Het Algorithm: Wat het betekent om een AI-first bedrijf te zijn (NL)
HET ALGORITME:
Wat het betekent om een AI-first bedrijf te zijn
De driefiltertest van Microsoft Exclusieve lessen van 900+ AI-projecten
Biasbestendige algoritmen:
Waarom oneerlijke systemen tot slechtere bedrijfsresultaten leiden
“AI kan niet plug-and-play of one-size-fits-all zijn. Het is: kies-je-eigen-avontuur.”
Futurist
Erica Orange over waarom er geen standaard draaiboek is voor AI-succes
De opkomst van agentische AI
Henk Heus van Aptean over intelligente systemen die zelfstandig denken, leren en handelen
Plus:
Wat het betekent om een AI-first bedrijf te zijn
In dit nummer
Artikel 01
Visie voor strategie: gesprek met AI-expert Erica Orange 04
Artikel 02
Eduardo Kassner van Microsoft over het DNA van succesvolle AI-projecten 07
Artikel 03
Betere vragen stellen met Aptean GenAI Query 10
Artikel 04
Technisch perspectief: Henk Heus van Aptean over AI Agents 12
Artikel 05
De regels van supply chain-strategie herschrijven 14
Artikel 06 Fair by Design: De Business Case voor Verantwoorde AI 17
Artikel 07 Tristan Harper van Aviva over AI op schaal implementeren 20
Artikel 08 Wat het betekent om een AI-first bedrijf te zijn 22
Artikel 09 Focus op AI in voedingsmiddelenen drankenproductie 24
Bedrijfsleiders hebben toegang tot meer
gegevens dan ooit tevoren
De uitdaging is dus niet het verzamelen van informatie, maar het tijdig omzetten ervan in bruikbare inzichten die leiden tot het maken van betere beslissingen.
Hier creëert kunstmatige intelligentie (AI) echte concurrentievoordelen. Maar om het volledige potentieel te benutten, moet je vanaf het begin de juiste vragen stellen - niet wat AI kan doen, maar welke problemen je ermee wilt oplossen.
En dit is wat fabrikanten en distributeurs leren: het oplossen van deze problemen vereist systemen die informatie uit uw hele bedrijf kunnen verbinden, analyseren en erop kunnen reageren.
Daarom delen de organisaties die meetbare AIresultaten behalen een gemeenschappelijke basis: cloudinfrastructuur. Verouderde systemen op locatie creëren silo’s die voorkomen dat u volledige antwoorden krijgt op uw zakelijke vragen.
Een overstap naar de cloud is niet alleen een technische upgrade. Het maakt de verbonden, intelligente bewerkingen mogelijk die AI nodig heeft om echte waarde te leveren.
T.V.N. Reddy
CEO, Aptean
Visie vóór strategie:
futurist Erica Orange over het leiden van AIadoptie tijdens meedogenloze verandering
Conventionele wijsheid zegt dat succesvolle kunstmatige-intelligentieprojecten moeten beginnen met technologie. Maar de beste resultaten komen vaak door eerst naar binnen te kijken. De paradox, zegt futurist Erica Orange, is dat de belangrijkste technologische revolutie in decennia vraagt om de meest menselijke discipline: jezelf kennen.
De meeste bedrijven gooien middelen naar machine learning-modellen zonder voldoende tijd te besteden aan het stellen van duidelijke doelen. Te weinig mensen stellen kritische vragen: Welk probleem lossen we op? Voor wie is het gunstig? Hoe zal dit veranderen wie we zijn?
Orange heeft carrière gemaakt door organisaties te helpen anticiperen op veranderingen en deze te begrijpen. In haar woorden: “visie moet vóór strategie komen.”
In oktober is Orange de keynote spreker op Aptean UNITE 2025 in Orlando, Florida, waar ze het conferentiethema “Elevate Your Game” zal behandelen en productie- en distributieleiders zal helpen zich voor te bereiden op wat komen gaat.
Voorafgaand aan haar keynote-presentatie gingen we met Erica zitten om de strategische vereisten voor AI-adoptie te bespreken, organisatorische veranderingen te beheren en ons voor te bereiden op een onzekere maar kansrijke toekomst.
Hoe moeten bedrijven AI-projecten benaderen om succes te garanderen?
Elk bedrijf moet beginnen met zichzelf twee eenvoudige maar fundamentele vragen te stellen als het gaat om het implementeren van AI:
1. Welk probleem probeer ik op te lossen?
2. Wie heeft er baat bij?
Want waar AI uiteindelijk op neerkomt, is het volgende: de herschikking van menselijke tijd en talent om meer strategische doelen te dienen. Het gaat niet alleen om kostenbesparingen; Het gaat om herverdeling. Tijd en talent herverdelen op nieuwe en onvoorziene manieren.
Van daaruit moet elk bedrijf zich afvragen: hoe past AI in onze langetermijnvisie? We moeten niet vergeten dat AI geen wondermiddel is. AI kan niet plug-and-play zijn en AI is ook niet one-size-fits-all. Het is meer “kies-je-eigen-avontuur”, wat leidt tot meer personalisatie, precisie en voorspellende mogelijkheden.
Een andere vraag om te stellen is: wat is er nodig om te winnen? Bedrijven moeten een interne cultuur creëren die innovatie, experimenteren en samenwerking beloont.
Erica Orange is partner bij The Future Hunters, een vooraanstaand futuristisch adviesbureau, waar ze complexiteit omzetten in bruikbare inzichten voor leiders in verschillende sectoren. Haar expertise in het ontcijferen van wereldwijde trends heeft haar tot een vertrouwde adviseur gemaakt voor organisaties over de hele wereld, en haar dynamische presentaties hebben het publiek geboeid op meer dan 300 conferenties in Europa, Latijns-Amerika en Azië.
Als auteur van “AI + The New Human Frontier: Reimagining the Future of Time, Trust + Truth”, biedt Orange een visionaire verkenning van hoe kunstmatige intelligentie de menselijke ervaring zal hervormen.
Haar werk is te zien geweest in Wired, NPR, Bloomberg en CBS This Morning, en ze werd erkend als een van ‘s werelds 50 beste vrouwelijke futuristen in 2020.
AI-gestuurde verandering kan voor veel organisaties ontmoedigend aanvoelen. Wat is uw advies voor leiders die hun teams mee proberen te nemen op deze reis?
Leiders moeten eerst onthouden dat visie vóór strategie komt. Visie gaat over het duidelijk definiëren van wie je bent en waar je voor staat. Van daaruit kunt u beginnen met het definiëren van uw strategieën, maar de sleutel is om ze - en uw denken - wendbaar en flexibel te houden.
Wees niet gebonden aan één reeks strategieën. Beschouw ze in plaats daarvan als een reeks parallelle spoorlijnen. Zorg voor één spoor voor uw kortetermijnstrategieën (één tot twee jaar); een ander spoor voor uw strategieën op middellange termijn (drie tot vijf jaar); en heb een ander spoor voor uw langetermijnstrategieën (vijf tot acht jaar en langer).
