De maakindustrie kent een verdeling die weinig andere sectoren hebben. Aan de ene kant staat de operationele techniek: besturingssystemen, sensoren, predictive maintenance en kwaliteitscontrole met beeldherkenning. Die systemen zijn vaak formeel aangeschaft, ingebouwd in machines of productielijnen, en onderhevig aan bestaande engineering- en veiligheidsprocedures. Aan de andere kant staat de kantoor- en stafomgeving: inkoop, planning, engineering-ondersteuning, klantcontact en administratie. Daar verschijnt generatieve AI op dezelfde manier als in elke andere organisatie — via een browser, een los account, een los abonnement.
De verhouding tussen die twee lagen bepaalt hoe een governance-aanpak moet worden ingericht. Waar de operationele techniek relatief goed gedocumenteerd is omdat ze onderdeel is van kapitaalinvesteringen en onderhoudscontracten, is de kantoorlaag vaak nergens vastgelegd. Wie alleen naar de productielijn kijkt, ziet een fractie van wat er in de organisatie aan AI wordt gebruikt.
Een overzicht van goedgekeurde software vertelt zelden het hele verhaal. Een engineer die een tekening laat samenvatten, een planner die een AI-tool gebruikt om leverschema's te herschikken, een inkoper die offertes laat vergelijken door een extern model — dat gebeurt vaak zonder dat een aanvraag is ingediend of een licentie is geregistreerd. Dat is geen nalatigheid; het is een praktisch gevolg van tijdsdruk en de beschikbaarheid van gratis of goedkope tools.
Deze schaduw-AI is voor een bestuurder of risicomanager het eigenlijke aandachtspunt. De vraag is niet alleen wat de organisatie heeft aangeschaft, maar wat er dagelijks wordt gebruikt om werk sneller te doen. Dat achterhalen vraagt een andere aanpak dan een technische audit: het vraagt dat mensen bereid zijn te vertellen wat ze gebruiken, zonder dat dit gesprek voelt als een verantwoordingsplicht. Wie vraagt "wie heeft hier zonder toestemming iets gebruikt", krijgt geen antwoord. Wie vraagt "wat gebruikt u om uw werk te doen", krijgt wel een antwoord.
Niet elk gebruik van AI in de maakindustrie draagt hetzelfde gewicht. Een AI-toepassing die meewerkt aan ontwerpvalidatie of kwaliteitscontrole van een eindproduct raakt aan veiligheid en aansprakelijkheid op een andere manier dan een tool die een e-mail naar een leverancier opstelt. Een systeem dat productieplanning beïnvloedt kan gevolgen hebben voor levertijden en contractuele verplichtingen; een tool die interne notities samenvat meestal niet.
Deze differentiatie is de basis van classificatie: niet alle AI-gebruik hoeft hetzelfde toezicht te krijgen, maar het onderscheid moet wel gemaakt worden, en op basis van wat het systeem doet en waar het invloed op heeft — niet op basis van waar het werd aangeschaft. Een tool die door een individuele medewerker werd gedownload kan net zo veel invloed hebben op de output naar een klant als een systeem dat via een formeel traject is ingekocht.
De maakindustrie werkt zelden op zichzelf. Toeleveranciers, onderaannemers en klanten zijn onderdeel van hetzelfde proces, en AI-gebruik bij een van die partijen kan invloed hebben op wat een organisatie zelf aflevert. Als een toeleverancier AI gebruikt om specificaties te interpreteren of kwaliteitsrapportages te genereren, ontstaat een afhankelijkheid die niet zichtbaar is in de eigen systemen, maar wel relevant is voor wie verantwoordelijkheid draagt over het eindproduct.
Dit is een verschil met sectoren waar het primaire proces zich grotendeels binnen de eigen muren afspeelt. Een governance-aanpak voor de maakindustrie moet daarom niet alleen intern gebruik in kaart brengen, maar ook een beeld vormen van waar in de keten AI een rol speelt bij besluiten die de organisatie uiteindelijk aangaan.
De meeste maakbedrijven hebben al risicostructuren: voor productveiligheid, voor kwaliteitsmanagement, voor leveranciersbeoordeling. AI-governance werkt beter wanneer die aansluit op wat er al bestaat, in plaats van een nieuw, geïsoleerd proces te worden. Een classificatie van AI-toepassingen naar risiconiveau kan bijvoorbeeld gekoppeld worden aan bestaande beoordelingscriteria voor leveranciers of aan het kwaliteitsmanagementsysteem, zodat rapportage aan de directie of raad van commissarissen niet als apart traject naast bestaande verantwoordingslijnen komt te staan, maar erin wordt opgenomen.
Hoe die aansluiting precies vorm krijgt, verschilt per organisatie en hangt af van de bestaande governance-inrichting. Andere sectoren kennen vergelijkbare vraagstukken vanuit een andere structuur: in de transportsector speelt een vergelijkbare spanning tussen operationele systemen en kantoorgebruik, in de agrarische sector is de ketenafhankelijkheid vaak nog directer merkbaar, en in de zakelijke dienstverlening ontbreekt de operationele laag grotendeels, waardoor schaduw-AI daar de vrijwel enige laag is om in kaart te brengen.
Een inventaris van AI-gebruik en een classificatie naar risico geven een organisatie zicht op wat er speelt en waar toezicht nodig is. Die vraag ligt in het verlengde van een andere vraag die veel maakbedrijven zich stellen: welk deel van het werk zelf, op het niveau van individuele taken, eigenlijk over te nemen is door AI. Waar governance in kaart brengt wat er gebeurt en wie daar verantwoordelijkheid voor draagt, rekent de werkscan van FTE TO AI per taak uit welk deel daadwerkelijk voor overname in aanmerking komt — een vraag die pas goed te beantwoorden is wanneer eerst duidelijk is wat er al draait.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.