Agentic AI voor de maakindustrie: agents die je fabriek bewaken en handelen

Agentic AI is AI die op eigen initiatief een doel nastreeft, binnen grenzen die jij stelt. In plaats van te wachten op een vraag bewaakt een agent zijn domein, trekt conclusies en voert acties uit of zet ze klaar. Dat initiatief is waar 'agentic' voor staat: hij reageert op triggers, niet op prompts.

Een copilot antwoordt als jij iets vraagt; een agent komt naar jou. Een chatbot is reactief: geen vraag, geen output. Een agent kijkt continu, signaleert uit zichzelf en zet de opvolging klaar. In MeshOS werken de twee samen: de copilot beantwoordt je vragen, agents bewaken de vloer.

In de maakindustrie betekent agentic AI: agents die draaien op live machinedata. Ze bewaken lijnen en processen, signaleren afwijkingen met de context erbij en zetten de opvolging klaar, van werkorders tot shiftrapporten. De waarde zit in continuïteit: een agent bekijkt elke waarde in elke shift, en dat volume houdt geen team handmatig bij.

Veelvoorkomend: een stilstandbewaker die stops classificeert en terugkerende patronen signaleert, een kwaliteitsagent die drift tijdens de batch opmerkt, een shiftrapport-schrijver, een onderhoudsagent die werkorders klaarzet en een energiebewaker die je gecontracteerde vermogen bewaakt. Welke het eerst rendeert, hangt af van waar jouw uren en verliezen zitten.

Niet op eigen houtje. Acties die het proces raken, lopen via goedkeuringsregels die jij vastlegt, en alles wat met veiligheid te maken heeft blijft in de besturingslaag, waar het hoort. De meeste agents starten volledig adviserend: zij signaleren en zetten klaar, mensen beslissen. Automatisering volgt alleen voor acties met een bewezen trackrecord, en alleen waar jij dat toestaat.

Live data met context. Een agent die alleen een waarde ziet veranderen, kan die niet beoordelen: hij moet weten bij welke machine, order, batch en shift die waarde hoort. Dat is precies wat MeshOS aan ruwe machinedata toevoegt, en waarom agents in MeshOS het datakoppelproject overslaan waar de meeste agentpilots op stranden.

In de praktijk wel: een agent heeft een live datafundament met context nodig, en MeshOS is hoe wij dat leveren. Zijn je machines al op MeshOS aangesloten, dan bouwt een eerste agent voort op wat er ligt. Zo niet, dan beginnen we met het aansluiten van één lijn, en zo begint elke andere MeshOS-module ook.

Vooral door oplopende kosten, vage businesswaarde of risico dat nooit onder controle komt: precies om die redenen verwacht Gartner dat ruim 40% van de agentic AI-projecten voor eind 2027 wordt stopgezet. De mislukkingen die wij zien delen een patroon: pilots op data-exports, agents zonder context, geen route van melding naar actie en geen vastgelegde grenzen. Alle vier vermijdbaar, en geen van de vier is een AI-probleem.

Drie mechanismen: grenzen per actie (wat hij zelf mag, wat op akkoord wacht), een audittrail van elke waarneming en actie, en een adviserende start zodat niets geautomatiseerd wordt voordat het zich bewezen heeft. Je kunt altijd terugkijken waarom een agent deed wat hij deed.

Nee. Hij vervangt het kijken en het typen: schermen bewaken, rapporten schrijven, statussen najagen. Beoordelen, oplossen en verbeteren blijft mensenwerk, en met de huidige schaarste aan technici is dat precies de bedoeling: hun uren gaan naar werk dat alleen zij kunnen doen.

Verbanden en context. Alarmen gaan af op drempels, één signaal tegelijk, en ze staan bekend om hun ruis. Een agent combineert signalen, kent het normale gedrag per product, onderdrukt de ruis en hangt context en opvolging aan de ene melding die ertoe doet. Hij vult je alarmen aan; veiligheidskritische alarmering blijft in SCADA.

Met machinedata die al in MeshOS zit: een eerste agent draait doorgaans binnen 4 tot 6 weken in adviesmodus, inclusief afstemmen op je echte data. Zonder datafundament komt eerst het aansluiten van een lijn; die doorlooptijd hangt af van je machines.