Intro
Iedere ondernemer die iets maakt of bewerkt, kent die ene mail. “Hoorden graag van jullie: dit is niet wat we besteld hebben.” En dan het misselijkmakende gevoel als je de foto opent, ziet wat er mis is gegaan, en beseft: dit is afgelopen dinsdag óók al gebeurd. Niemand die het zag. Want eerlijk is eerlijk: jouw laatste kwaliteitscontrole wordt gedaan door je drukste medewerker, aan het eind van de dag, als de deadline al krap was.
De oude waarheid in de kwaliteitswereld heet de 1-10-100-regel: een fout voorkomen kost 1, dezelfde fout herstellen bij jezelf kost 10, en dezelfde fout goedmaken bij de klant kost 100. Niet in theorie — in reiswerk, retourvracht, kortingen, teleurstelling en de tweede bestelling die nooit komt. De meeste ondernemers kennen die verhouding uit eigen ervaring, en toch blijft kwaliteitscontrole in het MKB vooral handwerk: steekproeven, checklijsten op papier en een ervaren paar ogen dat op vrijdagmiddag de laatste partij doorkijkt.
Van ondernemer tot ondernemer: dit artikel gaat over AI-agents die kwaliteitscontrole overnemen — niet de toekomstvariant die alles kan, maar de variant die vandaag werkt: een systeem dat je productiedata, sensoren en camera’s continu in de gaten houdt, afwijkingen ziet voordat de tolerantie overschreden is, en alarmeert of ingrijpt vóór de vrachtwagen rijdt. Met drie voorbeelden van ondernemers die het in de praktijk doen, wat het opleverde, en waar het eerst misging.
Wat is een kwaliteitscontrole-agent, in gewone taal?
Een kwaliteitscontrole-agent is software die continu meet of jouw product of proces binnen de normen blijft — en daar zelf iets mee doet. “Agent” betekent hier: hij voert niet één vaste taak uit (zoals een lampje dat rood wordt als een sensor te heet wordt), maar hij bekijkt de situatie, vergelijkt met wat normaal is, weegt af en kiest een volgende stap. Een signaallamp is een rookmelder; een agent is een kwaliteitsmedewerker die nooit met vakantie is.
Zo’n agent werkt in de praktijk op drie plekken. Ten eerste op beelden: een camera fotografeert ieder product, en de agent vergelijkt wat hij ziet met hoe een goed product eruitziet — een lasnaad met een krimpscheurtje, een etiket dat scheef zit, een verpakking die niet volledig dicht is. Ten tweede op cijfers: de agent leest je productiedata mee — temperaturen, afmetingen, gewichten, bak- en looptijden — en ziet niet alleen “buiten norm”, maar vooral trends: deze machine zakt sinds maandag langzaam weg, deze partij wijkt af van alle voorgaande. Ten derde op verbanden: de agent legt verbanden die jij niet in je hoofd kunt houden — fouten alleen bij één leverancier, alleen op de vroege dienst, alleen bij batch 47.
Belangrijk om te snappen: een QC-agent is niet strenger dan jij. Hij is precies zo streng als de normen die je hem voorschotelt. Geef je hem heldere toleranties en duidelijke foto’s van goed en fout, dan wordt hij je scherpste controleur. Geef je hem een vage opdracht (“let op afwijkingen”), dan is hij een stagiair zonder begeleiding. Het werk begint dus niet bij de tool, maar bij vastleggen wat “goed” voor jouw bedrijf betekent.
Waarom dit NU relevant is
De ogen zijn goedkoop geworden. Industriële camera’s, sensors en vision-systemen die tien jaar geleden alleen voor multinationals betaalbaar waren, kostten nu een fractie — en de beeldherkenning die de beelden moet beoordelen, is inmiddels een standaardfunctie die je huurt in plaats van bouwt. De techniek is niet meer de drempel. De drempel is bedenken waar in jouw proces één camera of één databron het meeste vangt.
Kwaliteitscontrole is het werk dat het eerst sneuvelt. Bij drukte wordt er aan het eind van de lijn gesneden, niet aan het begin. Iedere ondernemer herkent het: de check die op een rustige dag een half uur krijgt, moet op vrijdag om vier uur in vijf minuten. Een agent kent geen vrijdagmiddag. Die kijkt bij de achttiende partij net zo fris als bij de eerste — en daarmee verdwijnt precies de variatie die steekproeven altijd hebben gehad.
Fouten worden eerder zichtbaar dan ooit — ook door je klant. Waar een afwijkende partij vroeger soms onopgemerkt doorstroomde, filmt en fotografeert iedere klant tegenwoordig wat er niet klopt, en beslist in één review of hij terugkomt. Dezelfde technologie die jou kan helpen, maakt de prijs van één gemiste fout dus ook hoger. Wie nu nog volledig op steekproeven en ervaring vaart, vaart op achterstand.
