AI-agents voor productiebedrijven: planning, werkbonnen en rapportages uit handen geven (2026)

Je productieplanning staat in een Excel-sheet die na elke storing binnen een uur verouderd is. De werkbonnen van vandaag liggen op een stapel naast de printer. En volgende week moet er weer een kwaliteitsdossier klaar voor een klantaudit, dat je normaal in twee avonden bij elkaar zoekt. Dat is geen onkunde. Dat is een productiebedrijf zonder IT-afdeling, waar mensen harder werken dan de administratie aankan.

Een AI-agent lost dat niet in één klap op. Maar voor drie concrete taken kun je deze maand al beginnen: planning bijhouden, werkbonnen verwerken en kwaliteitsrapportages samenstellen. Zonder implementatietraject en zonder een developer aan te nemen. Dit artikel laat zien welk niveau bij welke taak hoort, wat een agent nooit zelfstandig mag beslissen, en hoe je in een week een eerste werkende versie hebt staan.

Wat is een AI-agent eigenlijk?

Een AI-agent is een AI-systeem dat niet alleen antwoord geeft, maar ook zelf stappen zet: gegevens ophalen, een document invullen, een taak markeren als afgerond. Het verschil met een chatbot is autonomie: een agent voert een taak van begin tot eind uit, in plaats van te wachten op je volgende vraag. Voor productiebedrijven betekent dat: geen los promptje meer per werkbon, maar één systeem dat de hele stapel werkbonnen van vandaag doorloopt.

Waarom dit nu urgent is voor productiebedrijven

Volgens ING-economisten zijn er in 2026 tussen de 15.000 en 20.000 onvervulbare technische vacatures in Nederland. 62% van de productiebedrijven heeft openstaande vacatures, gemiddeld 5 fte per bedrijf. Bij meer dan de helft van de productiebedrijven leidt dat tot extra werkdruk op de vloer. Brancheorganisatie FME zegt daarom: digitalisering van productie- en bedrijfsprocessen moet de arbeidsproductiviteit verhogen. Er komen simpelweg niet genoeg mensen bij om het werk op de oude manier te blijven doen.

Tegelijk loopt de maakindustrie achter bij AI-adoptie. Het CBS meldt dat 23% van de Nederlandse bedrijven met 10 of meer werknemers in 2024 minstens één AI-technologie gebruikte. Dat is bijna een verdubbeling ten opzichte van 2023. De koplopers zijn IT en zakelijke dienstverlening; de maakindustrie hoort daar niet bij. Dat is een kans: de meeste concurrenten in je sector zijn nog niet begonnen.

De drie taken waar je vandaag kunt starten

Kies één taak. Niet alle drie tegelijk. Daar lopen productiebedrijven bij elk digitaliseringsproject op vast, agent of niet.

1. Planning bijhouden: het lichtste niveau

De taak: een productieplanning die na elke wijziging (materiaal te laat, machine storing, ziekmelding) opnieuw geordend moet worden.

Welk niveau: begin licht. Een AI-chatbot als Claude of ChatGPT die je 's ochtends de status van gisteren voorlegt en een concept-herplanning voorstelt, is voor de meeste MKB-productiebedrijven al genoeg. Pas als je planning in een los systeem staat (ERP, planbord-software) en je de agent daar automatisch gegevens uit wilt laten halen, heb je een echte agent nodig met toegang tot dat systeem.

Wat de agent wel en niet zelf beslist: de agent stelt een nieuwe volgorde voor en legt uit waarom. Een productieplanner of teamleider keurt goed voordat de vloer de nieuwe planning ziet. De agent past nooit zelf de live planning aan.

Praktijkvoorbeeld: zo klinkt een goede prompt

#CONTEXT: Je bent een ervaren productieplanner bij een metaalbewerkingsbedrijf
met 25 medewerkers en drie CNC-lijnen. Je weet dat een teamleider deze
herplanning 's ochtends om 7 uur op zijn telefoon leest, tussen het openen
van de hal en het eerste overleg door. Hij heeft dertig seconden, geen tien
minuten.

#DOEL: Een duidelijke, direct leesbare herplanning voor vandaag na de
storing op lijn 2, met de reden per verschuiving.

