Recap: Kennisborging met AI - hoe generatieve AI expertise kan behouden in maintenance

Tijdens het seminar deelden drie sprekers hun visie op de rol van AI in maintenance. Kristof Geilenkotten, Lead AI Engineer bij Inetum, lichtte toe hoe organisaties kunnen evolueren van generatieve AI naar Agentic AI, waarbij verschillende AI-agenten samenwerken rond specifieke taken en kennisbronnen.

Karin Peeters, Sales Director bij Dukem Solutions, ging dieper in op AI als digitale assistent voor maintenance-technici. Zij toonde hoe generatieve AI gekoppeld kan worden aan een EAM- of CMMS-systeem om technici sneller toegang te geven tot werkorderhistoriek, technische documentatie en assetinformatie.

Marcel Van Gogh, Maintenance Manager bij Van Geloven, bracht de praktijkcase. Hij toonde hoe Van Geloven; bekend als de overkoepelende snackproducent achter het bekende merk Mora, evolueerde van kennis in mappenstructuren en bij individuele medewerkers naar een meer datagedreven aanpak waarin generatieve AI helpt om kennis sneller inzetbaar te maken op de werkvloer.

Veel maintenance teams worden geconfronteerd met een tekort aan geschoold technisch personeel. Tegelijk dreigt waardevolle expertise verloren te gaan wanneer ervaren medewerkers de organisatie verlaten. die brain drain heeft een directe impact op onderhoudsprestaties: herstellingen verlopen trager, troubleshooting wordt moeilijker en stilstanden kunnen langer duren.

Kennisborging met AI biedt hiervoor een nieuwe aanpak. In plaats van kennis enkel passief op te slaan in documenten of systemen, kan generatieve AI helpen om die kennis actief beschikbaar te maken. Een technicus kan een vraag stellen in natuurlijke taal en krijgt sneller toegang tot relevante informatie uit werkorders, documentatie en eerdere ervaringen.

Een belangrijk deel van de seminar ging over het verschil tussen een standaard Large Language Model, RAG en Agentic AI.

Een LLM is sterk in taal en kan teksten begrijpen, samenvatten en genereren. Toch heeft een standaard LLM beperkingen. Het kent de interne bedrijfscontext niet vanzelf, werkt met een kennisgrens en kan antwoorden geven zonder duidelijke bron of verificatie.

Retrieval-Augmented Generation, of RAG, voegt daar specifieke context aan toe. Het model zoekt eerst relevante informatie in gekoppelde databronnen, zoals technische documentatie, SharePoint, procedures of werkorderhistoriek. Daarna gebruikt het die informatie om een antwoord te formuleren. Dit maakt de output concreter, controleerbaarder en beter afgestemd op de organisatie.

Agentic AI gaat nog verder. Daarbij werken meerdere AI-agenten samen, elk met een specifieke rol. Denk aan een agent die informatie zoekt, een agent die documentatie interpreteert, een agent die een antwoord formuleert en een agent die de kwaliteit controleert. Voor industriële organisaties is dit relevant omdat precisie, auditability, compliance en traceerbaarheid cruciaal zijn.

Tijdens het seminar werd ook ingezoomd op AI als digitale assistent voor technici. De achterliggende vraag is herkenbaar voor veel onderhoudsorganisaties: hoe geef je een technicus snel toegang tot alle beschikbare kennis en ervaring uit het verleden?

Een AI-assistent kan informatie combineren uit verschillende bronnen, zoals:

• werkorderhistoriek;
• technische documentatie;
• assetinformatie;
• ervaringen van experten;
• gecapteerde data uit onderhoudssystemen.

Wanneer deze informatie gekoppeld wordt aan een EAM- of CMMS-systeem, ontstaat een praktische toepassing voor de werkvloer. Een technicus kan bijvoorbeeld een vraag stellen over een storing aan een specifieke installatie. De AI-assistent zoekt dan in relevante werkorders en documenten, interpreteert de context en formuleert een antwoord dat aansluit bij de situatie.

Zo wordt AI geen losstaande chatbot, maar een gerichte ondersteuning voor onderhoud, troubleshooting en kennisoverdracht.