Elk strategietraject moet zo worden gebouwd dat het eenvoudig aanpasbaar is. Je moet in staat zijn om op en af te springen, het te verfijnen, te verlaten wat niet werkt en het opnieuw op te bouwen. Wat dan je Poolster wordt, is visie, geen strategie.
Het zal belangrijk zijn om vast te houden aan een tijdloze visie en bereid te zijn om zelfs de grootste strategieën snel over te nemen en vervolgens te schrappen, vooral als het gaat om AI omdat het zo snel verandert.
“Leiders moeten niet alleen kunnen beschrijven wat AI zal doen, maar ook waarom het belangrijk is voor de toekomst van de organisatie.”
Leiders moeten ook in staat zijn om niet alleen te beschrijven wat AI zal doen, maar ook waarom het belangrijk is voor de toekomst van de organisatie. En dit omvat het kunnen verwoorden van wat AI niet kan.
Welke strategieën moeten bedrijven gebruiken om ervoor te zorgen dat hun werknemers in staat zijn om te werken met geavanceerde technologieën?
Een manier is om ervaringsgerichte leermogelijkheden te creëren. Bedrijven moeten proberen veilige, interactieve omgevingen te creëren waar werknemers kunnen experimenteren met AI-tools die relevant zijn voor hun werk. Door medewerkers de tijd en ruimte te geven om gewoon met deze tools te spelen, leren ze door te doen. Het is ook een geweldige manier om zowel competentie als vertrouwen op te bouwen.
Een andere manier is om continu te blijven herhalen. Maken medewerkers effectief gebruik van AI-tools? Nemen ze betere beslissingen? Kunnen ze beter omgaan met nieuwe technologieën? Op deze manier ben je in staat om daadwerkelijke gedragsverandering en impact te volgen. Deze inzichten kunnen vervolgens worden verfijnd om nieuwe vaardigheidsbehoeften te helpen identificeren.
De mogelijkheden van AI veranderen voortdurend. Hoe kunnen organisaties gedijen op deze constante verandering in plaats van zich ertegen te verzetten?
Denk na over het toewijzen van specifieke budgetten en middelen voor “innovatietijd” waarin teams nieuwe AI-tools kunnen verkennen. Maak het leuk, zoals toen ze kinderen waren in de speeltuin! De sleutel is om experimenteren systematisch in te bouwen in plaats van ad hoc, en om proeftuinen te creëren voor nieuwe manieren van werken voordat u ze in uw gehele organisatie opschaalt.
Culturele verschuivingen naar experimenteren, leren van mislukkingen en snelle aanpassing zijn ook van cruciaal belang. Steeds meer bedrijven implementeren een ‘fail-fast’-cultuur waarin snelle mislukkingen worden gezien als leermogelijkheden, waardoor psychologische veiligheid wordt gecreëerd om te experimenteren. Innovatie en leren worden beloond in plaats van alleen succesvolle resultaten.
De bedrijven die het “snappen” zullen degenen zijn die AI zien als een capaciteitsvermenigvuldiger (bijvoorbeeld voor het vergroten van het menselijk potentieel) in plaats van een kostenbesparend instrument. Maar we hebben ook een gezonde dosis realisme nodig. Hoe snel de dingen ook gaan, we moeten ook begrijpen dat niet alle verandering snel gaat en dat niet alles verandert. Sommige traditionele methoden en praktijken kunnen blijven bestaan naast nieuwe technologische ontwikkelingen Hierdoor ontstaat er een mix van oude en nieuwe werkwijzen. Dagelijkse frustraties met verouderde systemen zullen blijven bestaan.
Hoe moeten bedrijven zich voorbereiden op AI-ontwikkelingen die ze niet kunnen voorzien?
De toekomst is onvoorspelbaar. Mensen houden ervan om een gevoel van voorspelbaarheid te hebben, omdat het ons de schijn van controle geeft. Maar het tempo van de veranderingen is meedogenloos. En het exacte traject - hoe hard we het ook proberen - is er een die we nooit met zekerheid zullen kunnen vaststellen.
We zullen waarschijnlijk ook een groeiende kloof zien tussen technologische versnelling en bureaucratische systemen die zijn ontworpen voor een eerdere economie. Dit zal ongetwijfeld leiden tot meer inefficiëntie en disfunctie, aangezien instellingen die zijn ontworpen voor het industriële tijdperk proberen technologieën te reguleren en te benutten die zich met digitale snelheid ontwikkelen.
Erica’s boek, AI + The New Human Frontier: Reimagining the Future of Time, Trust + Truth is nu beschikbaar.
Koop het boek
02
Kies zorgvuldig, leer snel, meet impact: het DNA van succesvolle AI-projecten
Eduardo Kassner, CTO van Cloud & AI voor de High Tech Sector bij Microsoft, deelt zijn ervaringen met het implementeren van meer dan 900 AI-projecten bij grote technologiebedrijven wereldwijd.
De meeste organisaties benaderen AI met uitgebreide verlanglijstjes en ambitieuze tijdlijnen. Hoe kunnen ze de ruis doorbreken om echt levensvatbare use-cases te identificeren?
Het ergste wat je met AI kunt doen, is een enorme hoeveelheid geld investeren zonder een solide businesscase. Dan vraag je je af “wat hebben we hieruit gehaald?” Dat is jammer, want AI is een super hulpmiddel, zolang je maar begrijpt waar het voor dient.
Geen enkel AI-project is te vergelijken met een ander, dus je moet iets vinden dat belangrijk genoeg is om mensen ertoe te zetten het onderzoek te doen en een probleem daadwerkelijk op te lossen.
Welke methodiek gebruikt u om AI-kansen met hoge impact te scheiden van dure experimenten?
Op elk project passen we drie filters toe. Ten eerste: is er een duidelijk doel dat wordt ondersteund door een echte behoefte? Niet iets dat interessant is, maar iets waar een belangrijke belanghebbende niet zonder kan - en waarvan uw CEO het ermee eens zal zijn dat het de moeite waard is om in te investeren. Het moet er helemaal toe doen tot op bestuursniveau.
Ten tweede: kun je het meten? Niet met een algemene voordeelverklaring die niet kan worden geverifieerd, maar met meetbare resultaten die niemand kan betwisten.
Wees voorzichtig met de statistieken die u kiest, want u kunt maar een beperkte hoeveelheid efficiëntie uit uw bedrijf halen. Ik wordt enthousiast van projecten die groei stimuleren en mensen succesvoller maken; projecten die AI gebruiken om iedereen vooruit te helpen.
Ten derde: is het technisch haalbaar en is het haalbaar op dit moment? Je zou het moeten kunnen bouwen met behulp van bestaande tools en technologieën zonder dat je iets nieuws hoeft uit te vinden.