#WERKWIJZE:
1. Vraag mij eerst alleen om: de oorspronkelijke planning van vandaag, de
   storingsmelding (lijn, geschatte hersteltijd), en welke orders een harde
   leverdatum hebben deze week.
2. Herorden de resterende orders op lijn 1 en 3, met voorrang voor orders
   met een harde leverdatum.
3. Geef per verschoven order de reden in één zin.

#OUTPUT: Maximaal 10 regels, per regel: ordernummer, nieuwe lijn/tijdslot,
reden. Onderaan: welke order het risico loopt de leverdatum te missen.

#BELANGRIJKE REGELS:
- Verzin geen hersteltijd of ordergegevens die ik niet heb gegeven. Vraag
  door als iets ontbreekt.
- Dit is een voorstel, geen definitieve planning. Zeg dat expliciet.
- Controleer vóór je antwoordt: staat bij elke verschoven order een reden?

De guardrail tegen de #1 faalmodus zit in de laatste regel van #WERKWIJZE en in #BELANGRIJKE REGELS: de agent verzint geen hersteltijd en geen ordergegevens. Onvolledige productiedata is de grootste bron van foute AI-planningen.

2. Werkbonnen verwerken: het middenniveau

De taak: werkbonnen van de vloer (handgeschreven of digitaal) samenvatten, categoriseren en koppelen aan het juiste order- of machinenummer.

Welk niveau: hier heb je meer nodig dan een chatgesprek. Een lichte agent-workflow (bijvoorbeeld gebouwd in n8n of Make, gekoppeld aan een foto-upload of een scanapp) leest de werkbon, vat de storing of afwijking samen, en zet die klaar in je systeem. Bij handgeschreven bonnen: laat de agent een foto lezen (vision) in plaats van tekst overtypen.

Wat de agent wel en niet zelf beslist: de agent categoriseert en vat samen. Een monteur of teamleider controleert vóór het definitief wordt opgeslagen, vooral bij afwijkingen die gevolgen hebben voor kwaliteit of veiligheid.

Waar het misgaat: onleesbaar handschrift of een half ingevulde bon leidt tot een verzonnen samenvatting die er professioneel uitziet maar feitelijk onjuist is. Bouw daarom een expliciete "onzeker"-categorie in: als de agent minder dan een bepaalde zekerheid heeft, gaat de bon naar een mens in plaats van automatisch door.

3. Kwaliteitsrapportages: het documentniveau

De taak: een kwaliteitsdossier of auditrapport samenstellen uit losse metingen, afkeurregistraties en OEE-cijfers (Overall Equipment Effectiveness, de kernmaat voor hoe goed een machine of lijn presteert).

Welk niveau: een document-tool (Canvas/Artifacts in Claude, of een sjabloon in ChatGPT) werkt hier beter dan een los chatgesprek. Je werkt het rapport stap voor stap bij in plaats van het elke keer opnieuw te genereren. Bij grote hoeveelheden meetdata: laat de agent rekenen via een data-tool op een geëxporteerd bestand, nooit uit het hoofd. AI die cijfers "onthoudt" in plaats van berekent, wordt onbetrouwbaar zodra de dataset groter is dan een paar regels.

Wat de agent wel en niet zelf beslist: de agent stelt het rapport samen en signaleert afwijkingen. Een kwaliteitsmanager tekent af voordat het dossier naar een auditor of klant gaat. Nooit automatisch verzenden.

De #1 faalmodus: een agent die zelf de vloer aanstuurt

Elk vak heeft één valkuil die het snelst misgaat. In productie is dat deze: een agent koppelen aan het planningssysteem of ERP en hem zelfstandig laten beslissen. Na de eerste succesvolle proefweek lijkt dat verleidelijk simpel. Het probleem: productiedata klopt zelden realtime. Voorraadstatussen lopen achter. Een machine die "beschikbaar" staat, staat soms al een uur stil zonder dat het systeem het weet. Een agent die daarop plant, maakt een schema dat er logisch uitziet en toch fout is. Dat ontdek je pas als de verkeerde materialen al bij de verkeerde lijn staan.

