aantal uitgespaarde manuele engineeringuren.
Een andere grote uitdaging is talent. In veel landen, waaronder België, gaan ervaren technici veel sneller met pensioen dan dat er nieuwe krachten instromen. Hoe kan Industrial AI helpen om die diepgaande kennis binnen het bedrijf vast te leggen en te bewaren voordat ze verloren gaat? En betekent dit dat jonge afgestudeerden overbodig worden, of maakt Industrial AI de maakindustrie net aantrekkelijker voor een nieuwe generatie?
Matthias Loskyll: Een van de grootste troeven van Industrial AI is dat schaarse expertkennis toegankelijk wordt voor een veel bredere groep medewerkers. Ervaren technici beschikken vaak over tientallen jaren aan praktijkervaring en intuïtieve vakkennis. Zij weten bijvoorbeeld hoe een machine klinkt vlak voordat er een defect optreedt, of welke kleine parameterwijziging nodig is om een proces optimaal te laten draaien. Met AI kan die kennis worden vastgelegd, gestructureerd en in de juiste context geplaatst, zodat ze beschikbaar wordt via AI-copilots, digitale assistenten of aanbevelingssystemen.
Het is daarbij wel essentieel dat bedrijven tijdig starten met programma's om kennis te capteren, nog vóór ervaren medewerkers met pensioen gaan. Tijdens die fase spelen deze experts een cruciale rol. Zij helpen de kennis te valideren, uitzonderingssituaties te documenteren en de nuances vast te leggen die je niet zomaar uit data kunt afleiden.
Voor jonge afgestudeerden en operatoren betekent de opkomst van AI zeker niet dat ze overbodig worden. Integendeel. AI-assistenten kunnen hun opleidingstraject versnellen en hun productiviteit verhogen door repetitieve en arbeidsintensieve taken over te nemen. Daardoor krijgen medewerkers meer ruimte om zich te richten op wat mensen het beste doen: complexe problemen oplossen, creatief denken en processen voortdurend verbeteren.
Er is momenteel enorm veel hype rond humanoïde robots voor algemene toepassingen. Ziet u humanoïde robots realistisch gezien binnenkort hun intrede doen op de fabrieksvloer?
Matthias Loskyll: Als ingenieur vind ik de vooruitgang in humanoïde robotica fascinerend, maar we moeten een onderscheid maken tussen marketingdemonstraties en praktische inzet in de dagelijkse realiteit. Vandaag worden humanoïde robots getest in beperkte en sterk afgebakende toepassingen, zoals het verplaatsen van dozen in logistieke centra. Daar leveren ze degelijke prestaties, maar ze zijn nog ver verwijderd van het vervangen van algemene operatoren of onderhoudstechnici.
Fabrieken hebben op zich geen behoefte aan een tweebenige, mensachtige vorm. Wat ze nodig hebben, is automatisering die betrouwbaar, veilig en economisch rendabel is. In de meeste gevallen is een gespecialiseerde machine, een Autonomous Mobile Robot (AMR) uitgerust met een robotarm, of een door AI ondersteunde automatiseringscel eenvoudiger, veiliger en aanzienlijk kostenefficiënter.
Fabrieken hebben op zich geen behoefte aan een tweebenige, mensachtige vorm. Wat ze nodig hebben, is automatisering die betrouwbaar, veilig en economisch rendabel is.
Matthias Loskyll, Senior Director AI & Robotics bij Siemens
De meeste fabrieken zijn niet van nul opgebouwd, maar draaien op gefragmenteerde IT- en OT-systemen die vaak al tientallen jaren oud zijn. Hoe maak je een fabriek ‘AI-ready’ zonder de volledige bestaande infrastructuur te moeten vervangen?
Matthias Loskyll: 'AI-readiness' moet worden beschouwd als een extra architectuurlaag, niet als een vervangingsprogramma. Vrijwel al onze industriële AI-projecten vinden plaats in bestaande productieomgevingen met legacy-systemen. De stapsgewijze aanpak bestaat daarbij uit:
Connectiviteit: bestaande installaties verbinden (van Siemens of andere leveranciers, oud of nieuw) via veilige gateways en edge-apparatuur. Dit is vaak het punt waarop systeemintegratoren een enorme meerwaarde bieden door op een veilige manier de brug te slaan tussen oudere apparatuur en moderne IT/OT-infrastructuur.
Contextualisering: de ruwe data in kaart brengen en van semantische context voorzien. Een temperatuurmeting van ‘80°C’ is op zichzelf waardeloos totdat de AI weet bij welke machine, welk productrecept en welke productiestap die meting hoort.
Gefaseerde uitrol: starten met toepassingen in ‘read-only’-modus, zoals conditiebewaking of anomaliedetectie, die operatoren adviseren zonder zelf fysieke acties uit te voeren. Zodra deze toepassingen hun waarde hebben bewezen, kan de cirkel worden gesloten door AI-voorspellingen te integreren in deterministische machinebesturingssystemen.
