Wat de Sif-fabriek laat zien over AI en windenergie

Waarom de zorgen van Sif een wake-up call zijn

Sif heeft begin 2025 de grootste fabriek voor windmolenfunderingen ter wereld geopend. Gigantische monopiles rollen er van de band, bedoeld voor windparken op de Noordzee. Toch klinkt er geen alleen maar gejuich: de CEO waarschuwt tegelijk voor een mogelijk stilvallen van de windmarkt.

Dat is precies het spanningsveld waarin de Nederlandse energietransitie nu zit. Aan de ene kant enorme investeringen, nieuwe fabrieken, duizenden banen. Aan de andere kant: onzekerheid over beleid, schommelende stroomprijzen, vertraging in projecten én een keten die zichtbaar piept en kraakt. Dit is niet alleen een financieel of politiek verhaal. Het is óók een dataverhaal. En daar komt AI om de hoek kijken.

In deze blog, onderdeel van de serie “AI voor Nederlandse Energie: Duurzame Transitie”, pak ik de casus Sif als spiegel voor de hele offshore windketen: van fabriek tot windpark. En ik laat zien hoe AI kan helpen om precies dat te voorkomen waar de CEO voor vreest: stilstand in een cruciale markt.

De kern van het probleem: pieken, dalen en onzekerheid

De zorg van Sif raakt een bredere realiteit: de offshore windmarkt is extreem cyclisch.

Projecten worden in grote tranches aanbesteed, afhankelijk van kabinetsdoelen, Europese regelgeving, netaansluitingen en financieringscondities. Daardoor zie je:

• periodes van overvolle orderboeken en capaciteitsgebrek
• gevolgd door gaten in de planning, uitgestelde investeringen en hogere risico-opslagen

Voor een fabriek als die van Sif betekent dat:

• grote vaste kosten (personeel, machines, terrein)
• hoge veiligheids- en kwaliteitsstandaarden
• afhankelijkheid van enkele grote klanten en aanbestedingen

Eén afgeblazen of vertraagd windpark kan miljoenen aan omzet en planning kosten. Precies daar kun je met AI-gestuurde scenario’s, vraagvoorspelling en capaciteitsplanning veel slimmer mee omgaan.

Hoe AI de windketen stabieler kan maken

De realiteit is dat de marktvolatiliteit niet zomaar verdwijnt. Maar je kunt er wél veel beter op sturen. AI helpt op drie niveaus: strategisch, operationeel en in de ketensamenwerking.

1. Strategische vraagvoorspelling: minder gokken, meer rekenen

Voor partijen als Sif, maar ook voor kabelleveranciers, turbinebouwers en installateurs, is langetermijnzicht op de projectpijplijn goud waard.

AI-modellen kunnen:

• overheidsplannen, netbeperkingen, vergunningen en politieke scenario’s combineren
• historische vertragingen en doorlooptijden per type project meenemen
• marktdata verwerken (staalprijzen, rente, PPA-prijzen, CO₂-prijs, ETS-ontwikkelingen)

Daaruit rolt geen glazen bol, maar wél een veel scherper beeld van:

• waarschijnlijke startdata van projecten
• realistische volumes per jaar
• risicofactoren per project (vergunning, financiën, netaansluiting)

Goed getrainde AI-vraagmodellen maken van “we hopen op 2028” een onderbouwd scenario met kansen, bandbreedtes en concrete bedrijfsbeslissingen eraan gekoppeld.

Voor een fabriek betekent dat:

• betere investeringsbeslissingen (wel/geen extra productiehal, welke machines eerst?)
• slimmer aannemen en opleiden van personeel
• tijdig contracteren van grondstoffen

2. Operationele AI in de fabriek: van storingen naar voorspelbare output

In het FD-artikel wordt beschreven hoe bij de opening van de Sif-fabriek van alles mis ging: vastlopende machines, veiligheidsincidenten, snijwonden bij personeel. Dat is herkenbaar bij elke grote nieuwe industriële installatie. Maar veel van die problemen zijn te verkleinen met AI-gestuurde operations.

