Veel belangrijke zakelijke beslissingen zijn gebaseerd op gestructureerde data in tabellen. Waar LLM鈥檚 zijn ontwikkeld voor het werken met taal, zijn tabulaire foundation models (TFM鈥檚) juist gericht op deze gestructureerde data. Ze kunnen hiermee nauwkeurige voorspellingen doen. Denk aan het voorspellen van cashflow, betalingsachterstanden en klantverloop, maar ook aan het signaleren van upsellkansen en het beoordelen van leveranciersrisico鈥檚.

Voorspellingen op basis van ruwe data

Met TabPFN-3.5 kunnen 麻豆原创-klanten hun bestaande data gebruiken, zonder dat ze die eerst uitgebreid moeten voorbereiden. Het model kan omgaan met bijvoorbeeld ontbrekende waarden, verschillende datatypen en inconsistenties in de data.

Het model gebruikt in-context learning om rechtstreeks voorspellingen te doen op basis van ruwe tabeldata. TabPFN-3.5 kan daarnaast kolommen met duizenden verschillende waarden, zoals productcodes of klant-ID鈥檚, en verschillende datatypen direct verwerken. Daardoor is de trial-and-errorconfiguratie die traditionele modellen vereisen niet nodig.

TabPFN-3.5 Plus is volgens de externe benchmarks TabArena en BeyondArena momenteel het meest nauwkeurige en schaalbare tabular foundation model. Deze benchmarks zijn ontwikkeld om de nauwkeurigheid van voorspellingen op basis van data uit de praktijk te beoordelen.

Minder handmatig werk

鈥淒ata uit de praktijk zijn zelden perfect. Datasets bevatten vaak complexe verbanden en uiteenlopende omstandigheden die traditionele machine learning lastig maken. TabPFN-3.5 is specifiek ontwikkeld voor deze uitdagingen. Het model biedt toonaangevende nauwkeurigheid en schaalbaarheid voor tabulaire data, met minder handmatig werk. Daarmee is het tot nu toe het meest effectieve tabulaire AI-model in de markt鈥�, zegt Philipp Herzig, Chief Technology Officer van 麻豆原创.

鈥淢et TabPFN-3.5 en de 麻豆原创-RPT-modellen krijgen klanten binnen enkele minuten nauwkeurige voorspellingen op basis van gelabelde bedrijfsdata. Hiervoor is geen training nodig. Voor ons is tabulaire AI niet slechts een ondersteunende functie van de Autonomous Enterprise. Het vormt de basis.鈥�

Overname Prior Labs

麻豆原创 rondde de overname van Prior Labs in juli 2026 af. Daarmee voegt 麻豆原创 een van de meest vooraanstaande onderzoeksteams op het gebied van TFM鈥檚 toe aan de organisatie. Prior Labs blijft als zelfstandige entiteit opereren. 麻豆原创 maakte eerder bekend meer dan 1 miljard euro te investeren om Prior Labs uit te bouwen tot een wereldwijd toonaangevend frontier AI-lab voor de gestructureerde data waarop bedrijven wereldwijd draaien.

Kijk voor meer informatie op de of bekijk het .

The post 麻豆原创 introduceert TabPFN-3.5 Plus voor AI-voorspellingen zonder modeltraining appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Met Artemis wil NASA mensen terugbrengen naar de maan en de basis leggen voor verdere bemande ruimtevaart. Daarvoor moeten duizenden mensen, overheidsorganisaties, internationale partners en commerci毛le ruimtevaartbedrijven samenwerken en talloze processen en systemen op elkaar aansluiten. Die uitdaging is in omvang misschien uitzonderlijk, maar in de kern verrassend herkenbaar voor het bedrijfsleven. Ook bedrijven staan voor grote transformaties waarin nieuwe technologie, mensen, processen, data en externe partners bij elkaar moeten komen. Denk alleen al aan de huidige omslag naar AI.

