Een klassieker tijdens een geplande stop: een monteur staat bij een pomp om een lager te vervangen, maar de documentatie spreekt zichzelf tegen. In SAP staat onderdeel A-4312. De tekening in het archief noemt A-4132. En op de gedeelde schijf staat nog een Excel-overzicht met een derde nummer.
De monteur weet het niet meer zeker. Voordat er een nieuw onderdeel wordt besteld, wordt er eerst één, twee, soms driedubbel gecheckt wat de juiste keuze is. Dat kost geen dagen per keer, maar het gebeurt wel dagelijks. Die uren lopen op, en kosten “wrench time”: de tijd dat je daadwerkelijk aan het sleutelen bent.
De behoefte om dit soort processen te automatiseren is groot. Tegelijkertijd horen we vaak: “We willen wel, maar onze data moet eerst perfect op orde zijn.” In de praktijk komt het er zelden van om die data structureel te updaten.
Tijdsdruk wint bijna altijd van administratieve hygiëne. Als de installatie draait of er een storing is, krijgt beschikbaarheid terecht voorrang. Het bijwerken van revisies en assetlijsten schuift dan vanzelf naar morgen. En morgen wordt volgende maand.
Het werk is niet per se ingewikkeld, maar wel tijdrovend. Men moet revisies naast elkaar leggen, tags vergelijken en assetlijsten bijwerken. Dat is saai werk waar niemand voor is aangenomen. Het is ook vragen om fouten: na honderd tags zie je het verschil tussen een ‘0’ en een ‘O’ niet meer.
Wat op de werkvloer klein is, is op projectniveau groot
En dus blijft het werk liggen. Voor trajecten als een FMECA of HAZOP moet de basis kloppen, maar als het uitzoekwerk weken kost, schuift de analyse op. Hoe groter de installatie, hoe minder realistisch het wordt om dit handmatig bij te houden.
Je wilt monteurs niet belasten met papierwerk; die moeten sleutelen. Maar omdat de data niet klopt, worden ze alsnog een soort archeoloog in hun eigen archief. De kosten van dat speurwerk lekken dagelijks weg, terwijl ze niet als aparte post op de balans staan. Dat maakt de drempel voor verbetering onnodig hoog.
Wij zetten AI in voor dit voorbereidende werk. De techniek leest tekeningen uit, koppelt taginformatie en brengt verschillen tussen P&ID’s, manuals en SAP in kaart.
Het model signaleert afwijkingen en dubbele registraties. Vervolgens beoordeelt een engineer wat de juiste situatie is en welke aanpassingen nodig zijn. De verantwoordelijkheid voor veiligheid en inhoudelijke keuzes blijft bij de mens; het repetitieve vergelijkingswerk wordt geautomatiseerd.
Veel organisaties zitten niet te wachten op nóg een softwarepakket of weer een nieuw dashboard dat het team moet leren gebruiken. Wij leveren daarom geen nieuwe software.
De opgeschoonde datasets worden opgeleverd in Excel of CSV en kunnen direct in de bestaande systemen worden geladen. In trajecten waar we dit toepassen, zien we dat de voorbereiding van analyses tot 47% sneller verloopt, omdat het grootste deel van het vergelijkingswerk al is gedaan. Daardoor ontstaat ruimte voor waar het uiteindelijk om draait: de veiligheid en beschikbaarheid van de installatie.
Veel organisaties willen ‘iets met AI’, maar weten niet waar te beginnen. Plan een demo met ons in, dan vertelt onze expert precies hoe jij het best met AI kunt beginnen, en hoe jouw organisatie daarvan profiteert.