Wat ING, Philips en KLM nu écht met AI doen (en wat jij ervan leert)

Ze experimenteren niet meer

Als je denkt dat AI vooral iets is voor techbedrijven in Silicon Valley, mis je een belangrijk verhaal dat zich letterlijk op dit moment in Nederland afspeelt. Bedrijven als ING, Philips, ASML en KLM zijn al lang voorbij de fase van 'eens kijken wat AI kan'. Ze draaien het in productie, in processen die direct invloed hebben op hun klanten, hun omzet en hun efficiency.

Wat doen ze precies? En belangrijker nog: wat kun jij als ondernemer of professional hiervan leren — ook als je geen IT-afdeling van 200 man hebt?

ING: fraudedetectie en klantenservice op schaal

ING zet AI in op meerdere fronten, maar twee toepassingen springen eruit. Ten eerste: fraudedetectie. Elke seconde gaan er duizenden betalingen door het systeem. Menselijk is dat onmogelijk te controleren, maar AI-modellen kunnen patronen herkennen die afwijken van normaal gedrag. Denk aan een betaling vanuit een locatie waar je normaal nooit bent, of een reeks transacties die verdacht snel achter elkaar komen.

Dat klinkt misschien abstract, maar het werkt zo: het systeem leert van miljoenen eerdere transacties wat 'normaal' is voor verschillende soorten klanten. Ziet het iets dat niet past, dan wordt het gemarkeerd voor menselijke controle of meteen geblokkeerd. Het resultaat: minder fraude, snellere detectie, minder valse alarmen.

Daarnaast gebruikt ING AI in klantenservice. Niet de gefrustreerde chatbot die je vraag niet begrijpt, maar systemen die e-mails voorsorteren, veelgestelde vragen automatisch beantwoorden en complexe vragen doorsturen naar de juiste medewerker — inclusief een samenvatting van wat de klant al heeft geprobeerd. Dat scheelt wachttijd voor de klant én frustratie voor de medewerker.

Wat kun je hiervan leren? Je hoeft geen bank te zijn om van dit principe te profiteren. Veel MKB-bedrijven kunnen vergelijkbare logica toepassen: welke terugkerende vragen krijg je steeds? Welke patronen in data wil je eerder zien? AI-tools voor klantenservice (zoals geautomatiseerde e-mailsortering of chatbots op basis van LLM's) zijn betaalbaar geworden — zelfs voor teams van vijf personen.

Philips: diagnostiek sneller en betrouwbaarder maken

Philips, van origine technologiebedrijf, zet zwaar in op AI in de gezondheidszorg. Een van hun toepassingen: AI-ondersteunde beeldanalyse bij medische scans. Stel je voor: een radioloog kijkt naar honderden CT-scans per dag. AI kan daarbij helpen door afwijkingen — zoals tumoren of ontstekingen — sneller te markeren.

Het model analyseert de scan en zegt: "hier, in dit gebied, is iets dat afwijkt van wat normaal is". De arts neemt vervolgens de uiteindelijke beslissing. Het is geen vervanging, maar ondersteuning — alsof je een tweede paar ogen hebt die nooit moe wordt.

Dit soort systemen worden getraind op enorme datasets van geanonimiseerde medische beelden, waarbij artsen hebben aangegeven wat wel en niet een afwijking is. Het model leert die patronen herkennen en kan vervolgens nieuwe scans analyseren. Het resultaat: snellere diagnoses, minder gemiste afwijkingen, meer tijd voor de arts om met de patiënt te praten.

Wat kun je hiervan leren? AI is het sterkst waar je repetitieve patronen hebt in complexe data. Vraag jezelf af: welke expertise in mijn bedrijf is schaars en kostbaar? En waar moet die expert steeds opnieuw naar hetzelfde soort informatie kijken? Dat is een kandidaat voor AI-ondersteuning. Denk aan: contractanalyse, offertebeoordelingen, kwaliteitscontrole, risicobeoordeling.

ASML: procesbewaking in de chipindustrie

ASML maakt machines die zó geavanceerd zijn dat ze de kleinste details op computerchips kunnen printen — details zo klein dat je ze niet met een gewone microscoop kunt zien. Die machines zijn enorm complex en worden ingezet in productielijnen waar één fout miljoenen kan kosten.

AI helpt ASML bij het bewaken van productieprocessen. Sensoren meten duizenden parameters per seconde: temperatuur, druk, trillingen, lasernauwkeurigheid. AI-modellen analyseren die datastroom en voorspellen wanneer een onderdeel aan vervanging toe is, of wanneer een proces uit de pas begint te lopen.