Noord-Amerika en China domineren vandaag duidelijk de markt voor Consumer AI en grote taalmodellen. Maar als we het hebben over Industrial AI, beschikt Europa over een enorme troef dankzij zijn diepgaande industriële domeinkennis. Is Industrial AI het terrein waarop Europa echt kan winnen en zijn technologische soevereiniteit kan veiligstellen? En vooral: wat hebben we concreet nodig op het vlak van beleid, investeringen en ecosystemen om dat waar te maken?
Matthias Loskyll: Europa heeft een reële kans om een leidende rol te spelen in Industrial en Physical AI, omdat we beschikken over maakindustrie van wereldklasse, een sterke positie in automatisering, hoogopgeleid technisch talent en waardevolle industriële databronnen waarop vertrouwen kan worden gebouwd.
Tegelijk zullen we die leiderspositie niet veiligstellen met regelgeving alleen. Om competitief te blijven, moet Europa fors investeren in zijn digitale infrastructuur, waaronder gerichte financiering voor industriële computerkracht en netwerkcapaciteit. Daarnaast moeten we data-ecosystemen versterken, zodat bedrijven hun industriële data op een veilige manier kunnen ontsluiten en benutten. Ook hebben we innovatievriendelijke regelgevingskaders nodig die burgers beschermen en vertrouwen waarborgen, zonder de snelheid van uitvoering en technologische adoptie af te remmen.
Technologische soevereiniteit betekent bovendien niet dat we alles zelf moeten ontwikkelen. Het betekent dat we beschikken over de capaciteiten, infrastructuur, vaardigheden en betrouwbare ecosystemen om kritieke technologieën vorm te geven en op te schalen volgens Europese waarden en industriële behoeften, terwijl we tegelijk open blijven staan voor globale innovatie.
Hoe herdefinieert Physical AI de dagelijkse rol van de operator op de werkvloer?
Matthias Loskyll: Physical AI verschuift de menselijke inspanning weg van repetitieve taken, werkzaamheden die een voortdurende observatie vereisen of fysiek gevaarlijk zijn, zoals het gedurende een volledige werkdag van acht uur handmatig inspecteren van onderdelen op defecten.
Wanneer AI deze repetitieve taken automatiseert, krijgen operatoren meer tijd en mentale ruimte voor toezichthoudende taken, het oplossen van complexe problemen en de voortdurende optimalisatie van processen. Ervaren medewerkers worden daarbij als het ware de ‘leraren’ van AI-modellen. Zij voeden de systemen met feedback uit de praktijk, waardoor de nauwkeurigheid van de modellen in de loop van de tijd verder verbetert. De werkvloer van de toekomst is een samenwerking tussen menselijke intelligentie en AI.
Begin met een concreet businessprobleem, niet met een technologiegedreven AI-initiatief. Voel u niet verplicht om uw volledige fabriek van de ene dag op de andere te transformeren.
Stel dat u in gesprek zou zijn met de directeur van een kmo in de maakindustrie die geïnteresseerd is in Industrial AI, maar zich overweldigd voelt door alle hype en die terugschrikt voor de hoge initiële investeringen en technische complexiteit. Wat is dan uw meest pragmatische advies om hem te helpen vandaag al echte waarde te creëren?
Matthias Loskyll: Begin met een concreet businessprobleem, niet met een technologiegedreven AI-initiatief. Voel u niet verplicht om uw volledige fabriek van de ene dag op de andere te transformeren. AI-readiness moet worden gezien als een overkoepelende architectuurlaag, wat betekent dat u uw bestaande machines niet hoeft te vervangen of meteen grote investeringen in nieuwe hardware hoeft te doen.
Identificeer een specifiek pijnpunt, zoals onverwachte stilstand van een kritieke machine of een duidelijke bottleneck in de kwaliteitscontrole, waarbij een storing een directe impact heeft op uw bedrijfsresultaten. Richt u eerst daarop en toon de meerwaarde aan met lichte, edge-gebaseerde oplossingen.
U hoeft ook geen intern team van datawetenschappers op te bouwen. Door samen te werken met ervaren systeemintegratoren en technologiepartners die uw operationele omgeving begrijpen, kunt u snel bewezen en gestandaardiseerde use cases implementeren. Zodra u op één productielijn een meetbare return on investment kunt aantonen, wordt de beslissing om op te schalen naar de rest van de fabriek veel eenvoudiger en minder risicovol.
Ontmoet Matthias Loskyll live op 6 oktober!
Wilt u dieper ingaan op de praktische toepassingen van Industrial AI en Physical AI binnen uw productieomgeving?
Tijdens Bright New World, het annual event van Agoria op 6 oktober 2026, neemt Matthias Loskyll deel aan het plenaire panel 'AI Postcards from Europe'. Kom in gezelschap van topindustriëlen , technologie-experts, beleidsmakers en andere beslissingnemers inspiratie opdoen over de toekomst van smart manufacturing en de rol van Europa daarin.
Klik hier om het volledige programma te bekijken en u in te schrijven voor Bright New World.
