Ultieme gids voor AI in inkoop: Gebruikscases en tools

Generative AI

Generatieve AI, of GenAI, is het type AI dat output kan genereren, zoals e-mails, rapporten of volledige RFP's, op basis van de gegevens waarop het is getraind. Het is een van de meest gebruikte vormen van AI in inkoop geworden en het is niet moeilijk om te zien waarom.

Bij inkoop kan GenAI:

• Stel binnen enkele minuten documenten op zoals werkomschrijvingen, briefings voor leveranciers of RFP's.
• Vat lange leveranciersvergaderingen of prestatierapporten samen zodat je ze niet hoeft door te spitten.
• Automatisch e-mails of statusupdates voor verkopers schrijven en versturen.
• Gegevens ordenen en labelen om ze later gemakkelijker te kunnen analyseren.

GenAI zorgt in wezen voor een groot deel van het schrijf- en gegevenswerk, zodat teams zich meer kunnen richten op strategisch werk.

Machinaal leren

Machine learning (ML) leert van trends uit het verleden om patronen te herkennen en voorspellingen te doen over wat er waarschijnlijk gaat gebeuren. 

In plaats van eindeloze spreadsheets door te nemen of te vertrouwen op instinct, kunnen ML-tools inkooptrends uit het verleden en prestaties van leveranciers analyseren om teams te helpen sneller beslissingen te nemen.

Als een leverancier bijvoorbeeld regelmatig te laat levert, kan ML dat patroon signaleren voordat het een groter probleem wordt. Of het kan een ongebruikelijke factuur signaleren die niet overeenkomt met het typische uitgavengedrag. Het kan ook het vervelende werk van het categoriseren van uitgaven in honderden transacties op zich nemen en dit in slechts enkele minuten voltooien. 

Hoe meer gegevens een ML-model krijgt, hoe slimmer het wordt, wat betekent dat de inzichten na verloop van tijd alleen maar beter worden.

Robotisering van processen (RPA)

RPA probeert niet slim te zijn - het is niet bedoeld om beslissingen te nemen of inzichten te ontdekken. Waar RPA echt goed in is, is het snel uitvoeren van grote volumes, op regels gebaseerde taken in verschillende systemen, zonder handmatige invoer. 

Als kernonderdeel van de automatisering van bedrijfsprocessen zorgt RPA voor zaken als gegevensinvoer, het matchen van facturen en orderverwerking zonder dat handmatige invoer nodig is.

Het klinkt misschien niet geweldig, maar door die routineklussen uit de weg te ruimen, kunnen teams zich richten op de meer strategische onderdelen van inkoop. Het gaat erom alles soepeler te laten verlopen en minder afhankelijk te maken van handmatige invoer.

Natuurlijke taalverwerking (NLP)

NLP helpt computers om menselijke taal te begrijpen en te begrijpen - wat handig is bij het verwerken van veel tekst, zoals contracten, e-mails of RFP-reacties.

In een inkoopcontext kunnen NLP-tools:

• Belangrijke voorwaarden uit contracten halen
• Feedback van leveranciers of online beoordelingen analyseren op toon en sentiment
• Belangrijke informatie uit facturen of kwitanties halen en deze omzetten in gestructureerde gegevens
• Help chatbots aan te sturen die veelvoorkomende inkoopvragen beantwoorden

NLP is vaak ingebouwd in platforms zoals software voor uitgavenanalyse en documentverwerkingssystemen. Teams kunnen ook API's zoals AWS Comprehend of Google Cloud Natural Language gebruiken om het in hun workflows te pluggen. 

Hoewel het concept misschien complex klinkt, is het toepassen ervan vaak zo simpel als het inschakelen van een functie in tools die teams al gebruiken.

Agentschappelijke AI

Agentic AI is de nieuwste technologie. 

