Agentic AI in Engineering and Manufacturing: Industry Perspectives on Utility, Adoption, Challenges, and Opportunities

Dit kwalitatieve onderzoek, gebaseerd op meer dan 30 interviews, analyseert de huidige toepassing, uitdagingen (zoals datafragmentatie en beveiliging) en kansen voor agentic AI in de engineering en productie, en concludeert dat de adoptie afhangt van een gefaseerde overgang van assistentie naar geautomatiseerde workflows, ondersteund door robuuste verificatie en verbeterde integratie met bestaande tools.

De kern

🏭 De Fabriek van de Toekomst: Waar AI de Hulpverlener is, niet de Baas

Stel je voor dat de wereldwijde industrie (fabrieken, ingenieursbureaus, bouwbedrijven) een enorme, oude bibliotheek is. In deze bibliotheek werken duizenden ingenieurs. Maar er is een probleem: de boeken zijn verspreid over de hele wereld, sommige zijn in een vreemde taal geschreven, en veel kennis zit alleen nog maar in het hoofd van de oudere ingenieurs die met pensioen gaan.

Dit onderzoek, uitgevoerd door experts van MIT, kijkt naar hoe AI-agenten (slimme computerprogramma's die zelfstandig taken kunnen uitvoeren) deze bibliotheek kunnen helpen.

Hier zijn de belangrijkste lessen, vertaald naar alledaagse taal:

1. Waar AI nu al goed in is: De "Vakkenvuller"

Op dit moment is AI nog geen meester-architect die een hele brug ontwerpt. Het is meer als een super-efficiënte vakkenvuller of assistent.

• De taak: AI is fantastisch in saaie, herhalende taken. Denk aan het invullen van enorme formulieren, het zoeken naar specifieke nummers in duizenden documenten, of het controleren of een lijstje klopt.
• De analogie: Stel je voor dat je een stapel van 1000 brieven moet sorteren op datum. Een mens doet dit in een dag; een AI-assistent doet het in een minuut. Dat is waar de meeste bedrijven nu geld mee verdienen.

2. De Grote Hindernis: De "Rommelige Schuur"

Je zou denken dat de technologie het probleem is, maar nee. Het probleem is de data.

• Het probleem: De informatie in fabrieken zit vaak in "rommelige schuurtjes". Het staat in oude PDF-bestanden, op losse papieren, in Excel-sheets die niemand meer begrijpt, of in het hoofd van een ingenieur die met pensioen gaat.
• De analogie: Je wilt een slimme robot die je huis schoonmaakt, maar je hebt je spullen niet in dozen, maar verspreid over de vloer, in de koelkast en onder het tapijt. De robot kan niet werken als hij niet weet waar de stofzuiger staat.
• Gevolg: Zolang de data niet op orde is en niet digitaal toegankelijk, kan de AI niet echt "agentisch" worden (d.w.z. zelfstandig taken plannen).

3. De "Vergeetachtige" Robot: Vertrouwen en Veiligheid

In een fabriek gaat het vaak om veiligheid. Als een brug instort, is dat een ramp.

• Het probleem: Menselijke ingenieurs werken met vaste regels: als je dit doet, gebeurt dat. AI werkt echter met kansberekening. Het kan soms "hallucineren" (zaken verzinnen die niet waar zijn).
• De oplossing: Niemand vertrouwt de AI blindelust. De regel is: "De mens zit in de lus".
• De analogie: Stel je voor dat je een zelfrijdende auto hebt. De auto kan rijden, maar als er een gevaar is, moet de menselijke bestuurder (of een systeem dat de mens controleert) ingrijpen. In de engineering is AI de co-piloot, niet de kapitein. De kapitein (de mens) moet altijd de laatste handtekening zetten.

4. De Oude Machines: De "Taalbarrière"

Veel fabrieken gebruiken software die al 30 jaar oud is. Die software is gemaakt voor mensen die met een muis klikken, niet voor computers die met elkaar praten.

• Het probleem: Moderne AI-agenten hebben een "spraak" nodig om met oude systemen te praten (zoals een API). Die taal bestaat vaak niet.
• De analogie: Het is alsof je een moderne smartphone wilt koppelen aan een ouderwetse draadtelefoon uit 1980. Ze kunnen niet met elkaar communiceren zonder een hele dure adapter. Zolang de oude software niet "slimmer" wordt, kan de AI niet alles automatiseren.

5. De Cultuur: "Niet te snel, niet te traag"

Er is een spanningsveld in bedrijven.

