SAP maakt het verschil zichtbaar tussen AI-gebruik en AI-rendement
Het grootste deel van het zakelijke AI-verbruik gaat volgens SAP-CFO Dominik Asam nog naar het laaghangende fruit: chatbots en coding assistants. In een gesprek waarover Reuters berichtte na de tweedekwartaalcijfers van SAP stelde hij dat serieus rendement pas ontstaat wanneer AI doorstroomt naar complexere processen, zoals finance en supply chain.
Dat klinkt logisch, maar legt een zwakke plek in veel AI-programma's bloot. Meer licenties en meer tokenverbruik bewijzen dat medewerkers AI gebruiken. Ze bewijzen niet dat de maandafsluiting sneller gaat, verstoringen in de keten eerder worden opgelost of een factuur met minder handwerk wordt verwerkt.
De businesscase begint zodra AI de werkstroom verandert. Precies daar wordt implementatie ook moeilijker.
In een kernproces blijft een fout niet in het chatvenster
Een zwak antwoord van een chatbot is meestal zichtbaar en eenvoudig te negeren. In een financieel of operationeel proces met meerdere stappen kan één verkeerde classificatie doorwerken in een berekening, goedkeuring of systeemmutatie. Asam waarschuwt dat fouten zich over opeenvolgende stappen kunnen opstapelen, terwijl compliance-eisen juist een hoger betrouwbaarheidsniveau vragen.
Daardoor verandert de implementatievraag. Nauwkeurigheid in een losse demo is niet genoeg. Een organisatie moet weten welke bronnen het systeem gebruikte, welke acties het mag uitvoeren, wanneer een medewerker moet goedkeuren en hoe een uitzondering wordt hersteld. Rechten, logging, evaluatie en rollback horen in de werkstroom. Het zijn geen optionele maatregelen voor na de livegang.
Hoe waardevoller het proces, hoe minder geloofwaardig AI als plug-and-play model wordt.
Rommelige data wordt niet betrouwbaar omdat een model haar kan lezen
Asam prikt ook door een hardnekkige aanname heen: dat AI versnipperde legacydata vanzelf wel oplost. Een model kan informatie zoeken, samenvatten en combineren. Zonder regels en context kan het niet bepalen welk dubbel klantrecord leidend is of dat een verouderde werkinstructie nog geldt.
Voor AI in productie moet de kennislaag bedrijfsinformatie bruikbaar maken. Dat vraagt om herkenbare gezaghebbende bronnen, behoud van toegangsrechten, versiebeheer en een koppeling met het proces waarin de uitkomst wordt gebruikt. Datakwaliteit is daarbij geen eindeloos voorproject dat eerst perfect moet zijn. Het is een ontwerpvoorwaarde die je per werkstroom expliciet maakt.
Een gerichte implementatie kan dus klein beginnen: één proces, een afgebakende set bronnen en een heldere grens tussen voorbereiden en uitvoeren. Zo ontstaat meetbare waarde terwijl de kennislaag rond echt werk verbetert.
Het beste model is de goedkoopste betrouwbare optie voor de taak
Het krachtigste model is niet automatisch de beste operationele keuze. Volgens Reuters verwacht Asam dat bedrijven de goedkoopste betrouwbare oplossing kiezen die het vereiste resultaat veilig kan leveren. Dat kan gewone software zijn, een open-sourcemodel of een duur frontiermodel.
Dat is een sterker inkoopprincipe dan één leverancier voor ieder vraagstuk kiezen. Een documentcontrole, een uitzonderingsclassificatie en een complex onderzoek stellen andere eisen aan kwaliteit, snelheid, kosten en dataverwerking. De architectuur moet de tool bij de taak laten passen, terwijl de organisatie één stelsel van beheersmaatregelen rond de volledige werkstroom houdt.
Meet de economie op datzelfde niveau. Kosten per token zeggen op zichzelf weinig. Kosten per correct afgehandelde casus — inclusief menselijke controle en herstelwerk — laten zien of een systeem echt schaalbaar is.
De praktische route van chatbot naar operationele capaciteit
De eigen productupdate van SAP over het tweede kwartaal laat zien waar de markt naartoe beweegt. SAP beschrijft agents voor onder meer facturatie, declaraties, contracten, orderbewaking, HR en productie, vaak met bedrijfscontext en menselijke controle. Het signaal is niet dat iedere organisatie dezelfde suite moet aanschaffen. Het signaal is dat zakelijke AI verschuift van een generieke interface naar processpecifieke uitvoering.
Voor een organisatie die de volgende stap wil zetten zijn vier vragen nuttiger dan nog een modelvergelijking:
1. Welk terugkerend proces heeft genoeg volume, vertraging of foutkosten om ingrijpen te rechtvaardigen?
2. Welke data en bedrijfsregels maken een uitkomst betrouwbaar?
3. Welke stappen mag AI voorbereiden en voor welke acties is goedkeuring nodig?
4. Welke uitkomst bewijst waarde: doorlooptijd, foutpercentage, capaciteit, kosten per casus of voorkomen omzetverlies?
Beantwoord die vragen voor één echte werkstroom en AI wordt operationele capaciteit. Sla ze over en zelfs het sterkste model blijft een duur chatvenster.
Laava's perspectief
Verder komen dan chatbots betekent niet dat een organisatie direct naar onbeheerde autonomie moet springen. Het betekent dat data, werkwijzen, tools, governance, kanalen en agents rond een afgebakend bedrijfsresultaat worden verbonden. Die werklaag zorgt dat AI veilig in bestaande systemen meewerkt, in plaats van ernaast te staan.
De verstandige eerste stap is een begrensde productiecase met meetbare waarde, expliciete bronnen en duidelijke goedkeuringsmomenten. Bouw alsof het echt moet draaien. Hergebruik daarna de kennis, integraties en beheersmaatregelen voor het volgende proces. Zo groeien losse experimenten uit tot een AI-native operatie.