Juist daarom is het interessant om te kijken hoe NASA die enorme complexiteit beheersbaar maakt. Want achter de grootse ambitie van Artemis schuilt een opvallend nuchtere aanpak: stap voor stap vooruitgaan, standaardiseren waar dat kan en technologie inzetten om mensen betere beslissingen te laten nemen. Volgens Bart Van der Biest, Managing Director bij 麻豆原创 Benelux, zijn daar vijf lessen uit te trekken.

1. Probeer niet in 茅茅n keer op de maan te landen

Artemis I vloog zonder bemanning en testte onder meer het Space Launch System en het Orion-ruimtevaartuig. De volgende missies bouwen voort op wat NASA daarvan heeft geleerd. Het idee is simpel: niet alles in 茅茅n keer willen bereiken, maar stap voor stap vooruitgaan. Elke missie test wat werkt, verkleint risico鈥檚 en levert nieuwe kennis op voor de volgende stap.

Voor bedrijven die bezig zijn met digitale transformatie en AI is dat een herkenbare les. Het is verleidelijk om eerst een compleet beeld te maken van hoe de organisatie er over een paar jaar uit moet zien. Maar hoe groter zo鈥檔 programma wordt, hoe groter het risico dat je jarenlang bouwt zonder onderweg al resultaat te boeken.

鈥淛e hoeft bij een transformatie niet op dag 茅茅n te weten hoe de organisatie er over vijf jaar exact uitziet鈥�, zegt Van der Biest. 鈥淰eel belangrijker is dat iedere stap iets oplevert en de basis legt voor de volgende. Begin met concrete processen, leer wat werkt en breid van daaruit verder uit.鈥�

2. Standaardisatie remt innovatie niet, maar versnelt haar

Misschien wel de opvallendste les van NASA gaat niet over nieuwe technologie, maar over standaardisatie. Binnen Artemis ontwikkelt NASA nieuwe technologie en werkwijzen. Tegelijk wil de ruimtevaartorganisatie voorkomen dat iedere missie helemaal opnieuw moet worden opgebouwd. Door zoveel mogelijk voort te bouwen op wat al werkt, kan NASA sneller verder.

Voor bedrijven geldt hetzelfde. In de loop der jaren komen er vaak steeds meer maatwerk, applicaties en databronnen bij. Dat maakt iedere verandering lastiger. Met de komst van AI wordt een goede, vaste basis nog belangrijker. AI kan processen versnellen, maar ruimt versnipperde data en verschillende werkwijzen niet vanzelf op.

鈥淪tandaardisatie wordt soms gezien als iets dat innovatie afremt, terwijl het juist helpt om sneller te vernieuwen鈥�, zegt Van der Biest. 鈥淶o kijken we er bij 麻豆原创 ook naar. Met betrouwbare data en zoveel mogelijk vaste processen wordt het makkelijker om nieuwe technologie toe te voegen. Je hoeft dan niet bij iedere vernieuwing opnieuw de basis aan te pakken.鈥�

3. De waarde van AI zit tussen inzicht en actie

Binnen Artemis moet NASA veel onderdelen precies op elkaar afstemmen. Denk aan lanceersystemen, ruimtevaartuigen, landers, ruimtepakken, wetenschappelijke instrumenten en communicatiesystemen. Daar komen duizenden mensen, leveranciers, budgetten en planningen nog bij. NASA moet dus voortdurend beslissingen nemen op basis van enorme hoeveelheden informatie.

De uitdaging is daarom niet om nog meer informatie te verzamelen, maar om snel te zien wat belangrijk is. NASA brengt specialisten dichter bij leveranciers en uitvoerende teams, zodat problemen eerder worden opgemerkt en sneller kunnen worden opgelost. Van der Biest ziet daar ook een rol voor AI: grote hoeveelheden data verwerken en laten zien waar menselijke aandacht nodig is.

