Volop mogelijkheden voor AI in de industrie

De Nederlandse industrie staat voor meerdere uitdagingen, waaronder een krappe arbeidsmarkt. De vacaturegraad is met 40 uitstaande vacatures per 1000 banen weliswaar lager dan in de piek uit 2022 (zie figuur 1), maar is historisch gezien nog altijd hoog. En door de toenemende vergrijzing is er weinig uitzicht op een groei van het arbeidsaanbod. Een zeer waarschijnlijk scenario is dat de industrie het de komende 20 jaar met minder mensen zal moeten doen. Tegelijkertijd daalt de arbeidsproductiviteit sinds 2022 (figuur 2), terwijl die juist belangrijk is om internationaal concurrerend te blijven. De loonkosten per eenheid product zijn een belangrijke factor voor die concurrentiepositie, zoals verder uitgelegd in een eerdere studie. In de concurrentie met landen waar de lonen lager liggen betekent dit dat de Nederlandse (exportgerichte) industrie veel moet produceren per betaalde euro aan loon.

Bron: CBS, bewerking RaboResearch. Noot: De arbeidsproductiviteit is per subsector berekend door de bruto toegevoegde waarde tegen basisprijzen (prijsniveau 2021) te delen door het aantal gewerkte uren

Om de arbeidsproductiviteit te verhogen, kan (generatieve) AI – al dan niet in combinatie met robotisering – een belangrijke rol spelen. AI-toepassingen kende de industrie al, bijvoorbeeld algoritmes die helpen bij de planning of het voorspellen van onderhoud. De afgelopen jaren, met name sinds de introductie van ChatGPT in 2022, is er echter een snelle opmars van AI-toepassingen die ook nieuwe tekst of beeld kunnen genereren: generatieve AI (GenAI). In de industrie kan generatieve AI waarde toevoegen bij bijvoorbeeld het automatisch schrijven van een stappenplan of het genereren van 3D-modellen. Maar ook bij functies die verder weg staan van het productieproces, zoals boekhouding, HR, marketing en klantenservice. Door deze generatieve functionaliteit is AI inzetbaar voor een steeds breder scala aan taken.

Aan de hand van bovenstaande indeling van bedrijfsfuncties beschrijven we in dit artikel welke mogelijkheden generatieve AI kan bieden in de industrie. Daarbij laten we toepassingen van AI in de fysieke wereld, zoals via robotica, buiten beschouwing.

Bij R&D en productontwikkeling kunnen productvarianten met hulp van GenAI via simulaties en digital twins virtueel worden getest voordat fysieke prototypes worden gebouwd. Dit verkort ontwikkeltijden en verlaagt kosten. Daarnaast kan GenAI automatisch een ontwerp genereren op basis van de functionele eisen van de klant. Ook maakt AI het mogelijk om vanuit CAD‑tekeningen automatisch bewerkingsplannen en benodigde materialen af te leiden. Technische documentatie kan worden omgezet in begrijpelijke werkinstructies, waardoor kennis sneller beschikbaar is op de werkvloer.

Ook in de productievoorbereiding wordt AI steeds belangrijker. Slimme planningssystemen houden tegelijkertijd rekening met machinecapaciteit, levertijden, onderhoudsplanning en personeelsbeschikbaarheid. Hierdoor kunnen bedrijven beter omgaan met verstoringen en wisselende vraag, en wordt de doorlooptijd van orders verkort en de bezetting van machines verbeterd. In de inkoopfunctie helpt GenAI bij het analyseren van leveranciersprestaties en het automatisch vergelijken van offertes of alternatieve materialen. Dit vergroot de wendbaarheid van industriële bedrijven in een volatiele markt.

Tijdens de productiefase kan AI direct bijdragen aan hogere kwaliteit en efficiëntie. Vision‑AI maakt real‑time kwaliteitscontrole mogelijk door producten te inspecteren op afwijkingen. Ook kan AI helpen bij het voorspellen van onderhoudsmomenten, waardoor ongeplande stilstand wordt verminderd. Voor operators zijn digitale assistenten steeds vaker een ondersteuning: zij vullen automatisch logboeken in, en zorgen zo voor consistente documentatie zonder extra administratieve last.

Doordat GenAI content kan genereren is deze technologie ook breed inzetbaar binnen sales en klantrelaties. Door klantdata te analyseren kan marketing worden gepersonaliseerd en kunnen verkoopteams beter inspelen op klantbehoeften. Slimme klantinteractie zorgt ervoor dat commerciële kansen sneller worden herkend. Offertes kunnen automatisch worden gegenereerd, waarbij technische specificaties, kostprijzen en levertijden direct worden meegenomen. Dit versnelt het verkoopproces en verhoogt de kans op conversie.

