In deze publicatie belichten wij de potentie van AI (kunstmatige intelligentie) voor de maakindustrie, de vorderingen op het vlak van toepassingen en de manieren waarop producenten stappen kunnen zetten met AI.
Inhoudsopgave
1. Hoe ver zijn industriebedrijven met AI?
2. Wat kan AI industriebedrijven brengen?
3. Hoe kunnen industriebedrijven AI succesvol toepassen?
Industrie dicht AI-kloof met andere bedrijfstakken
In 2025 maakte 18% van de Nederlandse industriebedrijven gebruik van minimaal één AI-toepassing. Daarmee hebben zij de AI-kloof met andere bedrijfstakken gedicht. Door de relatief sterke toename in adoptie is het aandeel AI-gebruikers in de industrie nu even hoog als het landelijke gemiddelde van alle bedrijfstakken.
Grotere maakbedrijven zetten AI drie keer zo vaak in als kleinere bedrijven
AI-adoptie hangt zowel in de industrie als daarbuiten sterk samen met bedrijfsomvang. Grotere industriebedrijven met 250 of meer werkzame personen maken drie keer zo vaak gebruik van AI (namelijk 64% van het totaal) als kleinere bedrijven met 10 tot 50 werkzame personen (21%). Hoewel snelgroeiende startups vaak AI-koplopers zijn, blijkt voor het merendeel van de volwassen maakbedrijven schaalgrootte een onderscheidende factor als het om het toepassen van AI gaat. Grotere Amerikaanse bedrijven ontplooien massaal nieuwe AI-initiatieven. Bij elkaar zijn honderden AI-usecases geïnventariseerd, waarvan veruit de meest ondervraagde maakbedrijven binnen één tot vier jaar een positief rendement verwachten.
AI in Nederlandse industrie minder vaak toegepast dan elders in Noordwest-Europa
Afgezet tegen andere EU-landen geeft de industriële AI-adoptie van Nederland een tweeledig beeld. Maakbedrijven zetten in Nederland vaker AI in dan gemiddeld in de EU, maar lopen achter bij de Europese koplopers. Gemeten onder bedrijven met 10 of meer werkzame personen gebruikt in Nederland 29% van de maakbedrijven AI, terwijl dat in de totale EU gemiddeld 17% is. Tegelijkertijd staan Nederlandse maakbedrijven op achterstand vergeleken met hun tegenhangers in de meeste omringende landen in Noordwest-Europa. Zo geeft in België en Denemarken bijna 40% van de maakbedrijven aan in 2025 AI te hebben gebruikt. Het aandeel industriële grootgebruikers (dat drie of meer AI-toepassingen inzet), ligt in die landen met 17% versus 11% ook een stuk hoger dan in Nederland.
Industrie loopt risico potentiële productiviteitswinst niet te benutten
Academische studies op bedrijfsniveau laten zien dat de invoering van AI de jaarlijkse productiviteitsgroei van werknemers tot 3 procentpunten kan verhogen. Hoewel de voordelen verschillen per taak en dus per bedrijf, loopt de industrie het risico achter te blijven bij een belangrijke nieuwe technologie met potentieel significante productiviteitswinst. Uit het Draghi-rapport over de Europese concurrentiekracht blijkt dat een groot gedeelte van het verschil in economische groei tussen Europa en de VS kan worden verklaard door een grotere ICT-innovatiekracht en productievere toepassing van ICT-mogelijkheden. Op het vlak van AI-gerelateerde investeringen loopt Nederland achter bij de VS. Op de middellange termijn blijken industriebedrijven die AI implementeren doorgaans beter te presteren dan concurrenten die dat niet doen, zowel op het gebied van productiviteit als marktaandeel.
Kunstmatige intelligentie (AI) betreft een verzameling technologieën dat uit meerdere lagen bestaat. In het algemeen geldt dat AI zelfstandig taken kan uitvoeren, waar voorheen menselijke intelligentie voor nodig was. AI omvat machine learning, waarbij systemen worden gebouwd die zelflerend zijn op basis van data, zonder te worden geprogrammeerd. Zij kunnen voorspellingen doen op basis van datareeksen. Hoe meer data, hoe beter de voorspellingen worden. Deep learning is een vorm van machine learning dat gebruik maakt van neurale netwerken om meer complexe digitale systemen te doorgronden. Dit wordt onder meer gebruikt voor data-analyse en patroonherkenning. Generatieve AI (GenAI) is een systeem binnen deep learning en bestaat uit computersystemen die nieuwe content kunnen genereren, zoals tekst, beeld en video’s.
"},"alignedImage":{"position":"bottom","transformBaseUrl":"https://assets.ing.com/transform/8a28a96d-7bc9-497d-9f07-7d146959fc67/Sectorstudie-AI-in-de-industrie-fig-3-BOX-Kunstmatige-intelligentie-PNG","original":"https://assets.ing.com/m/fe86cad078047088/original/Sectorstudie-AI-in-de-industrie-fig-3-BOX-Kunstmatige-intelligentie-PNG.png","extension":"png"}}]},{"componentType":"paragraph","richBody":{"value":"Industriële software-investeringen moeten omhoog om AI-productiviteitspotentieel te benutten
Voor een productieve AI-inzet zijn grotere investeringen in software nodig. De industrie heeft de afgelopen vijf jaar de investeringen in software weliswaar opgevoerd, maar gemiddeld was de groei met 2% per jaar slechts half zo hoog als de totale industriële investeringsgroei. Vergeleken met de economie-brede investeringen in software blijft de industriële groei van software-investeringen nog verder achter. Terwijl de nominale waarde van het softwarebezit nog is toegenomen, is de reële waarde ervan tussen 2019 en 2024 met 7,5% afgenomen. Een verschil van 16 procentpunt met de 8,5% groei van het landelijke softwarekapitaal. Om met AI substantiële productiviteitswinsten te realiseren is dan ook een omkering van die neergaande trend nodig.
Textmining en Natural language generation meest gebruikte AI-technologieën
Industriebedrijven zetten AI in 2025 het vaakst in bij de analyse van geschreven taal. Zo’n 17% van de bedrijven doet aan deze “textmining”. Dit kan op verschillende manieren. Bijvoorbeeld bij onderhoudsanalyse op basis van storingsrapporten en onderhoudslogs van monteurs om zo de oorzaken van storingen beter te analyseren. Een ander voorbeeld is het genereren van inzichten voor het verbeteren van de klantbediening bijvoorbeeld door analyse van e-mails van klanten, klachtenformulieren of verslagen van klantgesprekken. Het genereren van teksten, gesproken taal en softwarecode is de op één na meest gebruikte AI-technologie (14%). Dit wordt ingezet om technische data naar begrijpelijke taal te vertalen, zoals geautomatiseerde teksten bij gesignaleerde kwaliteitsafwijkingen of andere rapportages over het functioneren van interne processen. Het genereren van afbeeldingen, video’s of geluid met GenAI-toepassingen is de op twee na meest gebruikte technologie (11%).
AI hard nodig om productieprocessen te flexibiliseren en personeelskrapte te verminderen
Kunstmatige intelligentie kan productiebedrijven efficiënter maken. De door ons geïnterviewde koplopers uit de sector gaven aan dat AI niet meer weg te denken is. Het is cruciaal voor een efficiëntere inrichting van productieprocessen en daarmee het tekort aan personeel op te vangen. Industriële machines werken al zeer efficiënt, maar bedrijfsprocessen vereisen bij de meeste maakbedrijven nog talloze handmatige handelingen. Veel van dat werk kan met verdere automatisering en AI efficiënter. Zeker de trend richting kleinere en meer verschillende orders (“high-mix, low-volume”) vereisen IT-oplossingen die autonomere productieprocessen mogelijk maken. De toegevoegde waarde van medewerkers komt steeds meer bij de ontwikkeling van producten en maakprocessen te liggen en steeds minder bij het maakproces zelf. Ontslagen liggen daarbij, gezien de continue personeelsschaarste, niet voor de hand. Bovendien is AI een volgende stap in de voortdurende zoektocht naar efficiëntere methoden om op de wereldmarkt te kunnen concurreren. Ook gaat automatisering voor een belangrijk deel ten koste van minder concurrerende activiteiten en minder populaire werkzaamheden.
Kunstmatige intelligentie geen nieuw fenomeen voor de industrie
Een groeiend aantal maakbedrijven is volop bezig met het experimenteren en implementeren van AI. Verschillende vormen van AI zijn al langer onderdeel van industriële processen. Het is een containerbegrip waar ook machine learning en deep learning onder vallen. Denk aan zelflerende computersystemen, zoals die al langer worden gebruikt voor predictive maintenance (voorspellend onderhoud), waarbij het systeem de prestaties van de machine monitort om storingen te voorspellen op basis van analyse van data van vergelijkbare machines. Een ander gangbaar voorbeeld is procesbewaking en kwaliteitscontrole via automatische inspectie van producten via camera’s of andere typen sensoren. Het computermodel leert daarbij aan de hand van duizenden beelden hoe een “goed” product eruitziet, waarna afwijkingen automatisch worden gesignaleerd en tot vervolgacties leiden.
AI gaat sector volgens koplopers in vijf jaar sterk veranderen
Generatieve AI biedt ondersteuning van personeel op de werkvloer via automatisch gegeneerde antwoorden. Industriebedrijven experimenteren er volop mee. Zij gebruiken GenAI-tools vaak voor “laaghangend fruit”, zoals het creëren van teksten voor bijvoorbeeld marketinguitingen of vacatures, maar koplopers passen het ook toe bij de aansturing van productieprocessen, productontwikkeling en het beantwoorden van klantvragen door een chatbot. De hoge snelheid waarmee AI-modellen een grote hoeveelheid gegevens interpreteren en content genereren, biedt in combinatie met de vele toepassingsgebieden veel mogelijkheden om industriële taken en processen sneller en kwalitatief beter te maken. Het tiental koplopers uit de sector dat wij over dit onderwerp spraken is het erover eens dat AI de dagelijkse bedrijfsvoering in de industrie in de komende vijf jaar sterk tot zeer sterk gaat veranderen.
AWL integreert kunstmatige intelligentie in zowel intralogistieke robotsystemen als lasinspectie om industriële processen flexibeler en efficiënter te maken. Bij lasinspectie vervangt AI‑vision handmatige controles door snelle en consistente kwaliteitsmetingen. Voor intralogistieke bedrijfsprocessen ontwikkelt AWL samen met partners zelflerende pick-and-place-robotoplossingen die ook afwijkende of vervormbare verpakkingen herkennen. Voor item picking combineren AI‑vision en bewegingsplanning hoge verwerkingssnelheden (tot 1.800 picks per uur) met nauwkeurige robotbewegingen.
AI versnelt ook de interne software- en robotontwikkeling, gemiddeld met 40%, mede dankzij gespecialiseerde tools zoals Github Copilot. Ook commerciële en administratieve processen profiteren hiervan, onder meer via AI‑agents voor sales en Microsoft Copilot in de backoffice. Volgens Chiel van Til, programmamanager AI bij AWL, moet voor een succesvolle toepassing van AI aan een aantal basisvoorwaarden zijn voldaan: “Goede datakwaliteit, een modern IT‑landschap en actieve adoptie door medewerkers zijn cruciaal. Kleine, snel toetsbare pilots en samenwerking met gespecialiseerde partners helpen om AI‑waarde snel te verzilveren.”
"}}]},{"componentType":"paragraph","richBody":{"value":"Veel meerwaarde voor industriële kernprocessen…
Het aantal succesvolle industriële AI-usecases groeit met de dag. In kernprocessen worden steeds vaker machine- en deeplearningmodellen ingezet. Slimme toepassing van AI maakt industriële processen dan ook sneller, kwalitatief beter en betrouwbaarder. AI-ondersteunde kwaliteitscontroles in de productielijn en monitoring en preventie van machineslijtage en -werking komt steeds vaker voor. Andere toepassingen in kernprocessen waar industriebedrijven aan werken zijn het stroomlijnen van productieprocessen door efficiëntere productieplanning, het sneller en nauwkeuriger vertalen van productontwerp (CAD) naar bewerkingsstappen (CAM) en bijvoorbeeld het verkorten van omsteltijden en cyclustijden door AI-aangestuurde instelling van machines en selectie van gereedschappen. Siemens heeft de automatiseringskosten in haar fabriek in Erlangen in bepaalde assemblagestappen met 90% verlaagd door de inzet van AI-gestuurde robots die verschillende onderdelen en materialen oppakken en plaatsen in geautomatiseerde assemblagelijnen. Ook in logistieke processen, voor de afdelingen marketing en verkoop en in de serviceverlening zijn er tal van AI-toepassingen met potentie. Denk aan optimalisering van ordering en voorraadbeheer, geautomatiseerde beantwoording van klantvragen met chatbots en het genereren van optimale prijsstelling en offertes zonder menselijke tussenkomst.