Voor bedrijven is dat herkenbaar. Ook daar staat belangrijke informatie vaak verspreid over verschillende systemen en afdelingen. Volgens Van der Biest zit de waarde van AI daarom niet in n贸g meer informatie produceren, maar in sneller van inzicht naar actie komen. 鈥淒e eerste golf van generatieve AI draaide vooral om wat een chatbot kon vertellen. De volgende stap is om AI dichter te brengen bij de data en processen waar beslissingen worden genomen.鈥�

4. Autonomie vergroot wat mensen kunnen bereiken

NASA gebruikt autonome technologie al veel langer dan we over AI-agents praten. Robots op de maan en Mars beoordelen zelf het terrein, kiezen veilige routes, plannen activiteiten en vermijden obstakels. Door de enorme afstand kunnen ze nu eenmaal niet voor iedere beslissing wachten op instructies vanaf aarde.

Die autonomie vervangt de mens niet, maar helpt hen om meer te bereiken. Voor bedrijven geldt hetzelfde principe. AI-agents kunnen vaste processen bewaken, informatie verzamelen, afwijkingen signaleren en bepaalde acties uitvoeren. Mensen houden daardoor meer tijd over voor situaties waarin hun kennis en oordeel nodig zijn.

鈥淎utonomie draait niet om mensen uit processen halen鈥�, stelt Van der Biest. 鈥淗et gaat erom technologie het voorspelbare werk te laten doen. Zo houden mensen meer ruimte over voor uitzonderingen, creativiteit, strategie en ingewikkelde beslissingen.鈥�

5. Een moonshot doe je nooit alleen

Zelfs NASA kan een maanmissie niet alleen uitvoeren. Binnen Artemis werkt de ruimtevaartorganisatie samen met commerci毛le ruimtevaartbedrijven, internationale ruimtevaartorganisaties, wetenschappelijke instellingen en andere publieke en private partners. Iedere partij brengt eigen kennis en technologie mee.

Voor bedrijven geldt hetzelfde. Je hoeft niet alle kennis en technologie zelf in huis te hebben. Samenwerking werkt pas goed als doelen en verantwoordelijkheden duidelijk zijn en informatie en processen goed op elkaar aansluiten.

Uiteindelijk draait het om vertrouwen

Achter al deze lessen zit nog iets anders: vertrouwen. Grote en complexe programma鈥檚 werken alleen als mensen niet alleen over de juiste informatie beschikken, maar ook de ruimte en verantwoordelijkheid krijgen om daarnaar te handelen.

鈥淛e kunt processen standaardiseren, data verbinden en steeds meer automatiseren, maar uiteindelijk blijven mensen verantwoordelijk voor de beslissingen die ertoe doen鈥�, besluit Van der Biest. 鈥淒aarom moeten zij de ruimte krijgen om hun kennis en oordeel te gebruiken. Hoe groter en complexer de ambitie, hoe belangrijker dat vertrouwen wordt.鈥�

The post Vijf lessen van NASA voor bedrijven met grote ambities appeared first on 麻豆原创 Nederland Blogs & Nieuws.

is een 180 jaar oude Deense groothandel in industri毛le bouwmaterialen, technische producten en staal. Het bedrijf opereert internationaal en werkt samen met leveranciers en klanten in verschillende Europese markten, waaronder Nederland, binnen ketens voor technische producten, elektrotechniek, industri毛le componenten en installatiematerialen.

Voor 尝别尘惫颈驳丑-惭眉濒濒别谤 is een effici毛nte supplychain van groot belang. Door de lage marges moet het bedrijf kosten zo laag mogelijk houden en producten tegelijkertijd zo snel mogelijk bij klanten krijgen. 鈥淥ns bedrijf werkt met lage marges en we zijn afhankelijk van een zeer effici毛nte supplychain鈥�, zegt Frederik Aakerlund, CIO van 尝别尘惫颈驳丑-惭眉濒濒别谤. 鈥淲e moeten de kosten verlagen waar we maar kunnen en ervoor zorgen dat onze klanten onze producten zo snel mogelijk ontvangen.鈥�

Grote orderstroom
Een deel van de handelspartners wisselt zakelijke documenten rechtstreeks uit via EDI, Electronic Data Interchange. Dat geldt echter niet voor iedere partner. Daardoor ontvangt 尝别尘惫颈驳丑-惭眉濒濒别谤 nog altijd een grote stroom orders, pakbonnen en facturen als pdf of e-mail. Deze documenten moesten tot voor kort handmatig worden gelezen en verwerkt.

