predictive AI draait om één verschuiving: van terugkijken naar vooruitkijken. Je dashboards vertellen je wat er vorige maand is gebeurd. Een voorspellend model zegt wat er volgende maand waarschijnlijk gebeurt, met een bandbreedte eromheen. Voor een bedrijf dat voorraad aanhoudt, machines laat draaien of mensen inplant, is dat het verschil tussen reageren en plannen.
Dit artikel laat zien wat predictive AI wel en niet doet, bij welke processen het in het MKB loont, welke data je nodig hebt en hoe je in acht weken een eerste werkend model hebt zonder datawetenschapper in dienst.
#Wat predictive AI wel en niet doet
Een voorspellend model rekent met het verleden om een kans op de toekomst te geven. Het levert geen zekerheid, het levert een verwachting met een marge. Wie dat verschil niet vastlegt, gaat het model gebruiken als waarheid en raakt teleurgesteld bij de eerste misser.
Het onderscheid met andere vormen van automatisering is belangrijk.
| Soort | Wat het doet | Wanneer het past |
|---|---|---|
| Rapportage | Toont wat er gebeurd is | Je wilt overzicht en verantwoording |
| Regels en drempels | Grijpt in bij een vaste grens | De grens is bekend en stabiel |
| Voorspellend model | Schat de kans op een gebeurtenis | Er is patroon in het verleden en variatie in de uitkomst |
| Optimalisatie | Kiest de beste verdeling van middelen | Je hebt een voorspelling en meerdere opties |
Een voorraadalert bij een minimumvoorraad is een regel. Een model dat inschat welke artikelen de komende zes weken harder lopen dan normaal, is voorspellend. Het tweede model kan het eerste niet vervangen, want zodra de voorraad onder een harde grens komt wil je een signaal dat altijd afgaat.
#Predictive AI per toepassing: vraag, voorraad en onderhoud
De drie meest voorkomende toepassingen vragen elk om een andere aanpak en een andere databron. Dit is waar het verschil zit tussen een geslaagd project en een model dat in een notitieboekje blijft staan.
Vraag voorspellen
Je verkoopt per week of per maand en wilt weten wat er aankomt. Een model dat de vraag per artikelgroep voorspelt, helpt bij inkoop en bij personeelsplanning. Het werkt goed wanneer je minimaal twee jaar verkoophistorie hebt, inclusief seizoenpatronen en acties. Voeg altijd externe factoren toe die je zelf kunt aanleveren: vakantieperiodes, feestdagen, grote klanten die wegvallen, weersinvloed bij buitendienst.
Voorraad en verbruik sturen
In voorraadbeheer spelen twee vragen: hoeveel je nodig hebt, en hoe zeker je daarvan wilt zijn. Voor een traag artikel met hoge marge is een gemiste verkoop duurder dan een extra doos in het magazijn. Voor een laagwaardig bulkartikel is het omgekeerd. Een voorspellend model maakt die afweging per artikel, in plaats van één vaste regel voor alles.
Onderhoud voorspellen
Dit is de toepassing waar de meeste winst te halen is in de maakindustrie en de techniek. Je combineert storingsmeldingen, onderhoudshistorie, draaiuren en sensordata. Het doel is het pakken van de dure storingen: stilstand op een kritieke machine, een monteur die twee keer terug moet, een onderdeel dat niet op voorraad ligt.
#Welke data je nodig hebt voor predictive AI
De rekenkracht en de modelkeuze zijn tegenwoordig het makkelijkste deel. De data zijn de bottleneck, en bijna altijd gaat het om netheid en niet om hoeveelheid.
De meeste MKB-bedrijven hebben die data wel, maar verspreid. Verkoop in het ene systeem, voorraad in het andere, onderhoud in een spreadsheet en de kennis van de monteur in niemand zijn systeem.
| Databron | Waar het meestal staat | Meest voorkomend probleem |
|---|---|---|
| Verkoop en orderregels | Boekhouding of webshop | Retouren en creditnota’s niet meegenomen |
| Voorraadmutaties | ERP of voorraadmodule | Tellingen en correcties door elkaar |
| Storingsmeldingen | Onderhoudslijst of geen systeem | Oorzaak niet vastgelegd, alleen symptoom |
| Personeelsinzet | Planning in een spreadsheet | Geen koppeling met drukte of omzet |
| Klantgedrag | CRM en facturatie | Klanten dubbel in het systeem |
#Een Nederlands voorbeeld uit de spoorwereld
Voorspellend onderhoud is geen laboratoriumverhaal. ProRail liet in mei 2026 weten dat AI-InfraSolutions uit Eelde de komende jaren digitale beelden van het spoor mag maken en beschikbaar stellen. Het bedrijf werkt daarnaast met KPMG aan datagedreven onderhoud, met als doel de bestaande infrastructuur intelligenter te benutten en onderhoud beter voorspelbaar te maken. Die berichten zijn te herleiden tot de publicaties van SpoorPro (6 mei 2026) en KPMG.
Wat daar gebeurt, is ook op kleinere schaal te doen. Een loonbedrijf met veertig machines kan trillingen meten op de duurste machines en de storingshistorie van vijf jaar gebruiken. Een binnendienst kan de vraag per week voorspellen op basis van twee jaar orderhistorie. Het model is kleiner, het principe is hetzelfde: gebruik wat je al vastlegt, en voeg daar gericht een meting aan toe.
#Zo start je: acht weken naar een eerste model
Je hebt geen platform nodig om te beginnen. Je hebt een scherp afgebakende vraag nodig, een complete reeks en iemand die de uitkomst gebruikt.
Week 1: kies één voorspelling. Schrijf op welke beslissing de voorspelling moet ondersteunen en wie die beslissing vandaag neemt. Eén vraag, één eigenaar.
Week 2: maak de reeks compleet. Verzamel twee jaar historie van de uitkomst en van de oorzaken die je kent. Repareer dubbele regels en ontbrekende datums.
Week 3 en 4: bouw een eenvoudige versie. Begin met een model dat niet meer doet dan het gemiddelde van dezelfde periode vorig jaar, gecorrigeerd voor groei. Dat klinkt simpel en is verrassend lastig te verslaan.
Week 5: vergelijk met de praktijk. Leg de voorspelling naast wat er werkelijk gebeurde en naast de inschatting van de planner. Je meet niet alleen het model, je meet ook hoeveel beter dan de huidige werkwijze het is.
Week 6: koppel de uitkomst aan het proces. Zet de voorspelling op de plek waar de beslissing valt: in het inkoopvoorstel, in de werkorderlijst, in de planningsbladen. Niet in een apart dashboard.
Week 7: stel de grens vast. Bepaal per uitkomst wanneer je ingrijpt en wanneer je het laat lopen. Bij een verwachte afwijking van dertig procent is een actie vaak niet verstandig.
Week 8: evalueer en breid uit. Meet wat de voorspelling heeft opgeleverd in uren en in euro’s, en voeg pas daarna een tweede voorspelling toe.
#Conclusie
predictive AI is in 2026 geen onderzoeksproject meer. De modellen zijn beschikbaar, de rekenkracht is betaalbaar en de grootste bottleneck is de kwaliteit van je eigen historie. Kies één voorspelling die een echte beslissing ondersteunt, zorg dat de data compleet zijn en vergelijk het model met wat je mensen nu doen. Als het model daar niet van wint, is er niets verloren: je hebt geleerd waar je data tekortschiet, en dat is de basis voor de volgende poging.
Wil je weten welke voorspelling bij jouw processen het snelst iets oplevert? Plan een gesprek met een specialist en we kijken naar je cijfers.