Slechts 15% van bedrijven zegt dat data klaar is voor agentic AI

Bedrijven experimenteren volop met AI, maar hun data blijft achter. Waarom agentic AI in ERP meer vraagt dan een werkende koppeling en een slimme demo.

De inkoper weet dat een bepaalde leverancier tijdelijk niet levert. De planner weet dat een deel van de voorraad is afgekeurd. En de financieel medewerker weet waarom een factuur nog niet betaald mag worden. Die kennis houdt een bedrijf draaiende, ook wanneer de systemen niet het hele verhaal vertellen. Maar wat gebeurt er als een AI-agent (Kunstmatige Intelligentie) een deel van dat werk overneemt?

Die vraag staat centraal in een artikel van SAP over betrouwbare bedrijfsgegevens. De aanleiding: onderzoek van Harvard Business Review Analytic Services, waarin slechts 15% van de respondenten de eigen databasis als ‘zeer goed voorbereid’ op AI-adoptie beoordeelt. Tegelijk zegt 94% dat hun organisatie AI verkent, ermee experimenteert of deze implementeert. SAP plaatst dat verschil in de context van agentic AI: artificial intelligence die binnen bepaalde grenzen taken kan plannen en uitvoeren.

De cijfers vragen om een precieze lezing

Het onderzoek is uitgevoerd onder 325 leden van het HBR-publiek in oktober 2025 en gesponsord door Reltio. Het gaat om de inschatting van respondenten, niet om een technische controle van hun gegevens. Ook betreft de 94% AI in brede zin: dat percentage betekent dus niet dat vrijwel iedere organisatie al met zelfstandig handelende AI agents werkt. 

De 15% is bovendien de hoogste gereedheidsbeoordeling. Daaruit volgt niet dat de overige organisaties allemaal onvoorbereid zijn. Voor bedrijven die AI in hun dagelijkse processen willen gebruiken, roept de uitkomst wel een concrete vraag op: welke informatie moet kloppen voordat je een systeem namens jou laat handelen?

Om dat tastbaar te maken, volgen we één mogelijke toepassing: een AI-agent die helpt om voorraad aan te vullen.

Lees ook: Agentic AI en cybersecurity: wat betekent dit voor je ERP-systeem?

Van voorraadtekort naar bestelling: waar kan het misgaan?

In een ERP-systeem (Enterprise Resource Planning) zijn onder meer artikelgegevens, voorraadstanden en inkooporders beschikbaar. Daarmee lijkt het voorbereiden van een bestelling een overzichtelijke taak. Toch vraagt iedere stap om meer informatie dan op het eerste gezicht zichtbaar is.

Eerst vaststellen wat er werkelijk beschikbaar is

Stel dat het systeem honderd stuks voorraad toont. Daarvan zijn er zestig gereserveerd voor een klant en twintig geblokkeerd na een kwaliteitscontrole. Een agent die alleen de totale voorraad leest, kan concluderen dat bijbestellen nog niet nodig is. Een medewerker die de openstaande orders en blokkades kent, komt tot een andere conclusie.

Datakwaliteit gaat hier over de betekenis van het getal. Is ‘voorraad’ de fysieke voorraad, de vrij beschikbare voorraad of een stand van gisteren? Voor bruikbare ERP-data moeten die verschillen herkenbaar zijn. Een correct getal kan immers alsnog tot een verkeerde beslissing leiden wanneer het verkeerd wordt geïnterpreteerd.

Daarna bepalen wat je precies bestelt

Vervolgens moet duidelijk zijn welk artikel wordt ingekocht. Misschien gebruikt de leverancier een ander artikelnummer of levert hij uitsluitend dozen van twaalf. Als de eigen administratie in losse stuks rekent, moet die verhouding correct zijn vastgelegd. Anders kan een voorstel om twintig eenheden te bestellen heel anders uitpakken dan bedoeld.