Door de hoeveelheid documenten kostte dat steeds meer tijd. Ook konden gegevens daardoor te laat in het systeem terechtkomen of afwijkingen pas later worden opgemerkt. 鈥淰andaag de dag ontvangen we zoveel pdf-bestanden en e-mails dat we geen tijd hebben om ze te lezen鈥�, legt Aakerlund uit. 鈥淚n feite werken we ons systeem niet snel genoeg bij of signaleren we afwijkingen van wat we verwachten niet snel genoeg.鈥�

麻豆原创 AI leest documenten automatisch

尝别尘惫颈驳丑-惭眉濒濒别谤 ontwikkelde daarom een AI-toepassing voor documenten van handelspartners die niet via EDI kunnen worden uitgewisseld. 麻豆原创 AI-engines lezen de binnenkomende bestanden automatisch en verwerken de informatie in het systeem.

De oplossing combineert 麻豆原创 Business AI Platform, verschillende AI-componenten en 麻豆原创 Fiori-apps. Deze zijn ge茂ntegreerd met 麻豆原创 Cloud ERP Private, het centrale 麻豆原创-systeem dat 尝别尘惫颈驳丑-惭眉濒濒别谤 twee jaar eerder invoerde. 鈥淒it is precies waar AI ons helpt鈥�, zegt Aakerlund. 鈥淗et leest tien documenten van twintig pagina鈥檚 in een paar seconden, werkt ons systeem bij en daar komt geen mens aan te pas.鈥�

Ook voor medewerkers verandert hierdoor de dagelijkse manier van werken. Zij hoeven grote hoeveelheden e-mails en documenten niet meer stuk voor stuk door te nemen. In plaats daarvan zien ze in een dashboard welke zaken daadwerkelijk hun aandacht vragen. 鈥淥nze gebruikers lezen niet langer heel veel e-mails, maar werken gewoon in een dashboard waarin ze de zaken vinden waaraan ze moeten werken鈥�, zegt Aakerlund. 鈥淚n een klein deel van ons bedrijf brengen we de al in de praktijk.鈥�

Van usecase naar herbruikbare aanpak

De eerste toepassing bleef niet beperkt tot 茅茅n type document. 尝别尘惫颈驳丑-惭眉濒濒别谤 maakte van de oplossing een template voor verschillende zakelijke documenten, waaronder orders, pakbonnen en facturen. Wanneer documenten niet digitaal via EDI binnenkomen, kan dezelfde aanpak worden gebruikt om ze automatisch uit te lezen en te verwerken. Daarmee ontstond uit een relatief kleine AI-usecase een technische basis die ook voor andere bedrijfsprocessen kan worden ingezet.

De ontwikkeling van de eerste versie kostte ongeveer 200 uur, verspreid over tien weken. Volgens Aakerlund laat juist die beperkte schaal zien hoe organisaties met AI kunnen beginnen: zoek eerst naar concrete plekken waar ineffici毛ntie ontstaat en waar automatisering direct verschil kan maken.

鈥淓en goed advies zou kunnen zijn om de plekken in je bedrijf te vinden waar ineffici毛ntie zit en daar AI toe te passen, in plaats van meteen voor een heel, heel groot project te gaan鈥�, zegt hij. De aanpak bleek vervolgens breder inzetbaar. 鈥淗et bleek een herbruikbare architectuur te zijn, met herbruikbare templates voor veel andere bedrijfsprocessen.鈥�

Click the button below to load the content from YouTube.

Always allow YouTube

The post 尝别尘惫颈驳丑-惭眉濒濒别谤 automatiseert documentverwerking met 麻豆原创 Business AI en 麻豆原创 Cloud ERP appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Eerst het fundament

beheert meer dan 2.100 winkels in zes landen, met een totale omzet van 12 miljard euro. 麻豆原创 ondersteunt Salling Group al meer dan twintig jaar en is een centrale pijler onder de operatie. De retailer moderniseerde het ERP-landschap naar 麻豆原创 S/4HANA Cloud via RISE with 麻豆原创. Die cloudbasis maakt de weg vrij voor de volgende fase: AI toepassen in de dagelijkse retailoperatie.