Agentische AI verwijst naar systemen die autonoom kunnen plannen, actie ondernemen en zich aanpassen op basis van doelen of veranderende omstandigheden zonder dat ze voor elke taak stapsgewijze instructies nodig hebben. 

Ondertussen gaan AI-agenten bij inkoop verder dan alleen waarschuwingen sturen. Ze kunnen de impact van een overstap op de kosten of tijdlijn simuleren en zelfs volgende stappen initiëren, zoals het opstellen van een inkooporder of het bijwerken van leveranciersgegevens. 

Dit ontsluit agentic AI workflows: dynamische processen waarbij AI-agenten niet alleen inzichten aan het licht brengen, maar ook vervolgacties ondernemen in verschillende systemen. Een agent kan bijvoorbeeld een voorraadrisico detecteren, de impact van alternatieve leveranciers simuleren en een inkooporder initiëren, allemaal in één gecoördineerde flow.

Wanneer ze verbonden zijn met de juiste gegevens en tools - zoals leveranciersdatabases of voorraadbeheertools - kunnen deze agents semi-autonoom handelen binnen gedefinieerde parameters, waardoor teams sneller kunnen werken met minder handmatige coördinatie.

Workflows stroomlijnen

AI-tools zoals RPA en ML-gestuurde workflow-engines stroomlijnen repetitieve taken op grote schaal, waardoor teams zich kunnen richten op strategisch werk.

RPA kan bijvoorbeeld aanvraagformulieren automatisch invullen door gegevens uit catalogussystemen te halen, leveranciersgegevens valideren aan de hand van stamgegevens en aanvragen routeren naar de juiste goedkeurders op basis van kostenplaats, uitgavenlimieten en urgentie, allemaal zonder menselijke invoer.

Fouten minimaliseren

Hoe handwerkelijker een proces is, hoe groter de kans dat er iets over het hoofd wordt gezien, vooral onder druk. 

AI helpt door real-time validatie en detectie van afwijkingen in de hele workflow te introduceren. 

Stel je voor dat je een factuur indient die niet helemaal overeenkomt met de oorspronkelijke inkooporder. In plaats van dat iemand dat moet opmerken tijdens een handmatige controle, markeert een machine learning-model de discrepantie onmiddellijk. 

Of het nu gaat om het opsporen van dubbele invoer of het signaleren van iets dat er niet helemaal goed uitziet, AI zorgt voor consistentie en nauwkeurigheid bij het soort werk dat gemakkelijk kan worden verprutst wanneer teams snel te werk gaan.

Kosten verlagen

AI verlaagt de kosten niet alleen door terugkerende taken te automatiseren, maar ook door de besluitvorming te verbeteren en verborgen inefficiënties op te sporen. 

AI-agenten kunnen bijvoorbeeld de kosten-baten berekenen van het vroeg betalen van een leverancier in ruil voor een korting van 2% en vervolgens automatisch de beste kansen laten zien. 

Organisaties die AI gebruiken voor geavanceerde uitgavenanalyses hebben tot 10% aan totale kostenbesparingen gerealiseerd door hun inkoopstrategieën aan te scherpen en het weglekken van waarde te verminderen.

Schaalvergroting zonder groeipijnen

Naarmate inkoopactiviteiten zich uitbreiden, nemen de complexiteit en het datavolume toe, maar AI helpt teams beide te beheren zonder extra personeel aan te nemen. 

Van het automatiseren van gegevensconsolidatie tot het stroomlijnen van contractanalyse en zichtbaarheid van uitgaven, AI maakt slimmere groei mogelijk met minder groeipijnen.

Anticiperen op risico's

Inkoop is van nature reactief. AI keert dat om door teams vroegtijdig te waarschuwen en aanbevelingen te geven voordat het misgaat.

Deze vooruitziende blik wordt steeds belangrijker. In feite noemt 70% van de inkoopmanagers een toenemend leveranciersrisico als hun grootste zorg en AI wordt hun hulpmiddel.

