Wie Eshuis binnenstapt, merkt dat groei hier niet draait om meer, maar om beter. De ambitie om zich verder te ontwikkelen is duidelijk voelbaar, maar vertaalt zich niet automatisch in extra machines, meer mensen of meer vierkante meters. De centrale vraag is steeds: hoe benutten we wat we al in huis hebben zo optimaal mogelijk? Van aanwezige kennis en beschikbare data tot de ervaring van medewerkers en de bestaande infrastructuur. Ook duurzaamheid speelt hier een centrale rol.
Een concreet voorbeeld daarvan is het liner recycling-programma. Restmateriaal van etiketten wordt teruggenomen en verwerkt tot nieuwe grondstoffen. Afval wordt zo opnieuw onderdeel van de keten. Het illustreert hoe Eshuis systematisch zoekt naar manieren om efficiënter om te gaan met bestaande middelen.
Diezelfde manier van denken geldt ook voor kennis en processen. Het idee om daar slimmer mee om te gaan leefde al langer binnen Eshuis. Maar de snelle ontwikkelingen op het gebied van AI maakten die ambitie concreet.
“AI stond al op onze radar,” vertelt Marco Oude Nijeweme, ICT Manager bij Eshuis. “Maar na een inspiratiesessie over de mogelijkheden voor het bedrijfsleven wisten we: dit is geen hype waar we iets van moeten vinden. Dit is iets waar we positie in moeten kiezen, maar wel vanuit onze eigen vraagstukken.”
Starten bij mensen en processen
De uitdaging lag vervolgens in het vinden van de juiste balans tussen wat technologisch mogelijk is en wat de organisatie daadwerkelijk nodig heeft. Daarom begon Eshuis niet direct met het implementeren van nieuwe technologie, maar bij de basis: de medewerkers.
Op kantoor en in ondersteunende processen werd onderzocht hoe het werk er in de praktijk uitziet. Welke handelingen keren dagelijks terug? Waar gaat veel tijd in zitten? Wat geeft energie – en wat juist niet? “Voordat technologie iets kan verbeteren, moet eerst duidelijk zijn wat je eigenlijk aan het doen bent - en waarom,” aldus Niek Slinkman, projectmanager Innovatie & Procesoptimalisatie bij Eshuis.
Die gesprekken leverden waardevolle inzichten op. Niet alleen over knelpunten, maar ook over waar vakmanschap, ervaring en samenwerking de meeste waarde toevoegen. Het werd zichtbaar waar werk onnodig complex was geworden en waar medewerkers vooral tijd kwijt waren aan zoeken, afstemmen of herhalen.
Tijdens dit proces werd ook duidelijk dat AI niet automatisch het antwoord is op elke vraag. Soms zit de winst in eenvoud: heldere afspraken, vastgelegde kennis of een logischere procesinrichting. Die fase bleek minstens zo waardevol als het experimenteren met technologie.
AI-gedreven kennisbank en leadgeneratie
Maar ook voor AI is een belangrijke rol weggelegd. Een van de eerste toepassingen is een AI-gedreven interne kennisbank. Binnen Eshuis is veel documentatie, productinformatie en proceskennis beschikbaar, maar die is verspreid over verschillende systemen en documenten. “Deze toepassing maakt het mogelijk om via natuurlijke taal vragen te stellen en direct relevante informatie terug te krijgen,” licht Oude Nijeweme toe. Voor medewerkers betekent dat minder zoektijd en minder afhankelijkheid van specifieke collega’s. Voor de organisatie betekent het dat bestaande kennis beter benut wordt.
Op commercieel vlak kijkt Eshuis naar de inzet van AI voor leadgeneratie. Door data slim te analyseren, herkent het bedrijf potentiële kansen eerder en kan het deze gerichter prioriteren. Niet om het persoonlijke klantcontact te vervangen, maar om commerciële teams gerichter en beter geïnformeerd het gesprek in te laten gaan.
Daarnaast wordt AI verkend in processen waar snelheid en nauwkeurigheid cruciaal zijn. “Denk aan ondersteuning bij calculaties en offertevoorbereiding, waar informatie uit verschillende bronnen samenkomt. Ook in het planproces voor productie en voorraad onderzoeken we hoe data-analyse kan helpen om beter te voorspellen en efficiënter te plannen,” vertelt Slinkman.
Vooruitkijken naar de productievloer
Met de eerste ervaringen in ondersteunende processen kijkt Eshuis nu vooruit richting de productievloer. Denk aan het analyseren van productiedata om afwijkingen eerder te signaleren, het ondersteunen van operators met real-time informatie of het slimmer combineren van historische data met actuele productieparameters.
“Op de productievloer moet technologie aantoonbaar bijdragen aan kwaliteit en betrouwbaarheid,” benadrukt Slinkman. “Als dat met automatisering kan, is dat prima. Als AI daarbovenop extra inzicht geeft, dan verkennen we graag deze mogelijkheden. Het gaat ons om het resultaat, niet om het label.”
