Van predictive maintenance naar Agentic AI: industrie verkent volgende stap in slim onderhoud

Predictive maintenance is inmiddels een vertrouwd onderdeel van veel digitale onderhoudsstrategieën. Sensordata, condition monitoring en analytische modellen kunnen patronen identificeren die wijzen op degradatie of een verhoogd storingsrisico.

De output blijft echter vaak een voorspelling, alarm of health indicator. Daarna begint het werk van de maintenance- of reliabilityprofessional: historische gegevens raadplegen, mogelijke oorzaken onderzoeken, technische documentatie bekijken, de kriticiteit van de asset beoordelen en bepalen welke interventie nodig is.

Net in dat vervolgproces ligt het potentieel van een nieuwe generatie AI-toepassingen.

Generatieve AI kan informatie samenvatten, technische documentatie doorzoeken en gebruikers ondersteunen bij het interpreteren van kennis. Agentic AI voegt daar doelgericht handelen aan toe.

Een AI-agent kan in principe informatie uit meerdere bronnen combineren, tussen verschillende digitale systemen navigeren en een reeks opeenvolgende stappen uitvoeren om een vooraf bepaald doel te bereiken.

Stel dat een condition-monitoringsysteem een verhoogd faalrisico voor een lager detecteert. Een toekomstig AI-systeem zou niet alleen die afwijking kunnen toelichten, maar ook onderhoudshistoriek en technische documentatie raadplegen, mogelijke oorzaken structureren, rekening houden met asset criticality en productie-impact en relevante informatie voorbereiden voor werkvoorbereiding of planning.

Dat is wezenlijk anders dan een afzonderlijk predictief model. De waarde ontstaat niet alleen in de analyse, maar in de koppeling tussen diagnose, context en vervolgactie.

Voor maintenance-organisaties ligt een belangrijk toepassingsgebied daarom in de verbinding tussen bestaande systemen.

Condition-monitoringplatformen, EAM- of CMMS-systemen, documentmanagement, spare-partsinformatie en productiegegevens bevatten vandaag vaak elk een deel van de informatie die nodig is om een onderhoudsbeslissing te nemen.

Agentic AI kan deze informatie in theorie sneller samenbrengen. Dat kan vooral relevant zijn in processen waar engineers of planners vandaag veel tijd besteden aan het zoeken, controleren en overnemen van informatie.

De mogelijke impact zit daardoor niet uitsluitend in hogere automatisering. Ook de kwaliteit en snelheid van besluitvorming kunnen veranderen.

Voor KPI’s zoals Mean Time to Repair (MTTR), planned versus unplanned maintenance, schedule compliance en asset availability kan vooral de tijd tussen detectie, diagnose en een uitvoerbare onderhoudsbeslissing relevant worden. Of AI deze KPI’s daadwerkelijk verbetert, hangt echter sterk af van de kwaliteit van het onderliggende onderhoudsproces.

De technische mogelijkheden veranderen niets aan een fundamenteel principe uit maintenance en asset management: beslissingen kunnen slechts zo goed zijn als de beschikbare informatie.

Een AI-agent die toegang krijgt tot foutieve assetdata, verouderde procedures of onvolledige onderhoudshistoriek zal die tekortkomingen niet automatisch oplossen.

Dat maakt onderwerpen zoals datakwaliteit, master data management, assetstructuren en traceerbaarheid belangrijker in plaats van minder belangrijk.

Organisaties moeten onder meer kunnen bepalen welke gegevens als betrouwbare bron gelden, hoe actueel die informatie moet zijn en hoe duidelijk zichtbaar blijft op basis van welke bronnen een advies of actie tot stand kwam.

Die uitdaging sluit aan bij bredere principes uit asset management. ISO 55000 benadrukt onder meer het belang van geïntegreerde besluitvorming, waardecreatie over de asset lifecycle en afstemming tussen assets, informatie, risico en organisatiedoelstellingen. AI verandert die uitgangspunten niet, maar stelt nieuwe eisen aan de digitale informatieketen waarop dergelijke beslissingen steunen.

Agentic AI betekent in een industriële omgeving niet automatisch volledige autonomie.

Zeker voor kritische of safety-critical assets moet vooraf duidelijk worden vastgelegd welke systemen een AI-agent mag raadplegen, welke gegevens hij mag wijzigen en welke acties menselijke goedkeuring vereisen.

Daarmee ontstaat een nieuw governancevraagstuk. Een technisch systeem kan bijvoorbeeld een interventie voorstellen of een werkorder voorbereiden, maar dat betekent nog niet dat het zelfstandig een installatie mag stilleggen of een onderhoudsactie mag vrijgeven.

Autorisaties, validatieregels, logging en menselijke controle blijven daarom essentieel.