…maar grootste AI-potentieel bij verdere automatisering rondom kernproces…
AI kan systemen in een machine met edge-achtige AI-oplossingen slimmer maken – waarbij data direct op of naast de machine wordt verwerkt, zodat systemen sneller berekeningen kunnen genereren en minder afhankelijk zijn van de cloud. Toch zit het grootste potentieel van (Gen)AI niet in het kernproces van produceren zelf. Dat is al sterk geautomatiseerd met machines en robots. Juist in processen rondom de kern valt nog veel te winnen. Denk aan het koppelen van automatische transportsystemen (agv’s) en beladers die voor autonome aan- en afvoer tussen magazijn en productielijnen zorgen. Maar ook aan een geautomatiseerd bestel- en offerteproces voor minder complexe, meer gestandaardiseerde producten. Zo kan het gehele productieproces door een goede verbinding en aansturing van IT-OT-systemen (Information Technology en Operational Technology) efficiënter werken en meer autonoom of manloos worden en richting een dark- of lights-out-factory toe bewegen. De Zuid-Afrikaanse startup XMPro gebruikt GenAI-agents die als developer in teams met andere gespecialiseerde GenAI-agents samenwerken aan oplossingen voor industriële IT-OT-integratie. Maar ook laagdrempeliger is er veel tijd te besparen en kwaliteit te verbeteren, bijvoorbeeld voor operators en monteurs die geautomatiseerd zaken kunnen vinden en vastleggen met speech-to-text toepassingen van werkinstructies of instructiebeelden krijgen voorgeschoteld via Augmented Reality.
…en bij ontwikkeling nieuwe software en producten
Ook in de ondersteunende bedrijfsprocessen is nog veel te winnen. Naast kantoortaken waar meer laaghangend AI-fruit kan worden geplukt, zoals contentcreatie en analyse-toepassingen voor afdelingen als marketing en sales, HR, IT, finance en legal, ligt het grootste AI-potentieel bij het schrijven van software, engineering en productontwikkeling. Maakbedrijven zetten AI steeds vaker in om geautomatiseerd code te schrijven voor stuurprogramma’s van machines en robots. Zo neemt AI bij Philips inmiddels 30% van het programmeerwerk voor zijn rekening en past zij die ook toe om haar producten en diensten slimmer te maken. Slimme AI-toepassingen zullen bovendien de hardware-productontwikkeling (engineering) naar verwachting veel sneller en succesvoller maken door op basis van opgebouwde kennis ontwerpvoorstellen te genereren. Met het strategische partnerschap met AI-ontwikkelaar Mistral verschuift het belang van AI voor ASML van louter softwaretoepassingen naar de kern van haar engineering, productieprocessen en klantoplossingen. Daarbij zet ASML diverse AI-agents in met gebruik van verschillende AI-technologieën en voor verschillende usecases. Een ander voorbeeld is BMW, dat met NVIDIA GenAI inzet in de productie-engineering. BMW creëerde een synthetische dataset van meer dan 800.000 afbeeldingen om vision-modellen te trainen voor assemblagetaken. Dit verkortte de tijd om nieuwe kwaliteitscontrolemodellen te ontwikkelen en te implementeren met meer dan twee derde. Van de Nederlandse koplopers die wij voor dit onderzoek spraken zijn Demcon en AWL ook actief in het genereren van synthetische data om de beschikbare real world data mee uit te breiden en zo sneller trainingssets voor algoritmes te kunnen creëren.