Hier komt master data management om de hoek kijken: het beheren en afstemmen van stamgegevens over bijvoorbeeld artikelen, leveranciers en klanten. Dat klinkt administratief, maar bepaalt of systemen dezelfde producten en partijen herkennen. Voor deze toepassing begint goed data management dus bij zaken als artikelcodes, besteleenheden en leveranciersrecords.

Ten slotte controleren of bestellen ook mag

Een bekende leverancier is niet automatisch een toegestane leverancier voor iedere order. Er kan een tijdelijke blokkade gelden of een afwijkende prijs moet eerst worden goedgekeurd. Staat die informatie alleen in een e-mail aan de inkoper, dan ontbreekt ze mogelijk in de afweging van de agent.

Dit voorbeeld laat zien waarom een werkende koppeling nog geen betrouwbaar proces oplevert. Data-integratie kan informatie beschikbaar maken. Daarnaast moeten de juiste voorwaarden en uitzonderingen beschikbaar zijn op het moment dat een actie wordt voorbereid.

De belangrijkste kennis staat soms naast het systeem

In het onderzoek noemt 46% data silos als belangrijkste obstakel om bedrijfsgegevens bruikbaar te maken voor AI. Zo’n datasilo hoeft geen groot, verouderd systeem te zijn. Een spreadsheet met aangepaste levertijden kan dezelfde rol spelen wanneer alleen de planning weet dat dit bestand bestaat.

Manish Sood, CEO van Reltio, beschrijft in het SAP-artikel hoe medewerkers zulke gaten overbruggen met hun ervaring: ze weten welk bestand ze moeten raadplegen of welke collega de achtergrond kent. Een AI-agent beschikt niet vanzelf over die context. 

Een nuttige voorbereiding begint daarom op de werkvloer. Vraag een medewerker een taak uit te voeren en hardop uit te leggen welke controles daarbij horen. Let vooral op momenten waarop iemand het ERP verlaat, een collega belt of zegt: ‘Normaal klopt dit, behalve bij deze klant.’ Daar vind je informatie die je moet vastleggen of een uitzondering die menselijke beoordeling nodig heeft.

Wat je wilt regelen voordat de agent aan het werk gaat

Voor het bestelproces zijn twee soorten afspraken nodig. Data governance bepaalt wie verantwoordelijk is voor de gegevens en hun onderhoud. AI governance bepaalt wat de agent met die gegevens mag doen. Maak beide concreet:

• Een eigenaar voor belangrijke gegevens. Wie houdt besteleenheden, levertijden en leveranciersblokkades bij?
• Een duidelijke grens aan bevoegdheden. Mag de agent alleen voorstellen maken of ook orders versturen?
• Een stopregel bij twijfel. Wat gebeurt er bij ontbrekende prijzen of tegenstrijdige voorraadstanden?
• Een controleerbare geschiedenis. Kun je achterhalen welke informatie tot een voorstel of actie heeft geleid?

Test die afspraken met situaties die afwijken van de normale gang van zaken. Een demonstratie met complete gegevens zegt weinig over het gedrag bij een verlopen prijsafspraak. Juist daar wil je zien of het systeem om hulp vraagt.

Je hoeft daarvoor niet eerst alle bedrijfsdata perfect te maken. Begin met één artikelgroep en laat medewerkers de bestelvoorstellen beoordelen. Registreer waarom zij correcties aanbrengen en hoeveel controlewerk overblijft. Dat geeft een bruikbaarder beeld van je AI-readiness dan de vraag of er al een AI-functie is aangeschaft.

Neem je deze toepassing mee in een softwareselectie, laat leveranciers dan hetzelfde proces demonstreren, inclusief uitzonderingen. Via onze vergelijking van ERP-software kun je onderzoeken welke systemen aansluiten op jouw bedrijfsprocessen. De doorslaggevende vraag is uiteindelijk of de software ook met de lastige gevallen uit jouw werkdag overweg kan.

Bron

SAP - Can Agentic AI Bridge the Gap with Trusted Enterprise Data? (September 2026)