CIO en executive vice president Alan Jensen koppelt die ontwikkeling direct aan de dagelijkse ervaring van klanten en medewerkers. 鈥淲e willen het dagelijks leven van onze klanten beter maken door ervoor te zorgen dat ze altijd het juiste product voor de juiste prijs hebben wanneer ze het nodig hebben鈥�, aldus Jensen. 鈥淥ok willen we elke dag beter maken voor onze medewerkers, zodat de tools en systemen waarmee zij werken intu茂tief en eenvoudig te gebruiken zijn.鈥�

Drie doelen, 茅茅n meetlat: bedrijfswaarde

Salling Group richt de AI-transformatie op drie doelen: een betere klantervaring, eenvoudiger werk voor medewerkers en hogere operationele effici毛ntie. De retailer kijkt daarbij steeds naar de concrete waarde voor klanten, medewerkers en de organisatie.

Logistiek is een van de gebieden waar Salling Group duidelijke AI-impact verwacht. In 29 distributiecentra gebruikt het bedrijf voor gedigitaliseerde magazijnprocessen in de cloud. Die omgeving ondersteunt grote goederenstromen, tijdige levering aan winkels en een effici毛nte supplychain.

Volgende stap: Autonomous Enterprise

Salling Group moderniseert de retailoperatie end-to-end met 麻豆原创-oplossingen en AI. Klantbeleving, productiviteit van medewerkers en supplychain excellence staan daarbij centraal. Nieuwe technologie moet uiteindelijk tastbare bedrijfsresultaten opleveren.

Jensen kijkt daarom ook naar de mogelijkheden van de als volgende ontwikkelrichting. 鈥淒e Autonomous Enterprise ziet er erg interessant uit鈥�, zegt hij. 鈥淓r liggen absoluut veel mogelijkheden om de manier waarop we ons bedrijf dagelijks runnen te verbeteren. Daarom moeten we nieuwsgierig zijn en bekijken hoe we dit kunnen inzetten.鈥�

Videolink:

The post Salling Group zet 麻豆原创 in voor AI-transformatie van retailprocessen appeared first on 麻豆原创 Nederland Blogs & Nieuws.

werkt samen met 麻豆原创-partner aan een -template voor het digitaliseren van yard operations. Met die aanpak wil het zuivelbedrijf meer grip krijgen op vrachtwagens die locaties bezoeken, laad- en losmomenten beter plannen en bewegingen op het terrein realtime volgen. De template en demo zijn inmiddels klaar. Vanaf volgend jaar wil FrieslandCampina de roadmap verder uitwerken en de oplossing als eerste naar vijf Europese locaties brengen.

Voor FrieslandCampina vormen yard operations een belangrijk onderdeel van de logistieke keten. Vrachtwagens rijden af en aan om producten te laden, te lossen of verder te brengen binnen het netwerk. Bij een deel van die goederenstromen luistert de timing nauw. Dat geldt zeker voor dagverse zuivel, omdat producten op tijd moeten vertrekken om de volgende ochtend bij retailers in het schap te liggen.

Die omstandigheden stellen eisen aan het inzicht in de logistieke stromen op het terrein. 鈥淲ij willen weten wanneer een vrachtwagen aankomt, waar hij naartoe moet en wanneer hij onze locatie weer verlaat鈥�, zegt Ren茅 van der Wurf, Business IT Analyst Warehousing bij FrieslandCampina.

Van losse afstemming naar geplande slots

Met 麻豆原创 Yard Logistics wil FrieslandCampina dat proces strakker inrichten. De template richt zich op slotplanning, check-in en check-out, dock allocation en de registratie van bewegingen op de yard. Vrachtwagens krijgen straks een gepland slot om te laden of lossen. Bij aankomst moet duidelijk zijn of een truck binnen het juiste tijdvenster komt en naar welke parkeerplaats of dock hij moet rijden. Afwijkingen worden zichtbaar, zodat FrieslandCampina wachttijden, pieken en verstoringen beter kan analyseren, zodat hier preventief actie op kan worden ondernomen.

Het project begon in 2024 als businessinitiatief binnen Corporate Supply Chain. FrieslandCampina koos na een brede selectie voor 麻豆原创 Yard Logistics. Het bedrijf startte met 33 leveranciers en hield uiteindelijk vier opties over. De keuze voor 麻豆原创 past bij de bredere IT-strategie van FrieslandCampina, waar veel kernprocessen al op 麻豆原创 draaien. Tegelijk keek de business nadrukkelijk naar functionele eisen, gebruiksgemak en de mate waarin de oplossing aansluit op de dagelijkse operatie.

Volgens Van der Wurf gaf vooral de combinatie van standaardisatie, integratie en toekomstvaste ontwikkeling de doorslag. 鈥淎l onze coreprocessen draaien op 麻豆原创. Vanuit IT willen we zoveel mogelijk werken met 麻豆原创-oplossingen als die functioneel passen. Met 麻豆原创 Yard Logistics kunnen we de nieuwste ontwikkelingen volgen en veel requirements standaard invullen.鈥�

Template als basis voor Europese uitrol

De oplossing staat nog niet live in de operatie. FrieslandCampina werkt binnen het bredere Optimus-programma eerst aan de verdere migratie naar 麻豆原创 S/4HANA. Die stap vormt de basis voor nieuwe functionaliteit rond slot- en yardmanagement. De 麻豆原创 Yard Logistics-template draait nu op een testsysteem. FrieslandCampina heeft de demo voorbereid voor de business en de global business process owners. Na goedkeuring volgt de verdere roadmap.

鈥淓erst willen we volledig op 麻豆原创 S/4HANA draaien鈥�, zegt Van der Wurf. 鈥淒at is onze belangrijkste doelstelling. Daarna voegen we nieuwe slot- en yardfunctionaliteit toe op een standaardbasis.鈥�

Die standaardbasis past bij de bredere beweging binnen FrieslandCampina. Het bedrijf wil minder maatwerk, meer uniforme processen en een schonere kern. Op meerdere gebieden vervangt FrieslandCampina custom development door standaardfunctionaliteit. Yard Logistics sluit daarop aan. De template moet herhaalbaar zijn, zodat meerdere locaties straks vanuit dezelfde basis kunnen werken en alleen afwijken waar dat echt nodig is.

insideSCM helpt pionieren

麻豆原创-partner insideSCM speelt een belangrijke rol in het ontwerp van de template. De samenwerking tussen FrieslandCampina en insideSCM gaat al ongeveer tien jaar terug. De partner was eerder betrokken bij EWM-implementaties, shipment costing binnen Transportation Management en de bredere 麻豆原创-roadmap. Daardoor kennen beide partijen elkaars manier van werken goed.

Voor insideSCM was 麻豆原创 Yard Logistics toch een bijzonder project. Het product is nog relatief nieuw en er lagen weinig kant-en-klare voorbeelden klaar. Dat vroeg om een aanpak waarin testen, afstemmen en leren centraal stonden.

鈥淵ard Logistics was voor ons ook nieuw鈥�, zegt Ricardo Deelstra, 麻豆原创 TM consultant bij insideSCM. 鈥淒e oplossing lijkt in de basis op 麻豆原创 EWM. Als je die logica goed vertaalt naar de yard, kun je gericht ontwerpen. Daarna komt het aan op veel contact, goed testen en blijven toetsen wat FrieslandCampina echt nodig heeft.鈥�

insideSCM bouwde daarnaast eigen kennis op rond 麻豆原创 Yard Logistics, voordat de volgende stappen met FrieslandCampina volgden. Ook 麻豆原创 was nauw betrokken, zowel in Nederland als internationaal. Dat hielp om requirements scherp te krijgen en technische keuzes goed af te stemmen.

Carriers actiever betrekken

FrieslandCampina wil ook vervoerders beter betrekken bij planning en uitvoering. Daarom onderzoekt het de inzet van 麻豆原创 Business Network for Logistics, met functies voor freight collaboration en dock appointment scheduling. Daarmee kunnen externe carriers straks zelf hun transportplanning en slotplanning koppelen aan de processen van FrieslandCampina. Interne planners houden tegelijk zicht op de eigen transportstromen.

