TK Elevator zet AI-agents in voor onderhoudsmonteurs

TK Elevator laat AI-agents monteurs vooraf informeren met liftdata en handleidingen en hun gesproken terugkoppeling na het werk vastleggen, schrijft Microsoft op 22 oktober.

Een serviceteam kan liftgeschiedenis en handleidingen in de voorbereiding brengen en mondelinge bevindingen na afloop aan hetzelfde dossier toevoegen. Zo komt minder informatie los te staan tussen twee bezoeken, al noemt Microsoft geen gemeten tijdwinst of gebruiksomvang.

De voorbereiding begint op de telefoon

De reportage volgt Torben Teichmann, een monteur van TK Elevator in Düsseldorf. Voorheen zocht hij ter plekke het juiste liftboek op, bladerde door handleidingen en ontdekte soms pas later welk gereedschap nodig was. Zijn verslag maakte hij vaak in de auto. Nu krijgt hij via zijn telefoon of tablet te zien om welke lift en verdieping het gaat, wat het probleem is en welke spullen hij moet meenemen. Ook kan hij eerdere servicegeschiedenis en de digitale handleiding opzoeken.

Na het bezoek vraagt een tweede agent met spraakfunctie wat hij heeft gedaan. Teichmann antwoordt in zijn eigen woorden; de agent stelt vervolgvragen als informatie ontbreekt. Zijn terugkoppeling wordt onderdeel van de liftgeschiedenis en kan een volgende monteur helpen. De toepassing gebruikt Microsoft Foundry en Azure OpenAI in Foundry Models. De agent haalt storingsdata op en brengt kennis uit het werk op locatie terug naar collega's.

Het demonstratiemateriaal van TKE verdeelt de taken over agents die contracten, serviceafspraken, IoT-signalen en liftgeschiedenis analyseren, monteurs toewijzen en werkinstructies en terugkoppeling voorbereiden. Mensen houden volgens die beschrijving op elk moment de controle over besluiten en handelingen. De reportage toont één monteur in Duitsland, maar maakt niet bekend hoe breed de app inmiddels wordt gebruikt.

Een decennium aan liftdata

De toepassing bouwt voort op een digitale basis die TK Elevator ongeveer tien jaar heeft opgebouwd. Het bedrijf verbindt liften en roltrappen via sensoren en digitale besturingen met een centrale omgeving op Microsoft Azure. Die gegevens komen nu samen met service-informatie en technische documentatie. Voorheen kon TKE vooral gestructureerde gegevens uit IoT-systemen en bedrijfssoftware gebruiken. Handleidingen en monteursnotities waren lastiger doorzoekbaar; generatieve AI maakt het mogelijk die bronnen naast meetgegevens te gebruiken.

Achter de app staan het MAX-platform van TKE voor monitoring en onderhoud, Azure en Databricks. In de reportage zegt Microsoft dat TKE negen digitale operatiecentra heeft. Analisten en technische specialisten volgen daar aangesloten liften, foutcodes en andere meldingen. Modellen berekenen gezondheidsscores om onderhoud te prioriteren. Een deur die meerdere keren opent en sluit voordat de lift vertrekt, kan zo een terugkerend patroon laten zien dat losse storingsmeldingen niet duidelijk maken.

De centra sturen aanwijzingen naar monteurs, die ter plaatse bepalen wat er aan de hand is. Hun terugkoppeling helpt het bedrijf patronen en toekomstige aanbevelingen te verfijnen. TKE telt volgens de reportage wereldwijd 25.000 servicemonteurs die 1,4 miljoen eenheden onderhouden. Dat maakt het delen van lokale kennis relevant, maar zegt niet hoeveel van hen de nieuwe app gebruiken.

Otis beschrijft hoe zijn in 2018 in China gelanceerde Otis ONE-platform monteurs via een mobiele telefoon voorspellende liftmeldingen en onderhoudsinformatie geeft. Bij een beschreven storing zag een monteur de waarschuwing voordat de gebouwbeheerder die had gemeld. Verbonden liftdata naar de werkplek brengen is dus al langer onderdeel van de dienstverlening; TKE koppelt dit nu aan het doorzoeken van technische teksten en het vastleggen van gesproken kennis.

De pilotcijfers zijn geen agentmeting

TKE meldde in april cijfers uit een Amerikaanse pilot in 2025: 20.000 minder ongeplande servicebezoeken, een ruim 40 procent lager terugkompercentage en een 33 procent lager annuleringspercentage na interventies vanuit digitale operatiecentra. Dit zijn uitkomsten van door centra ondersteunde interventies. TKE splitste niet uit welk deel voortkwam uit agentische AI, voorspellend onderhoud, andere data-inzet of de opvolging door serviceteams.

In april meldde TKE acht operationele centra en meer geplande openingen dat jaar; in oktober noemt Microsoft er negen. De bronnen maken niet bekend wanneer het negende centrum openging of hoe zij de operationele status afbakenen. Ook ontbreken voor de nieuwe app voor werkvoorbereiding en terugkoppeling een gemeten tijdwinst, foutpercentage, aantal bezoeken en vergelijkingsgroep. De pilotcijfers zijn daarom geen bewijs dat de app zelf ritten of uren bespaart.

Hetzelfde onderscheid tussen verwachting en gemeten resultaat speelt bij de FIS-agent, waarvoor een verwachte tijdwinst van 90 tot 98 procent nog een projectie is en geen productie-uitkomst. Bij fysiek onderhoud komt daar de vraag bij of de aanwijzing bij het juiste apparaat hoort en of een monteur die kan controleren. De inrichting van het volgen van agentstappen, menselijke goedkeuring en een noodstop beschrijft hoe die controle in de uitvoering kan worden vastgelegd.

De vakkennis reist mee naar de volgende lift

De ontwikkeling verbindt sensordata die TKE al jaren verzamelt met kennis uit handleidingen, eerdere bezoeken en de ervaring van monteurs. Een monteur kan daardoor met meer context aan een bezoek beginnen en zijn eigen waarnemingen beschikbaar maken voor het volgende bezoek. Otis laat zien dat mobiele storingsinformatie al langer naar de werkplek gaat; bij TKE komt daar gesproken terugkoppeling bij.

Voorlopig is de reportage een concreet operationeel voorbeeld, geen onderbouwde maat voor een brede uitrol. De Amerikaanse pilot levert cijfers op voor centrumondersteunde interventies, terwijl de nieuwe agent zelf geen gepubliceerde tijdwinst heeft. De relevante volgende meting is hoeveel voorbereidingstijd en herhaalbezoeken veranderen wanneer voorbereiding en terugkoppeling samen onderdeel worden van het serviceproces.