De meeste bedrijven komen naar mijn team met lijsten van 60-100 use cases. Deze drie filters brengen die lijst meestal terug tot drie tot vijf projecten, en dat is precies wat je wilt. Dit proces helpt u ‘AI-washing’ te voorkomen. Je wilt niet iets bouwen alleen omdat iedereen werkt met AI.
Veel bedrijven worstelen met de overgang van AI-concepten naar geschaalde productiesystemen. Wat is uw methodologie om de risico’s van dit proces te verminderen?
We hebben een heel concrete progressie: drie projecten in drie maanden, volgens een duidelijk gedefinieerd proces.
Ten eerste moedigen we bedrijven aan om ‘hackathons’ te doen, die mensen enthousiast maken en ideeën genereren. Vervolgens passen we onze drie filters toe om die ideeën te beperken tot een gerichte projectlijst.
Vervolgens komt proof of concept (POC) om aan te tonen dat deze specifieke ideeën kunnen werken met de gegevens en systemen van dat bedrijf. Misschien weet u niet zeker of dit onderdeel verbinding kan maken met dat stukje gegevens, of moet u controleren of een onderdeel werkt met uw bestaande systemen. Nu is het tijd om het uit te werken.
Vervolgens bouw je een minimum viable product (MVP). Dit is waar organisaties erachter komen hoe het gaat werken in de productie, wat het gaat kosten en wie het gaat beheren. Als je iets groots binnenhaalt, moet je het ook onderhouden.
Wanneer u dit proces met uw eerste paar projecten met succes hebt gevolgd, kunt u het opschalen naar tientallen AI-initiatieven. Uw organisatie begrijpt hoe AI moet worden toegepast, kent het proces en heeft de interne capaciteit opgebouwd om plannen systematisch uit te voeren.
Deze gefaseerde aanpak geeft evenveel prioriteit aan organisatorisch leren als aan technische levering. Hoe cruciaal zijn opleiding en mindset voor AI-succes?
AI-adoptie is net zo goed psychologie als technologie. Je hebt te maken met iets heel nieuws waardoor mensen zich ongemakkelijk voelen, en je moet bewijzen dat het proces werkt.
Maar je moet ook begrijpen dat je vaak zult falen met AI, en senior belanghebbenden kunnen het moeilijk vinden om te leren dat risico en falen deel uitmaken van het proces. Het traditionele zakelijke denken zegt: “heb vaak gelijk”, maar AI omvat onbekende wateren.
De sleutel is om te leren hoe je ‘mislukkingen’ kunt bestempelen als experimenteren. Dit is belangrijker in AI dan elke andere ontwikkeling die ik in mijn carrière heb gezien. Elke tegenslag moet je iets leren dat je kunt toepassen op je toekomstige AI-projecten.
Wat moeten bedrijfsleiders begrijpen over de technische realiteit van het implementeren van AI-projecten?
De grootste misvatting is dat AI inhoudt dat je data naar een groot taalmodel (LLM) gooit en magie terugkrijgt. Maar geen enkel AI-project maakt alleen gebruik van LLM’s of generatieve AI. Elk project maakt gebruik van veel data, query’s, standaard databases, meerdere databronnen en ouderwetse code.
Elk project dat in productie gaat, gebruikt gemiddeld 6-14 verschillende modellen. U kunt gebruik maken van vertaaldiensten, computer vision, documentherkenning, spraak-naar-tekst, datavectorisatie en/of verschillende data science-modellen.
Bovendien werken de meeste enterprise-AI systemen als multi-agent-architecturen; verschillende AI-componenten voeren gespecialiseerde taken uit die naadloos met elkaar moeten samenwerken.
Laat me je een voorbeeld geven. Stel dat u een AI-tool wilt die helpt bij het berekenen van belastingen. U hebt één agent nodig die valideert of de vraag van de gebruiker gepast is. Je hebt een andere nodig die controleert of de gebruiker alle benodigde documenten heeft verstrekt. Je hebt subagenten nodig die verschillende aspecten behandelen: een voor onroerendgoedbelasting, een andere voor verschillende staatsvereisten, enzovoort.
Dan heb je een coördinatielaag nodig die al deze gespecialiseerde agenten beheert, en ten slotte een kwaliteitsborgingscomponent die evalueert of het antwoord aan je normen voldoet op basis van de laatste 10.000 antwoorden die je hebt gegeven.
“De adoptie van AI is net zozeer psychologie als technologie. Je hebt te maken met iets totaal nieuws waar mensen zich ongemakkelijk bij voelen, en je moet aantonen dat het proces daadwerkelijk werkt.”
Dit is waarom we POC’s en MVP’s doen: om al deze bewegende delen te begrijpen voordat we ons inzetten voor volledige productie.
Kostenbeheer is een cruciaal maar vaak onderschat aspect van de AI-strategie. Hoe breng je technische ambitie in evenwicht met financiële duurzaamheid?
AI kan erg duur worden: niet omdat de eenheden duur zijn, maar omdat het verbruik snel kan exploderen. U moet de oplossing levensvatbaar maken voor de lange termijn. Is het de moeite waard?
Soms blijkt wat tijdens de POC-fase een goed idee leek, zes maanden later een nachtmerrie voor het budget te zijn.
U zult waarschijnlijk uiteindelijk meerdere soorten databases gebruiken en kleinere en grotere modellen in evenwicht brengen om de kosten beheersbaar te houden en de oplossing levensvatbaar te maken voor de lange termijn. De sleutel is iets te bouwen dat je niet alleen kunt runnen en beheren, maar ook op een duurzame manier kunt financieren.
En vergeet niet dat deze systemen in de loop van de tijd zullen evolueren - u kunt modellen verwisselen zodra er nieuwere, betere beschikbaar komen.
Heeft de grootte van het bedrijf invloed op het succes van AI-implementatie?
Het gaat niet echt om de grootte van het bedrijf. Het gaat erom dat je een duidelijk doel hebt. Kleine organisaties hebben vaak een scherpere focus en kunnen ideeën sneller uitvoeren, wat hen een voordeel geeft. Ik heb kleinere teams ongelooflijk sterke oplossingen zien bouwen in kortere tijdsbestekken dan grote ondernemingen.
Grote bedrijven kunnen verstrikt raken in hun eigen legacy-systemen en politiek. De ergste situatie is wanneer een grote beslisser binnenkomt die praat over bedrijfsbrede initiatieven, en een jaar later praat je nog steeds over dat initiatief in plaats van de daadwerkelijke output te leveren.
Wat is het enige belangrijke dat bepaalt of een AI-project slaagt of mislukt?
Duidelijkheid van het doel. Als je iets bouwt omdat het echt cool is of omdat iedereen AI doet, zal het mislukken.