Tot slot is AI breed toepasbaar in ondersteunende functies binnen industriële bedrijven. In de boekhouding kan AI facturen automatisch verwerken, kosten alloceren en managers ondersteunen bij budgettering, forecasting en scenario‑analyses. Ook administratieve processen, zoals rapportages, compliance‑documentatie en interne communicatie, kunnen grotendeels door GenAI worden voorbereid of ondersteund.

Een methode om het potentieel van GenAI in kaart te brengen is via het ‘automatiseringspotentieel’ op taak-niveau. Een baan kan gezien worden als een bundel taken, en voor iedere taak hebben we een score die aangeeft in hoeverre GenAI die taak succesvol kan uitvoeren. Voor dit artikel gebruiken we inzichten van de International Labour Organisation (ILO; Gmyrek et al. (2025)). Zo kunnen we voor alle beroepen in de industrie, en de industrie als geheel, een indicatie geven van automatiseringspotentieel. We maken vier taakcategorieën:

1. ‘Hoog potentieel’, bijvoorbeeld de taak “Het monitoren van productie-output en kosten.”
2. ‘Potentieel’, bijvoorbeeld de taak “Het opstellen van productieschema’s en ervoor zorgen dat materialen beschikbaar zijn wanneer nodig.”
3. ‘Laag potentieel’, bijvoorbeeld de taak: “Het onderhandelen over de aankoop of verkoop van grondstoffen en grondstoffen futures.”
4. ‘Niet mogelijk’, bijvoorbeeld de taak: “Het bedienen van machines en gereedschappen”.

De grens tussen twee taakcategorieën is bepaald op basis van de literatuur, en is in lijn met de aanpak in onze eerdere studie naar de impact van GenAI op de arbeidsmarkt. We hanteren dezelfde grenswaarde voor de hoogste categorie. De andere grenswaarden zijn bepaald met behulp van industrie-experts. Onze methode wordt verder uitgelegd in de onderzoeksverantwoording onderaan dit artikel.

Zoals te zien in figuur 4 valt 39% van alle taken in de industrie in één van de twee hoogste categorieën. Daarmee is het potentieel van GenAI in de industrie redelijk vergelijkbaar met het gemiddelde in de gehele economie.

Om te zien om welk type taken dit gaat, hebben we de taken met (hoog) potentieel ingedeeld in standaard bedrijfsfuncties, zoals ‘ICT’ en ‘Marketing en verkoop’. Deze verdeling is zichtbaar in figuur 5.

Uit figuur 5 blijkt dat de mogelijkheden van GenAI verspreid zijn over vrijwel alle bedrijfsfuncties van een maakbedrijf. De potentie is duidelijk, en dus rijst de vraag: in hoeverre gebruiken Nederlandse industrie bedrijven AI?

Steeds meer Nederlandse industriële bedrijven maken al gebruik van AI. In 2022 gaf 15% van hen aan tenminste één AI-toepassing te gebruiken; in 2025 was dat 29%. De grote bedrijven lopen voorop. Van de bedrijven met meer dan 250 werknemers gebruikt 64% AI, tegenover 21% van de bedrijven met 10-50 medewerkers.

AI wordt ingezet voor verschillende bedrijfsfuncties, zoals te zien in figuur 6. Het vaakst wordt AI gebruikt voor administratieve processen en voor marketing en verkoop. In de figuur vergelijken we het aandeel bedrijven in Nederland dat AI gebruikt met het EU-gemiddelde en de EU-koploper. De koploper is het land waarin het aandeel bedrijven dat AI gebruikt het hoogst is. Daaruit blijkt dat Nederlandse bedrijven vaker AI gebruiken dan het EU-gemiddelde, maar achterlopen op de koplopers. In België, Denemarken, Zweden en Oostenrijk geven meer industriële bedrijven aan AI te gebruiken. Een uitzondering is ‘R&D en innovatie’, want daarin is Nederland de koploper.

In figuur 7 leggen we de grote industriële bedrijven langs de lat van het landelijk gemiddelde uit alle sectoren. Daaruit blijkt dat industriële bedrijven dicht bij het gemiddelde scoren. Hoewel het AI gebruik een grote sprong heeft gemaakt sinds 2024, gebruikt slechts een minderheid van de grote bedrijven AI in de voorgelegde bedrijfsfuncties. Op alle vlakken is genoeg ruimte voor meer AI-adoptie, en voor industriële bedrijven zijn er met name mogelijkheden om AI meer te gebruiken voor marketing of verkoop.