Dat heet predictive maintenance: niet wachten tot iets kapotgaat, maar vooraf signaleren dat er iets niet goed gaat. Vergelijk het met een auto die zelf aangeeft dat de remblokken bijna versleten zijn — maar dan voor industriële apparatuur van tientallen miljoenen.

Wat kun je hiervan leren? Predictive maintenance is niet alleen voor chipfabrieken. Heb je machines, voertuigen of apparatuur die je dagelijks gebruikt? AI-tools kunnen sensoren of logdata analyseren en je waarschuwen voor problemen voordat ze uitvallen. Dat kan zo simpel zijn als software die je serverbeheer monitort, of zo praktisch als een vlootmanagement-systeem dat aangeeft welke bestelbus binnenkort onderhoud nodig heeft.

KLM: slimme planning en klantenservice

Vliegen is logistiek op het scherpst van de snede. KLM heeft duizenden vluchten per week, honderden vliegtuigen, tienduizenden passagiers, bemanningen die aan strikte regels moeten voldoen, weersomstandigheden, vertragingen. Één vertraging kan een domino-effect door de hele dag veroorzaken.

AI helpt KLM bij het optimaliseren van planning. Welke bemanning kan het beste op welke vlucht ingezet worden? Wat is de beste route om passagiers met een gemiste aansluiting alsnog op tijd op hun bestemming te krijgen? Wat zijn de kosten van verschillende oplossingen?

Daarnaast zet KLM AI in voor klantenservice via social media en chat. Stel: je hebt een vraag over je bagage of een vertraging. AI kan die vraag direct beantwoorden of doorsturen naar een mens als het complex is. Het werkt samen met medewerkers, niet als vervanging.

Wat kun je hiervan leren? Planning is voor veel bedrijven een bottleneck. Of je nu personeel inplant, leveringen coördineert of projecten beheert: AI kan je helpen om sneller scenario's door te rekenen. Moderne planningstools hebben AI ingebouwd en zijn toegankelijker dan je denkt. Ook voor een klein logistiek bedrijf of een adviesbureau met tien consultants.

Wat deze bedrijven gemeen hebben

Als je naar deze voorbeelden kijkt, vallen een paar dingen op:

• Ze lossen échte problemen op. Geen AI om de AI, maar AI omdat het een concreet proces beter, sneller of betrouwbaarder maakt.

• Mens en machine werken samen. De AI neemt niet over, maar ondersteunt de expert. De eindverantwoordelijkheid blijft menselijk.

• Ze gebruiken data die ze toch al hebben. Transacties, scans, sensordata, klantinteracties — die data was er al. AI maakt het mogelijk om er waarde uit te halen.

• Het is incrementeel. Ze zijn niet in één keer omgegaan naar 'full AI'. Het begon met pilots, experimenten, kleine projecten die werden opgeschaald.

Wat kun jij morgen doen?

Je hebt waarschijnlijk niet het IT-budget van ING of ASML. Maar de principes zijn hetzelfde, en de tools zijn betaalbaarder dan ooit. Hier zijn drie vragen om jezelf te stellen:

1. Waar doe ik steeds hetzelfde, maar kost het me veel tijd? Denk aan: e-mails beantwoorden, documenten samenvatten, offertes maken, data invoeren. Daar zijn nu LLM's en automatiseringstools voor die je zonder programmeren kunt inzetten.

2. Welke data heb ik, maar gebruik ik niet? Klantgegevens, verkoophistorie, storingen, feedback. AI kan patronen zien die jij over het hoofd ziet. Soms is een simpel dashboard met voorspellingen al genoeg om betere beslissingen te nemen.

3. Waar loopt mijn expertise vast op tijdgebrek? Als jouw specialisten te veel tijd kwijt zijn aan routine, kunnen ze minder tijd besteden aan wat echt verschil maakt. AI kan de routine overnemen, zodat zij zich focussen op de uitzondering.

Tot slot: begin klein, leer snel

De grote bedrijven hebben één ding goed gedaan: ze zijn begonnen. Niet met een masterplan, maar met één probleem, één dataset, één pilot. Ze hebben geleerd, bijgestuurd en opgeschaald.

Jij kunt dat ook. Kies één proces waar je frustratie ervaart. Onderzoek of er een AI-tool is die daar iets aan kan doen. Probeer het uit, meet het resultaat, pas aan. Zo bouw je stap voor stap je eigen AI-systeem — zonder dat je een data scientist hoeft in te huren.

De vraag is niet meer óf AI iets voor jou is. De vraag is: welk probleem pak je als eerste aan?