Ik kan je niet vertellen op hoeveel projecten ik heb gewerkt waarbij ik vraag: “Waarom doen jullie dit?” en het bedrijf antwoordt: “Omdat het cruciaal voor ons is.” Dat is geen antwoord. Het is niet specifiek, betekenisvol of nuttig voor het succes van het project; het bedrijf heeft de nodige zorgvuldigheid niet betracht om het echte doel te begrijpen.
Laat je niet meeslepen door de technologie of de hype. Concentreer je op het vinden van die twee of drie projecten die de naald echt zullen bewegen. En benader het systematisch, wees bereid om te experimenteren en te leren van mislukkingen.
De bedrijven die succesvol zijn met AI zijn degenen die het beschouwen als een strategische capaciteit om in de loop van de tijd op te bouwen, niet als een magische oplossing om één keer te implementeren en te vergeten.
03
Betere vragen stellen:
hoe Aptean’s GenAI Query theorie en praktijk overbrugt
Erica Orange en Eduardo Kassner benadrukken hetzelfde kritische inzicht: Succesvolle AI-adoptie begint met het stellen van de juiste vragen. GenAI Query, nu beschikbaar binnen AppCentral, brengt dit principe in de praktijk.
In plaats van te worstelen met complexe dashboards of te wachten op IT-rapporten, kunnen teams GenAI Query gebruiken om uw vragen rechtstreeks te stellen, zoals “Waar zitten mijn knelpunten in de uitvoering?” of “Welke SKU’s tasten onze marge aan?” - en directe, contextuele antwoorden ontvangen uit actuele bedrijfsgegevens.
Van inzicht naar actie
Zoals we in ons vorige nummer hebben besproken, zet AppCentral kant-en-klare AI-agents in om uw workflows te automatiseren en te verbeteren. GenAI Query is de volgende stap in dit proces: conversationele intelligentie die de kloof tussen het hebben van vragen en het vinden van antwoorden elimineert.
De technologie pakt een fundamentele uitdaging aan die verband houdt met de adoptie van AI: de noodzaak van AI-implementaties om onmiddellijke, meetbare waarde te leveren.
In plaats van dat teams nieuwe interfaces moeten leren of moeten wachten op maatwerkrapporten, stelt GenAI Query frontlinemanagers, operationele leidinggevenden en finance-teams in staat om met hun data te werken, net zo natuurlijk als wanneer ze een collega iets zouden vragen.
Deze aanpak ondersteunt direct het ‘visie-voor-strategie’-principe van Erica Orange. Bedrijven kunnen zich concentreren op het definiëren van wat het belangrijkst is voor het bedrijf, en vervolgens GenAI Query gebruiken om die prioriteiten continu te bewaken en te meten zonder te verdwalen in technische complexiteit.
“AppCentral is het fundament voor onze klanten om de kracht van AI te benutten - GenAI Query is de intelligentie die het tot leven brengt, het is het verschil tussen naar een dashboard staren en een direct, inzichtelijk gesprek met uw bedrijf voeren.”
TVN Reddy, CEO, Aptean
Real-time intelligentie, gebouwd voor uw bedrijf
Wat GenAI Query onderscheidt van andere generatieve AI-tools, is de diepe integratie met productiespecifieke workflows. Het systeem begrijpt de complexiteit, terminologie en processen die uniek zijn voor de discrete productie-, voedingsmiddelenen drankenindustrie, transport- en kledingindustrie.
Deze expertise zorgt ervoor dat wanneer iemand vraagt naar ‘margedruk’ of ‘voorraadrisico’, de AI contextueel relevante inzichten biedt in plaats van algemene antwoorden.
Het AppCentral-platform verenigt live ERP-gegevens over voorraad, inkoop, verkoop, vorderingen en crediteuren, waardoor één enkele bron van waarheid ontstaat die teams via natuurlijke taal kunnen opvragen. Op rollen gebaseerde toegangscontroles en audittrails zorgen voor de beveiliging van ondernemingen en maken tegelijkertijd bredere toegang tot business intelligence mogelijk.
Elke medewerker gedreven door inzicht
GenAI Query stelt fabrikanten in staat om klein te beginnen - misschien door eenvoudige voorraadvragen te stellen - en vervolgens geleidelijk uit te breiden naar meer geavanceerde analyses naarmate het vertrouwen en begrip groeien.
Nu duizenden klanten zich bij AppCentral aansluiten, biedt GenAI Query de conversationele laag die AIadoptie zowel toegankelijk als direct waardevol maakt - precies wat zowel futuristen als praktijkexperts als essentieel beschouwen voor blijvend succes.
Meer informatie over Aptean GenAI Query
04 Technisch perspectief:
Henk Heus van Aptean over AI-agenten
GenAI Query illustreert hoe AI intelligente systemen mogelijk maakt die de context begrijpen, autonome beslissingen nemen en naadloos integreren op bedrijfsplatforms.
Dr. Henk Heus, Associate VP bij Aptean, legt uit hoe deze nieuwe generatie AI-agents de bedrijfsvoering zal hervormen die verder gaat dan eenvoudige automatisering.
De toekomst van AI in bedrijfsvoering draait niet om het vervangen van menselijke besluitvormers. Het gaat om het creëren van intelligente agenten die de repetitieve, tijdrovende taken aankunnen die voorkomen dat mensen zich kunnen concentreren op waardevol werk zoals oorzaakanalyse en strategische verbeteringen.
Wat we zien met agentische AI is een belangrijke evolutie die verder gaat dan traditionele, op regels gebaseerde automatisering. Terwijl eerdere systemen werkten op basis van een eenvoudige “als dit, dan dat”-logica, kan agentische AI autonome beslissingen nemen door de context te begrijpen, complexe documenten te lezen en conclusies te trekken uit actuele en historische gegevens.
De sleutel is om deze agents tegelijkertijd met meerdere bedrijfssystemen te verbinden. Klantgegevens uit uw CRM halen, voorraadniveaus in uw ERP-systeem controleren en verwijzen naar uw kwaliteitsnormen, allemaal met behoud van beveiligingsprotocollen en op rollen gebaseerde toegangscontroles.
We zien nu ook AI-agents die in de loop van de tijd kunnen leren en verbeteren. Ze kunnen patronen analyseren in hoe succesvol verschillende processen worden aangepakt, knelpunten identificeren en zelfs optimalisaties voorstellen. Dit creëert een feedbacklus waarbij operaties efficiënter worden zonder dat er constant handmatig toezicht nodig is.
We zitten nog in de beginfase, maar de potentie is enorm. Stelt u zich eens voor dat agents automatisch onderhoud kunnen plannen op basis van prestatiegegevens van apparatuur, dringende bestellingen kunnen doorsturen naar de meest geschikte teamleden of nalevingsrapporten kunnen genereren door informatie uit meerdere systemen te halen.
Het menselijke element blijft van cruciaal belang voor het toezicht, de besluitvorming en het omgaan met uitzonderingen, maar het routinematige werk wordt autonoom.
We vervangen mensen niet; we versterken workflows en maken het werk makkelijker.
Wat is agentische AI?
Agentische AI-systemen kunnen specifieke doelen bereiken met minimaal toezicht via drie kernmogelijkheden:
1. Autonomie (zelfstandig taken uitvoeren)
2. Aanpassingsvermogen (leren van interacties)
3. Doelgerichtheid (redeneren over doelstellingen)
In tegenstelling tot traditionele automatisering of generatieve AI die reageert op prompts, hebben deze systemen een doel. Ze streven doelen na, integreren gegevens uit meerdere bronnen, roepen API’s aan, doorzoeken databases en nemen beslissingen op basis van aangeleerde patronen, terwijl ze de juiste governance-controles handhaven.
05
Digitale planningsintelligentie: de
regels van de supply chain-strategie herschrijven
Supply chains staan onder meedogenloze druk door volatiliteit, disruptie en veranderende consumentenverwachtingen. Om deze uitdagingen aan te gaan, is een nieuwe manier van plannen vereist, een die verder gaat dan trage, geïsoleerde processen om snelheid, wendbaarheid en duidelijkheid te bieden.
Piet Buyck, SVP Industry Principal bij Logility, onderzoekt hoe digitale planningsintelligentie de regels van de supply chain-strategie herschrijft, en waarom organisaties die AI-gestuurde planning omarmen de komende jaren het tempo zullen bepalen.
Traditionele supply chain planning voldoet niet meer
Onvoorspelbaarheid is al lang een bepalend kenmerk van de supply chain. Hoewel de smaak en intensiteit kunnen variëren, blijft er één constante: verandering. In deze omgeving is het meest waardevolle bezit van een supply chain manager een plan - een plan dat aansluit bij de organisatiestrategie en de uitvoering stimuleert op het gebied van financiële planning, voorraadoptimalisatie en marketinginitiatieven.
Toch zijn traditionele planningskaders zoals sales en operations planning (S&OP), sales and operations execution (S&OE) en geïntegreerde business planning (IBP) steeds ontoereikender voor de volatiele markten van vandaag. Deze processen zijn
traag, arbeidsintensief en staan vaak los van realtime gebeurtenissen. Ze produceren plannen die verankerd zijn in ondoorzichtige strategische doelen, en missen de wendbaarheid en duidelijkheid die nodig zijn om te reageren op marktverschuivingen als kansen in plaats van bedreigingen.
Het resultaat? Besluitvorming vertraagt, de prestaties lijden eronder en organisaties richten zich meer op het halen van statische doelen dan op het realiseren van betekenisvolle resultaten.
De opkomst van AI-gestuurde planning
AI herdefinieert het planningslandschap. Organisaties die AI-gestuurde planning omarmen, lopen al 70% voor op hun concurrentie. Ze behalen 6% hogere winstmarges, maken plannen tegen 30% van de kosten en verbeteren de nauwkeurigheid van prognoses met 20%. Deze concurrentieverschillen zullen alleen maar groter worden naarmate generatieve AI (gen AI) en smalle AI de supply chain hervormen.
Dit nieuwe paradigma vervangt statische spreadsheets en rapporten door dynamische, gebeurtenisgestuurde besluitvorming. Het stelt planners in staat om snel, duidelijk en zelfverzekerd te handelen - met behulp van natuurlijke taalinteractie, real-time samenwerking en verklaarbare inzichten.
De wereld vertalen naar digitale inzichten
Moderne planningsoplossingen hebben traditionele analoge processen opnieuw ontworpen met ingebouwde AI, waardoor multifunctionele teams de wereld kunnen vertalen naar digitale inzichten. Deze inzichten zijn gebaseerd op een supply chain-ontologie: een gestructureerd kader dat concepten en hun relaties in kaart brengt. Dit zorgt ervoor dat gegevens in zakelijke termen worden uitgedrukt, wat zorgt voor duidelijke, bruikbare informatie die in de hele organisatie gemakkelijk te begrijpen is.
Door generieke AI en smalle AI te combineren met diepgaande expertise in de supply chain, bouwen deze systemen vertrouwen op met hoge effectiviteit, terwijl ze veelvoorkomende valkuilen vermijden, zoals zorgen over dataprivacy en hallucinaties die generieke AI-platforms kunnen treffen.
Historisch gezien vereisten supply chain-systemen gespecialiseerde expertise om complexe vragen te beantwoorden. Tegenwoordig democratiseert AI de toegang tot informatie. Gebruikers hoeven niet langer meerdere tools te beheersen of over technische vaardigheden te beschikken. Via interfaces in natuurlijke taal kan iedereen bedrijfsrelevante vragen stellen en transparante, verklaarbare antwoorden krijgen, waardoor vertrouwen wordt opgebouwd en de besluitvorming wordt versneld.
Planning die uw taal spreekt
Deze nieuwe taal van planning is meer dan een technologische upgrade - het is een heruitvinding van hoe planning werkt. Het vervangt statische tools door dynamische, AI-gestuurde samenwerking. Het stelt planners in staat om met gegevens in natuurlijke taal te communiceren, de drijfveren achter beslissingen te begrijpen en met vertrouwen te handelen.
ChatGPT en andere grote taalmodelsystemen stellen iedereen in staat om intelligent met gegevens om te gaan. Het is niet langer acceptabel dat informatie alleen beschikbaar is in een statische of analoge vorm die geen veranderingen met de snelheid van de markt weerspiegelt.
De toekomst van supply chain planning is intelligent, intuïtief en inclusief. Het spreekt de taal van het bedrijfsleven, past zich aan het tempo van veranderingen aan en stelt organisaties in staat om met inzicht te leiden. De kans om een concurrentievoordeel op te bouwen is er, maar niet voor lang.
Vraag uw digitale download aan
NIVEAU 01
De drie niveaus van digitale planningsintelligentie
Moderne beslissingsintelligentie is gebouwd op drie onderling verbonden niveaus. Beschouw ze als digitale bouwstenen die de nauwkeurigheid en het reactievermogen van prognoses geleidelijk verbeteren:
Organisaties opereren binnen bredere economische ecosystemen. Historische datamining en smalle AI worden gebruikt om macro-economische factoren zoals inflatie, consumentengedrag en trends in de sector te analyseren. Deze inzichten ondersteunen strategische planning en jaarlijkse operationele plannen, waardoor teams scenario’s kunnen visualiseren en risico’s en kansen op de lange termijn kunnen beoordelen.
Gen AI stelt gebruikers in staat om zoekopdrachten in natuurlijke taal uit te voeren, zoals het simuleren van een inflatiestijging van 10%, en bruikbare inzichten te krijgen over hoe te reageren.