• De conservatieven: Grote, oude bedrijven (zoals in de luchtvaart) zijn bang voor risico's. Ze zeggen: "We hebben dit altijd zo gedaan, waarom veranderen?"
• De snelheidsduivels: Startups zeggen: "We moeten nu alles automatiseren, anders zijn we failliet."
• De balans: De succesvolle bedrijven zijn diegenen die AI zien als een gereedschap (zoals een hamer), niet als een vervanging voor de timmerman. Ze leren hun werknemers hoe ze de hamer moeten gebruiken, zonder de timmerman te ontslaan.

🚀 Wat moet er gebeuren om de toekomst te bereiken?

Om van "slimme assistent" naar "slimme partner" te gaan, zijn drie dingen nodig:

1. Een gemeenschappelijke taal: Softwarefabrieken moeten hun oude programma's openstellen zodat AI-agenten erin kunnen werken (zoals een standaardstekker voor alle apparaten).
2. Een "Controlemechanisme": We hebben nieuwe regels nodig om te bewijzen dat AI geen fouten maakt, net zoals we testen of een vliegtuig veilig is.
3. Kennis bewaren: We moeten de kennis van de oudere ingenieurs (die met pensioen gaan) vastleggen voordat het verdwijnt, zodat de AI het kan leren.

Conclusie

AI in de engineering is niet de "magische toverstaf" die morgen alles voor ons doet. Het is een opkomende kracht die nu vooral helpt bij het opruimen van de rommel en het doen van het saaie werk.

Om echt te groeien, moeten we eerst onze data opruimen, onze oude software updaten en zorgen dat mensen en machines samenwerken met vertrouwen. De toekomst is niet "AI tegenover de mens", maar "AI met de mens".

Technische samenvatting

Probleemstelling

De engineering- en manufacturingsector staat voor een structurele verschuiving: er is een groeiende vraag naar productiecapaciteit en innovatie, maar er ontstaat gelijktijdig een acuut tekort aan gespecialiseerd personeel (naar schatting 1,9 miljoen ontbrekende engineers in de VS tegen 2033). Hoewel kunstmatige intelligentie (AI) wordt gezien als een cruciale oplossing om deze krapte te overbruggen en de efficiëntie te verhogen, is de adoptie van geavanceerde agente AI-systemen (AI die zelfstandig doelen nastreeft, tools gebruikt en multi-stap workflows orchestreert) beperkt.

Het centrale probleem is dat de huidige adoptie niet wordt beperkt door de rekenkracht of het vermogen van de AI-modellen zelf, maar door een ecosysteem dat niet klaar is voor autonome agenten. Er is een kloof tussen de theoretische mogelijkheden van AI en de praktische realiteit van engineeringwerkflows, gekenmerkt door:

• Fragmentatie en ontoegankelijkheid van data.
• Gebrek aan programmeerbare interfaces in legacy software.
• Strikte veiligheids- en regelgevingsvereisten (bijv. ITAR, GDPR).
• Een gebrek aan verifieerbaarheid en betrouwbaarheid in kritieke toepassingen.

Methodologie

Dit onderzoek is een kwalitatieve, exploratieve studie gebaseerd op de huidige praktijk (state-of-practice).

• Datacollectie: Er zijn 33 diepte-interviews gehouden met experts uit 28 bedrijven.
• Stakeholders: De interviews omvatten vier groepen:
  1. Grote engineering- en manufacturingsbedrijven (o.a. NASA, GE Vernova, defensiecontractanten).
  2. KMO's (Kleine en Middelgrote Ondernemingen) in de engineering.
  3. AI-ontwikkelaars (o.a. LangChain, C3 AI).
  4. Ontwikkelaars van CAD/CAM/CAE-tools (o.a. Autodesk, PTC, Siemens).
• Analyse: De interviews volgden een semi-gestructureerd protocol. De data werd geanalyseerd met een inductieve benadering, waarbij thema's werden afgeleid uit de gesprekken zelf (zoals taaktypen, data-beperkingen en organisatorische dynamiek) in plaats van een vooraf bepaald kader.

Belangrijkste Bijdragen

Het paper levert drie hoofdbijdragen:

1. Synthese van industrie-perspectieven: Het karakteriseert hoe AI en agente systemen in de praktijk worden begrepen en toegepast, gebaseerd op een breed scala aan stakeholders.
2. Landkaart van engineering-taken: Het onderscheidt tussen taken die goed geschikt zijn voor huidige AI (herhalend, data-intensief) en die welke complexer zijn (veiligheidskritiek, ruimtelijk redeneren).
3. Identificatie van barrières en doorbraken: Het benoemt concrete technische en organisatorische obstakels die de adoptie beperken, en schetst de noodzakelijke doorbraken (zoals gestandaardiseerde interfaces en verificatieframeworks) om de volgende stap te zetten.