Ook verantwoordelijkheid moet expliciet blijven. Wanneer een AI-systeem informatie verzamelt of een voorstel formuleert, blijft de organisatie verantwoordelijk voor de manier waarop dat voorstel wordt gevalideerd en toegepast.

De ontwikkeling van Agentic AI verandert ook de volgorde van investeringsvragen.

Een organisatie met onvolledige assetregisters, weinig consistente storingscodering of onvoldoende gestandaardiseerde werkprocessen zal die tekortkomingen niet oplossen door een extra AI-laag toe te voegen.

Dat thema komt tijdens Asset Performance 2026 expliciet aan bod. Tor Idhammar, Director of Reliability bij Domtar, opent de conferentie met AI for Reliability at Domtar: Hype, Help, or Hard Truths? Zijn vertrekpunt is herkenbaar voor veel industriële organisaties: geavanceerde technologie creëert weinig waarde wanneer de fundamenten van maintenance en reliability onvoldoende ontwikkeld zijn.

Vanuit maturiteitsperspectief betekent dit dat AI best wordt bekeken als onderdeel van een bredere reliability- en assetmanagementarchitectuur. Processen, data, rollen en technische systemen moeten voldoende stabiel zijn voordat meer autonome toepassingen verantwoord kunnen worden ingezet.

Op langere termijn gaat de discussie nog verder.

Prof. Diego Galar van Luleå University of Technology en SISTEPLANT sluit Asset Performance 2026 af met From Agentic AI to Self-Preserving Assets: Redefining Maintenance and Asset Management.

Het concept van een ‘self-preserving asset’ combineert onder meer condition-based maintenance, reliability engineering, digitale tweelingen en autonome besluitvorming.

Dat is vandaag eerder een toekomstbeeld dan een beschrijving van gangbare industriële praktijk. Het maakt wel duidelijk in welke richting de discussie evolueert: van assets die hun toestand rapporteren naar systemen die steeds meer context kunnen interpreteren en kunnen ondersteunen bij de keuze van een vervolgactie.

Daarbij verdwijnt de maintenanceprofessional niet. Naarmate digitale systemen meer beslissingsondersteuning bieden, worden technische expertise, risicobeoordeling en duidelijke verantwoordelijkheden juist belangrijker.

Een bijzondere invalshoek komt tijdens de conferentie van Dr. Stefaan De Mey, Head of the Strategy Team for Human and Robotic Exploration bij de European Space Agency.

Onder de titel Sending Spare Parts to Mars is a Bad Business Case behandelt hij systemen die gedurende lange perioden betrouwbaar moeten blijven functioneren zonder directe toegang tot reserveonderdelen, gespecialiseerde technici of externe interventie.

De omstandigheden in de ruimtevaart verschillen uiteraard sterk van een productieomgeving, energiecentrale of waterzuiveringsinstallatie. De onderliggende assetmanagementvraag is echter herkenbaar: hoe ontwerp en beheer je kritische assets wanneer falen moeilijk, duur of soms onmogelijk op te vangen is?

Dat verbindt autonomie rechtstreeks met maintainability, reliability, logistieke risico’s en prestaties over de volledige asset lifecycle.

Voor maintenance- en assetmanagementorganisaties is de belangrijkste vraag daarom niet hoe geavanceerd een AI-model is.

Relevanter is welke concrete stap in het onderhoudsproces ermee wordt verbeterd. Kan technische informatie sneller en betrouwbaarder worden gevonden? Wordt diagnose beter ondersteund? Kan werkvoorbereiding efficiënter verlopen? Blijft duidelijk waarop een advies gebaseerd is? En zijn verantwoordelijkheden en autorisaties correct afgebakend?

Daarmee verschuift de beoordeling van technologie van functionaliteit naar procesprestatie en risicobeheersing.

Asset Performance 2026, op 18 en 19 november in het Flanders Meeting & Convention Center Antwerp, behandelt die evolutie vanuit verschillende invalshoeken. Naast Agentic AI komen onder meer AI Voice Agents, predictive en prescriptive maintenance, asset health, asset data management, EAM, reliabilitystrategieën en data-driven asset management aan bod.

Agentic AI kan een volgende stap vormen in de digitalisering van maintenance: van het voorspellen van problemen naar ondersteuning bij de acties die daarop volgen.

De technische mogelijkheid om meerdere systemen en processtappen met elkaar te verbinden, creëert tegelijk nieuwe eisen rond datakwaliteit, governance, autorisaties en menselijke validatie.

Voor maintenance-, reliability- en assetmanagementprofessionals ligt de kern daarom niet in maximale autonomie. De relevante vraag is waar AI aantoonbaar bijdraagt aan beter onderbouwde beslissingen, betrouwbaardere assets en beheersbare risico’s over de volledige levenscyclus.