AI-modellen scannen interne gegevens (zoals leveringsproblemen en naleving van contracten) naast externe signalen (kredietscores, ESG-ratings, nieuws) om actuele risicoscores te genereren en teams te helpen handelen voordat problemen escaleren.

1. Slimmere prognoses en kostenbeheersing

Machine learning helpt teams om de vraag te voorspellen door te leren van inkooppatronen uit het verleden en de prestaties van leveranciers. Het kan voorspellen wanneer er bijbesteld moet worden en hoeveel er ingekocht moet worden, rekening houdend met zaken als vertragingen, prijsverschuivingen en zelfs externe factoren zoals het weer.

ML-algoritmen analyseren grote hoeveelheden historische inkoopgegevens en externe gegevens zoals grondstofprijzen, vertragingen bij verzending, inflatie en zelfs weersvoorspellingen. Samen vormt dit een model dat toekomstige inkoopbehoeften kan voorspellen, vaak tot op SKU-niveau.

Stel bijvoorbeeld dat een plotselinge vertraging in de haven overlapt met een stijging in de vraag naar bepaalde verpakkingsmaterialen. Een ML-model kan het opkomende patroon detecteren voordat het duidelijk is en aanbevelen om eerder te bestellen of over te schakelen naar een andere leverancier.

ML-modellen volgen ook real-time gegevens zoals verschuivingen in marktprijzen. Als de grondstofkosten beginnen te stijgen, kan het systeem voorstellen om opnieuw te onderhandelen over contracten of om sneller in te kopen om lagere tarieven vast te zetten.

Met deze voorspellingen kunnen teams:

• Vermijd te veel of te weinig bestellingen.
• Optimaliseer de voorraadkosten.
• Pas sourcingstrategieën aan voordat problemen de bedrijfsvoering beïnvloeden.
• Neem budgetbeslissingen met actuele, bruikbare inzichten.

2. Sourcing en gegevenstaken automatiseren

Handmatige taken zoals het onderzoeken van leveranciers, het opstellen van RFP's en het invoeren van gegevens kosten veel tijd. 

AI helpt deze taken te stroomlijnen door leveranciersprofielen uit meerdere bronnen te halen, RFP-sjablonen automatisch in te vullen en belangrijke gegevens in verschillende systemen te synchroniseren zonder handmatige invoer. Op deze manier kunnen inkoopteams de cyclustijden verkorten en hun aandacht richten op meer strategisch werk, zoals het verbeteren van de relaties met leveranciers of het analyseren van prestaties. 

MTN Group bouwde een platform genaamd Procurement Cockpit dat inkoopgegevens uit hun hele organisatie haalt. In plaats van te jongleren met verschillende systemen of op zoek te gaan naar informatie, krijgen hun teams een duidelijk, real-time overzicht van inkoopactiviteiten, leveranciersprestaties en uitgaven.

Het is een slimme manier om georganiseerd te blijven en tijd te besparen. En het heeft zijn vruchten afgeworpen: MTN's gebruik van AI-gestuurde automatisering heeft hen erkenning in de sector opgeleverd.

3. Inkooporders stroomlijnen

Laten we eerlijk zijn. PO's handmatig beheren is traag, gevoelig voor fouten en gewoonweg vervelend. 

AI agents kunnen belangrijke stappen in de inkoopworkflow automatiseren, van het aanmaken van inkooporders tot het volgen van zendingen en het afhandelen van uitzonderingen. In plaats van alleen maar problemen te signaleren, ondernemen ze ook actie, zoals het nabestellen bij reserveleveranciers of het escaleren van vertragingen voor herziening.

Als er bijvoorbeeld een inkoopaanvraag wordt ingediend, kan een AI-agent deze controleren aan de hand van goedgekeurde leveranciers en prijzen en de inkooporder automatisch invullen. Vervolgens wordt de bestelling verzonden en worden de leveringsschema's bijgewerkt. 

