De meest waardevolle dataset in AI is degene die niemand bewaart

In de eerste editie betoogde ik dat de volgende generatie AI — wereldmodellen, fysieke AI — gewonnen zal worden op data die nooit online is gezet. Dat was de thesis.

Deze editie is het bewijs, en het is smaller dan ik had verwacht. Want als je stopt met theoretiseren en daadwerkelijk luistert naar de markt — duizenden gedateerde, onafhankelijke signalen uit de reële economie — wijst het niet op een vage "industriële data" kans. Het wijst, keer op keer, op één dataset.

Dit is wat twee maanden luisteren ons heeft geleerd.

1. Wat de machine hoorde: 5.000 signalen, één terugkerende vorm

Ons platform draait op een eenvoudig, bewust ingetogen principe dat we signal-first noemen: we beginnen niet vanuit een mening over waar de data zich bevindt. We beginnen vanuit feiten — een financieringsronde, een M&A-deal, een datapartnering, een aanbesteding, een IoT-uitrol, een wettelijke indiening — elk gedateerd, elk afkomstig uit de vakpers, elk wijzend op een thema dat data produceert.

In de afgelopen acht weken heeft de engine ~5.000 van dergelijke signalen geoogst. Vervolgens deed het iets belangrijks: het weigerde één enkel signaal te vertrouwen. Een thema wordt pas een echte "niche" wanneer minimaal drie onafhankelijke bronnen samenkomen — een vangnet tegen de hype van één luide kop. Op die drempel werden 195 niches bevestigd.

En hier is het opvallende. Die ~5.000 signalen genereerden duizenden kandidaat-thema's — maar ze vallen uiteen in een handvol families, en elk ervan is de fysieke economie in werking:

• Energie, net, hernieuwbare energie & opslag — ~1.000 clusters, ~2.500 signalen
• Toeleveringsketen, logistiek & vracht — ~620 clusters, ~2.200 signalen
• Robotica & industriële automatisering — ~455 clusters, ~1.500 signalen
• Mobiliteit, EV, automotive & vloten — ~530 clusters, ~1.350 signalen
• Mijnbouw, kritieke mineralen & materialen — ~310 clusters, ~1.000 signalen

Niet "AI." Niet "LLM's." Niet het web. De markt blijft praten over machines die in de echte wereld draaien — en, impliciet, over de data die die machines elke seconde produceren en niemand bewaart.

2. Vraag "welke data, en voor wie?" — en het stort in tot één niche

Signalen vertellen je waar de hitte is. De echte vraag is: welke dataset creëert dit eigenlijk, en wie zou ervoor betalen?

We hebben nu 413 echte datahouders in kaart gebracht (een stijging van 311 in de vorige editie — de kaart groeit exponentieel). Wanneer we classificeren wat elk van hen daadwerkelijk bezit, is de verdeling niet vlak. Eén niche torent boven de rest uit:

• 43% van elke houder die we hebben in kaart gebracht, komt overeen met dezelfde use case: Predictive Maintenance — 179 van de 413. De nummers twee (industriële monitoring, documentintelligentie, regelgevende RAG, diagnostische AI) lopen ver achter.
• 100% van die 179 is tijdreeksdata. Elk enkelvoudig geval. Machine logs, sensor telemetrie, vloot telematica — het ruwe signaal van de fysieke wereld, getimed.
• Het snijdt dwars door sectoren heen: industrieel (89), mobiliteit/vloten (58), energie & overig (23), gezondheidszorg (7) — dezelfde families waar de signalen over schreeuwden.
• En de vraagzijde heeft één dominant koperprofiel: leveranciers van industriële AI en onderhoudsoptimalisatie.

Dat is het meest herhaalde, meest onafhankelijk bevestigde patroon in alles wat we hebben verzameld. De markt vraagt niet om "data." Het vraagt om predictive-maintenance tijdreeksen — en het vraagt luidkeels.

3. Waarom deze niche, en niet een andere: de kosten van het probleem zijn verbijsterend

Predictive maintenance is niet per ongeluk de meest productieve niche. Het zit bovenop een van de grootste onopgeloste kosten in de wereldeconomie.

Volgens Siemens' True Cost of Downtime 2024 verliezen de 500 grootste bedrijven ter wereld naar schatting $1,4 biljoen per jaar aan ongeplande stilstand — gelijk aan 11% van hun omzet, ongeveer het BBP van Spanje. Aan de frontlinie kost een uur ongeplande stilstand in een autofabriek nu tot $2,3 miljoen — meer dan $600 per seconde — en die kosten per uur zijn sinds 2019 ruwweg verdubbeld.

Dat is precies de pijn die predictive maintenance moet oplossen. Daarom is de markt ervoor reëel, geen belofte: onafhankelijke analisten schatten de wereldwijde markt voor predictive maintenance op ~$13–14 miljard in 2025 (Grand View ~$14,2 miljard; Fortune Business Insights ~$13,65 miljard; Mordor ~$14,1 miljard; MarketsandMarkets ~$12,1 miljard). Groeischattingen variëren sterk — van ~11% tot ~34% CAGR afhankelijk van het bedrijf — dus behandel de headline groeivoet als een bereik, niet als een vaststaand getal. Maar de richting is unaniem: omhoog en naar rechts, voor een decennium.

Een gigantische, gekwantificeerde, terugkerende kostenpost — en de data die het zou oplossen, is precies de data die onze houders onderbenutten.

4. Waarom het niet gescraped kan worden: deze data leeft achter de firewall

Dit is wat deze niche structureel anders maakt dan de webtekstmarkt die de labs al hebben uitgeput.

