AI op de SMT-lijn in 2026: inspectie verdient zich terug, belichaamde robots kunnen wachten

AI-beoordeling van valse AOI-meldingen verdient zich in maanden terug. Een robotarm alleen om slechte boards te verwijderen nooit. Hier is wat ik vond, met het volledige rapport en de slides.

Samenvatting

Elektronicafabrieken krijgen tegelijk twee AI-verhalen verkocht: visie die boards inspecteert en robotarmen die leren. Ik bekeek beide voor SMT- en PCBA-lijnen in vasteland-China, Taiwan, Zuidoost-Azië en de Verenigde Staten, op basis van jaarverslagen, normen, exportregels, tariefschema's, benchmarks en prijslijsten tot 11 november 2026. Het deel dat werkt is smal. Ongeveer 97–99% van de alarmen die een AOI geeft zijn valse meldingen die een persoon één voor één bevestigt, en gesuperviseerde modellen getraind op de eigen beelden van de AOI verminderen dat werk met 60–90% volgens de leveranciers; één groot EMS-bedrijf meldt een vermindering van 85% in zijn jaarverslag. Bij RMB 50,000 per lijn verdient dat zich in vijf tot acht maanden terug in de VS, Taiwan en Shenzhen. Cobotarmen die teststations laden en lossen verdienen zich in iets meer dan een jaar terug. Een robotarm die alleen is toegevoegd om slechte boards eruit te halen verdient zich nergens terug. Algemene multimodale modellen zijn nog geen inspecteurs: geen van de vlaggenschepen van 2026 heeft een gepubliceerde score op een benchmark voor industriële defecten. Ze zijn nuttig als leraren die data voor-labelen voor kleine lokale modellen. Luchtgaten, on-premises uitrol is praktisch. De retrofitmarkt is echt maar klein: ongeveer RMB 320 million in vasteland-China, gespreid over ruwweg vijf jaar.

Waarom ik hiernaar keek

Dit begon met een vraag van een klein hardwareteam dat ik ken. Ze bouwen en assembleren elektronica en overwegen een stap naar AI-inspectie en robotarmen voor fabrieken. Leveranciers vertelden hen één verhaal, investeerders een ander, en elke demo zag er goed uit. Ze wilden weten waar een fabriek in 2026 daadwerkelijk voor zou betalen, wat het kost om het in een fabriek te draaien en wat nog een onderzoeksproject is.

Ik heb meer dan twintig jaar rond chips, hardware en de fabrieken die ze bouwen gewerkt, dus bood ik aan te kijken. Ik las de jaarverslagen en prospectussen van beursgenoteerde AOI-, machine-vision-, robot- en EMS-bedrijven, de relevante normen en regelgeving, exportcontrole-classificaties en tariefschema's, benchmarkpagina's en papers, en openbare prijslijsten. Ik controleerde ook een reeks beweringen uit branche-interviews tegen die gegevens. Waar de openbare gegevens ophouden, zeg ik dat.

Elk getal hieronder is per 11 november 2026. Geld is in RMB tegen 6.7188 per Amerikaanse dollar, tenzij ik anders zeg. De meeste cijfers komen uit het volledige rapport, dat je onderaan kunt downloaden.

Resultaten in één oogopslag

Figuur 1. Waar AI vandaag op de fabrieksvloer past. Hoger is sneller terugverdiend voor de koper.

Waar de mensen op een SMT-lijn zitten

Een volume-SMT-lijn is al sterk geautomatiseerd. Boards gaan door pastadruk, 3D-soldeerpaste-inspectie (SPI), plaatsing, een optionele AOI vóór reflow, reflow, AOI na reflow, röntgen (AXI) op een steekproef bij BGA's, en dan in-circuit- en functietest, visuele inspectie en verpakken. De takt is ongeveer 13–22 seconden per board, en een lijn heeft meestal drie tot vijf AOI's. Eén laptop-ODM begrootte RMB 30.6 million voor AOI's over 18 lijnen.

Figuur 2. Een volume-SMT-lijn. De mensen zitten achter de AOI's.