Resultaten en Kernbevindingen

1. Het Landschap van Taken (Task Landscape)

• Korte termijn kansen: AI is momenteel het meest effectief voor gestructureerde, herhalende taken en data-intensieve synthese. Voorbeelden zijn het verwerken van lange eisen-documenten, het extraheren van specificaties uit PDF's, het genereren van documentatie en het controleren van ontwerpen op basis van vaste regels.
• Procesorchestration: De grootste meerwaarde ligt in het coördineren van multi-stap workflows tussen verschillende tools (CAD, CAE, ERP), waarbij agenten als "coworkers" fungeren die taken verdelen en integreren.
• Beperkingen: In veiligheidskritieke situaties (bijv. lucht- en ruimtevaart, defensie) fungeert AI uitsluitend als een adviesinstrument (human-in-the-loop). Volledige autonomie is nog niet acceptabel vanwege het gebrek aan verifieerbaarheid.

2. Data-uitdagingen

Data is de grootste bottleneck, niet het algoritme.

• Fragmentatie: Engineering-data is verspreid over persoonlijke harde schijven, SharePoint, lokale databases en PDF's. Het vinden van historische data kan weken duren ("people archaeology").
• Machine-onvriendelijke formaten: Cruciale kennis zit vaak in niet-gestructureerde formaten (PDF's, handgeschreven notities, screenshots) die moeilijk door AI te interpreteren zijn.
• Tacit Knowledge: Veel expertise zit in het hoofd van ervaren engineers en is niet gedocumenteerd. De pensionering van deze generatie dreigt tot een groot kennisverlies te leiden.
• Ruimtelijk redeneren: Huidige AI-modellen worstelen met 3D-geometrie, CAD-naar-CAM vertaling en multi-fysica redenering (bijv. thermische, mechanische en elektrische interacties tegelijkertijd).

3. Vertrouwen, Governance en Veiligheid

• Human-in-the-Loop: In gereguleerde sectoren is menselijke validatie niet optioneel. AI moet worden ingebed in bestaande review-processen (zoals PDR, CDR), niet deze vervangen.
• Determinisme vs. Probabilisme: Engineers zijn gewend aan deterministische tools (dezelfde input = zelfde output). De probabilistische aard van LLM's (met risico op hallucinaties) botst met de cultuur van traceerbaarheid en verantwoordingsplicht.
• Veiligheid en Privacy: Strikte regels (ITAR, CMMC, exportcontroles) vereisen vaak on-premise of air-gapped implementaties. Cloud-based AI is voor veel defensie- en high-tech bedrijven ontoegankelijk, wat de toegang tot state-of-the-art modellen beperkt.

4. Organizational Barrières

• AI-geletterdheid: Er is een groot gat in kennis. Veel engineers weten hoe ze AI-tools gebruiken, maar niet hoe ze ze configureren, evalueren of bouwen.
• Legacy Tools: Bestaande engineeringsoftware (CAD/CAE) is vaak gebouwd voor menselijke interactie via GUI's en mist API's voor programmeerbare toegang, wat integratie met AI-agenten bemoeilijkt.
• Cultuur: De adoptie varieert sterk van risicomijdende grote bedrijven tot snelle startups. Vertrouwen wordt opgebouwd door pragmatische successen en "aha-momenten" in de dagelijkse workflow, niet door top-down mandates.

Significantie en Toekomstperspectief

Dit onderzoek concludeert dat de adoptie van agente AI in de engineering geen puur technisch probleem is, maar een socio-technische transformatie.

• Noodzakelijke Doorbraken: Om AI van een hulpmiddel naar een volwaardige partner te tillen, zijn de volgende doorbraken nodig:
  1. Gestandaardiseerde interfaces voor AI-agenten (bijv. Model Context Protocol) om legacy tools te koppelen.
  2. Robuuste verificatieframeworks specifiek voor probabilistische systemen in veiligheidskritieke omgevingen.
  3. AI-modellen met native ruimtelijk en multi-fysica redeneringsvermogen.
  4. Pipelines om ongestructureerde data en tacit knowledge om te zetten in machine-leesbare kennis.
• Strategische Implicatie: Organisaties moeten AI-adaptie zien als een organisatorische transformatie die investeert in data-infrastructuur, verificatiepraktijken en workforce-geletterdheid, in plaats van alleen het kopen van softwaretools.
• Rol van de Mens: De toekomstige rol van de engineer verschuift van uitvoerder van repetitieve taken naar supervisor en validator van AI-gestuurde workflows, waarbij menselijke expertise essentieel blijft voor hoog-risico beslissingen.

Kortom, de technologie is klaar voor de volgende stap, maar de infrastructuur, governance en cultuur van de engineeringwereld moeten eerst worden aangepast om de belofte van agente AI in de manufacturingssector te realiseren.