NIVEAU 02
Vraagplanning – de operationele horizon
Dit niveau, dat drie tot 18 maanden beslaat, heeft betrekking op operationele planning. Het omvat promoties, seizoensgebonden trends, concurrentieacties en externe gegevensbronnen. Geavanceerde ensemblemodelleringsengines combineren meerdere voorspellingsmodellen en gegevensstromen in één robuuste voorspelling, waardoor fouten met 10-15% worden verminderd in vergelijking met traditionele methoden.
AI signaleert afwijkingen, vraagt om opheldering en leert van uitzonderingen, waardoor realtime samenwerking tussen persona’s mogelijk wordt. Inzichten zijn onmiddellijk verklaarbaar en worden gedeeld tussen afdelingen, waardoor vertragingen worden geëlimineerd en het reactievermogen wordt verbeterd.
NIVEAU 03
Vraagwaarneming – Vertalen van actuele indicatoren
Deze vooruitkijkende laag verzamelt realtime gegevens uit klantorders, voorraad bij distributeurs, sociale sentimenten en weersomstandigheden. Het zet het bullwhip-effect om in verbeterde kortetermijnvoorspellingen - waardoor fouten tot 30% worden verminderd en de voorspelbaarheid over planningshorizonten worden verhoogd.
Vraagwaarneming weerspiegelt de stem van de klant en stelt planners in staat om te reageren op marktveranderingen zodra deze zich voordoen, waardoor de focus verschuift van brandjes blussen naar strategisch management.
Opmerking: Alle genoemde statistieken zijn de resultaten behaald door implementaties bij Logility-klanten.
Fair by design: de businesscase voor verantwoorde AI 06
Elk AI-project dat uw bedrijf onderneemt, brengt nieuwe verplichtingen met zich mee. Voor medewerkers van wie de prestatiegegevens algoritmes trainen. Voor leveranciers waarvan de selectie afhankelijk is van geautomatiseerde scores. Voor klanten van wie het aankooppatroon de basis vormt voor prijsmodellen. En voor toezichthouders die kaders opstellen voor verantwoording.
De ethische dimensies van AI zijn net zo cruciaal geworden als de operationele voordelen die het oplevert.
Toch blijft vertrouwen ongrijpbaar. Drie op de vijf mensen blijven op hun hoede voor AI-systemen, zo blijkt uit onderzoek van KPMG en de University of Queensland. 65% van de bedrijfsleiders is van mening dat ethische kwesties binnen drie jaar ernstige gevolgen zullen hebben voor hun branche, terwijl 61% gelooft dat de acceptatie van AI de ontwikkeling van ethische richtlijnen overtreft. Kortom, er is een kloof tussen implementatiesnelheid en verantwoorde implementatie.
Ethiek moet de drijvende kracht zijn achter prestaties
Er is een sterke businesscase voor de invoering van ethische AI. Bevooroordeelde algoritmen verstoren wervingsbeslissingen, vertekenen prijsmodellen en creëren inconsistente klantervaringen. Deze effecten stapelen zich op binnen de supply chain en schaden relaties die jaren hebben gekost om op te bouwen.
Het concurrentievoordeel ligt bij degenen die bewust handelen en ethische overwegingen integreren in hun ontwikkelingsstrategie. Volgens onderzoek van PWC beschouwt de helft van de bedrijfsleiders verantwoorde AI nu als een onderscheidende factor in de markt.
Bedrijven die ethische AI-praktijken toepassen, rapporteren een hogere acceptatiegraad van werknemers, sterkere klantrelaties en minder regelgevingsrisico’s.
Drie kritieke kwetsbaarheden in uw AI-strategie
Productieomgevingen worden geconfronteerd met drie verschillende risico’s die een bedreiging vormen voor de acceptatie van ethische AI:
Vertekende trainingsdata ontstaat wanneer historische patronen oneerlijke voorkeuren bevatten. Als eerdere aanwervingen bepaalde demografieën bevoordeelden of leverancierskeuzes legacy-partners prioriteerden, zullen AI-systemen die op deze data zijn getraind deze patronen versterken in toekomstige beslissingen. Momenteel heeft 79% van de organisaties nog steeds geen beleid om vooroordelen te beperken.
Black box-besluitvorming ondermijnt adoptie wanneer teams niet begrijpen hoe AI tot conclusies komt. Ervaren operators, die gewend zijn te vertrouwen op intuïtie en vakkennis, aarzelen om aanbevelingen op te volgen die ze niet kunnen beoordelen of verifiëren.
Optimalisatie van meerderheidsgevallen creëert onzichtbare ongelijkheid wanneer AI-systemen optimaliseren voor scenario’s met een hoog volume, terwijl randgevallen worden verwaarloosd. Modellen voor voorspellend onderhoud kunnen bijvoorbeeld prioriteit geven aan grote productielijnen, terwijl kritieke processen in kleine batches over het hoofd worden gezien die even zorgvuldige aandacht vereisen.
Deze drie problemen komen vaak voort uit een slechte planning in plaats van ontoereikende technologie. Om ze aan te pakken, is systematische aandacht nodig voor de manier waarop uw AI-systemen worden ontworpen, getraind en ingezet.
Vertrouwen opbouwen door ontwerp
Verantwoorde AI-implementatie vereist bewuste keuzes tijdens het ontwikkelingsproces. Er zijn vier principes die fabrikanten kunnen gebruiken om ervoor te zorgen dat ethiek centraal blijft in al uw AI-projecten:
1. Diversifieer gegevensbronnen
Maak gebruik van verschillende producten, productielijnen, faciliteiten en gebruikersgroepen om mogelijke vooroordelen aan het licht te brengen voordat ze worden geïntegreerd in live systemen. Algoritmen die zijn getraind op smalle datasets weerspiegelen onvermijdelijk die beperkingen. Brede vertegenwoordiging in trainingsgegevens zorgt voor robuustere en eerlijkere resultaten.
2. Neem operationele expertise mee
Cross-functionele samenwerking is essentieel voor succesvolle AI-projecten. Wanneer engineeringsteams ook operationsmedewerkers en frontlineteams betrekken, signaleren deze stakeholders problemen die een puur technische blik over het hoofd ziet. Een derde (36%) van de medewerkers gelooft dat de adoptie van AI zal verbeteren als personeel wordt geraadpleegd bij de keuze van tools.
3. Zorg voor verklaarbaarheid
Teams die begrijpen waarom systemen specifieke keuzes maken, kunnen twijfelachtige beslissingen herkennen. Deze duidelijkheid schept vertrouwen en maakt geïnformeerd toezicht mogelijk in plaats van blind vertrouwen. Transparantie wordt zo een vereiste voor opschaling.
4. Continu monitoren
Regelmatige audits voorkomen dat er in de loop van de tijd ‘etische afwijkingen’ ontstaan. Vooroordelen kunnen geleidelijk opduiken naarmate datapatronen veranderen of de zakelijke context evolueert. Pilotprogramma’s die zowel prestaties als eerlijkheid meten, bieden de iteratieve feedback die nodig is om je AI-modellen bij te sturen en ethische standaarden te handhaven.