Concreet kun je denken aan:

Predictive maintenance voor lassers, kranen en rollenbanken

Sensoren meten continu:

• trillingen
• temperatuur
• belasting
• afwijkingen in laspatronen

AI-modellen herkennen patronen die voorafgaan aan storingen. Zo kun je onderhoud plannen vóórdat de lijn stilvalt, in plaats van uren of dagen productie te verliezen.

Kwaliteitscontrole met computer vision

Monopiles en jackets zijn gigantische stalen constructies. Kleine afwijkingen kunnen grote gevolgen hebben offshore. Met AI-vision kun je:

• lasnaden automatisch scannen op haarscheurtjes
• coatingdikte en -kwaliteit controleren
• afwijkingen in rondheid en maatvoering detecteren

Dat scheelt rework, faalkosten en discussie achteraf met klanten.

Veiligheid en ergonomie

De melding van diepe snijwonden is niet uniek voor deze fabriek; zware staalproductie is nu eenmaal risicovol. AI kan helpen met:

• realtime monitoring of medewerkers de juiste PBM’s dragen
• detectie van gevaarlijke zones waar te vaak bijna-ongevallen plaatsvinden
• slimme planning van til- en hijswerk om fysieke belasting te beperken

Hier zie je direct de koppeling met de Nederlandse arbeidsmarkt: moeilijk personeel vinden, hoog ziekteverzuim, strenge Arbo-eisen. AI in de fabriek is niet alleen “efficiëntie”, maar ook houdbare arbeidsomstandigheden.

3. Ketensamenwerking: van eilandjes naar een gedeelde “digitale tweeling”

Een van de grootste knelpunten in offshore wind is dat iedereen optimaliseert voor zichzelf, terwijl de bottlenecks vaak ketenbreed zijn: netaansluiting, vergunningen, financiering, beschikbaarheid van installatieschepen.

AI kan helpen door een soort digitale tweeling van de offshore windketen te bouwen:

• projectontwikkelaars voeren verwachte startdata en volumes in
• netbeheerders geven hun realistische aansluitmomenten en beperkingen
• fabrikanten (zoals Sif), kabelleveranciers en turbinebouwers koppelen hun capaciteit

Met AI-simulaties kun je dan:

• verschillende aanbestedings- en aansluitvolgordes doorrekenen
• zien waar flessenhalzen of lege periodes ontstaan
• per scenario de impact op kosten, CO₂, systeemflexibiliteit en leveringszekerheid bepalen

Dit soort modellen is precies waar de serie “AI voor Nederlandse Energie: Duurzame Transitie” om draait: niet alleen meer data, maar betere gezamenlijke besluiten op basis van gedeelde informatie.

Waarom de huidige windmarkt zo kwetsbaar is

De angst van de Sif-CEO voor een stilvallende markt komt niet uit de lucht vallen. Er spelen op dit moment meerdere factoren tegelijk.

1. Politieke onduidelijkheid en vergunningentrajecten

Kabinetten wisselen, doelen schuiven, procedures worden aangevochten. Voor de industrie betekent dat:

• aanbestedingen die later of anders komen dan verwacht
• projecten die “on hold” gaan
• onzekerheid over realistische volumes na 2030

AI lost dit niet op, maar kan wél verschillende beleidslijnen en uitkomsten modelleren, zodat bedrijven scenario’s klaar hebben.

2. Financiële druk en hoge kosten

Stijgende rentes, hogere staalprijzen, strengere eisen aan netinpassing en natuurcompensatie maken projecten duurder. We zagen al dat sommige windtenders in Europa géén biedingen trokken of later moesten worden aangepast.

