Generatieve AI verovert in hoog tempo een plek in de industrie, van het ondersteunen van engineers tot het analyseren van meetdata. Toch botst de technologie op een fundamenteel probleem: ze levert waarschijnlijke uitkomsten, terwijl productieprocessen juist eenduidige, harde grenzen nodig hebben.
Kans versus zekerheid
Modellen die op statistiek zijn gebouwd, geven een resultaat dat het meest aannemelijk is. Voor tekst of beeld werkt dat prima, maar in de fabriek telt een gemiddelde vaak niet. Een onderdeel voldoet aan de tolerantie of niet. Een temperatuur blijft binnen de veilige marge of overschrijdt die. Er is geen ruimte voor 'ongeveer goed'.
Juist die vaagheid maakt onkritisch gebruik riskant. Een antwoord dat overtuigend klinkt maar net buiten de specificatie valt, kan leiden tot afkeur, herbewerking of in het ergste geval tot onveilige situaties. Voor kwaliteitsborging en certificering is een resultaat dat 'bijna klopt' feitelijk fout.
Wat dit betekent voor fabrikanten
Bedrijven doen er goed aan generatieve AI in te zetten waar variatie is toegestaan, en te vermijden waar strikte grenswaarden gelden. Denk aan:
Ondersteunend werk: het opstellen van documentatie, het samenvatten van rapporten of het genereren van ideeën.
Voorbereidend werk: het snel doorzoeken van data, waarna een deterministische controle het definitieve oordeel velt.
Kritische beslissingen: daar blijven vaste regels, meetsystemen en menselijke controle leidend.
De kern is dat AI-uitkomsten altijd toetsbaar moeten zijn aan objectieve criteria. Wie generatieve modellen combineert met controleerbare regels en meetbare grenzen, benut de snelheid van de technologie zonder de zekerheid op te geven die de maakindustrie nodig heeft.
Generatieve AI is dus geen vervanger van precieze procesbeheersing, maar een hulpmiddel dat zorgvuldig moet worden ingebed. De uitdaging voor ingenieurs is niet óf ze de technologie gebruiken, maar wáár en met welke waarborgen.