De mensen zitten niet aan de transportband. Ze zitten achter de AOI's. Een AOI is zo afgesteld dat hij nooit een defect mist, dus meldt hij veel te veel: in de gevallen die ik vond is ongeveer 97–99% van zijn alarmen een valse melding over boards die prima zijn. Een beoordelaar bekijkt elke melding, wat 42–55 seconden kost. Op een drukke lijn is dat ongeveer 448 valse meldingen per ploeg, of 5.2–6.8 uur van één persoons ploeg. De fabriek in dat geval bemenste twee beoordelaars per ploeg.

Figuur 3. Van elke 100 AOI-alarmen zijn er ongeveer 97–99 vals.

Die beoordelingsplek is waar AI binnenkomt, en dat gebeurt op drie manieren. AOI-makers bouwen het in nieuwe machines: Jutze zegt dat zijn AI 3D AOI «menselijke beoordeling bij inspectie wegneemt», ViTrox heeft een AI-AOI gelanceerd en Sinic-Tek ontwikkelt er samen met Tencent een. De grootste EMS-bedrijven bouwen hun eigen. En derde partijen schroeven een box met software op de AOI's die een fabriek al heeft.

Wat werkt: AI-beoordeling op de eigen beelden van de AOI

De aanpak die werkt is niet glamoureus. Een gesuperviseerd model, getraind op de crops die de AOI al opslaat, staat direct na de AOI en antwoordt OK, NG of «vraag een persoon». Leveranciers claimen dat het valse meldingen of beoordelingsuren met 60–90% vermindert. Het beste publieke bewijs dat ik vond staat in een EMS-jaarverslag: het in-house systeem van DBG dekt minstens 95% van de onderdelen die zijn AOI's melden, houdt escapes onder 20 PPM en heeft menselijke beoordeling met minstens 85% verminderd. Als je aan een tier-1 EMS wilt verkopen, is dat de lat waartegen je gemeten wordt.

Twee details wegen zwaarder dan het model.

Het eerste is het beeld. Mensen vragen vaak of een goede camera en een groot model de AOI kunnen vervangen. Een algemene 4K-camera die naar een heel paneel van 300 mm kijkt, haalt ongeveer 78 µm per pixel; een AOI werkt op 8–20 µm. Bij 78 µm is een 0402-weerstand ongeveer 13 bij 6 pixels, genoeg om te zien of hij er is maar niet of zijn soldeerverbindingen goed zijn, en een 01005 is ongeveer 5 bij 3 pixels, oftewel onzichtbaar. De AI werkt op de beelden van de AOI. Hij vervangt de optiek niet.

Het tweede is wat er gebeurt als het faalt. De box moet fail-open zijn: als hij crasht of twijfelt, gaat elke melding naar een persoon en blijft de lijn draaien. Een fabriek accepteert geen box die een lijn kan stoppen, en zou geen box moeten accepteren die stilletjes een slecht board kan doorlaten.

Multimodale modellen zijn leraren, geen inspecteurs

De voor de hand liggende vraag in 2026 is of een frontiermultimodaal model gewoon naar het board kan kijken. Nog niet. Per 11 november 2026 had geen van de vlaggenschepen die tussen september en november zijn uitgebracht (GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 en andere) een gepubliceerde score op MMAD, MVTec AD 2, VisA, Real-IAD of UniPCB, de benchmarks die industriële defecten testen.

Figuur 4. Generieke detectiescores verdubbelden in één generatie. Industriële-defectscores ontbreken.

Hun generieke detectiescores verdubbelden in één generatie ruwweg, maar een kader trekken rond een persoon of auto is niet hetzelfde als een soldeerverbinding beoordelen. Op MMAD, dat vraagt «is er een defect?», scoren menselijke experts 95.2 en het beste resultaat van een algemeen model dat ik vond is 83.1. In de ACM MM 2026 PCBA-uitdaging scoorden de top vijf systemen, waaronder één getraind op 6,600 echte lijnbeelden, 77–82 op defect-of-niet, ook al haalden het tellen van onderdelen en het lezen van attributen 95–100. Productie heeft 99% en meer nodig.

Dus zou ik ze als leraren gebruiken. Een frontiermodel labelt en trieert nieuwe beelden voor, voor ruwweg $23–196 per model per ronde. Mensen beslissen: twee of drie labellers werken blind en een senior engineer beslist. De labels gaan in een gouden set, en een klein 8-bits model wordt erop getraind om op de box bij de lijn te draaien. Het draait twee tot vier weken in schaduwmodus, registreert beslissingen maar verandert niets, en gaat pas live nadat het de poorten passeert.