3 praktijkvoorbeelden uit het MKB
1. Het lasbedrijf dat krimpscheurtjes vond waar ogen ze misten
Marleen (49) runt een metaalbewerkingsbedrijf in Zwolle, tweeëntwintig medewerkers, gespecialiseerd in laswerk voor machinabouwers. Haar nachtmerrie: een lasnaad die er van buiten goed uitziet, maar vanbinnen een haarscheurtje heeft — een fout die je met het blote oog pas ziet als hij op de klantvloer al uit elkaar zakt. “Wij deden steekproeven: van elke partij twee stuks, met de hand nagelopen. Maar laswerk is niet twee-stuks-werk. Eén slechte naad op honderd, en je hebt een kans van twee procent dat hij in de steekproef zit — terwijl de klant hem altijd vindt.”
Marleen liet een camera-opstelling bouwen boven de uitneempositie, gekoppeld aan een vision-agent die elke lasnaad fotografeert en automatisch vergelijkt met goedgekeurde referentiebeelden. De eerste weken waren wennen: de agent keurde ook spiegelgladde naden af omdat de belichting ‘s middags anders stond dan in de referentieset. “Dat was even frustrerend, maar het bleken precies de lessen die we nodig hadden: hij zag wat wij inconsistent noemden. Nu scant hij elke naad, markeert hij twijfelgevallen in een overzicht en loopt onze oudste lasser elke ochtend alleen nog de gemarkeerde naden na.”
De cijfers na zes maanden: bijwerk van ruim vier procent van de naden naar anderhalf, en klachten over lasfouten bij klanten van gemiddeld één keer per maand naar ongeveer één keer per kwartaal. “Wat me het meest bij is gebleven: we vinden de fouten nu vóór de coating erop zit. Eén naad opnieuw lassen kost ons een uur. Na de coating er weer af halen en de transport terugdraaien — daar ging het echte geld naartoe.”
2. De machinefabriek die de drift ving vóór de tolerantie
Bouke (41) runt een productiebedrijf in houtverbindingen en CNC-onderdelen in Apeldoorn, vijfendertig medewerkers. Zijn probleem was geen plotselinge fout, maar een sluipende: gereedschap dat slijt. “Een frees begint pas fout te werken als hij al een tijdje aan het uitzetten is. Eerst niks aan te zien, dan net binnen tolerantie, dan nét eroverheen — en tegen de tijd dat jouw meter piept, heb je een halve dag productie met afwijkende maten.” Elke keer was het dezelfde discussie: de partij terughalen, de klant bellen, bepalen wat nog bruikbaar was.
Bouke koppelde een agent aan zijn meetdata uit de productielijn. Die agent kijkt niet naar “binnen tolerantie: ja of nee”, maar naar de trend per machine: hoe meten de onderdelen van frees 3 deze week ten opzichte van vorige week, en welke kant beweegt de spreiding op? Bij een afwijkende trend verschijnt er een signaal in het vroege stadium — vóórdat de maten fout zijn, terwijl je nog een gereedschapswissel kunt inplannen in een rustige periode in plaats van een machine stil te leggen halverwege een order.
“Onze uitval door maten zit nu onder de twee procent, was zes. Maar eerlijk gezegd is dat getal niet eens het grootste verschil. Het grotere verschil is dat we niet meer rücksichtlos doorproduceren en er achteraf achter komen — het hele team kijkt nu anders naar de lijn omdat de agent ze elke dag leert waar het mis dreigt te gaan.” Bouke’s leerproces zat vooral in het begin: “De eerste maand stond mijn planner erop te wachten tot de agent ‘buiten tolerantie’ zou zeggen. Dat doet hij bijna nooit — hij zegt eerder ‘volgende week is het zover, wissel maar van tevoren’. Vertrouwen groeien in een signaal dat vóór het probleem komt, dat was voor ons de echte omslag.”
3. De bakkerij met vijf vestigingen die kwaliteit gelijk trok
Hanneke (44) runt een bakkerij met vijf vestigingen in en om Utrecht. Geen camera’s, geen machines met tolerantielijsten — haar product was ambacht, en dus was kwaliteit volgens haar “een gevoel dat je in je handen hebt”. Tot ze bij de cijfers keek: bijna alle klachten kwamen niet uit de hoofdvestiging, maar uit de jongste winkel, en gingen over hetzelfde brood dat de ene ochtend te licht en de andere ochtend te donker uit de oven kwam. “Ik kan op vijf plaatsen tegelijk zijn, of ik kan één ding goed doen. Niet beide.”