Als er een conflict is, zoals een probleem met de doorlooptijd, kan het systeem alternatieven voorstellen op basis van gegevens uit het verleden. Dashboards houden belanghebbenden op de hoogte, terwijl het systeem facturen en ontvangsten automatisch matcht en discrepanties markeert voor controle.

4. AI-assistenten voor inkoopteams

AI-assistenten in inkoop zijn tools die teams ondersteunen door routinematige, tijdrovende taken over te nemen. Ze werken naast bestaande systemen om de besluitvorming te versnellen en handmatige inspanningen in dagelijkse processen te verminderen.

Ze vervangen menselijke expertise niet, maar AI-assistenten helpen teams wel om sneller en slimmer te werken.

Zycus biedt Merlin Intake, een AI-assistent die gebruikers helpt bij het aanmaken en volgen van aankoopaanvragen. Het begeleidt gebruikers door het aankoopproces en beantwoordt onderweg vragen, waardoor het heen-en-weer geloop wordt verminderd.

5. Intelligente uitgavenanalyse

Inkoopteams hebben vaak moeite om te begrijpen waar het geld naartoe gaat, vooral met gegevens die verspreid zijn over ERP- en P2P-systemen. Als gegevens verspreid zijn over ERP- en P2P-systemen, kan het lastig zijn om te begrijpen waar elke dollar naartoe gaat.

AI-tools kunnen gegevens automatisch opschonen en classificeren, waardoor teams een eenduidig en nauwkeurig beeld van uitgaven krijgen. Machine learning-algoritmes detecteren afwijkingen en brengen besparingsmogelijkheden aan het licht die traditionele tools vaak over het hoofd zien.

AI kan bijvoorbeeld herhaalde aankopen bij meerdere leveranciers identificeren die geconsolideerd kunnen worden voor kwantumkortingen, of ongebruikelijke pieken in uitgaven binnen een categorie aanwijzen die herzien moeten worden.

Dit niveau van inzicht helpt teams:

• Verbeter de zichtbaarheid van uitgaven binnen categorieën en leveranciers
• Niet-conforme of afwijkende uitgaven detecteren
• Mogelijkheden voor bundeling of heronderhandeling identificeren
• Beter geïnformeerde budgetterings- en inkoopbeslissingen nemen

6. Risicobeheer leveranciers

Leveranciersrisico's zijn een groeiende zorg en AI maakt het beheren ervan proactiever dan ooit.

Modellen voor machinaal leren scannen continu interne signalen zoals contractschendingen en factuurverschillen, naast externe indicatoren zoals kredietscores, ESG-ratings, geopolitieke gebeurtenissen en wereldnieuws.

AI synthetiseert dit vervolgens in realtime risicoscores, zodat inkoopteams prioriteit kunnen geven aan leveranciers op basis van blootstelling en betrouwbaarheid. Sommige tools kunnen zelfs verstoringsscenario's voor de toeleveringsketen simuleren om strategieën voor risicobeperking te begeleiden.

Met het AI-platform van Resilinc kunnen bedrijven bijvoorbeeld potentiële vertragingen voorspellen door factoren zoals de prestaties van leveranciers en externe gebeurtenissen te analyseren. Met behulp van het platform van Resilinc kunnen bedrijven anticiperen op verstoringen, zoals een tyfoon in China, voordat ze zich voordoen. Het systeem waarschuwt teams van tevoren, zodat ze zendingen kunnen omleiden en mogelijk omzetverlies kunnen voorkomen.

7. Contract Intelligentie

Inkoopcontracten zitten boordevol kritieke informatie, maar het handmatig bekijken en beheren ervan is tijdrovend.

NLP-tools, zoals LLM , kunnen bijvoorbeeld belangrijke termen zoals betalingsclausules en SLA's uit duizenden contracten halen en deze in kaart brengen met nalevingskaders.