Figuur 5. Twee leraar-student-pipelines. Voor armen zijn de leraren nog steeds mensen.

De poort is het deel dat de meeste projecten overslaan, en het is vooral rekenwerk. Om 99% recall te tonen bij 95% betrouwbaarheid met nul missers heb je 299 echte defecten van die klasse in de gouden set nodig. Voor 95% heb je 59 nodig. Voor 99.9% heb je 2,995 nodig, wat geen koper vóór een aankoop kan verzamelen. Mijn regel: accepteer de labels van de leraar alleen automatisch voor defectklassen die 299 halen met nul missers, en alleen als het model minstens zo goed met de ground truth overeenkomt als twee mensen met elkaar. Voor elke andere klasse labelt de leraar voor en beslist een persoon.

Voor robotarmen zijn de leraren nog steeds mensen. Een klein beleid leert van 10–300 menselijke demonstraties, ongeveer 15–70 minuten armbesturing, en verbetert daarna met 1,000–3,000 real-robotproeven, ongeveer 6–22 roboturen. Frontiermodellen helpen offline: ze herschrijven robotprogramma's (77–99.7% correct op ABB RAPID-taken, gecontroleerd in simulatie vóór uitrol), plannen ombouwen en verklaren storingen. Ze zitten niet in de besturingslus.

Het binnen de fabriek draaien

Veel elektronicafabrieken zijn luchtgaten, en de contracten van hun klanten eisen dat vaak. Dat is minder een probleem dan het klinkt, omdat de beperking in het proces zit, niet in de rekenkracht.

Figuur 6. Een luchtgaten-uitrol. De box bij de lijn beslist; de serverruimte beantwoordt vragen.

Een gewone SMT-hal is een ESD-beschermd gebied, ruwweg ISO 8-equivalent, geen geklasseerde cleanroom. Een ventilatorloze, geaarde box onder 100 W naast de AOI verwerkt inline-beslissingen in 0.5–3 seconden per crop. GPU- of NPU-servers staan in de serverruimte, waar ze vragen, analyse en hertraining voor de hele fabriek afhandelen. Updates komen offline binnen, via goedkeuring en media-import. De gouden set, modelversies en weight-hashes leven in een kluis, en data verlaat de fabriek nooit.

Welke hardware je kunt gebruiken hangt eerst af van waar je bent. In vasteland-China zijn alleen binnenlandse modellen of lokaal gehoste open gewichten beschikbaar. Onder NVIDIA's eigen exportclassificaties kunnen Jetson Thor en DGX Spark aan een gewone vasteland-fabriek worden verkocht zonder Amerikaanse licentie, terwijl DGX Station en de RTX PRO 6000 dat niet kunnen. Een Thor-ontwikkelkit kost RMB 59,104 in China inclusief belasting en verbruikt 40–130 W. Een grote werkstation is ook geen goede gedeelde assistent: in onafhankelijke tests gaf een DGX Station met een model van 743 miljard parameters 32 gebruikers in totaal 139 tokens per seconde, ongeveer 4 elk.

Over precisie: 8-bits is veilig. Kwantiseringsbewuste 4-bits van de leverancier is meestal prima voor modellen van 70 miljard parameters en meer. Op 3-bits en lager dalen scores gemiddeld 7–15 punten en 20–34 punten op grafieken. De grotere risico's zitten in de servingstack. In één onderzoek divergeerde met prefix-caching aan 82.5% van de herhaalde runs van een 4-bits model, tegen 37.4% bij 16-bits. In een ander waren 7 van Ollama's 305 officiële code-modeltags feitelijk kapot hoewel de bestanden intact waren, en geen van de 198 populaire GGUF-repository's legde vast hoe hun bestanden waren gebouwd. Mijn regel is simpel: draai de gouden set opnieuw na elke wijziging van precisie of inference-engine.

Wat het kost en wat zich terugverdient

De businesscase komt neer op lonen. Een volledig belaste inspectie- of handlingmedewerker kost ongeveer $70,000 per jaar in de VS, $19,600 in Taiwan, $12,700 in Shenzhen, $9,100 in Maleisië en $5,300 in Vietnam. De VS is ongeveer 5.5 keer Shenzhen.