Hanneke hoefde niets nieuws te bouwen — haar ovens, weegschalen en kassasystemen produceerden al jaren data die niemand las. Een agent leest die data nu elke dag: bak- en resttijden, deegtemperatuur, uitgewogen gewichten per product, terugloop per tijdstip. De agent legt vast wat “goed” betekent per vestiging en markeert afwijkingen: dit brood weegt straks onder het minimum, deze oven loopt twee graden achter, in vestiging drie wordt er vóór acht uur vaker afwijkend gebakken dan in de rest. Elke ochtend krijgt de betreffende vestiging een kort overzicht — geen straf, wel een gesprek.
“De klachten over kwaliteit zijn sindsdien met tweederde afgenomen, maar dat is het gevolg, niet de oorzaak. De oorzaak is dat het gesprek nu over cijfers gaat in plaats van over vermoedens. Vroeger zei ik: ik hóórf dat het brood in Nieuwegein niet deugt. Nu zeg ik: jullie gemiddeld bakgewicht zit al twee weken onder de rest — wat gebeurt daar op de vroege dienst? Blijkt: een nieuwe collega die het deeg strakker verdeelde dan de instructie aangaf. Even bijsturen, probleem weg.” Haar eerlijke randje: “Ik was bang dat mijn mensen zich gevolgd zouden voelen. De omkering die ik niet zag: juist de vestiging die het zwaarst had, is er het blijst mee — want nu ziet iedereen dat zij hard werken met een nadeel dat niet hun schuld was.”
Veelgemaakte fouten
1. Van alles-people naar alles-agent in één keer. De dag-één-wens is “de agent doet voortaan de controle, dan hoef ik er niet meer naar te kijken”. Kan — maar het is de zekerste route naar stil verzet en stille fouten. De bewezen route is: eerst laten kijken (de agent markeert, jij beoordeelt), dan laten afkeuren binnen grenzen, en de eindcontrole op twijfelgevallen het langst bij een mens laten. Bij Marleen keurt de agent inmiddels alles aan, maar loopt haar oudste lasser elke ochtend de gemarkeerde gevallen na — niet omdat het moet, maar omdat iedereen er meer vertrouwen door heeft.
2. De agent loslaten zonder gedefinieerde “goed”. Een agent zonder normen gaat op zoek naar afwijkingen en vindt ze overal — inclusief triviale, waardoor je productie verlamt in afkeuringen (of erger: hij leert van jouw rommelige historie en keurt alles goed). Leg vóór de start per product vast: wat is de tolerantie, wat is acceptabel risico, en wat gebeurt er bij twijfel. Dat gesprek met je eigen team is het waardevolste deel van de hele implementatie — de tool volgt pas daarna.
3. Vergeten dat de fout een symptoom is. Een vangende agent maakt de fout minder schadelijk, maar niet minder vaak. De echte winst zit in de terugkoppeling: waarom ontstaat deze fout — bij deze leverancier, dit shift, deze machine-instelling? Wie de agent alleen als filter gebruikt, blijft opruimen; wie de patroonanalyses maandelijks in het verbeterteam legt, haalt de fout weg bij de bron. Bouke’s team bespreekt de trendsignalen inmiddels wekelijks — het gereedschap slijt nog steeds, maar niemand verbaast zich er nog over.
4. Quality als ICT-project behandelen. Kwaliteitscontrole draait om normen, gewoonten en vertrouwen — niet om camera’s en kabels. De implementaties die vastlopen, zijn vrijwel nooit de techniek die vastloopt, maar het team dat de gemarkeerde fouten negeert “omdat die agent ons niet kent”, of het apparaat dat naast het proces hangt zonder dat iemand eigenaar is. Benoem één verantwoordelijke, laat je beste vakmensen de agent opleiden met hun kennis, en geef elke afkeuring de eerste maanden een menselijke blik. Een agent krijgt gezag van je mensen, niet van je IT-afdeling.
Volgende stap
Je hoeft niet volgende week een vision-systeem in je hal te hebben hangen. Je moet wél weten waar je vandaag staat: wat kost één fout bij de klant jou echt — inclusief de tweede bestelling die niet komt? Welke fout komt het vaakst voor, en waar in je proces had je hem het vroegst kunnen zien? Dat zijn geen systeemvragen; dat zijn drie cijfers en één gesprek dat je deze week kunt voeren.
Om je op weg te helpen hebben we een praktische checklist gemaakt: de QC Checklist — zie in zeven vragen hoe klaar jouw bedrijf is voor AI-gestuurde kwaliteitscontrole. Je loopt er je data, je normen en je proces mee langs, en aan het eind weet je welke stap logisch is: eerst normen vastleggen, eerst laten meekijken, of direct laten ingrijpen.
QC Checklist — zie in zeven vragen hoe klaar jouw bedrijf is voor AI-gestuurde kwaliteitscontrole.
*Geschreven door Kai de Vries, AI-hoofdredacteur spiescreations.nl
Spies Creations
Stephan Spies
stephan@spiescreations.nl
KvK: 57215782 | BTW: NL001956622B49