Een duidelijke boodschap uit het seminar: de kwaliteit van AI hangt af van de kwaliteit van de onderliggende kennisbasis. Generatieve AI kan pas waarde leveren wanneer de data, documenten en context voldoende betrouwbaar zijn.

Daarom zijn documentbeheer, naamgevingsconventies, indexing, datakwaliteit en actualiteit essentieel. Technische documenten moeten correct gekoppeld zijn aan assets. Werkorders moeten bruikbare informatie bevatten. Data moet voldoende gestructureerd zijn om ze correct te kunnen interpreteren.

AI lost slechte datakwaliteit niet automatisch op. De voorbereiding van de kennisbasis blijft een belangrijk onderdeel van elk AI-project in maintenance.

De praktijkcase van Van Geloven maakte de meerwaarde concreet. In 2019 zat veel kennis nog bij individuen of in statische mappenstructuren. De onderhoudsorganisatie was afhankelijk van ervaren medewerkers en werkte deels in brandweermodus.

De evolutie richting generatieve AI zorgde voor een andere manier van werken. Kennis werd sneller inzetbaar en toegankelijker voor het volledige team. In plaats van handmatig te zoeken in mappen, kunnen medewerkers sneller relevante informatie vinden via een dynamische AI-assistent.

De impact situeert zich op drie niveaus.

• Op menselijk vlak zorgt AI voor minder onzekerheid, snellere inwerktijd en meer taalflexibiliteit op de werkvloer. Voor nieuwe of minder ervaren technici wordt kennis toegankelijker.
• Op prestatieniveau helpt AI om sneller tot de bronoorzaak van storingen te komen. Dit kan bijdragen aan een lagere MTTR, minder downtime en een hogere beschikbaarheid van assets.
• Op cultureel vlak ondersteunt AI de verschuiving van beslissen op buikgevoel naar beslissen op basis van data en feiten. De case toonde hoe technische kennis, data en continue verbetering elkaar versterken.

Het seminar maakte duidelijk dat kennisborging met AI niet begint bij technologie, maar bij een concrete behoefte. Welke kennis dreigt verloren te gaan? Welke vragen stellen technici vaak? Welke informatie is moeilijk terug te vinden? Welke data is betrouwbaar genoeg om als bron te gebruiken?

Een succesvolle aanpak start best met een afgebakende use case. Bijvoorbeeld troubleshooting voor een specifieke installatiegroep, ondersteuning bij werkvoorbereiding of het ontsluiten van technische documentatie. Van daaruit kan een proof of concept evolueren naar een schaalbare oplossing.

Belangrijk is ook dat maintenance, IT, engineering en operations samenwerken. AI in maintenance is geen zuiver IT-project. Het is een verandertraject rond kennis, processen, data en mensen.

Bij de implementatie van generatieve AI in een onderhoudsomgeving zijn er enkele belangrijke aandachtspunten.

De scope en context moeten duidelijk beschreven worden. Een AI-assistent moet weten voor wie hij werkt, welke bronnen hij mag gebruiken en binnen welke grenzen hij antwoorden mag geven.

Security en toegangsbeheer zijn essentieel. Industriële data en technische documentatie zijn gevoelig. Daarom is het belangrijk om te werken met beveiligde omgevingen, correcte autorisaties en bij voorkeur read-only toegang tot kritische databronnen.

Menselijke validatie blijft nodig. AI kan ondersteunen, versnellen en structureren, maar de technicus of verantwoordelijke blijft eigenaar van de beslissing, zeker bij veiligheidskritische interventies.

Het BEMAS-seminar toonde dat generatieve AI een belangrijke rol kan spelen in de toekomst van maintenance en asset management. De grootste waarde ligt niet in het vervangen van technici, maar in het versterken van hun toegang tot kennis.

Door technische documentatie, werkorderhistoriek en expertervaring beter te ontsluiten, kunnen organisaties kennisverlies beperken, troubleshooting versnellen en nieuwe medewerkers sneller ondersteunen. AI maakt kennis niet alleen digitaal beschikbaar, maar ook bruikbaar op het moment dat ze nodig is.

Voor maintenance teams betekent dit een belangrijke verschuiving: van zoeken naar vinden, van individuele kennis naar gedeelde expertise, en van reactief handelen naar meer datagedreven asset performance.