Figuur 7. Terugverdientijd per regio voor de koper.

Bij RMB 50,000 per lijn verdient AI-beoordeling zich terug in 0.46 jaar in de VS, 0.53 in Taiwan en 0.65 in Shenzhen, en in 1.1–2.8 jaar in Zuidoost-Azië. Een cobotcel die een teststation in twee ploegen laadt en lost, bij RMB 200,000 of $140,000, verdient zich terug in 1.1–1.3 jaar in de VS, Taiwan en Shenzhen. Een nieuwe AOI gekocht om handmatige visuele controles te vervangen verdient zich in minder dan een jaar terug in de VS maar kost 3.3 jaar in Shenzhen.

Wat zich niet terugverdient is een robotarm wiens enige taak is om slechte boards van een SMT-lijn te halen. Boven 90% first-pass yield kost picken tussen 2.5 en 100 minuten per ploeg, wat 0.003–0.14 persoon is. Een NG-afleider of een buffer doet dat werk al.

Twee kanttekeningen bij de prijs. Geen derde partij publiceert een RMB-prijs voor AI-beoordeling; leveranciers geven per geval een prijs na een gratis proef. Mijn beste schatting van wat een middelgrote koper in vasteland-China een derde partij betaalt is RMB 10,000–30,000 per lijn eenmalig, of RMB 5,000–10,000 per jaar, dus de RMB 50,000 in het terugverdiendmodel is een bovengrens, geen prijslijstprijs. En voor wie aan de VS verkoopt maakt het uit waar de hardware is gemaakt: robotarmen uit vasteland-China betalen ongeveer 40% gecombineerde Amerikaanse invoerrechten, tegen 10–15% uit Zuidoost-Azië of Taiwan.

Een echte markt, maar een kleine

Gepubliceerde omvang voor «AI-visuele inspectie» verschilt meer dan tien keer, omdat elk bedrijf iets anders telt, van camera's tot testdiensten. Geen daarvan is bruikbaar om te beslissen of je een beoordelingsproduct bouwt. Dus telde ik van onderaf.

Figuur 8. Bottom-up-markt voor AI-beoordeling door derde partijen in vasteland-China.

Vasteland-China heeft ongeveer 40,000 SMT-lijnen en ruwweg 44,000 inline-AOI's zonder AI-beoordeling. Neem het aandeel zonder AI en het aandeel dat een derde partij daadwerkelijk kan bereiken, en ongeveer 16,000 lijnen zijn bedienbaar. Bij RMB 20,000 per lijn is dat een eenmalige markt van ongeveer RMB 320 million (bereik 105–705 million). Het venster duurt ongeveer vijf jaar, omdat AOI-makers nu AI in nieuwe machines leveren en de geïnstalleerde basis zonder het met 8–12% per jaar krimpt.

De wig is ook druk. AOI-makers bouwen beoordeling in, de grootste EMS-bedrijven bouwen hun eigen, en platformleveranciers zoals Hikvision en SmartMore verkopen hard. Een van de leidende AI-visieleveranciers rapporteerde een omzet van RMB 1.086 billion in 2025 en een nettoverlies van RMB 991 million, na een prijzenoorlog. Marges zitten bij productgeworden hardware: visieplatforms en AOI-makers verdienen 46–67% brutomarge, terwijl AI-oplossingsleveranciers 35–37% verdienen en geld verliezen. Cash gaat ook traag. De gebruikelijke voorwaarden zijn 30% bij ondertekening, 60% na acceptatie en 10% een jaar vastgehouden, dus volledige betaling duurt twee tot drie jaar. Debiteuren lopen 51–99 dagen voor standaardproducten en 188–319 dagen voor projectgebaseerde apparatuur.

De ruimte die overblijft is specifiek: middelgrote EMS-bedrijven met 10–40 lijnen, oudere of gemengde AOI's en geen AI-upgrade van de AOI-maker, plus de inspecties die AOI's slecht dekken, zoals through-hole en handsolderen, conformal coating, kabels, connectoren en FPC's, en einduiterlijk en schroeven.

