Breng tijd door met manufacturing executives en je hoort al snel dezelfde boodschap: de robotiseringsgolf van de jaren 2010 leverde echte verbeteringen op, in ieder geval een tijd lang. Daarna zorgden upgrades van enterprise resource planning voor schonere data en gestandaardiseerde processen, terwijl IoT-uitrol enorme hoeveelheden sensordata genereerde.
Toch vertellen de kerncijfers een ander verhaal — over yield, ongeplande downtime, defecten die pas later worden ontdekt en inventory turns. Over de hele linie is de vooruitgang in het afgelopen decennium voor de meeste fabrikanten op zijn best marginaal geweest.
In de VS bijvoorbeeld steeg de arbeidsproductiviteit in de manufacturingsector tussen het vierde kwartaal van 2019 en het eerste kwartaal van 2026 met slechts 0,5% op jaarbasis, terwijl de output met 0,1% steeg en het aantal gewerkte uren met 0,4% daalde.
Deze cijfers wijzen op een strategisch probleem dat dringend moet worden opgelost, zeker omdat de wereldwijde markt voor AI in manufacturing naar verwachting zal groeien van $34,2 miljard in 2025 naar $155 miljard in 2030, met een samengestelde jaarlijkse groei van 35,3%.
Waar manufacturing tekortschiet in intelligentie
Traditionele automatisering maakt processen sneller en beter herhaalbaar, maar niet slimmer.
Een robot kan 10.000 keer per dag consequent dezelfde las maken, maar merkt niet dat een nieuwe partij staal zich anders gedraagt, dat een lager waarschijnlijk binnen twee shifts uitvalt of dat een productieschema moet worden aangepast omdat een downstream bottleneck bijna is opgelost. Dit soort afwegingen was lang afhankelijk van menselijke ervaring: kostbaar, schaars en moeilijk schaalbaar.
Er zijn vier brede factoren die dit tot een urgent probleem maken:
- Supply chains blijven kwetsbaar: Problemen die in 2020 begonnen, zijn alleen maar complexer geworden. Geopolitieke spanningen helpen niet.
- Gekwalificeerd personeel wordt schaarser: In de meeste manufacturingeconomieën gaan meer mensen met pensioen dan er nieuw instromen, en veel van hun kennis verdwijnt met hen.
- Duurzaamheidseisen worden strenger: Toezichthouders en grote klanten verwachten nu gedetailleerd, controleerbaar bewijs, gebaseerd op operationele data.
- Maatwerk is de norm: Kortere productieruns, meer varianten, meer personalisatie en snellere omstellingen — de lat blijft hoger worden gelegd.
Conventionele automatisering neemt deze druk niet weg, maar physical AI kan dat wel. Daarmee kunnen systemen in real time waarnemen wat er in je operaties gebeurt, die omstandigheden begrijpen én ernaar handelen.
Wat er is veranderd: de onderliggende AI en de omgeving eromheen
Perception en opkomende world models worden steeds beter in het begrijpen van fysieke omgevingen en het voorspellen van wat er daarna gebeurt. Krachtigere compute ondersteunt training op schaal, terwijl digital twins deze modellen kunnen testen en synthetische data kunnen genereren uit virtuele fabrieken, apparatuur en workflows, in plaats van uitsluitend te vertrouwen op tests in de echte wereld.
Maar deze mogelijkheden hebben is slechts een deel van de vergelijking. Voor fabrikanten ligt de grotere uitdaging in de integratie met de operationele technologie, enterprise systemen, data en workflows die de fabriek draaiende houden.
Bij NTT DATA zien we physical AI net zozeer als een integratie-uitdaging als een AI-uitdaging.
NVIDIA’s physical AI-stack
NVIDIA levert een belangrijk deel van de technologische basis voor dit werk. De physical AI-stack omvat modellen, bibliotheken, frameworks en accelerated computing voor training, simulatie en implementatie in de echte wereld.
Je kunt de stack zien als drie lagen:
- Modellen: De NVIDIA Cosmos world foundation models helpen physical AI-systemen de fysieke wereld te begrijpen en erover te redeneren.
- Software, bibliotheken en frameworks: NVIDIA Isaac Sim biedt een simulatieomgeving voor het ontwikkelen en testen van robotica-applicaties. NVIDIA AI Enterprise biedt software voor het implementeren en beheren van AI in productieomgevingen en omvat NVIDIA Omniverse, Metropolis en Triton.
- Compute: NVIDIA DGX biedt gecentraliseerde infrastructuur voor het trainen van AI-modellen, RTX PRO Servers leveren de compute die nodig is voor simulatie- en digital-twinworkloads, en Jetson brengt AI-inferentie naar robots, machines en andere edge-systemen.