Veel voordelen voor industriebedrijven
De potentiële voordelen van AI-toepassingen zijn voor de maakindustrie als volgt samen te vatten:
Rodin Machining bouwt sinds 2022 aan een volledig digitale en grotendeels autonome verspaningsfabriek, waarbij kunstmatige intelligentie de kern vormt van zowel het offerteproces als de productie. Klanten leveren 3D‑CAD‑ of STEP‑bestanden aan, waarna een fabrieksspecifiek AI‑algoritme de geometrie analyseert, vergelijkt met een groeiende interne productiedatabase en binnen één minuut een nauwkeurige offerte genereert. Paul Mooij, verantwoordelijk voor digitalisering bij Rodin: "Door deze data‑gedreven aanpak vervalt de afhankelijkheid van menselijke calculatie en groeit de nauwkeurigheid mee met iedere productierun."
Ook in de CAM‑fase, waarin het ontwerp wordt omgezet in een maakbaar productieplan voor machinebewerkingen, speelt AI een centrale rol. Een generatief model doet voorstellen voor bewerkingsstrategieën, gereedschappen en snijsnelheden, gebaseerd op eerdere productie-ervaringen. De CAM‑engineer blijft daarbij eindverantwoordelijk, maar werkt meer als procesregisseur dan als programmeur, omdat veel routinetaken door AI worden voorbereid. Dankzij deze digital‑first werkwijze verloopt het traject van ontwerp tot productie volledig digitaal en met consistente datakwaliteit.
In de fabriek zelf nemen robots het grootste deel van de productie over. Mooij: "Materiaalhandling, machinebelading en het afvoeren van gereed product verlopen 24 uur per dag automatisch; medewerkers richten zich vooral op aanvoer en uitzonderingen. Via digital twins simuleren en optimaliseren wij robotpaden en verspaningsstrategieën al voordat fysieke productie plaatsvindt. Tijdens het verspanen controleren taster‑sensoren continu de maatvoering en slijtage van gereedschappen, waarna eventuele afwijkingen automatisch worden gecorrigeerd.”
Rodin onderscheidt zich doordat de AI‑applicaties en ondersteunende software (de “AI-stack”) is gebouwd op eigen proces- en kwaliteitsdata, in plaats van generieke platformdata. Hierdoor worden de modellen na verloop van tijd steeds nauwkeuriger en groeit de autonomie van het systeem mee met de fabriek. De infrastructuur is bovendien ontworpen voor schaalbaarheid: van vier machines nu tot twaalf op korte termijn, en uitrolbaar naar nieuwe locaties.
De volgende stap ligt in verdere automatisering van backofficeprocessen met agentic AI, het verbeteren van generatieve AI voor CAM‑programmering en het koppelen met klanten via industriestandaarden als SCSN. Mooij: "Voor een succesvolle toepassing van AI ben je wel afhankelijk van een robuuste datahuishouding en zorgvuldige adoptie in de organisatie. Voor Rodin is het een voordeel dat zij een jong bedrijf is en vanaf de start volledig digitaal en autonoom heeft kunnen bouwen."
"}}]},{"componentType":"sectionTitle","title":"H3 Hoe kunnen industriebedrijven AI succesvol toepassen?"},{"componentType":"paragraph","richBody":{"value":"Drempels aanpakken…
De volledige potentie van AI is niet van vandaag op morgen benut. Belangrijke drempels zijn:
"},"alignedImage":{"position":"bottom","transformBaseUrl":"https://assets.ing.com/transform/13aa86b2-3a5c-4834-aa79-87a334e7afc6/Sectorstudie-AI-in-de-industrie-fig-11-Ladder-digitalisering-6-fases-SVG","original":"https://assets.ing.com/m/8f8fccaf7315c2f6/original/Sectorstudie-AI-in-de-industrie-fig-11-Ladder-digitalisering-6-fases-SVG.svg","extension":"svg"}},{"componentType":"paragraph","richBody":{"value":"Accepteer dat data en niet langer technische kennis leidend is (AI-koploper)
…en voorwaarden creëren voor succesvolle AI-implementatie
Het realiseren van AI-voordelen blijkt afhankelijk van de culturele bereidheid, de bestuurlijke inbedding en de integratie in organisatieprocessen. Mede uit onze gesprekken met bestuurders van industriële koplopers komt naar voren dat een aantal stappen essentieel is om van AI een succes te maken:
"}},{"componentType":"accordion","accordionList":[{"title":"Box – AI in de praktijk bij 24/7 Tailor Steel, De Cromvoirtse en Sanovo","richBody":{"value":"Niet algoritmen moeten centraal staan, maar data, integratie, mensen en governance (AI-koploper)
Bij 24/7 Tailor Steel vormt AI het hart van het online bestelproces. Klanten uploaden een tekening en krijgen binnen enkele minuten een prijs. De software herkent het product, berekent de bewerkingstijd en het materiaalgebruik en verdeelt de order automatisch over de snelste en meest geschikte productielocatie. E-mails van klanten worden door slimme assistenten omgezet in portal orders. Door deze vergaande automatisering zijn planners minder nodig, stijgt de doorloopsnelheid, en kan het bedrijf schaalbaar groeien. Voorwaarde: goede, eenduidige data en duidelijke spelregels voor veilig gebruik van AI.
