Wat er is gebeurd
SAP heeft aangekondigd dat het het Duitse Prior Labs wil overnemen en in de komende vier jaar ongeveer 1 miljard euro wil investeren om daarvan een frontier AI-lab voor gestructureerde data te maken. Prior Labs bestaat pas 18 maanden, maar de TabPFN-modellen hebben nu al veel tractie bij ontwikkelaars die werken met zakelijke tabeldata.
Dat detail is belangrijk. Een groot deel van het AI-debat draait nog steeds om chatinterfaces en grote taalmodellen, terwijl de data die finance, procurement, hr en supply chain echt aanstuurt in tabellen en operationele systemen staat. SAP zegt hiermee in feite dat de volgende strijd niet alleen over taal gaat, maar over intelligence die de gestructureerde kern van het bedrijf begrijpt.
Er zit nog een tweede signaal in hetzelfde verhaal. SAP trekt de teugels ook strakker aan rond welke AI-agents toegang krijgen tot zijn ecosysteem. Volgens het API-beleid zijn alleen SAP-goedgekeurde architecturen toegestaan. In de praktijk wil SAP dus zowel de modellayer als de actielaag beïnvloeden: welke intelligence draait, en welke agents vertrouwd worden om acties in bedrijfssystemen uit te voeren.
Waarom dit ertoe doet
Dit is relevant omdat het een van de duidelijkste Europese signalen tot nu toe is dat enterprise AI verschuift van generieke assistenthype naar platformcontrole, workflow-uitvoering en domeinspecifieke datamodellen. SAP doet hier geen consumentenzet. Het investeert in de onderlaag van enterprise operations, waar beslissingen afhangen van schone records, rechten, transacties en auditability.
Het scherpt ook het soevereiniteitsdebat aan. Europa praat al maanden over compute-onafhankelijkheid en open modellen, maar deze stap is concreter. Een Duitse softwaregigant koopt een Duits AI-lab, houdt de open source-lijn in stand en koppelt het onderzoek direct aan enterprise productisering. Dat is een veel praktischere invulling van sovereign AI dan weer een beleidsverhaal over GPU-capaciteit.
Er zit ook een duidelijke zoek- en koopintentie in dit onderwerp. Beslissers zoeken actief naar manieren om llm's te combineren met ERP-data, vendor lock-in te beperken en te sturen hoe agents met systemen van record omgaan. Zoektermen als structured data AI, SAP AI agents en sovereign enterprise AI sluiten direct aan op echte integratie- en governanceproblemen.
Laava perspectief
Bij Laava vinden we dit vooral interessant omdat het bevestigt dat production AI wordt gewonnen in de saaie lagen. Documenten zijn belangrijk, maar tabellen ook. Reasoning is belangrijk, maar rechten ook. Een mooie demo kan een factuur samenvatten. Een bruikbaar productiesysteem kan die factuur lezen, valideren tegen stamdata, de uitzondering routeren en de uitkomst veilig terugschrijven naar het systeem.
Daarom blijven we hetzelfde punt maken: AI-waarde ontstaat niet uit het model alleen. Het komt uit context, business rules en deterministische integratie. SAP's beweging richting structured-data intelligence is logisch, omdat de meeste waardevolle enterprise workflows hybride zijn. Ze combineren e-mails, pdf's, approvals en databaserecords. Als je architectuur alleen tekst begrijpt, mis je het operationele hart van het proces.
Ook de controlevraag is belangrijk. Dat SAP agenttoegang beperkt, zal sommige teams frustreren, maar het weerspiegelt wel een echte enterprisezorg: niet elke agent hoort zomaar in een mission-critical systeem te mogen handelen. De les voor klanten is niet dat alles dicht moet, maar dat je expliciete trust boundaries, goedgekeurde interfaces en human review-punten ontwerpt. Dat is het verschil tussen agentic infrastructure en chaos.
Wat je nu kunt doen
Werk je met SAP of een andere grote operationele stack, dan is dit een goed moment om te inventariseren waar je AI-kansen met de hoogste waarde echt zitten. Zoek naar workflows waar ongestructureerde input, gestructureerde records en menselijke approvals al samenkomen, zoals factuurverwerking, orderuitzonderingen, procurement, service operations of compliancecontroles. Dat zijn betere startpunten dan brede chatbotuitrol.
Ontwerp het systeem daarna terug vanaf controle. Bepaal welke data het model mag zien, welke acties een agent mag uitvoeren, waar approvals horen en welke onderdelen model-agnostisch moeten blijven. De bedrijven die het meeste profiteren van de volgende enterprise AI-golf zijn niet de partijen met de luidste assistentdemo. Het zijn de teams die taal, gestructureerde data en uitvoering samenbrengen in één betrouwbare workflow.