Deloitte beschrijft in zijn analyse van agentic AI in de maakindustrie hoe dit hoort te werken. Een agent mag vooraf goedgekeurde acties met laag risico zelfstandig uitvoeren, zoals orders herschikken binnen een vaste bandbreedte. Nieuwe of risicovolle scenario's escaleert hij naar een mens, voordat een verstoring uitgroeit tot stilstand. Dat onderscheid tussen routine en uitzondering is precies het human-in-the-loop-principe: de agent handelt het voorspelbare zelf af en legt alleen twijfelgevallen voor. Alles controleren hoeft niet, dan verlies je het snelheidsvoordeel. Maar vertrouw nooit blind op een schema dat een agent zonder toezicht heeft gemaakt.

Privacy en regelgeving: wat geldt er voor jouw productiebedrijf

AVG. Werkbonnen en kwaliteitsdossiers bevatten vaak namen van medewerkers, gekoppeld aan afkeur, storingen of prestaties. Zodra een AI-tool die gegevens verwerkt, geldt de AVG gewoon: gebruik een zakelijk account met een verwerkersovereenkomst met de AI-leverancier, geen persoonlijke ChatGPT-app op de tablet van de vloer. Onze gids over veilig omgaan met bedrijfsdata in ChatGPT laat zien hoe je dat regelt.

EU AI Act en de Machinery Regulation. Een AI-agent die alleen plant, samenvat of rapporteert, valt in de meeste gevallen niet onder de zwaarste categorie van de EU AI Act. Die categorie ("hoog-risico") geldt vooral zodra AI een veiligheidsfunctie van een machine overneemt. Denk aan software die bepaalt wanneer een robot beweegt of een lijn stopt. Dat valt onder de EU-Machinerichtlijnverordening (2023/1230), die vanaf januari 2027 geldt voor zelflerende veiligheidscomponenten. Blijft je agent bij planning, werkbonnen en rapportage, en grijpt hij niet fysiek in op een machine? Dan zit je met normale zorgvuldigheid goed: menselijke controle, data die klopt, geen automatische acties richting de vloer. Wil je een agent koppelen aan machinebesturing, dan is dat een ander gesprek met andere regels.

AI-geletterdheid. Sinds februari 2025 verplicht de EU AI Act werkgevers om medewerkers die met AI werken voldoende AI-geletterdheid bij te brengen. Voor een productiebedrijf betekent dat concreet: de teamleider die de herplanning goedkeurt, moet weten wanneer hij een AI-voorstel wél en niet mag vertrouwen.

Hoe je deze week begint

1. Kies één taak, niet drie

   Pak de taak die nu de meeste avonduren kost. Voor de meeste productiebedrijven is dat werkbonnen of de kwaliteitsrapportage. Begin daar, niet bij de planning: die raakt het snelst de vloer.

2. Test een week met echte data, zonder dat de output live gaat

   Laat de agent meedraaien naast het bestaande proces. Vergelijk de output elke dag met wat een mens zou doen. Nog niets automatisch versturen of opslaan.

3. Bepaal de escalatiegrens

   Leg vast wanneer de agent zelfstandig mag doorgaan en wanneer een mens moet meekijken. Doe dat voordat je live gaat, niet achteraf als het al een keer is misgegaan.

4. Ga live voor die ene taak, meet het verschil

   Hoeveel tijd kostte de taak vorige week, hoeveel nu? Pas als dat aantoonbaar klopt, breid je uit naar een tweede taak.

Wil je dit met je team in twee weken echt werkend hebben staan, inclusief begeleiding en de juiste tooling per taak? In de Agent Sprint bouwt elke deelnemer zijn eigen agent op basis van zijn eigen werk. Geen sjabloon, maar een agent die aansluit op jouw planning, jouw werkbonnen en jouw kwaliteitsdossier. Twijfel je nog waar te beginnen, plan een vrijblijvend gesprek.

Veelgestelde vragen

Heb ik een IT-afdeling nodig om met AI-agents te beginnen?

Nee. Voor planning en rapportage kun je starten met een chatgesprek in Claude of ChatGPT en een goed geformuleerde prompt (zie het voorbeeld hierboven). Pas voor werkbonnen-verwerking met foto-upload of een koppeling met je ERP heb je iets meer nodig. Dat bouw je in een paar dagen in een tool als n8n of Make, niet in een IT-project van maanden.

