Steeds meer organisaties onderzoeken hoe ze AI kunnen inzetten om hun productieprocessen slimmer en efficiënter te maken. Dat is begrijpelijk. Met AI kun je bijvoorbeeld slijtage en dreigende storingen eerder signaleren, kwaliteitsafwijkingen herkennen, het gebruik van grondstoffen en energie optimaliseren en handmatig werk verminderen. Goed toegepast kunnen zulke toepassingen kosten verlagen, stilstand beperken en de concurrentiepositie verbeteren.

Maar een succesvolle inzet van kunstmatige intelligentie begint niet bij de keuze voor een AI-tool of algoritme. Eerst moeten je IT- en OT-omgeving, cybersecurity en datakwaliteit op orde zijn. AI levert namelijk pas betrouwbare resultaten op wanneer de systemen die de gegevens aanleveren veilig zijn en bruikbare data produceren. Juist dat is in veel productieomgevingen niet vanzelfsprekend. De eerste stap is daarom niet het selecteren van een AI-oplossing, maar het op orde brengen van je OT-omgeving en de onderliggende netwerkinfrastructuur.

Praktijkvoorbeeld: AI op een verouderd OT-netwerk

Stel dat een metaalbewerkingsbedrijf AI wil gebruiken om de bezetting van zijn CNC-machines te optimaliseren en storingen te voorspellen. CNC staat voor Computer Numerical Control: computergestuurde machines die metaal met hoge precisie bewerken, oftewel verspanen. Op papier is dit een geschikte toepassing voor slimme data-analyse.

Door machinedata te combineren en patronen te herkennen, kan het bedrijf processen mogelijk beter plannen, onderhoud gerichter uitvoeren en kosten besparen.

De technologie achter het bestaande OT-netwerk van dit bedrijf is sterk verouderd. De besturing van verschillende CNC-machines draait nog op Windows 7 en een enkele machine zelfs op Windows XP. Die systemen draaien al twaalf tot vijftien jaar betrouwbaar, maar krijgen allang geen beveiligingsupdates meer. Bovendien zijn ze verbonden met hetzelfde bedrijfsnetwerk waarop ook de kantoorautomatisering, het voorraadbeheer en de logistieke afdeling zijn aangesloten.

Door AI aan een OT-omgeving te koppelen, ontstaan nieuwe datastromen en verbindingen. Die koppeling vergroot het aantal mogelijke toegangspunten tot een OT-omgeving die onvoldoende is ingericht op moderne cyberdreigingen. Een besmette laptop op de administratie geeft een aanvaller niet automatisch toegang tot de machinebesturingen. Maar als netwerksegmentatie, toegangscontrole en monitoring ontbreken, kan zo’n laptop wel als springplank naar de OT-omgeving worden gebruikt. Een succesvolle aanval kan vervolgens delen van de productie verstoren of stilleggen. In de metaalbewerking telt iedere minuut.

Stilstand kan leiden tot vertraagde leveringen, extra herstelkosten en druk op de marges. De infrastructuur van dit bedrijf is daarom nog niet geschikt voor het verantwoord realiseren van ambitieuze AI-plannen.

Waarom OT-security de basis is voor AI

Operational Technology, oftewel de systemen die je machines en productieprocessen aansturen, kent specifieke kwetsbaarheden. Het gaat vaak om robuuste machines die zijn gebouwd voor een lange levensduur, waarbij cyberveiligheid bij het ontwerp niet voorop stond. Een machine die vijftien tot twintig jaar meegaat, draait vaak nog op software die de leverancier allang niet meer ondersteunt. Het installeren van updates is bovendien vaak complex. Een update kan productiestilstand vereisen en moet soms uitgebreid worden getest om te voorkomen dat de werking of veiligheid van de machine wordt beïnvloed. Vaak ontbreekt ook segmentatie: de organisatie heeft dan één netwerk waarop alle onderdelen met elkaar verbonden zijn.

Koppel je AI aan zo’n OT-omgeving, dan vergroot je het risico op meerdere fronten. Elke nieuwe verbinding met een AI-platform in de cloud vormt een extra toegangspunt. Data die eerst binnen de fabrieksmuren bleef, verlaat nu mogelijk je netwerk. Het aanvalsoppervlak groeit, terwijl de onderliggende systemen even kwetsbaar blijven als voorheen.