AI helpt De Cromvoirtse om verkoopkansen sneller op te volgen, prijzen actueel te houden en klantvragen automatisch te sorteren en te beantwoorden. Inkoop verloopt grotendeels volledig digitaal (via SCSN), inclusief certificaten voor materialen. Grootste drempels: verschillende dataformaten uit machines en het tekort aan mensen met data- en AI- vaardigheden. De aanpak is pragmatisch: klein beginnen, eerst de datahuishouding op orde, waar nodig externe expertise inzetten, en stap voor stap opschalen.
Sanovo heeft in haar eierverwerkingslijnen mechanische sensoren vervangen door AI‑beeldherkenning om de ei-kwaliteit te bepalen. Zij heeft een camerasysteem ontwikkeld dat 16 afbeeldingen per ei maakt, met 72 eieren per seconde, wat resulteert in een enorme datastroom van 1.152 afbeeldingen per seconde. Hiervoor werkten ze samen met een bedrijf uit Canada dat high-speed camera's levert, omdat de traditionele leveranciers niet aan de eisen konden voldoen. De verwerking van deze data gebeurt lokaal op krachtige PC's met GPU's. Elke afbeelding wordt beoordeeld door een AI-beeldherkenningsnetwerk, dat in tien milliseconden beslist of er een breuk in het ei zit. Vervolgens kan het ei uit de machine gesorteerd worden, wat resulteert in betere kwaliteit en minder storingen. Daarnaast maakt de extra data nieuwe diensten mogelijk, zoals procesadvies en onderhoud op basis van gebruik. Een uitdaging vormt het creëren van voldoende gelabelde voorbeelden om de AI te trainen. Daarvoor heeft Sanovo 10.000 afbeeldingen met en zonder breuk ingevoerd met het label wel of geen breuk. Je leert het deep-learningmodel zo welk ei het moet goedkeuren en welk niet.
"}}]},{"componentType":"paragraph","richBody":{"value":"Niet de tool, maar het bedrijfsdoel
Hoewel zeer nuttig, is AI niet een doel op zich. Echte meerwaarde ontstaat als het een middel is dat bijdraagt aan de organisatiestrategie. Waar wil je als organisatie naartoe en wat is daarvoor nodig? Bij aanpassing van het businessmodel is de vraag voor een machinebouwer bijvoorbeeld: wat is er nodig om van productverkoop naar machine-as-a-service met prestatiecontracten te gaan? Dat begint vaak met de connectiviteitsvraag: waar haal je data vandaan en wat doe je ermee? Dan kan AI als middel zeer krachtig zijn.
Fail fast, learn fast is mijn advies (AI-koploper)
Schaalvergroting industrie zal versnellen door toenemende complexiteit
De industrie kent veel kleine bedrijven die onvoldoende capaciteit hebben om voortdurend te innoveren. Dit terwijl de (internationale) concurrentie alleen maar toeneemt in de huidige, snel veranderende wereld. Niet alleen de digitale transformatie, maar ook de toenemende concurrentie en de complexiteit in algemene zin – van maakprocessen en door personeelsschaarste en regeldruk – maakt snellere schaalvergroting binnen de industrie onvermijdelijk. Dat proces kan ondernemers overkomen, maar het biedt ook nieuwe kansen.