Predictive-maintenance tijdreeksen staan niet op internet, en zullen er nooit op komen. Ze leven binnen SCADA-systemen, plant historians, CMMS-databases en PLC's — achter de operationele firewall, in formaten gebouwd voor controle, niet voor publicatie. Er is geen crawler die erbij kan.

En het meeste ervan wordt nooit eens gebruikt. Het meest geciteerde cijfer hier — Seagate en IDC's Rethink Data — ontdekte dat slechts 32% van de data die beschikbaar is voor ondernemingen, ooit wordt benut; de overige 68% blijft onbenut (2020). Forrester schatte het aandeel van bedrijfsdata dat niet voor analyse wordt gebruikt op 60–73% (2016). Die cijfers zijn ouder, en ze gaan over bedrijfsdata in het algemeen — maar ze beschrijven precies het reservoir dat stil ligt binnen elke fabriek, net en vloot.

De schaal is zichtbaar waar een bedrijf erin is geslaagd zelfs maar een deel ervan te aggregeren. In zijn SEC-aanvragen rapporteert het connected-operations bedrijf Samsara meer dan 25 biljoen datapunten die elk jaar via zijn platform stromen — en stelt ronduit dat "de kosten en beschikbaarheid van sensoren, rekenkracht… wijdverbreide analyse van fysieke operationele data hebben belemmerd." Vijfentwintig biljoen punten, en dat is één privéplatform. De rest is duister.

Dat is de definitie van een schaars bezit: enorm, waardevol en afgesloten van iedereen die erop zou willen trainen.

5. De kopers arriveren al — en ze zijn een gloednieuwe klasse van modellen

Jarenlang was "wie zou operationele tijdreeksen kopen?" een terechte vraag. In 2024 was dat niet langer het geval — omdat er een geheel nieuwe categorie AI verscheen die precies dit nodig had.

De afgelopen twee jaar produceerden de eerste golf van tijdreeks foundation models: Google's TimesFM, Amazon's Chronos, Salesforce's Moirai, IBM's Granite / Tiny Time Mixers, CMU's MOMENT, Nixtla's TimeGPT. Hetzelfde "train één groot model, generaliseer overal" recept dat tekst en afbeeldingen transformeerde — nu gericht op signalen over tijd.

Maar ze liepen tegen dezelfde muur aan die we beschrijven. Google's TimesFM werd voorgeprogrammeerd op ~100 miljard tijdspunten, grotendeels afkomstig van Google Trends en Wikipedia-paginaweergaven — publieke webdata, niet één uur SCADA of sensorteletrie. En de onderzoekers die deze modellen bouwen, zeggen het zachtjes:

"Foundation models hebben visie en taal getransformeerd door voor te trainen op grote, structureel coherente corpora — toch bestaat er geen vergelijkbaar substraat voor industriële tijdreeksen." — FactoryNet, 2026

"In tegenstelling tot taal, waar overvloedige publieke pre-training data in terabytes beschikbaar is, is tijdreeksdata relatief schaars, zeer divers en publiekelijk beperkt." — IBM Research, Tiny Time Mixers (NeurIPS 2024)

Het kapitaal volgt dezelfde logica. Machine-gezondheid specialist Augury haalde $75 miljoen op met een waardering van meer dan $1 miljard (februari 2025); industrieel onderhoudsplatform Tractian haalde $120 miljoen op (december 2024). De kopers van predictive-maintenance data zijn niet langer hypothetisch. Ze zijn gefinancierd, ze bouwen, en ze verhongeren naar precies de reserve waar onze 413 houders op zitten.

De bottom line

Editie #1 zei dat de volgende AI data nodig heeft die nooit online was. Editie #2 vertelt je welke data, omdat de markt er niet over ophield te wijzen: predictive-maintenance tijdreeksen uit de fysieke economie — machines, netten, vloten, mijnen.

Het is het meest herhaalde signaal dat we verzamelen. Het is de grootste enkele niche die we hebben in kaart gebracht (43% van elke houder). Het is 100% tijdreeksdata. Het zit bovenop een probleem van $1,4 biljoen per jaar. Het kan niet gescraped worden. En een gloednieuwe klasse van foundation models is zojuist gearriveerd, niet in staat om zonder te trainen.

Aan de ene kant: operators die zitten op een schaars, onbenut bezit — vaak zonder te beseffen dat het de brandstof is van het komende decennium van AI. Aan de andere kant: een nieuwe generatie modellen, en de leveranciers eromheen, klaar om ervoor te betalen. Wat er tussen hen ontbreekt, is de infrastructuur om de uitwisseling te matchen, te kwalificeren en te vertrouwen.

Dat is wat we aan het bouwen zijn.

Als u machines, een net, een vloot of een fabriek exploiteert — u zit vrijwel zeker op predictive-maintenance tijdreeksen waar iemand nu bereid is voor te betalen. Als u AI bouwt die echt operationeel signaal nodig heeft — hier leeft het. Hoe dan ook, nu is het tijd om te praten.

— Salim Labriki, d-nvest

Methodologische opmerking: markt-sizing cijfers zijn eigen schattingen van leveranciers, toegeschreven per bedrijf; waar analisten het oneens zijn (met name over CAGR), tonen we het bereik in plaats van een getal te kiezen. Een "signaal" is een gedateerd extern feit (pers/register); een niche wordt pas als gekwalificeerd beschouwd wanneer ≥3 onafhankelijke bronnen samenkomen.