Met AI kun je hier slimmer mee omgaan door:

• kosten- en risicomodellen per project te bouwen
• het optimale moment van inkoop en financiering te bepalen
• technische keuzes (funderingstype, turbinemaat, layout) door te rekenen op LCOE

3. Beperkt net en systeemintegratie

Ook in Nederland lopen we tegen netcongestie aan. Voor offshore wind speelt bovendien:

• beschikbaarheid en timing van nieuwe verbindingen
• integratie met waterstofproductie en laadprofielen van de industrie

AI wordt hier al ingezet voor netoptimalisatie en vraagvoorspelling. Door productieprofielen van wind, zonneparken, elektrolysers en industrie te combineren, kun je betere beslissingen nemen over:

• waar nieuwe windparken het meest systeemwaarde hebben
• welke conversiestappen (stroom, waterstof, warmte) wanneer logisch zijn
• hoe je congestie minimaliseert tegen de laagste kosten

Als je dat soort systeemmodellen koppelt aan de fabrieksside (zoals Sif) ontstaat een keten die veel meer als één geheel stuurt.

Praktische stappen voor bedrijven in de offshore windketen

Veel partijen weten dat ze “iets met AI” willen, maar blijven hangen in pilots. Vanuit de casus Sif en de bredere Nederlandse energietransitie zie ik vier concrete stappen.

1. Begin met één scherp afgebakend use case

Kies iets dat:

• direct geld oplevert of risico verlaagt
• binnen 6–12 maanden resultaat kan geven
• met bestaande data te voeden is

Voorbeelden bij een fabriek als Sif:

• predictive maintenance op één kritische lijn
• AI-ondersteunde kwaliteitscontrole op lasnaden
• planningstool die projectpijplijn en capaciteit koppelt

2. Zorg dat je data “industrie-waardig” wordt

AI zonder goede data is gewoon dure Excel. Richt daarom basiszaken in:

• gestructureerde opslag van productiedata, storingen en kwaliteitsafwijkingen
• duidelijke definities (wat is een “storing”, wat is “uitval”?)
• koppeling tussen operationele systemen (SCADA, MES) en je data-omgeving

3. Betrek engineers, operators en planners vanaf dag 1

AI-oplossingen werken alleen als de mensen op de vloer ze vertrouwen. Dat betekent:

• samen modellen valideren
• AI-voorspellingen naast menselijke inschattingen leggen
• uitleggen wat een model wel en niet kan

Ik heb vaak gezien dat de beste verbeteringen uit de overlegtafel tussen data scientist en voorman kwamen, niet uit een powerpoint.

4. Koppel fabriek, windpark en energie­-systeem

De échte winst zit niet in één losse AI-tool, maar in het verbinden:

• fabriek: voorspelbare output, minder stilstand
• projectontwikkelaar: realistische planningen, beter risicomanagement
• energiesysteem: slimme integratie van wind, zon, waterstof en vraagsturing

Nederland is klein genoeg om deze keten in kaart te brengen en groot genoeg om er enorm van te profiteren.

Wat de Sif-case betekent voor de Nederlandse energietransitie

De opening van ’s werelds grootste fabriek voor windfunderingen had een triomfverhaal kunnen zijn. In plaats daarvan horen we een trotse, maar bezorgde CEO die waarschuwt voor een stilvallende windmarkt. Dat maakt dit geen incident, maar een signaal.

Voor de Nederlandse energietransitie betekent het:

• we hebben de industriële capaciteit nu grotendeels staan
• het risico verschuift naar planning, integratie en voorspelbaarheid
• juist daar biedt AI voor de Nederlandse energiesector concrete oplossingen

De vraag is niet óf AI een rol gaat spelen in offshore wind, maar wie het als eerste volwassen inzet: in de fabriek, in de keten, in het energiesysteem. Wie dat goed doet, haalt niet alleen kosten en risico’s omlaag, maar maakt de hele energietransitie minder kwetsbaar voor politieke grilligheid en marktschokken.

Wil je als ontwikkelaar, toeleverancier of netbeheerder niet afhankelijk zijn van de volgende “stilval-angst” zoals bij Sif? Dan is dit het moment om serieus te investeren in AI-gedreven netoptimalisatie, vraagvoorspelling en onderhoudspredictie.

De wind op de Noordzee is er wel. De vraag is nu: maken we de data en AI daarachter net zo robuust als de monopiles die Sif van de band laat rollen?