Wat AI niet weet over jouw productieomgeving (en hoe je dat oplost)

AI-modellen lijken alles te weten. Ze schrijven teksten, vatten rapporten samen en beantwoorden vragen over vrijwel elk onderwerp. Toch loopt het vaak vast zodra je zo'n model loslaat op je eigen werkvloer. Het geeft een antwoord dat in het algemeen klopt, maar niet voor jouw machines, jouw klanten en jouw uitzonderingen.

De reden is simpel: een AI-model kent de wereld, maar het kent jouw productieomgeving niet. In dit artikel lees je wat een model structureel niet weet over jouw bedrijf, waarom dat juist op de werkvloer een probleem is, en hoe je het oplost.

Wat een AI-model wel weet

Een groot taalmodel is getraind op enorme hoeveelheden publiek beschikbare tekst: handleidingen, normen, vakliteratuur, fora en algemene theorie. Daardoor kan het goed uitleggen hoe een proces in het algemeen werkt, welke parameters er bestaan en wat gangbare oorzaken van een bepaald defect zijn.

Voor algemene vragen is dat sterk. Het model put uit de opgeschreven kennis van een hele sector. Het probleem ontstaat zodra de vraag specifiek wordt voor jouw bedrijf.

Wat een AI-model niet weet over jouw productieomgeving

Alles wat uniek is voor jouw werkvloer en nooit is opgeschreven, valt buiten het bereik van het model. Denk aan:

• De eigenaardigheden van een specifieke machine, bijvoorbeeld een oudere bewerkingsmachine die bij hogere temperaturen net iets afwijkt.
• Klantspecifieke aanpassingen die je al jaren toepast maar in geen enkele handleiding staan.
• Uitzonderingen die ervaren operators door schade en schande hebben geleerd: als dit gebeurt, doe dan dat.
• De volgorde en het gevoel waarmee een proces betrouwbaar verloopt, kennis die in handen en hoofden zit, niet op papier.

Geen enkel model is hierop getraind, want deze kennis bestaat niet in tekstvorm. Ze zit in de mensen die het werk al twintig of dertig jaar doen.

Impliciete kennis: de kennis die nergens staat

Deze ervaringskennis heet impliciete kennis, ook wel tribal knowledge genoemd. De filosoof Michael Polanyi vatte het samen in de uitspraak: "we weten meer dan we kunnen zeggen" (Polanyi, The Tacit Dimension, 1966).

Impliciete kennis is moeilijk te expliciteren. Een ervaren operator weet wanneer hij van de standaard moet afwijken, maar kan dat niet altijd in woorden vatten zonder erop bevraagd te worden. Juist omdat deze kennis nooit is opgeschreven, kan een AI-model er niet bij. Het model ziet de uitkomst van die kennis niet in zijn trainingsdata en kan haar dus niet reproduceren.

Dit is het verschil tussen expliciete kennis, die opgeschreven, deelbaar en vindbaar is, en impliciete kennis, die bestaat uit ervaring, gevoel en context. Modellen zijn goed in de eerste en blind voor de tweede.

Waarom dit op de werkvloer gevaarlijker is dan elders

Als een model een ontbrekend feit tegenkomt, stopt het niet. Het vult de leegte op met het meest waarschijnlijke antwoord. Dat heet hallucineren. In een chatgesprek is een verzonnen antwoord vervelend. Op de werkvloer is het duur.

Een model dat een instelling, een tolerantie of een werkvolgorde verzint, klinkt even overtuigend als een model dat het echt weet. Het verschil merk je pas bij uitval, afkeur of een klacht van de klant. Een nieuwe operator die het antwoord niet zelf kan controleren, neemt het over.

Hoe je oplost wat AI niet weet

De oplossing is geen groter of slimmer model. Het is een betrouwbare kennisbasis uit je eigen omgeving waarin je het model gront. Dat gaat in drie stappen.

• Vastleggen. Haal de impliciete kennis uit de hoofden van je ervaren mensen. De valkuil is dat dit altijd faalt zodra het extra werk oplevert. Operators hebben geen tijd en geen zin om te typen, en op de werkvloer staat geen computer. Het vastleggen moet daarom aansluiten op hoe ze al werken, bijvoorbeeld door tijdens het werk in te spreken in plaats van achteraf te documenteren.
• Verifiëren. Niet alles wat wordt vastgelegd is meteen juist of compleet. Een menselijke controle, waarbij een ervaren collega bevestigt of corrigeert, voorkomt dat fouten en aannames in je kennisbasis terechtkomen. Dit is de kwaliteitspoort die het verschil maakt tussen een betrouwbare bron en een verzameling losse opmerkingen.
• Ontsluiten. Geverifieerde kennis moet doorzoekbaar en bruikbaar zijn op het moment dat iemand een vraag heeft. Pas als die basis er staat, kun je er met vertrouwen AI op loslaten. Het model put dan uit jouw geverifieerde werkvloerkennis in plaats van uit een algemene gok.

Waarom dit de komende jaren belangrijker wordt

De aandacht verschuift naar AI die taken zelfstandig uitvoert. Hoe meer je daarop wilt leunen, hoe zwaarder de kwaliteit van je onderliggende kennis weegt. Een autonoom systeem dat handelt op basis van verzonnen kennis maakt fouten sneller en op grotere schaal dan een mens ooit zou doen.

De bedrijven die nu hun impliciete kennis vastleggen en actueel houden op de werkvloer, bouwen het fundament waarop elke latere AI-toepassing kan rusten. Dat wordt nog belangrijker wanneer ervaren mensen vertrekken en kennisoverdracht bij pensionering niet langer informeel kan blijven. Wie dat overslaat, bouwt op zand. De technologie wordt elk jaar beter, maar ze kan niet weten wat niemand ooit heeft opgeschreven.

Tot slot

Een AI-model kent de wereld, maar niet jouw productieomgeving. Dat gat dicht je niet met een beter model, maar door de kennis van je eigen mensen vast te leggen, te verifiëren en bruikbaar te maken. Dan werkt AI met wat klopt, in plaats van met wat waarschijnlijk lijkt.

Taggl legt de impliciete kennis van ervaren operators vast terwijl ze werken, met een menselijke controle als kwaliteitspoort. Zo ontstaat een betrouwbare kennisbasis uit je eigen werkvloer.