AI-adoptie kan meerdere effecten hebben, zoals het verhogen van productiviteit en/of het vervangen van arbeid. Welke van deze effecten zal domineren is lastig te voorspellen en hangt af van de arbeidsmarktsituatie. In een krappe arbeidsmarkt biedt AI bedrijven de mogelijkheid om arbeidskrapte op te vangen en toch te groeien, zonder dat dit noodzakelijk leidt tot minder vraag naar arbeid. In een ruimere arbeidsmarkt kunnen daarentegen de arbeid vervangende effecten van AI sterker naar voren komen, maar zien bedrijven wellicht ook minder noodzaak om in AI te investeren.

De arbeidsmarkt voor de industrie is krap, en zal dat naar verwachting blijven. Het UWV publiceert voor alle beroepsgroepen een huidige krapte-indicator: een score tussen 0 en 16, waarbij 16 héél krap is. Daarnaast publiceert het ROA een verwachting voor de toekomst, op basis van de verwachte arbeidsvraag én het arbeidsaanbod. Daarbij wordt ook rekening gehouden met de instroom van afgestudeerden en de trend in arbeidsproductiviteitsontwikkeling. In de bijlage van dit artikel staat meer informatie over de gebruikte data. In figuur 8 zijn deze twee scores gecombineerd voor de 10 beroepen die in de sector industrie het meest voorkomen. De lichtgrijze stippen zijn alle andere beroepen in de Nederlandse economie.

In figuur 8 is te zien dat de krapte van de meeste technische beroepen in de sector naar verwachting alleen maar toe zal nemen. Helaas heeft AI daar, zoals weergegeven in figuur 9, relatief laag potentieel. In die figuur zien we in hoeverre AI een rol kan spelen in het takenpakket van beroepen in de sector. Daarbij moet gezegd worden dat we hierbij géén rekening hebben kunnen houden met de tijd van de taken, omdat we daar geen inzicht in hebben. Bijvoorbeeld: voor 15% van alle taken van een procesoperator heeft AI ‘potentieel’, maar het zou kunnen zijn dat de medewerker slechts 5% van alle tijd in de week met deze taken bezig is.

De beroepen zijn in figuur 9 gegroepeerd per bedrijfsfunctie en vervolgens gerangschikt op grootte van die beroepsgroep (het aantal werkenden in de sector staat achter het beroep). Uit de figuur valt op dat AI (hoog) potentieel heeft voor met name het takenpakket van beroepen in sales en ondersteunende functies. Ook is er veel potentieel te zien in productie-voorbereiding en R&D. In de productie is het potentieel van AI een stuk lager.

AI zal naar onze verwachting veel impact hebben in de industrie door het verhogen van de productiviteit, het verlagen van kosten en het ondervangen van structurele personeelstekorten. Om het potentieel van AI maximaal te benutten kunnen de volgende randvoorwaarden een rol spelen:

1. Een goede data‑infrastructuur. Industriële bedrijven die hun data uit productie‑, ontwerp‑ en administratieve systemen goed vastleggen, hebben meer inzicht in kosten, kwaliteit, prestaties en klantvraag. Betrouwbare data is daarnaast cruciaal voor het succesvol inzetten van AI‑toepassingen. Digitale toepassingen (waaronder AI) maken bedrijven ook kwetsbaar voor cyberincidenten, waardoor ook het belang van investeren in digitale weerbaarheid toeneemt. Dit belang wordt vanuit de EU onderstreept in de NIS2-richtlijn voor cybersecurity, welke naar verwachting op 1 juli 2026 geïmplementeerd zal worden in Nederland via de Cyberbeveiligingswet.
2. Een duidelijk plan voor integratie van AI in bestaande systemen. AI heeft de meeste waarde wanneer het wordt geïntegreerd met bestaande systemen zoals Enterprise Resource Planning (ERP), Manufacturing Execution Systems (MES), planningssoftware en kwaliteits‑ en onderhoudssystemen. Door deze koppelingen kan AI complete processen ondersteunen. Volledige integratie is echter niet voor ieder bedrijf direct nodig of wenselijk en kan ook nieuwe risico’s met zich meebrengen.
3. Training en experimenteerruimte voor medewerkers. De inzet van AI vraagt niet alleen om investeringen in technologie, maar ook om investeringen in kennis en vaardigheden binnen de organisatie. Productiviteitswinsten ontstaan pas wanneer medewerkers AI daadwerkelijk gebruiken in hun dagelijkse werk. Dit vereist training, praktische experimenten en ruimte om te leren wat wel en niet werkt. Door laagdrempelig te starten met pilots kunnen bedrijven ervaring opdoen en stap voor stap opschalen naar toepassingen met grotere impact.

Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure (No. 140). ILO Working Paper.

Bakens, J., Dijksman, S., Fouarge, D., van Guilik, N., Höfelmann, L., Meijer, R., Pestel, N. (2025). De arbeidsmarkt naar opleiding en beroep tot 2030. ROA Report No.008.

UWV. (2025). Ontwikkeling krapte naar beroep, 2024-2030.

1. Categorisering van taken naar automatiseringspotentieel

Het automatiseringspotentieel van GenAI baseren we op de gepubliceerde data van Gmyrek et al. (2025), zoals we ook doen bij onze eerdere studie over de (mogelijke) effecten van AI op de arbeidsmarkt. Zij schatten het automatiseringspotentieel van GenAI op taakniveau binnen het International Standard Classification of Occupations (ISCO)-raamwerk. Hiervoor gebruiken ze een mix van survey-input, expertkennis en GenAI-input. Dit levert per taak een score op tussen de nul en de een. Deze scores zetten we om naar de Nederlandse Beroepsclassificatie zoals gebruikt door het CBS.

Vervolgens kiezen we voor een indeling in vier categorieën: hoog potentieel, potentieel, laag potentieel en geen potentieel. De taakscores liggen tussen de 0 en 0,7625. Om taken in te delen in die vier categorieën moeten we daarbij een keuze maken voor de grenswaarden. Dat doen we als volgt:

Deze grenswaardes zijn gekozen op basis van de verdelingscurve van de scores, waarbij een grote piek te zien is in de scores onder de 0,2, wat impliceert dat zich daar een cluster van gelijkwaardige taken bevindt (als het gaat om AI-automatisering). Ook bij grenswaarde 0,375 een knik te zien in de verdeling.

2. Clustering van taken naar type taak

Op basis van Gmyrek et. al. (2025) hebben we een database met alle beroepen en daarbij behorende taken. Deze taken zijn gekoppeld aan een beroep. Deze taken kunnen we indelen in onderstaande bedrijfsfuncties:

Door deze indeling te maken krijgen we een beeld van de bedrijfsfuncties waarin het potentieel van AI het grootst is. Bovenstaande bedrijfsfuncties hebben we overgenomen van Eurostat en het CBS. Zij gebruiken deze clustering om te onderzoeken waar bedrijven AI voor gebruiken. De indeling van alle 3.265 taken in de economie in de bovenstaande categorieën hebben we gedaan met hulp van Microsoft Copilot (GenAI). Daarbij hebben we meerdere iteraties uitgevoerd totdat de indeling van taken naar bedrijfsfuncties overeenkwam met onze eigen beoordeling.

3. Toekomstige krapte indicator

Het Researchcentrum voor Onderwijs en Arbeidsmarkt (ROA) publiceert periodiek over de verwachte toekomstige krapte in een beroepsgroep. Daarbij houden zij rekening met meerdere factoren aan de vraag- en aanbodzijde op de arbeidsmarkt, zoals de uitbreidingsvraag per sector en de instroom van schoolverlaters. Voor een volledige weergave van het model dat zij gebruiken verwijzen we naar Figuur 1.1. in Bakens et. al. (2025). De ontwikkeling van krapte op de arbeidsmarkt duiden zij via de Indicator Toekomstige Knelpunten naar Beroep (ITKB). De meest recente dataset geeft een score voor (bijna) alle beroepsgroepen. Deze ligt tussen 0,748 (de krapte is “zeer groot”) en 0,921 (“geen” krapte). Deze getallen liggen dicht bij elkaar, en zijn daarnaast intuïtief ‘omgekeerd’, aangezien een hoge krapte juist een laag cijfer heeft. Daarom passen we een transformatie toe, waarbij we de inverse toepassen en de cijfers normaliseren. De gebruikte formule is y = 1 – ((ITKB – 0,74) / 0,2)). Op basis van de getransformeerde scores maken we twee nieuwe categorieën: ‘Krapte neemt toe’ (scores > 0,5) en ‘Krapte neemt af’ (scores < 0,5). Die verhouden zich als volgt tot de ROA-indeling: