De eerste proof-of-concept van PRINTELLIGENCE liep bij Drukkerij Moderna, een drukkerij met rotatiepersen en vellenoffset. De vraag was eenvoudig: wat kan AI vandaag doen met de data die een drukkerij al heeft? Het antwoord kwam uit een onverwachte hoek. Niet de machinedata maar de meldingen die operatoren al twintig jaar intypen bleken de rijkste bron.
Eerst toegang
Het vertrekpunt was een SWAiP-scan van VIGC in het voorjaar. Die bracht in kaart waar het bedrijf staat en welke systemen er draaien. Daarna ging het om de vraag welke data we konden bereiken en wie daar toegang toe geeft. Elke koppeling is alleen-lezen: de AI kijkt mee maar verandert niets in de productiesystemen.
ERP en planning
Een haalbaarheidsstudie met The Shell Company toonde dat een moderne alleen-lezen API bovenop de bestaande ERP-databank werkt. Een migratie naar een ander ERP bleek niet nodig.
Machinedata
De rotatiepersen van manroland loggen stilstanden en papierbreuken tot op de minuut. Voor de Heidelberg-vellenpers loopt dat via de Prinect-API.
Operatormeldingen
Een logboek waarin drukkers sinds 2001 bij elke productie noteren wat er misliep. Vrije tekst, getypt aan de pers. Dit werd de kern van de proef.
Twintig jaar ervaring in vrije tekst
In het logboek staan meer dan honderdduizend meldingen van tientallen drukkers. Dezelfde storing staat er in heel verschillende bewoordingen in. De AI las ze integraal en groepeerde ze tot terugkerende problemen per pers. Daarna legden we elke categorie naast de machinedata en de gegevens uit het ERP.
De machine“storing overtemperatuur zone 31”
De operator“precies elke keer als het warm buiten is”
Sensoren registreren wat er gebeurt. Operatoren beschrijven wat ze zien. De uitkomst van die vergelijking was opvallend: de machinedata spraken de meldingen van de drukkers nergens tegen. Wat de operatoren jarenlang opschreven klopte.
Tegelijk bleek dat de registratie in 2025 stilviel. Wie meldt zonder ooit een antwoord te krijgen, stopt er na een tijd mee. De meetlus tussen werkvloer en kantoor was gebroken. Dat is geen datavraag maar een afspraak op de vloer.
Wat het oplevert
De analyse mondde uit in een actieplan van meer dan vijftig bladzijden met prioriteiten en een verwachte opbrengst per actie. Het zijn voorstellen en hypotheses. De drukkerij toetst ze zelf in de praktijk, er is nog geen besparing gerealiseerd. Vijf aanbevelingen springen eruit:
- 1Bakrolregeling herstellen op de pers waar ze de meeste machine-events geeft.
- 2Wasinstallatie optimaliseren. Op één pers is de rubberdoekwasinstallatie de grootste bron van stilstand.
- 3Omsteltijd verkorten met een vaste aanpak voor het instellen.
- 4Rolwissel verbeteren waar de breuken vlak na het plakken nog pieken.
- 5Elke melding opvolgen. Een wekelijkse triage met een antwoord terug naar de operator.
Wat de drukkerij zelf bouwde
Het mooiste resultaat is dat de drukkerij zelf aan de slag ging. Op een eigen AI-server in huis bouwde het team met Claude Code een reeks kleine toepassingen, allemaal alleen-lezen op het ERP en de machinedata. De belangrijkste is een digitale werkvloerregistratie die sinds september 2026 live draait. De bediener klokt aan de machine wat hij doet en krijgt meteen feedback: hoe ver de oplage staat en hoe snel de pers draait tegenover de calculatie. Staat de pers vijf minuten stil zonder melding, dan vraagt het scherm wat er scheelt.
Daarnaast kwam er een afwerkingsmonitor die gepland en werkelijk naast elkaar zet. Een nacalculatie die de calculatie vergelijkt met wat er echt gemeten is, zit in de testfase.
Wat de sector eruit leert
- Luister naar je operatoren. Hun meldingen zijn geen ruis. Ze voegen de ervaring toe die geen sensor meet.
- Sluit de lus. Een melding zonder opvolging kost je op termijn de melding zelf.
- Begin met wat je hebt. Veel drukkerijen hebben jaren aan data liggen in oude logboeken en databanken. Alleen-lezen koppelingen maken die bruikbaar zonder risico voor de productie.
- Laat het team zelf bouwen. Met de AI-tools van vandaag kan een medewerker in enkele weken toepassingen maken die vroeger een softwareproject waren.
Zelf meedoen?
De resultaten van deze proef komen live aan bod op de demo en workshop van 18 november in Genk. Heb je zelf een productieprobleem met data die erbij horen? Laat het ons weten, misschien wordt jouw bedrijf de volgende proof-of-concept.
