De ochtend-checker: een AI-agent die uw werkvoorbereider voor is

Het is dinsdag, 09:45. Uw werkvoorbereider belt de inkoop, want order 4471 staat al twee uur op de vloer en het halffabrikaat is er niet. De order had gisteren al vrij moeten zijn. Klant is gebeld, leverdatum gaat schuiven, en niemand had het zien aankomen.

In 30 jaar productie heb ik dit honderden keren zien gebeuren. Niet omdat mensen niet opletten, maar omdat de informatie die nodig is voor zo’n vroegtijdig signaal verspreid zit over uw ERP, een Excel met materiaalstatus en het hoofd van uw werkvoorbereider. Die kan om 06:30 niet alles tegelijk overzien.

Een AI-agent kan dat wel. En u hoeft daar geen jaar pilotstudie voor op te zetten.

Wat een ochtend-checker doet

Stel u voor: vanaf 06:30 draait een agent in de achtergrond. Hij doet drie dingen, in deze volgorde:

1. Hij leest alle werkorders met startdatum vandaag of morgen. Direct uit uw ERP, geen tussenstap.
2. Hij controleert per order of de benodigde materialen, gereedschappen en capaciteit beschikbaar zijn. Hij koppelt voorraadstand aan reserveringen en kijkt of er openstaande inkooporders zijn die op tijd binnenkomen.
3. Hij stuurt om 07:00 één bericht naar de werkvoorbereider: dit zijn de orders die vandaag vastlopen, en dit is waarom.

Geen dashboard om te openen. Geen lijst van vijftig regels. Drie tot vijf concrete attenderingen, op naam van de order, met de oorzaak erbij. Net zoals een ervaren collega het zou doen, alleen dan elke werkdag, ook als hij ziek is.

Wat het niet doet

Een ochtend-checker neemt geen beslissingen. Hij verschuift geen orders, hij belt geen klanten, hij past geen planning aan. Dat blijft mensenwerk. Hij maakt zichtbaar wat anders pas om half tien zichtbaar werd, toen het al te laat was.

Dat onderscheid is belangrijk. AI-agents die zelf ingrijpen in productieprocessen vragen om governance, audit en een omvalplan. AI-agents die alleen signaleren, kunnen morgen draaien.

Hoe u dit zou opzetten

De architectuur is eenvoudiger dan u denkt. Drie bouwstenen:

• Read-only toegang tot uw ERP-database. Een aparte gebruiker, met alleen leesrechten op een paar tabellen (werkorders, voorraad, inkoop, capaciteit). Uw IT-verantwoordelijke kan dit in een uur opzetten. Het beperkt het risico tot wat de agent kan zien, niet wat hij kan veranderen.
• Een Large Language Model (LLM) dat SQL kan uitvoeren én redeneren over het resultaat. Dat kan met Claude of een vergelijkbaar model. De agent stelt zelf de vragen, krijgt rijen terug, en formuleert daaruit een Nederlandstalig signaal.
• Een trigger om 06:30 en een uitvoerkanaal naar uw werkvoorbereider. E-mail, Teams-bericht, WhatsApp, wat past. Eén kanaal, niet vier.

Voor een MKB-maakbedrijf is dit een opzet van enkele dagen, niet maanden. Wat tijd kost is niet de techniek, maar het bepalen welke signalen u écht wilt zien. Daar zit het echte werk.

Waarom u hier nu over nadenkt

De vraag is niet of dit kan. De vraag is waarom u dit nog niet heeft. In de meeste fabrieken waar ik kom, zit alle benodigde data al in het ERP. Die data wordt alleen niet op het juiste moment, in de juiste samenstelling, naar de juiste persoon gestuurd. Daar zit precies het gat dat een AI-agent kan dichten.

Dit is geen toekomstmuziek. Het is een laaghangend vruchtproject dat in een week kan draaien, één probleem oplost, en u laat zien wat AI in uw fabriek wel en niet kan. Als dit werkt, weet u of het volgende stap (stuklijst-bewaking, doorlooptijdsignalen, kwaliteitsalerts) ook iets voor u is.

Praktisch beginnen

Wilt u weten of een ochtend-checker in uw situatie iets oplevert, dan helpt het om eerst goed te kijken naar uw huidige werkordervrijgave-proces. Hoeveel orders lopen er per week vast op iets dat vooraf zichtbaar had kunnen zijn? Welke afdeling merkt het als eerste, en hoe laat? Dat is informatie die u nu al heeft, ook zonder agent.

Wij brengen dit soort processen in kaart als onderdeel van de VERPS Quickscan. Geen verkoopgesprek, wel een eerlijk oordeel of een AI-agent uw werkvoorbereider echt voor is, of dat er eerst iets anders moet gebeuren.

---

Meer over hoe AI past in uw bestaande ERP-omgeving: lees de pillar Wat is ERP voor de maakindustrie of bekijk de dienst AI-gestuurde orderstatus, waar dezelfde architectuurprincipes worden toegepast op klantvragen in plaats van interne signalen.