Ethische AI is een concurrentievoordeel
Om AI met succes op grote schaal in te zetten, moeten fabrikanten erkennen dat ethische AI geen nalevingslast is, maar een zakelijke kans. Het bewijs is duidelijk: bedrijven die eerlijke, transparante systemen bouwen, zien een hogere acceptatiegraad, een sterkere klantloyaliteit en minder toezicht door de regelgevende instanties.
Door vanaf het begin eerlijk en democratisch te bouwen, voorkom je dat je later op kostbare wijze opnieuw moet opbouwen.
Tristan Harper van Aviva over het implementeren van AI op schaal
Tristan Harper is principal data scientist bij Aviva, een van de grootste verzekeraars van het Verenigd Koninkrijk. Hij heeft 19 jaar lang Aviva geholpen om meer dan 20 miljoen klanten beter van dienst te zijn.
Als leider van Aviva’s generatieve AI-klachtenafhandeling deelt hij inzichten over het overwinnen van uitdagingen bij de implementatie van AI, het cruciale belang van prompt engineering, en waarom transparantie tegenover zowel medewerkers als klanten essentieel is voor een succesvolle invoering van AI.
Hoe gebruikt Aviva AI in uw klachtenbehandelingsprocessen en waar speelt de mens nog een essentiële rol?
We gebruiken AI om vast te stellen waar klachten over gaan, tijdlijnen te maken en reacties op te stellen, maar altijd met menselijke beoordeling. AI verwerkt de verschillende gegevensbronnen om belangrijke informatie te extraheren, patronen te identificeren en belangrijke elementen zoals kwetsbaarheidsindicatoren te markeren met behulp van zoekopdrachten op trefwoorden en natuurlijke taalverwerking.
Wat AI niet doet, is het menselijk oordeel vervangen. Onze gespecialiseerde teams onderzoeken nog steeds of klachten gegrond zijn, nemen genuanceerde beslissingen en bieden de empathie die cruciaal is wanneer klanten van streek zijn.
Aviva verwerkt miljoenen klantinteracties via meerdere kanalen. Welke unieke uitdagingen brengt dit met zich mee bij het implementeren van AI-initiatieven?
De enorme verscheidenheid aan gegevensbronnen is zowel onze grootste kans als onze grootste uitdaging. Klanten nemen contact met ons op via telefoongesprekken, live chat, e-mails en zelfs fysieke brieven. Elk vereist verschillende verwerkingen: audiotranscriptie voor gesprekken, optische tekenherkenning (OCR) voor gescande brieven en tekstverwerking voor e-mails en chats.
En dan hebben we het niet alleen over volume, maar ook over complexiteit. Een klacht over een pensioen kan verwijzen naar wetgeving van tientallen jaren geleden, terwijl een klacht over een motorrijtuigenverzekering een heel andere expertise nodig heeft. Daarom hebben we gespecialiseerde teams voor elk productgebied, waarbij AI hun diepgaande kennis vergroot in plaats van vervangt.
De sleutel is het creëren van een uniforme aanpak die werkt via al deze kanalen, met respect voor de unieke vereisten van elk producttype en met behoud van de menselijke expertise die complexe klachten vaak vereisen.
Hoe belangrijk is prompt engineering bij het ontwikkelen van AI-toepassingen?
Slechte prompts leiden tot slechte output, wat betekent dat u kritieke informatie in klachten mist. Ik zal je een voorbeeld geven: Stel je voor dat een klant belt over een vertraging bij het opnemen van pensioen, maar tijdens het gesprek zegt hij ook dat hij zijn adres moet wijzigen omdat hij een scheiding doormaakt.
Als iemand AI alleen maar vraagt om het gesprek zo kort mogelijk samen te vatten, zou het kunnen zeggen: “Klant heeft vier onderwerpen besproken, waaronder toegang tot pensioen en adreswijziging.” Dat mist volledig de kwetsbaarheidsindicator van echtscheiding.
Maar met een goed ontworpen prompt die specifiek vraagt om de klantintentie, ontevredenheidsgebieden en kwetsbaarheidsindicatoren te identificeren - inclusief een tijdlijn en puntsgewijze actiepunten - krijg je een output die alles bevat wat een klachtenbehandelaar nodig heeft om die klantrelatie op de juiste manier te beheren.
Als bedrijf dat toonaangevend is in het gebruik van AI in de verzekeringssector, welk advies zou u geven aan andere organisaties waarvan de strategie minder ontwikkeld is?
Ten eerste, onderschat het menselijke element niet. Technologie is het makkelijke gedeelte; uw mensen aan boord krijgen is waar veel AI-initiatieven mislukken. Wees transparant over uw bedoelingen en laat het personeel zien hoe AI hen helpt hun werk beter te doen en dat het hun levensonderhoud niet bedreigt.
Ten tweede, investeer fors in snelle engineering en standaardisatie. Het verschil tussen een eenvoudige prompt en een goed ontworpen prompt is het verschil tussen nuttige inzichten en dure ruis.
Ten derde, leer van anderen, maar beweeg in je eigen tempo. Banken baanden het pad voor AI in klantenservice, maar ze stuitten op problemen zoals chatbots die konden worden gemanipuleerd om ongepaste dingen te zeggen. Leer van hun fouten terwijl je iets bouwt dat past bij de behoeften en risicobereidheid van jouw organisatie.
Onthoud ten slotte dat transparantie in gereguleerde industrieën niet alleen leuk is om te hebben, maar ook verplicht is. Bouw compliance vanaf het begin in uw AI-strategie in, niet als een bijzaak. Uw klanten en regelgevers zullen u er dankbaar voor zijn.
Dit interview is een fragment uit Apteans nieuwe eBook Expert Insights on Using AI to Manage Customer Complaints. Gebruik de QR-code hieronder om uw exemplaar te downloaden.
Expert Insights on Using AI to Manage Customer Complaints
Nu downloaden
Wat betekent het om een AI-first bedrijf te zijn?
Toen Aptean begon te discussiëren over wat het betekent om “AI-first” te zijn, ging het gesprek al snel verder dan technologie-implementatie en kwamen we uit bij een meer fundamentele vraag: hoe verandert kunstmatige intelligentie de manier waarop leidinggevenden beslissingen nemen, middelen toewijzen en met klanten omgaan?
Om dieper op deze kwestie in te gaan, hebben we leden van ons managementteam gevraagd om uit te leggen wat het voor hen betekent om een AI-first bedrijf te zijn. Dit wat ze ons vertelden:
Bob Kocis, President en Chief Operating Officer
AI-first zijn betekent: Adoptie laagdrempelig maken
“Ik moedig iedereen aan om vandaag één ding met AI te doen. Het kan ontmoedigend lijken, het kan overweldigend lijken, maar dat is het eigenlijk niet. Als je stap voor stap te werk gaat, word je steeds beter en raak je steeds meer vertrouwd met het gebruik ervan, waardoor het uiteindelijk een onderdeel van je dagelijks leven wordt.”
