Predictive maintenance helpt industriële bedrijven al om storingen te voorspellen en onderhoud slimmer te plannen. Met Agentic AI dient zich een volgende stap aan: AI die niet alleen analyseert en adviseert, maar binnen vastgestelde grenzen ook vervolgstappen kan plannen en uitvoeren. Daarmee verschuift de discussie van technologie naar de inrichting van het onderhoudsproces: welke taken geef je aan AI, welke beslissingen blijven bij de mens en hoe zorg je dat de onderliggende data betrouwbaar is? Tijdens Asset Performance 2026 in Antwerpen staat die ontwikkeling centraal.
Sensoren, conditiebewaking en machine-learningmodellen hebben de afgelopen jaren hun weg gevonden naar maintenance en assetmanagement. Ze kunnen afwijkingen signaleren en voorspellen wanneer de kans op een storing toeneemt. Generatieve AI voegde daar recent een nieuwe mogelijkheid aan toe: grote hoeveelheden technische documentatie en onderhoudshistorie snel ontsluiten voor monteurs en engineers.
Agentic AI gaat een stap verder. Een AI-agent kan informatie uit verschillende systemen combineren, een taak opdelen in meerdere stappen, digitale hulpmiddelen gebruiken en vervolgens acties voorbereiden of – wanneer daarvoor toestemming is gegeven – uitvoeren.
Dat maakt de technologie interessant voor industriële bedrijven die niet alleen hun machines, maar ook hun onderhoudsorganisatie productiever willen maken.
Van storing voorspellen naar actie voorbereiden
Het verschil wordt duidelijk bij een lager waarvan sensordata een verhoogd storingsrisico aangeeft. Predictive maintenance kan die afwijking detecteren. Een AI-agent zou vervolgens de onderhoudshistorie kunnen raadplegen, technische documentatie doorzoeken, mogelijke oorzaken vergelijken en de criticaliteit en productie-impact van de betreffende machine meenemen.
Een volgende stap kan zijn dat het systeem een interventie voorstelt en informatie voorbereidt voor werkvoorbereiding en onderhoudsplanning.
Daarmee verschuift de centrale vraag van wat vertelt de data? naar wat moet er vervolgens gebeuren?
Juist dat onderwerp staat op 18 en 19 november centraal tijdens Asset Performance 2026 in Antwerpen, een Europese conferentie over digitalisering in maintenance, reliability en assetmanagement.
Mens blijft onderdeel van de beslisketen
Meer autonomie betekent niet automatisch dat een AI-agent zelfstandig over machines en onderhoud gaat beslissen. Zeker in productieomgevingen en safety-critical processen zijn de kwaliteit en actualiteit van data, autorisaties en de aansluiting op bestaande IT- en OT-systemen bepalend.
Daarbij ontstaan ook organisatorische vragen. Welke systemen mag een AI-agent raadplegen? Mag hij alleen een werkorder voorbereiden of deze ook daadwerkelijk aanmaken? Wanneer moet een maintenance engineer toestemming geven? En wie is verantwoordelijk wanneer een door AI voorgestelde interventie verkeerd uitpakt?
De technologie raakt daarmee direct aan de rol van de onderhoudsprofessional. Naarmate AI meer informatie verzamelt en routinematige stappen overneemt, verschuift het menselijke werk richting beoordeling, uitzonderingen en beslissingen waarvoor technische ervaring en verantwoordelijkheid noodzakelijk blijven.
Eerst maintenance op orde
Dat AI geen vervanging is voor een goed ingericht onderhoudsproces, vormt ook de inzet van de openingskeynote van Tor Idhammar, Director of Reliability bij Domtar. Onder de titel AI for Reliability at Domtar: Hype, Help, or Hard Truths? behandelt hij de vraag wat AI daadwerkelijk kan toevoegen wanneer maintenance- en reliabilityprocessen in de praktijk worden toegepast.
Tijdens de conferentie is een volledige track gewijd aan Agentic AI in Maintenance, Reliability & Asset Management. Daarnaast komen onder meer AI Voice Agents aan bod, waarmee technici via spraak technische informatie kunnen opvragen. Andere onderwerpen zijn predictive en prescriptive maintenance, asset health, EAM, asset data management en reliability-strategieën.
Naar assets die zichzelf beschermen?
Op langere termijn kan de combinatie van AI, digital twins, condition monitoring en reliability engineering leiden tot systemen die steeds zelfstandiger op hun eigen conditie reageren.
Prof. Diego Galar van Luleå University of Technology en SISTEPLANT noemt dat het self-preserving asset. Hij sluit de conferentie af met een keynote over de ontwikkeling van Agentic AI naar assets die niet alleen hun toestand registreren, maar ook risico’s interpreteren en helpen bepalen welke maatregelen nodig zijn.
Dat is vooralsnog een toekomstbeeld. Het maakt wel duidelijk in welke richting industriële automatisering zich kan ontwikkelen: intelligentie komt niet alleen in de besturing van de machine terecht, maar steeds nadrukkelijker in de processen rondom beheer, service en onderhoud.
Wat kan de industrie van Mars leren?
Een andere kijk op autonomie komt van Dr. Stefaan De Mey, Head of the Strategy Team for Human and Robotic Exploration bij de European Space Agency (ESA). Zijn avondkeynote draagt de titel Sending Spare Parts to Mars is a Bad Business Case.
Ruimtevaart is een extreem voorbeeld van een probleem dat ook machinebouwers en asset owners kennen: hoe ontwerp en onderhoud je systemen wanneer een storing kostbaar is en mensen, onderdelen of specialistische kennis niet onmiddellijk beschikbaar zijn?
Voor de maakindustrie raakt dat aan thema’s als remote service, voorspellend onderhoud, levensduurverlenging en servitization. Hoe meer een machinebouwer op afstand weet over de conditie van zijn installed base, hoe gerichter onderhoud en onderdelen kunnen worden gepland.
Daarmee gaat de ontwikkeling van Agentic AI uiteindelijk over meer dan een nieuwe generatie software. De interessante vraag voor de industrie is of technologie daadwerkelijk kan bijdragen aan hogere beschikbaarheid, minder ongeplande stilstand en een productievere inzet van schaarse technische mensen.
Asset Performance 2026 vindt plaats op 18 en 19 november 2026 in het Flanders Meeting & Convention Center Antwerp in Antwerpen. De conferentie wordt georganiseerd door BEMAS. Meer informatie is te vinden via Asset Performance 2026.