Stel dat je team 500 leverancierscontracten moet beoordelen voor het einde van het jaar. In plaats van ze stuk voor stuk handmatig door te nemen, scant een AI-systeem de documenten in enkele minuten, markeert contracten met aflopende looptijden, markeert de ontbrekende gegevensbeschermingsclausules en groepeert gelijksoortige overeenkomsten zodat ze gemakkelijker kunnen worden beoordeeld. 

8. Dynamische afstemming tussen leveranciers

Het vinden van de juiste leverancier was vroeger sterk afhankelijk van statische leverancierslijsten of handmatig onderzoek. AI verandert dat door leveranciers aan te bevelen op basis van prestatiegeschiedenis, certificeringen, prijzen en huidige capaciteit.

Met behulp van machine learning evalueert het systeem zowel gestructureerde als ongestructureerde gegevens om de meest geschikte leveranciers voor een specifieke behoefte of regio voor te stellen. 

Inkoopteams kunnen nu:

• Sneller de ideale leveranciers selecteren
• Werven bij leveranciers die voldoen aan kwaliteits-, kosten- en ESG-doelstellingen
• Verkort de inwerktijd en verbeter de sourcingflexibiliteit

1. Stel duidelijke doelen

Gebruik AI niet alleen omdat het innovatief klinkt. Weet precies welk probleem je probeert op te lossen.

Wil je inkooporders automatiseren? De classificatie van uitgaven verbeteren? Leveringsrisico's voorspellen?

Elk van deze doelen vereist andere tools, datamodellen en integraties. Zo kan het automatiseren van inkooporders betekenen dat er gebruik wordt gemaakt van RPA, terwijl het verbeteren van prognoses kan berusten op ML. 

Zonder een duidelijk doel loop je het risico dat je een dure tool bouwt die niets oplost. Begin met het pijnpunt en laat dat de leidraad zijn voor je AI-implementatie.

2. Kies een platform

Als je je doelen hebt gesteld, zoek dan de hulpmiddelen die ze ondersteunen. 

Begin met wat je al gebruikt. Veel ERP's en inkoopplatforms bieden nu ingebouwde AI-functies zoals uitgavenclassificatie of contractanalyse. Als je meer specifieke behoeften hebt, kijk dan naar standalone tools, maar zorg ervoor dat ze goed integreren met je stack. 

Het beste platform is het platform dat werkt met wat je hebt en dat meegroeit met je groei.

3. Bereid uw gegevens voor

AI is net zo slim als de gegevens die je erin stopt.

Maak voordat je begint een inventarisatie van wat je hebt. Ruim rommelige gegevens op, consolideer informatie die over verschillende systemen is verspreid en pas een sterk gegevensbeheer toe. Dat betekent het standaardiseren van formaten en het valideren van nauwkeurigheid.

Inkoopteams hebben geen perfecte gegevens nodig, maar wel bruikbare gegevens. Zie dit als het voorbereiden van de grond voordat je gaat planten.

4. Breng uw oplossing tot leven 

Zodra je doelen en platform duidelijk zijn en je gegevens klaar zijn, is het tijd om je oplossing tot bloei te brengen.

Voor de meeste inkoopteams betekent dit niet dat ze AI-tools vanaf nul moeten opbouwen. Het betekent samenwerken met een leverancier, partner of intern IT-team om een tool te configureren en in te zetten die past bij de use case.

Kies de aanpak die past bij de capaciteiten van je team en de complexiteit van je doel.

5. Stel je team in staat

Zelfs de beste AI-tool zal geen resultaten opleveren als het team niet weet hoe deze te gebruiken of er geen vertrouwen in heeft.

Maak, zodra de oplossing live is, tijd vrij voor onboarding en adoptie. Werk samen met de leverancier of implementatiepartner om het team te trainen in use cases en stem de training af op hoe inkoopprofessionals daadwerkelijk werken - niet alleen op hoe de tool werkt.

Creëer ruimte voor praktijkoefeningen, documenteer veelgebruikte werkstromen en houd de feedbackstroom open. 