Miguel Gernaey, Chief Marketing Officer
AI-first zijn betekent: AI onderdeel maken van alles wat we doen
“Het is nu moeilijk voor te stellen dat je iets doet of iets moet schrijven zonder eerst AI te vragen om het voor je te schrijven en vervolgens te redigeren. We maken intensief gebruik van AI om betere digitale ervaringen te bieden en diepere inzichten in kopers te verkrijgen. Er wordt al heel veel gebruik gemaakt van AI binnen marketing, maar ik ben van mening dat we nog verder moeten gaan.”
Jeremy Wardell, algemeen directeur, CE-producten
AI-first zijn betekent:
De urgentie van adoptie erkennen
“De kracht van AI neemt toe in een tempo dat we nog nooit eerder hebben gezien op technologisch gebied. Het is niet zo dat klanten het nu nog niet adopteren en denken dat ze het twee of drie jaar kunnen uitstellen, want met het tempo waarin AI zich ontwikkelt, is dat hetzelfde als tien of vijftien jaar uitstellen.”
Sean Nappo, Executive Vice President, Noord- en Zuid-Amerika
AI-first zijn betekent: Besluitvorming versnellen
“In het verleden was het moeilijk om de gegevens te verkrijgen die je nodig had om beslissingen te nemen. Met AI kan ik extreem snel gegevens ophalen en kan ik zien hoe we ervoor staan en welke aanpassingen we moeten doorvoeren.”
Organisaties die AI omarmen als een kernfilosofie van hun bedrijf, in plaats van slechts als een hulpmiddel, zullen de toekomst vormgeven. Voor Aptean laten deze inzichten zien dat AI-first zijn niet draait om technologie zelf, maar om het veranderen van de manier waarop werk wordt gedaan.
Bekijk meer interviews
Bekijk meer
YouTube afspeellijst
Vijf gebieden waarop
u AI kunt toepassen in
uw voedings- en drankenbedrijf 96% van de voedingsmiddelen- en drankenbedrijven in het VK en Ierland onderzoekt of implementeert een strategie voor kunstmatige intelligentie (AI). Toch weten veel organisaties nog niet hoe ze het volledige potentieel ervan kunnen benutten.
Nieuw onderzoek
van
Aptean heeft vijf belangrijke gebieden geïdentificeerd waarop fabrikanten AI succesvol kunnen toepassen om tastbare bedrijfsverbeteringen te realiseren:
Supply Chain en Logistiek
Van productieplanning tot voorraadbeheer en kwaliteitscontrole, AI verbetert de manier waarop fabrikanten supply chain-activiteiten beheren en productconsistentie garanderen.
Gegevensanalyse
De geavanceerde analysemogelijkheden van AI helpen voedings- en drankenfabrikanten markttrends te identificeren en gegevensgestuurde beslissingen te nemen met grotere nauwkeurigheid en snelheid.
Klanttevredenheid
Producenten van voedingsmiddelen en dranken maken gebruik van AI om gepersonaliseerde ervaringen te bieden door feedback van klanten te analyseren en producten te ontwikkelen die beter voldoen aan de marktvraag.
Optimalisatie van prestaties
AI-gestuurde systemen helpen de productieefficiëntie te verbeteren, de nauwkeurigheid van gegevens te vergroten en fouten in productiefaciliteiten te verminderen.
Werkplekbeheer
AI stroomlijnt de personeelsplanning, automatiseert administratieve taken en biedt datagestuurde inzichten voor betere trainingsprogramma’s en teamprestaties.
Hoe gebruiken voedings- en drankenfabrikanten AI?
Dit is hoe voedings- en drankenfabrikanten van plan zijn AI te gebruiken, in hun eigen woorden:
“We gebruiken AI om het beheer van de supply chain te verbeteren, de efficiëntie van de logistiek te verhogen en onnodige kosten en voorraadniveaus te verlagen.”
Brits graan- en oliezadenmaalbedrijf, £ 100 miljoen +
“We gebruiken AI om alle aspecten van de productielijn te controleren en te monitoren, zodat de operaties efficiënt verlopen en menselijke fouten worden verminderd.”
Ierse fabrikant van snacks, £ 100 miljoen +
“We gebruiken AI om de ontwikkelingscyclus van nieuwe producten te versnellen door de marktprestaties van nieuwe formules te simuleren en te voorspellen.”
Britse vleesverwerker, £ 100 miljoen +
AI-aangedreven innovatie:
Aptean Food & Beverage ERP op AppCentral
Onze bekroonde, branchespecifieke food-ERP is nu nog beter, omdat het beschikbaar is op AppCentral, het door AI aangedreven platform met vooraf verbonden oplossingen die end-to-end operaties stroomlijnen.
GenAI-query
Krijg direct antwoorden in natuurlijke taal over je operaties, of duik in gedetailleerde, realtime-rapporten - alles wat je nodig hebt, precies wanneer je het nodig hebt.
Agentic workflow
Automatiseer en verbind workflows tussen afdelingen, zodat je team zich kan concentreren op het hoogwaardige, strategische werk dat groei stimuleert.
Gepersonaliseerde werkplekken
Rust elke gebruiker uit met een rolspecifiek commandocentrum dat gegevens, apps en AI-assistenten verenigt om de prestaties te maximaliseren.
Intelligente voorspelling
Ontdek trends en risico’s in een vroeg stadium met voorspellende AI-agents, zodat u proactieve, zelfverzekerde beslissingen kunt nemen.
Taakgerichte agents
Laat AI routinetaken uitvoeren, zoals offertes, orderverwerking en voorraadbeheer, zodat uw team zich kan concentreren op belangrijkere prioriteiten.
In onze volgende editie
Voorspellingen voor 2026: Wat biedt de toekomst voor AI in de productie?
De workforce in transitie: hoe AI banen en vaardigheden verandert
Bekijk onze vorige editie
vorige editie bekijken
Heb je iets over AI te vertellen?
Stuur een e-mail naar marketing@aptean.com
Je infrastructuur AI-ready maken
Over Aptean
Aptean is een wereldwijde leverancier van branchespecifieke software die fabrikanten en distributeurs helpt hun bedrijf effectief te runnen en te laten groeien. De oplossingen en diensten van Aptean helpen bedrijven van elke omvang om nu klaar te zijn voor de toekomst®. Aptean heeft zijn hoofdkantoor in Alpharetta, Georgia en heeft kantoren in Noord-Amerika, Europa en Azië-Pacific.
Ga voor meer informatie over Aptean en de markten die we bedienen naar www.aptean.com
Aptean en Ready for What’s Next, Now zijn gedeponeerde handelsmerken van Aptean, Inc. Alle andere bedrijfs- en productnamen kunnen handelsmerken zijn van de respectievelijke bedrijven waarmee ze zijn geassocieerd.