Robotarmen en belichaamde AI

Geleerde robotbesturing werkt vandaag waar het station gestructureerd is. Met fixtures en een bekend onderdeel halen kleine beleiden 90–99.4% succes, 10–15% langzamer dan een persoon. Haal de structuur weg en de getallen dalen: 29–67% op connectoren die het beleid niet heeft gezien, 37–59% bij picken van een bewegende band, en 0–5.5% wanneer een frontiertaalmodel de gewrichten direct aanstuurt.

Figuur 9. Robotstudenten zijn alleen nabij productiekwaliteit wanneer het station gestructureerd is.

In-plant-uitrolen onthullen minder dan de krantenkoppen suggereren. Van de fabrieksuitrolen die ik volgde publiceren de meeste alleen hoe lang of hoeveel ze draaiden. Geen publiceert succespercentage, takt en interventiepercentage samen, en sommige krantenkopgetallen zijn doelen in plaats van resultaten. Wanneer ik de gepubliceerde getallen omzet in daadwerkelijk vervangen arbeid, is het gat groot: een gestructureerde armcel vervangt ongeveer 0.82 van een werknemer per ploeg; een humanoïde op 40% van de menselijke snelheid, ongeveer 0.26; een humanoïde die 40% van de tijd op afstand wordt bestuurd, ongeveer 0.05.

Figuur 10. Netto vervangen arbeid per robot per ploeg.

De stack zet zich in lagen. Frontiermodellen plannen en schrijven programma's offline, op een schaal van seconden tot minuten. Kleine beleiden zoals ACT, diffusiebeleiden en kleine VLA's draaien in de cel met actiechunks van 100–300 ms; volgens de cijfers van de leverancier draait een klein ACT-beleid in ongeveer 50 ms op een edgeboard. Bewegingssturing blijft bij de robotcontroller op millisecondesnelheid, en veiligheid blijft deterministisch. De normen zijn het eens: onder de EU-machineverordening heeft een veiligheidsfunctie die machine learning gebruikt vanaf 20 januari 2027 een beoordeling door een aangemelde instantie nodig, en de normen die AI een certificeringspad binnen veiligheidsfuncties zouden geven, worden naar verwachting niet vóór 2027–2029 vastgesteld.

Voor de komende twee jaar zou ik dus gecertificeerde armen kopen, geleerde perceptie en kleine beleiden erin stoppen, veiligheid deterministisch houden en wachten op productiedata uit 2027 en 2028 voordat ik op humanoïden inzet.

Wat ik wel en niet zou bouwen

De rode draad is met opzet saai: kies een smalle taak met een duidelijke eigenaar, meet die op de eigen beelden van de fabriek en laat de bestaande machines van de fabriek doen wat ze al goed doen.

Wat ik niet kon verifiëren

Dit is bureauresearch. Ik testte geen enkel product op een lijn. Installed-base-getallen en het aandeel AOI's dat al AI draait zijn mijn schattingen uit openbare deponeringen en marktdata, en de betalingsbereidheid-cijfers zijn schattingen die alleen echte offertes kunnen bevestigen. Veel robotgetallen zijn leveranciersclaims, en ik heb ze als zodanig gemarkeerd in het rapport. Modellen, prijzen, tarieven en exportregels veranderen snel; elk cijfer hier is per 11 november 2026. Het rapport somt de open vragen op en hoe een pilot ze elk zou beantwoorden.

Downloads

• Volledig rapport (PDF): AI Visual Inspection and Robot Arms in Electronics Factories, 2026 Assessment, publieke editie, met alle figuren, tabellen en bronnen.
• Slides (PDF): dezelfde bevindingen in een kort deck.

Over de auteur

Tan Shuai is een technoloog en oprichter met meer dan twintig jaar werk in chips, hardware en systeemsoftware, en 20 toegekende patenten. Zijn werk bracht hem door Silicon Valley, New York, Chicago, Taiwan, de Greater Bay Area (Shenzhen en Hongkong), Vietnam en Maleisië, met een lange focus op geavanceerde productie en toeleveringsketens. Vandaag werkt hij als AI-onderzoeker en -ontwikkelaar, gericht op hoe AI daadwerkelijk op de fabrieksvloer wordt gebruikt.

Hij verwelkomt gesprekken met mensen die in deze ruimte bouwen, of het nu gaat om een team samenstellen, een partner zoeken of notities vergelijken: i@tanshuai.com.