AI-agenten automatiseren predictief onderhoud bij Shell

Sophie Jansen · 2026-06-05

Shell gaat AI-agenten van C3 AI inzetten om de stap te maken van simpele anomaliedetectie naar volledig geautomatiseerd predictief onderhoud. Het energieconcern bouwt hiermee voort op het bestaande gebruik van de C3 AI Reliability Suite, die al meer dan 30.000 kritieke apparaten bewaakt in zowel upstream- als downstream-operaties. Het doel? Van de eerste waarschuwing tot de daadwerkelijke reparatie alles automatiseren. Dat betekent minder menselijke tussenkomst en gerichtere inzet van middelen. ### Wat is agentic AI precies? Agentic AI gaat een stap verder dan traditionele machine learning. Waar oude systemen alleen een seintje geven aan een engineer bij afwijkingen, kunnen deze AI-agenten zelfstandig redeneren en handelen. Ze onderzoeken waarom een alarm afging, stellen de oorzaak vast, en schrijven vervolgens werkorders uit. Ze checken ook meteen of de benodigde onderdelen op voorraad zijn en genereren inkoopaanvragen. Volgens Stephen Ehikian, president van C3 AI, bewijst deze samenwerking wat mogelijk is als enterprise AI op wereldwijde schaal wordt ingezet voor predictief onderhoud. "Het vermindert ongeplande stilstand en levert honderden miljoenen dollars aan economische waarde op."  ### Hoe werkt het in de praktijk? C3 AI's platform integreert realtime sensordata met financiële en onderhoudslogboeken. De AI leert eerst de normale bedrijfsomstandigheden van specifieke apparatuur zoals pompen, turbines en compressoren. Daar bovenop komt de agentic laag. Operators configureren per apparaat een individuele agent met eigen doelen en toegestane reacties. Als de machine learning-modellen een afwijking detecteren, activeert de agent. Die verzamelt contextuele informatie zoals: - Recente onderhoudshistorie - Omgevingsomstandigheden - Procesvariabelen van stroomopwaarts Met die data stelt de agent een onderbouwde reparatie voor. Mensen kunnen dat plan goedkeuren of aanpassen. Na verloop van tijd kan Shell bepaalde typen meldingen volledig automatiseren.  ### De echte impact: de last mile oplossen Veel industriële bedrijven kunnen storingen prima voorspellen, maar het omzetten van die inzichten in snelle actie blijft lastig. Engineers moeten handmatig alerts doorspitten, oorzaken onderzoeken en werkorders schrijven. Shell wil die tijd verkorten. Door AI de root cause-analyse en werkorderadministratie te laten doen, daalt de vertraging tussen voorspelde storing en daadwerkelijke reparatie. Dat verhoogt de uptime van apparatuur en beschermt de productie. ### Van tijdgebonden naar conditiegestuurd onderhoud Het uiteindelijke doel is een model waarin reparaties alleen plaatsvinden wanneer de conditie van de apparatuur dat vereist. Geen vaste onderhoudsschema's meer, maar onderhoud op maat. Dat bespaart niet alleen kosten, maar voorkomt ook onnodige stilstand. De directe koppeling met systemen zoals SAP is daarbij cruciaal. De agent werkt in dezelfde workflows als menselijke planners, wat de implementatie soepel laat verlopen. ### Wat betekent dit voor de sector? Deze ontwikkeling is niet alleen relevant voor Shell. Het laat zien dat agentic AI volwassen genoeg is voor grootschalige industriële toepassingen. Bedrijven die nu nog worstelen met de last mile van predictief onderhoud, kunnen hier lessen uit trekken. De combinatie van machine learning en autonome agenten biedt een blauwdruk voor efficiënter en veiliger onderhoud in de hele industrie.