Goede data-infrastructuur basis voor succes
Tot slot geldt: samenwerken of fuseren helpt om voldoende schaal te creëren, maar zonder een basis van goede datavoorzieningen heeft AI weinig impact. Hoe beter data zijn ontsloten en gestructureerd, hoe krachtiger AI verbanden kan leggen en waarde kan creëren.
"}},{"componentType":"cta","textLink":{"text":"Publicatie in PDF"}},{"componentType":"paragraph","richBody":{"value":"
Auteur
Edse Dantuma
Met medewerking van
Gert Jan Braam (ING Sector Banking) – Gert.Jan.Braam@ing.com
Diederik Stadig (ING Research)
Met dank aan
Patrick Blommerde (FME), Jeroen Broekhuijsen (TNO, HightechNextGen), Christiene Everaars en Nienke Vergeer (Siemens), Guido van Gageldonk (BOM), Arnoud de Geus en Robbert van Herpen (Sioux Technologies), Gerben Heinen (Sanovo), Arthur van Hout en Boris van den Reek (KMWE), Arijleen Jordaan (Iso Groep), Paul Mooij (Rodin Machining), Dirk Peeters (24/7 Tailor Steel), Jan Post (RUG, Dutch High Tech System Roadmap), David Rijlaarsdam (Demcon), Yuri Steinbuch (Avular), Daniel Telgen (Cboost), Chiel van Til (AWL), Janwillem Verschuuren (De Cromvoirtse)
Deze publicatie is opgesteld door de 'Economic and Financial Analysis Division' van ING Bank N.V. ("ING") en slechts bedoeld ter informatie van haar cliënten. Deze publicatie is geen beleggingsaanbeveling noch een aanbieding of uitnodiging tot koop of verkoop van enig financieel instrument. Deze publicatie is louter informatief en mag niet worden beschouwd als advies in welke vorm dan ook. ING betrekt haar informatie van betrouwbaar geachte bronnen en heeft alle mogelijke zorg betracht om ervoor te zorgen dat ten tijde van de publicatie de informatie waarop zij haar visie in deze publicatie heeft gebaseerd niet onjuist of misleidend is. ING geeft geen garantie dat de door haar gebruikte informatie accuraat of compleet is. ING noch één of meer van haar directeuren of werknemers aanvaarden enige aansprakelijkheid voor enig direct of indirect verlies of schade voortkomend uit het gebruik van (de inhoud van) deze publicatie alsmede voor druk- en zetfouten in deze publicatie. De informatie in deze publicatie geeft de persoonlijke mening weer van de Analist(en) en geen enkel deel van de beloning van de Analist(en) was, is, of zal direct of indirect gerelateerd zijn aan het opnemen van specifieke aanbevelingen of meningen in dit rapport. De analisten die aan deze publicatie hebben bijgedragen voldoen allen aan de vereisten zoals gesteld door hun nationale toezichthouders aan de uitoefening van hun vak. De informatie in deze publicatie kan gewijzigd worden zonder enige vorm van aankondiging. ING noch één of meer van haar directeuren of werknemers aanvaarden enige aansprakelijkheid voor enig direct of indirect verlies of schade voortkomend uit het gebruik van (de inhoud van) deze publicatie alsmede voor druk- en zetfouten in deze publicatie. Auteursrecht en rechten ter bescherming van gegevensbestanden zijn van toepassing op deze publicatie. Niets in deze publicatie mag worden gereproduceerd, verspreid of gepubliceerd door wie dan ook voor welke reden dan ook zonder de voorafgaande uitdrukkelijke toestemming van de ING. Alle rechten zijn voorbehouden. ING Bank N.V. is statutair gevestigd te Amsterdam, houdt kantoor aan Bijlmerplein 888, 1102 MG te Amsterdam, Nederland en is onder nummer 33031431 ingeschreven in het handelsregister van de kamer van koophandel. In Nederland is ING Bank N.V. geregistreerd bij en staat onder toezicht van De Nederlandsche Bank en de Autoriteit Financiële Markten. Voor nadere informatie omtrent ING policy zie https://research.ing.com/.