Wat gebeurt er als de agent een verkeerde planning maakt?

Dat hoort te gebeuren tijdens de testweek, niet live. Zolang je de vuistregel aanhoudt (de agent stelt voor, een mens keurt goed voordat de vloer het ziet), kost een foute planning van de agent je hooguit vijf minuten controletijd. Het risico ontstaat pas als je die controle overslaat.

Vervangt een AI-agent mijn productieplanner?

Nee, de rol verschuift. De planner besteedt minder tijd aan het handmatig herschikken van orders na elke storing en meer tijd aan de uitzonderingen die de agent naar hem escaleert. Dat is dezelfde verschuiving die je bij software-development ziet: van uitvoerder naar reviewer.

Mogen productiegegevens (werkbonnen, storingen) naar een AI-leverancier?

Alleen via een zakelijk account met een verwerkersovereenkomst, en alleen data die je daarvoor mag gebruiken volgens de AVG. Vermijd persoonlijke AI-accounts op de vloer. Dat is shadow AI en geeft je geen controle over waar de data blijft.

Is dit hetzelfde als een MES of ERP-systeem?

Nee. Een AI-agent vervangt je bestaande systemen niet, hij leest en verrijkt ze. De agent verwerkt wat er al in je planbord, ERP of Excel staat en maakt daar sneller iets bruikbaars van. Hij is geen nieuw systeem dat je moet migreren.

Bronnen

• •CBS: Gebruik kunstmatige intelligentie (AI) door bedrijven neemt toe
• •RTL Nieuws: Personeelstekort bedreigt maakindustrie: 'Duizenden onvervulbare vacatures'
• •Deloitte Insights: The agentic supply chain in manufacturing
• •Baker McKenzie: Machinery Regulation
• •IBM: Human-in-the-loop

Veelgestelde vragen

Heb ik een IT-afdeling nodig om met AI-agents te beginnen in mijn productiebedrijf?

Nee. Voor planning en rapportage kun je starten met een chatgesprek in Claude of ChatGPT en een goed geformuleerde prompt. Pas voor werkbonnen-verwerking met foto-upload of een koppeling met je ERP heb je iets meer nodig. Dat bouw je in een paar dagen in een tool als n8n of Make, niet in een IT-project van maanden.

Wat gebeurt er als een AI-agent een verkeerde productieplanning maakt?

Dat hoort te gebeuren tijdens een testweek, niet live. Zolang je de vuistregel aanhoudt (de agent stelt voor, een mens keurt goed voordat de vloer het ziet), kost een foute planning van de agent je niets meer dan een paar minuten review-tijd. Het risico ontstaat pas als je die controle overslaat en de agent direct koppelt aan het live planningssysteem.

Vervangt een AI-agent mijn productieplanner of werkvoorbereider?

Nee, de rol verschuift. De planner besteedt minder tijd aan het handmatig herschikken van orders na elke storing en meer tijd aan de uitzonderingen die de agent naar hem escaleert. Dat is dezelfde verschuiving die je bij softwareontwikkeling ziet: van uitvoerder naar reviewer.

Mogen productiegegevens zoals werkbonnen en storingsmeldingen naar een AI-leverancier?

Alleen via een zakelijk account met een verwerkersovereenkomst, en alleen data die je daarvoor mag gebruiken onder de AVG. Werkbonnen bevatten vaak namen van medewerkers gekoppeld aan afkeur of storingen. Vermijd persoonlijke AI-accounts op de vloer, want dat is oncontroleerbare shadow AI.

Valt een AI-agent voor productieplanning onder de EU AI Act als hoog-risico systeem?

In de meeste gevallen niet. Hoog-risico onder de EU AI Act geldt vooral wanneer AI een veiligheidsfunctie van een machine overneemt, bijvoorbeeld software die bepaalt wanneer een robot beweegt of een lijn stopt. Dat valt onder de EU-Machinerichtlijnverordening (2023/1230), van kracht vanaf januari 2027. Een agent die alleen plant, samenvat of rapporteert en niet fysiek ingrijpt op een machine, zit met normale zorgvuldigheid op de veilige kant.