Hoeveel intelligentie heeft een installatie nodig?

Een HVAC-installatie verlaagt automatisch het energieverbruik omdat de weersverwachting verandert. Een productielijn plant onderhoud voordat een lager uitvalt. En een operator voert een gesprek met een AI-assistent om een storing te onderzoeken.

Veel van deze technologie bestaat al. De discussie gaat daarom steeds minder over wat technisch mogelijk is. De interessantere vraag luidt:

Hoeveel intelligentie heeft een installatie eigenlijk nodig?

Een installatie begint niet met AI

Wie naar industriële automatisering kijkt, kan gemakkelijk denken dat alles tegenwoordig draait om AI. In werkelijkheid begint vrijwel iedere installatie nog steeds op dezelfde plek: bij een meting.

Temperatuur, druk, flow, niveau en energieverbruik worden gemeten, doorgestuurd en verwerkt. Pas daarna komen visualisatie, analyse, optimalisatie en eventueel kunstmatige intelligentie in beeld. Zonder betrouwbare meetwaarden valt er immers niets te optimaliseren.

JUMO richt zich precies op deze laag van de automatiseringsketen: het verzamelen en ontsluiten van betrouwbare gegevens via sensoren, IO-Link en Single Pair Ethernet. [1] Datacation bevindt zich aan de andere kant van dezelfde keten. Daar verschuift de aandacht van meten naar voorspellen en beslissen. AI-agenten sturen gebouwen aan op basis van bezetting, energieprijzen en weersverwachtingen of voorspellen onderhoud voordat installaties uitvallen. [2]

Samen laten beide perspectieven zien dat automatisering niet uit twee werelden bestaat, maar uit één continu proces: meten, begrijpen en beslissen.

Meer data is niet automatisch meer kennis

In veel technische discussies sluipt ongemerkt dezelfde aanname binnen:

Meer data → meer intelligentie → betere beslissingen.

Dat klinkt logisch.

Toch stelt iedere engineer vroeg of laat dezelfde vraag: wat voegt het volgende datapunt daadwerkelijk toe?

Een extra temperatuursensor op een kritische locatie kan veel waarde hebben. Sensor nummer vijftig misschien niet. Hetzelfde geldt voor AI. Een extra model heeft alleen zin als het een betere beslissing mogelijk maakt.

In de praktijk draait engineering voortdurend om afwegingen tussen:

• nauwkeurigheid;
• complexiteit;
• onderhoudbaarheid;
• investeringskosten;
• operationele kosten.

Een installatie die autonoom beslissingen neemt, moet niet alleen slim zijn. Zij moet ook uitlegbaar blijven wanneer iets fout gaat.

De vergeten laag onder AI

Daarmee komen we bij een observatie die vaak onderbelicht blijft.

Een AI-agent ziet geen gebouw.

Een AI-agent ziet geen machine.

Een AI-agent ziet geen proces.

Een AI-agent ziet uitsluitend data.

Welke data beschikbaar zijn, wordt bepaald door technische keuzes:

• welke variabelen worden gemeten;
• waar sensoren zijn geplaatst;
• hoe vaak gegevens worden verzameld;
• welke meetonzekerheid acceptabel is;
• welke parameters belangrijk worden geacht.

Iedere AI-toepassing rust daardoor op een meetarchitectuur die meestal veel ouder is dan het model zelf. Zonder betrouwbare sensoren, consistente communicatie en goede datakwaliteit verandert zelfs de slimste AI in een producent van schijnzekerheid.

Wanneer rechtvaardigt een systeem AI?

Dat leidt tot een interessantere vraag dan:

Kunnen we AI toepassen?

De werkelijke vraag luidt:

Onder welke omstandigheden levert AI betere beslissingen op dan klassieke automatisering?

Voor relatief stabiele processen kunnen vaste regelstrategieën uitstekend functioneren. Een combinatie van sensoren, duidelijke grenswaarden en bewezen regeltechniek levert dan vaak een voorspelbaar en robuust systeem op.

Anders wordt het wanneer:

• veel variabelen elkaar beïnvloeden;
• omstandigheden voortdurend veranderen;
• energieprijzen fluctueren;
• gebruikersgedrag onvoorspelbaar wordt;
• meerdere doelstellingen tegelijk moeten worden afgewogen.

Daar ontstaat een speelveld waarin AI daadwerkelijk meerwaarde kan leveren, omdat klassieke regels tekortschieten.

Technologische proportionaliteit

De discussie over AI in de industrie draait uiteindelijk niet om vóór of tegen AI.

Het gaat om technologische proportionaliteit.

Niet iedere installatie heeft een AI-agent nodig.

Niet iedere regelvraag vraagt om machine learning.

En niet iedere dataset rechtvaardigt een cloudarchitectuur.

De uitdaging verschuift daardoor van:

Welke technologie is beschikbaar?

naar:

Welke technologie verbetert daadwerkelijk de kwaliteit van de beslissing?

Soms leidt dat naar kunstmatige intelligentie.

Soms naar een extra sensor.

Soms naar een betere regelstrategie.

En soms blijken de bestaande oplossingen verrassend effectief.

Dat is uiteindelijk geen AI-vraag.

Dat is een engineeringvraag.

Een AI-agent ziet geen machine. Hij ziet data. Benieuwd waar die data vandaan komen? Bekijk tijdens de WoTS 2026 de live Ethernet APL-opstelling en spreek de specialisten die deze technologie in de praktijk toepassen.

Aanmelden

[1] FHI, federatie van technologiebranches

[2] Het zelflerende gebouw; agentic AI in gebouwbeheer – FHI, federatie van technologiebranches