Van periodieke rapportage naar een permanente verbinding

Voor de komst van AI was het aantal rapportages beperkt. Denk aan het maandelijkse overzicht van de status van je machinepark: je haalt de data één keer uit je systemen, de informatie gaat één kant op en de verbinding sluit zodra het overzicht klaar is. AI werkt anders. Het vraagt om continue realtimeverbindingen en vaak om modellen die buiten je eigen omgeving draaien. Die koppeling staat dus permanent open en werkt in twee richtingen. Precies daarom weegt de staat van je OT zwaarder zodra AI in beeld komt. Voor directie en eigenaren speelt bovendien mee dat cyberveiligheid steeds nadrukkelijker een bestuurlijke verantwoordelijkheid is. Regelgeving zoals NIS2, de Europese richtlijn die strengere eisen stelt aan de digitale weerbaarheid van onder meer de industrie, legt die verantwoordelijkheid nadrukkelijk bij het management en niet alleen bij de IT-afdeling.

Datakwaliteit: de tweede voorwaarde voor betrouwbare AI

Naast de robuustheid van zowel het IT- als het OT-netwerk speelt nog een tweede vraag: is je datakwaliteit eigenlijk wel goed genoeg? AI is niet slimmer dan de gegevens waarmee het werkt. Leveren je machines onvolledige, inconsistente of slecht gelabelde data, dan krijg je onbetrouwbare voorspellingen terug. Denk aan een trillingssensor die regelmatig uitvalt, machines die verschillende tijdnotaties gebruiken of onderhoudswerkzaamheden die niet consequent worden geregistreerd. De ontbrekende informatie kan belangrijke patronen verhullen. Je bouwt dan slimme conclusies op een wankele bron. Veiligheid en betrouwbaarheid: aan allebei moet je voldoen voordat AI daadwerkelijk waarde oplevert.

In vier stappen je OT-omgeving klaarmaken voor AI

Met een nuchtere, stapsgewijze aanpak kun je een veilige en betrouwbare basis voor AI leggen. In vier stappen leg je de basis waarop je verantwoord AI kunt inzetten:

1. Netwerksegmentatie. Haal je OT los van je IT en plaats kritische systemen in aparte, afgeschermde zones. Zo loopt een probleem op kantoor niet door naar de productievloer, en andersom.
2. Virtueel patchen. Systemen die je niet kunt updaten, zoals die Windows XP-besturing, bescherm je op netwerkniveau. Een virtuele patch vangt bekende kwetsbaarheden af voordat het verkeer de machine bereikt, zonder dat je de machine zelf hoeft aan te raken.
3. Datakwaliteit in kaart brengen. Breng in beeld welke data je machines leveren, hoe betrouwbaar die is en waar de gaten zitten. Dit bepaalt of een AI-toepassing überhaupt bruikbare resultaten kan geven.
4. Verantwoorde koppeling. Verbind je OT gecontroleerd met AI- en clouddiensten. Leg vast welke data naar buiten mag, monitor het verkeer en beschouw elke verbinding als potentieel risicovol. Zo houd je grip op wat er in- en uitgaat.

Deze stappen hangen nauw met elkaar samen. Zonder inventarisatie weet je niet wat je moet beschermen. Zonder segmentatie kun je verbindingen onvoldoende beheersen. En zonder betrouwbare data weet je niet of een AI-model bruikbare resultaten produceert.

IT- en OT-beheer onder één dak: de rol van CTNET

In de praktijk werken veel maakbedrijven met verschillende leveranciers: één voor het netwerk, één voor de machines, één voor de software en soms nog een aparte partij voor cybersecurity. Dat is niet vreemd, maar het maakt het lastig om te overzien waar je het beste begint en wie waarvoor verantwoordelijk is.

De allround IT-specialisten van CTNET brengen die disciplines samen. We ontwerpen, implementeren, beheren en beveiligen complete IT- en OT-omgevingen en nemen de regie over het geheel. Daardoor kijken we niet alleen naar segmentatie of OT-security op zichzelf, maar naar de samenhang tussen infrastructuur, beheer, data en de continuïteit van je organisatie. Je werkt samen met één partner die jouw omgeving goed kent, verantwoordelijkheid neemt en stap voor stap toewerkt naar een veilige, toekomstbestendige basis voor digitalisering en AI.

Is jouw OT-omgeving klaar voor AI-toepassingen?

Voordat je investeert in AI, is het goed om te weten waar je staat. Met onze checklist “Is jouw OT-omgeving klaar voor AI? 8 vragen voor de maakindustrie” neem je in een paar minuten de belangrijkste aandachtspunten door. Download de checklist en ontdek of jouw productieomgeving een solide basis heeft of dat er nog werk te doen is voordat je AI succesvol kunt implementeren.