"}}]}]},"complementaryZone":{"flexComponents":[{"componentType":"sectionTitle","title":"Ook interessant"},{"componentType":"cards","cards":[{"componentType":"productCard","cardType":"product","cardSize":"medium","title":"Digitalisering van industriële productieketens","body":"20 april - Wereldwijde verstoringen hebben het digitaliseren van industriële productieketens in een stroomversnelling gebracht. Veel wijst erop dat dit één van de missende stukjes van de industriële productiviteitspuzzel is.","image":{"transformBaseUrl":"https://assets.ing.com/transform/fb31f43d-1dff-448f-8fc1-eac2616493b3/Wires-on-circuit-board","type":"image","width":4608,"altTextEN":"\"\"","altTextNL":"\"\"","altTextFR":"\"\"","altTextDE":"\"\"","original":"https://assets.ing.com/m/1a11bb268fc00ccc/original/Wires-on-circuit-board.jpg","extension":"jpg"},"link":{"url":"/zakelijk/sector/industry/digitalisering-productieketens-industrie"}},{"componentType":"productCard","cardType":"product","cardSize":"medium","title":"Digitalisering productieketens - deel 2","body":"14 september - Datastandaarden, schaal en samenwerking cruciaal om vooruitgang te boeken","image":{"transformBaseUrl":"https://assets.ing.com/transform/f8b32035-6a15-4714-9498-aed06d4b614e/Female-and-male-technicians-working-on-a-cat-5-cable-bundling-system-in-a-large-computer-server-room","type":"image","width":1920,"original":"https://assets.ing.com/m/6a276633e41705d5/original/Female-and-male-technicians-working-on-a-cat-5-cable-bundling-system-in-a-large-computer-server-room.jpg","extension":"jpg"},"link":{"url":"/zakelijk/sector/industry/digitalisering-van-industriele-productieketens-deel-2"}},{"componentType":"productCard","cardType":"product","cardSize":"small","title":"Meer over de Nederlandse economie","image":{"transformBaseUrl":"https://assets.ing.com/transform/f166203c-2322-4c95-a19b-f4d5d5d609fd/Map-Netherlands-icon","type":"image","width":312,"original":"https://assets.ing.com/m/644f5fb91126c7f1/original/Map-Netherlands-icon.svg","extension":"svg"},"link":{"url":"/zakelijk/economie/nederland"}},{"componentType":"productCard","cardType":"product","cardSize":"small","title":"Meer over Industry","image":{"transformBaseUrl":"https://assets.ing.com/transform/da2fe2a9-153a-4d8a-a40b-f583518b6b98/Icon-Industry","type":"image","width":212,"original":"https://assets.ing.com/m/46b2a40b7024f659/original/Icon-Industry.svg","extension":"svg"},"link":{"url":"/zakelijk/sector/industry"}}]},{"componentType":"sectionTitle","title":"Blijf op de hoogte"},{"componentType":"cards","cards":[{"componentType":"serviceCard","cardType":"service","cardSize":"small","title":"Onze publicaties in je mailbox","image":{"transformBaseUrl":"https://assets.ing.com/transform/ed278600-502d-4eab-b44c-b995dfb5f253/Icon-Envelope","type":"image","width":237,"original":"https://assets.ing.com/m/27711bd2f94a8e23/original/Icon-Envelope.svg","extension":"svg"},"link":{"url":"https://ingthink.slgnt.eu/optiext/optiextension.dll?ID=PbkPn7YpYhvjrFjvTUD8S3Vav52QmkvGQm7qSxkvuviMQZuzyw35feMmO6cH6bUlOBp%2BNWCyQFeoieEKV4"}},{"componentType":"productCard","cardType":"product","cardSize":"small","title":"Volg ons op X","image":{"transformBaseUrl":"https://assets.ing.com/transform/53b8855d-2f0c-4e52-8575-ca5457329002/Logo-X","type":"image","width":786,"original":"https://assets.ing.com/m/5d6498c19f531619/original/Logo-X.svg","extension":"svg"},"link":{"url":"https://twitter.com/ingnl_economie"}}]}]}}}