Vrijwel elke inkooporganisatie is inmiddels ergens met AI aan het experimenteren. Een offerte laten samenvatten, een contract laten doorzoeken, een categorieanalyse laten maken. Het werkt verrassend goed in een demo of gratis versies, maar nu moet het geïntegreerd worden in bestaande software of werkprocessen. En dan wordt het lastig en blijft het helaas steken.
Internationaal onderzoek van Ardent Partners en Ivalua legt de vinger op de zere plek. Negentig procent van de inkooporganisaties verkent of test AI, maar slechts 23 procent krijgt het daadwerkelijk opgeschaald. De meest genoemde blokkade is niet het model, niet het budget en niet de weerstand van collega’s. Het is de data: 59% noemt de kwaliteit, beschikbaarheid of structuur van de eigen gegevens als grootste obstakel.
Waarom een demo altijd werkt
In een demo van een leverancier of een voorbeeld in de media zit de data al goed. Eén leverancier, één schone contracten set, één duidelijke vraag. Het antwoord komt binnen tien seconden en iedereen in de zaal is enthousiast.
In je eigen organisatie ziet het er waarschijnlijk anders uit. Dezelfde leverancier staat drie keer in het systeem, twee keer met een spatie te veel. Contracten staan deels in een map op de netwerkschijf, deels als bijlage in een mailbox van iemand die vorig jaar vertrokken is of liggen lekker ouderwets opgeslagen in een kast. Facturen komen binnen op afdelingsniveau en zijn niet aan een verplichting gekoppeld.
AI maakt daar geen overzicht van. AI vermenigvuldigt wat er staat.
Wat er precies misgaat
Het onderzoek is opvallend concreet over de staat van de inkoopdata. Slechts 11 procent van de organisaties werkt met één samenhangend datamodel over het hele inkoop-tot-betaalproces. Veertig procent heeft versnipperde gegevens zonder een enkele bron van waarheid, en nog eens 41 procent noemt de data wel gekoppeld, maar alleen dankzij handmatige correcties tussen systemen.
Die laatste groep is de gevaarlijkste. Het lijkt op orde. Er komt een rapportage uit. Alleen zit tussen elk systeem een collega met een spreadsheet die de verschillen wegpoetst, en die stap gaat verloren zodra je een model op de brondata loslaat.
Begin bij één categorie, niet bij het hele huis
De reflex is om eerst alles op te schonen. Dat is een project van twee jaar dat halverwege doodbloedt. Het alternatief is kleiner en levert sneller iets op. Kies één inkoopcategorie waar je genoeg volume hebt. Schoonmaak, kantoorartikelen, inhuur, het maakt niet zoveel uit. Zorg dat je voor die categorie de leveranciers uniek hebt, de contracten op één plek staan en de facturen aan een verplichting hangen. Pas daarna zet je er een analyse op. Wat we eerder schreven over de inkoopdesk als centrale bron van waarheid is hier de praktische route naartoe.
Vastleggen van verplichtingen is saai en beslissend
Er is één belangrijke stap die ook in de huidige tijd nog veel organisaties overslaan en die alles bepaalt: het formeel vastleggen en goedkeuren van verplichtingen op het moment dat je ze aangaat. Niet bij de factuur, maar bij de bestelling. Zonder die stap weet je pas achteraf wat je hebt uitgegeven. Met deze stap weet je vooraf wat er aankomt, en kun je een afwijking zien op het moment dat je er nog iets aan kunt doen. Wij schreven eerder over het vastleggen van verplichtingen en over facturen die afwijken van de afspraak. Beide artikelen gaan eigenlijk over hetzelfde: als de registratie klopt, wordt controle een kwestie van kijken.
Het proces eerst, de tool daarna
Er is niets mis met AI in inkoop. Er is ook niets mis met automatisering van het bestelproces, zoals we beschreven bij inkoop en P2P. De volgorde is alleen zelden de volgorde die de leverancier voorstelt.
Eerst weten wat je echt nodig hebt en dan bepalen wat je wilt kopen, bij wie, en tegen welke condities. Dan pas op zoek naar een tool die daar bovenop iets slims doet. Wie het andersom doet, koopt een dure zoekmachine over een rommelig archief. En over wat er in dat archief te halen valt hebben we ons al eens eerder verbaasd.
Eén kanttekening bij de cijfers hierboven. Het onderzoek is uitgevoerd samen met een bepaalde softwareleverancier, dus lees de percentages als richting en niet als exacte waarheid. Het beeld komt wel overeen met wat wij in de praktijk tegenkomen.
Bruikbare sturing met Inkoop Camp
De meeste organisaties hebben geen AI-probleem. Ze hebben een registratieprobleem dat toevallig zichtbaar wordt zodra er een model op wordt losgelaten. Met Inkoop Camp nemen wij de operationele inkoop over en brengen we tegelijk je leveranciers, contracten en bestellingen op orde. Niet als apart project, maar als bijproduct van het dagelijkse werk. Daarna kunnen we dingen verder gaan automatiseren omdat dit aantoonbare waarde heeft. Benieuwd waar jouw data nu staat? Neem contact met ons op, dan kijken we samen naar een juiste aanpak.
