AI kan een groot deel van het kijken overnemen. AI kan niet het afkeuren overnemen, en zeker niet het fysiek verwijderen of aanpassen van een product. Dat is de scheidslijn die uit de acht assen naar voren komt: beeldherkenning is vandaag ver genoeg ontwikkeld om afwijkingen te signaleren, maar de beslissing over wat er met een afgekeurd product gebeurt en de handeling die daarbij hoort, blijven bij een mens.
Drie assen geven hier de doorslag: foutkosten, compliance en het fysieke karakter van de taak.
Foutkosten scoren laag omdat een gemist gebrek direct schade oplevert: een product dat de deur uitgaat terwijl het niet aan de specificatie voldoet, kan een klacht, een terugroepactie of een veiligheidsrisico betekenen. Bij een taak met zulke gevolgen accepteert geen bedrijf een systeem dat zelfstandig beslist zonder dat iemand kan bijsturen.
Compliance scoort even laag. Keuringsprotocollen zijn vaak vastgelegd in een kwaliteitsmanagementsysteem, soms met een externe certificering of wettelijke norm erachter. Wie afkeurt, moet dat kunnen verantwoorden. Dat is geen technische beperking van AI, maar een kader dat vraagt om een mens die de beslissing draagt.
Fysiek scoort laag omdat het aanraken, verplaatsen of terugleggen van een product een handeling in de echte wereld is. Beeldherkenning ziet een afwijking, maar grijpt niet vanzelf in.
Daartegenover staan gestructureerdheid en volume, die juist gunstig uitvallen: een keuringsprotocol met vaste specificaties en herhaalde metingen is precies het soort werk waar visuele AI-modellen op getraind worden. Bij hoge volumes, zoals een productielijn die duizenden identieke onderdelen per dag aflevert, is dat patroon voor een systeem goed te herkennen.
Bij een bedrijf dat kleine onderdelen op afmeting en oppervlaktegebreken controleert, kan een visiesysteem elk stuk fotograferen en meten, en een score of vlag toekennen. Een operator bekijkt vervolgens alleen de gevlagde stukken en beslist over afkeur. Dat verschuift het werk van "elk stuk apart bekijken" naar "de uitzonderingen beoordelen." De uren die vrijkomen, zitten in het routinematige kijkwerk; de uren die blijven, zitten in het beoordelen van grensgevallen en het verantwoorden van afkeur.
Bij een bedrijf dat complexere producten keurt, waar een gebrek pas zichtbaar wordt bij montage of waar de norm ruimte voor interpretatie laat, ligt dit anders. Daar is oordeelsruimte een grotere factor, en verschuift het aandeel dat AI aankan naar minder dan bij eenvoudige, sterk gestandaardiseerde controle.
De apparatuur moet gevalideerd zijn: een camera of sensor die niet is afgestemd op de juiste tolerantie geeft schijnzekerheid in plaats van controle. En de eindverantwoordelijkheid bij afkeur ligt bij een mens, niet omdat AI dat oordeel niet zou kunnen benaderen, maar omdat de gevolgen van een foute beslissing te groot zijn om zonder mens te laten lopen. Dat is een procesmatige eis, geen technische.
Kwaliteitscontrole staat niet los van de rest van de keten. Wat er binnenkomt, moet eerst goed zijn geregistreerd: hoe inkomende goederen ontvangen en inboeken verloopt, bepaalt of een keuringssysteem überhaupt met de juiste gegevens werkt. Andersom voedt een afkeuring vaak een vervolgstap in de planning, zoals herberekening van wat een order nog nodig heeft; zie hoe dat samenhangt met materiaalbehoefte berekenen per order. En een structureel gebrek bij een leverancier raakt weer de vraag hoe inkooporders bij leveranciers plaatsen wordt afgehandeld, want herhaalde afkeur is relevante informatie voor die keuze.
In bedrijven met hoge volumes en heldere specificaties is beeldherkenning voor kwaliteitscontrole vandaag al in gebruik, niet als toekomstplan maar als lopend proces naast de operator. In bedrijven met complexere, minder gestandaardiseerde producten is dat nog beperkt tot proefopstellingen of blijft het geheel mensenwerk. Het verschil zit niet in hoe ver de techniek is, maar in hoe voorspelbaar het gebrek is en hoe zwaar de gevolgen van een fout wegen. Dat is ook waarom deze verschuiving nooit een kwestie van "aan of uit" is: het is per taak, per productlijn, met de mens op de plek waar de beslissing telt.
Dit is geen personeelsadvies en geen onderbouwing voor een besluit over inzet van medewerkers. Als een verschuiving in taken gevolgen heeft voor functies, gelden daarvoor eigen wettelijke vereisten; die worden hier niet behandeld.
Om te zien hoe dit voor uw eigen bedrijf ligt, is het nuttig om niet alleen naar kwaliteitscontrole te kijken, maar naar het geheel van taken waaruit het werk bestaat. De gratis quickscan bestaat uit twaalf vragen, is zonder account te doorlopen en geeft een indicatie welk deel van de uren in uw profiel vandaag door AI over te nemen is. De volledige werkscan, die het werk van een bedrijf tot in detail uitsplitst naar taken en fte-capaciteit, is nog in aanbouw.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.