De technologie kan geen resultaten opleveren als niemand weet hoe ze te gebruiken.

6. Evalueren en itereren

Stel het niet in en vergeet het niet.

Volg de impact van je AI-tools aan de hand van duidelijke meetgegevens zoals cyclustijdverkorting, gegenereerde besparingen of vermeden risico-incidenten. 

Als chatbots deel uitmaken van de uitrol, kijk dan naar chatbotanalyses om te begrijpen hoe ze worden gebruikt, waar ze effectief zijn en waar ze wrijving kunnen veroorzaken. Het meten van de ROI van chatbots is vooral belangrijk om de investering te rechtvaardigen en toekomstige verbeteringen te sturen.

En praat met je gebruikers. Wat werkt er? Wat is onhandig? 

AI-systemen worden na verloop van tijd beter, maar alleen als je ze blijft verfijnen. De beste implementaties evolueren met het gebruik in de echte wereld.

Hoe duur is het om AI-tools te implementeren in inkoop?

De kosten voor het implementeren van AI-tools bij inkoop lopen sterk uiteen: AI-functies op instapniveau in bestaande platforms kosten misschien maar een paar honderd dollars per maand, terwijl enterprise-grade oplossingen zoals geavanceerde uitgavenanalyses of autonome agents jaarlijks in de zes cijfers kunnen lopen. De totale kosten zijn afhankelijk van de complexiteit van de workflows en of je kant-en-klare oplossingen gebruikt of AI-mogelijkheden op maat bouwt.

Zijn er risico's of nadelen aan het gebruik van AI bij inkoop?

Er zijn risico's verbonden aan het gebruik van AI bij inkoop, zoals slechte besluitvorming als de gegevens onvolledig of onjuist zijn, potentiële vendor lock-in met propriëtaire AI-systemen en nalevingsproblemen als gevoelige gegevens niet goed beveiligd zijn. Bovendien kunnen AI-tools soms fouten of onverwachte resultaten opleveren, waardoor menselijk toezicht nodig is om problemen op te sporen voordat ze escaleren tot kostbare fouten.

Vervangen AI-tools in inkoop banen, of veranderen ze alleen de manier waarop mensen werken?

AI-tools voor inkoop elimineren over het algemeen geen banen, maar veranderen de manier waarop mensen werken door repetitieve taken zoals gegevensinvoer, het matchen van facturen of het categoriseren van uitgaven te automatiseren, zodat inkoopprofessionals zich kunnen richten op strategische activiteiten zoals relaties met leveranciers, onderhandelingen en risicobeheer. Rollen kunnen echter verschuiven naar meer analytische of technische vaardigheden naarmate AI wordt ingebed in de dagelijkse workflows.

Kunnen kleine bedrijven profiteren van AI bij inkoop, of is het vooral iets voor grote bedrijven?

Kleine bedrijven kunnen absoluut profiteren van AI bij inkoop, vooral via betaalbare SaaS-tools die functies bieden zoals geautomatiseerde documentverwerking, het matchen van leveranciers of basisuitgavenanalyses zonder grote investeringen vooraf. Terwijl grote bedrijven vaak complexere AI-oplossingen op maat implementeren, kunnen kleinere bedrijven nog steeds aanzienlijke tijdbesparingen en betere besluitvorming realiseren met lichtere, cloudgebaseerde AI-tools.

Welke vaardigheden hebben inkoopteams nodig om met AI-tools te werken?

Inkoopteams hoeven niet per se programmeurs te zijn om met AI-tools te kunnen werken, maar ze hebben wel datageletterdheid nodig om te begrijpen hoe AI-modellen werken en om problemen met de datakwaliteit te identificeren. Bekendheid met analysetools en vertrouwdheid met digitale platforms zijn essentieel, net als het vermogen om samen te werken met IT om AI-oplossingen te integreren in inkoopworkflows.