Hoe fabrikanten er nu al van profiteren
De verbeteringen die zichtbaar zijn in manufacturingoperaties zijn opvallend:
- Een wereldwijde autofabrikant implementeerde digital twins op basis van NVIDIA Omniverse-bibliotheken in meer dan 30 fabrieken. De tijd die nodig was om virtuele geautomatiseerde botsingscontroles uit te voeren — om ervoor te zorgen dat nieuwe voertuigen richting de productielijn niet met hun omgeving botsen — daalde van vier weken naar drie dagen, met een verwachte verlaging van 30% in productiekosten voor planning.
- Elektronicafabrikanten vinden manieren om kwaliteitscontrole en productiviteit te verbeteren. Foxconn Industrial Internet werkt samen met NVIDIA Metropolis-partners om kwaliteitsinspecties van printplaten te automatiseren, en met NVIDIA RTX PRO Servers om grote taalmodellen die op DGX SuperPOD zijn ontwikkeld aan de edge te draaien. Innodisk gebruikt NVIDIA Metropolis om optische inspectie op productielijnen te automatiseren, terwijl Wistron het inzet om de optische inspectie van printplaten deels te automatiseren.
- Bij industriële defectdetectie en -classificatie behaalde NVIDIA’s end-to-end deep-learningplatform in een demonstratie een recall van 96,4%, een precisie van 99,3% en een foutalarmpercentage van 0,1%, terwijl TensorRT-optimalisatie aanzienlijke inferentiewinst opleverde. Bij edge-implementaties verwerkte dezelfde aanpak 228,1 frames per seconde (FPS) op Jetson AGX Xavier, vergeleken met 18 fps op Jetson Nano. Dat laat zien hoe AI-gebaseerde inspectie detectiekwaliteit kan combineren met productierijpe throughput.
NTT DATA’s services vormen een aanvulling op de NVIDIA-stack
Veel AI-initiatieven van fabrikanten maken de fout om elke AI-usecase als een losstaand project te behandelen. Ze halen vision AI bij de ene leverancier, predictive maintenance bij een andere en digital twins bij een derde. Elk daarvan heeft eigen datapijplijnen, een eigen deployment-stack en eigen onderhoudsbehoeften.
Daarna ontdekken ze dat elke extra usecase weer een nieuwe integratielaag toevoegt — en daarmee meer complexiteit en een zwakkere ROI-case.
Er is geen gebrek aan leveranciers in deze markt. Maar in manufacturing levert AI pas waarde op wanneer de organisatie die de implementatie verzorgt de realiteit op de fabrieksvloer net zo goed begrijpt als de technologie zelf.
De wereldwijde Manufacturing-practice van NTT DATA werkt al meer dan twintig jaar met industriële klanten in automotive, electronics, aerospace, process industry en food & beverage. We weten hoe integratie met manufacturing execution systems (MES) eruitziet wanneer het MES 15 jaar oud is, hoe een predictive-maintenance-model zich gedraagt wanneer de praktijk op de werkvloer afwijkt van de trainingscondities, en welke data-governancevraagstukken een programma kunnen laten ontsporen voordat het goed en wel is gestart.
Ons AI for Manufacturing-platform bouwt voort op die basis. Het is een agentic AI-orchestratielaag die specifiek voor deze sector is ontworpen en boven op NVIDIA’s stack draait om AI-output in real time om te zetten in operationele beslissingen. Het bevat een bibliotheek met meer dan 50 vooraf gebouwde agents en meerdere gespecialiseerde industriële AI-modellen, met low-code orchestration die direct integreert met NVIDIA’s compute- en inferentie-infrastructuur.
NVIDIA levert de AI-infrastructuur en open modellen, bibliotheken en frameworks. Wij verbinden die mogelijkheden met de systemen en workflows die de fabriek draaiende houden.
Wat volgt in deze serie
Er zit een grote kloof tussen wat AI in manufacturing vandaag kan en wat de meeste fabrieken daadwerkelijk gebruiken. In veel gevallen ontbreekt een gestructureerde manier om van geïsoleerde pilotprojecten naar een enterprise operating model te gaan.
In onze volgende blogpost bekijken we hoe NTT DATA’s AI for Manufacturing-platform deze mogelijkheden samenbrengt, door NVIDIA’s physical AI-technologie te combineren met de agents, orchestration en integratie die nodig zijn om AI te verbinden met echte manufacturingoperaties.
In het laatste deel schetsen we een implementatiekader van 90 dagen, als praktisch startpunt voor operationele leiders die klaar zijn om de volgende stap te zetten. De intelligente fabriek is niet iets waar je in één keer aankomt; je bouwt haar stap voor stap, via de beslissingen die je vandaag neemt.
WAT JE NU KUNT DOEN
Lees meer over NTT DATA’s Manufacturing-services en neem contact op met ons team om te ontdekken hoe we je kunnen helpen sneller te produceren, slimmer te bewegen en kosten te verlagen.