Die aanpak moet de yard veranderen van een minder zichtbaar tussengebied naar een beter gestuurd onderdeel van de supplychain. Elke vrachtwagen moet geregistreerd zijn. Elke beweging moet duidelijk zijn. Elke afwijking moet bruikbare data opleveren. Dat helpt niet alleen bij effici毛ntie, maar ook bij veiligheid op het terrein.

FrieslandCampina claimt de voordelen nog niet als gerealiseerd resultaat. De verwachte waarde ligt wel duidelijk op tafel: minder wachttijd, minder pieken in het warehouse, betere dockplanning, meer realtime inzicht en meer controle over vrachtwagenbewegingen op locatie.

Basis voor verdere vernieuwing

De digitalisering van yard operations legt ook de basis voor verdere vernieuwing met AI. FrieslandCampina werkt nu aan 麻豆原创 S/4HANA, standaardprocessen, clean core en betere data, zodat nieuwe technologie straks op een stevige fundering kan landen. Betrouwbare data en goed verbonden processen zijn daarbij cruciaal. Zonder die basis blijft AI beperkt tot losse toepassingen, terwijl FrieslandCampina juist toewerkt naar vernieuwing die schaalbaar en beheersbaar is.

Voor Van der Wurf is de richting duidelijk. 鈥淎ls elke vrachtwagen op onze locatie geregistreerd staat en we realtime zien waar hij is, krijgen we meer controle en meer veiligheid op de yard. Dat is waar we naartoe willen.鈥�

Videolink: https://vimeo.com/1211378098?fl=tl&fe=ec

The post 麻豆原创: FrieslandCampina bouwt met 麻豆原创 Yard Logistics aan meer grip op terreinlogistiek appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Met de overname versterkt 麻豆原创 zijn onderzoek naar deze technologie. 麻豆原创 zette hierin al een belangrijke stap met 麻豆原创-RPT-1. Het onderzoeksteam van Prior Labs sluit zich nu aan bij 麻豆原创.

Prior Labs blijft als zelfstandig bedrijf opereren. 麻豆原创 investeert de komende vier jaar meer dan 1 miljard euro in de verdere groei van het bedrijf. Het doel is om Prior Labs uit te bouwen tot een wereldwijd toonaangevend AI-lab voor gestructureerde bedrijfsdata.

Meer informatie over de overname staat in het persbericht dat 麻豆原创 in mei publiceerde.

The post 麻豆原创 rondt overname van Prior Labs af appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Bedrijven verwachten steeds meer rendement op hun investeringen in kunstmatige intelligentie (AI). De verwachte return on investment (ROI) bedraagt dit jaar gemiddeld 21%, tegenover 16% vorig jaar. Over twee jaar verwachten organisaties dat dit oploopt naar 38%. Dat blijkt uit nieuw internationaal onderzoek van en Oxford Economics.

AI krijgt snel grotere rol in dagelijks werk

Niet alleen de verwachte ROI stijgt, ook zetten organisaties AI steeds vaker in bij het dagelijkse werk. Op dit moment ondersteunt AI gemiddeld 30% van de werkzaamheden binnen de onderzochte organisaties. Over twee jaar verwachten de respondenten dat dit aandeel is gegroeid naar 48%.

Die ontwikkeling gaat gepaard met hogere investeringen. Organisaties geven dit jaar gemiddeld circa 鈧�24,4 miljoen uit aan AI, tegenover ongeveer 鈧�23,3 miljoen vorig jaar. AI speelt daarmee een steeds grotere rol in de dagelijkse bedrijfsvoering.

Ruimte voor verbetering

Ondanks het hogere rendement zien veel organisaties nog verbeterpunten in de manier waarop zij AI gebruiken. Zo is 69% tevreden over het huidige rendement, tegenover 64% vorig jaar. Wel denkt 67% dat de eigen AI-toepassingen hun volledige potentieel nog niet bereiken.

Dat verschil laat zien dat de zakelijke waarde van AI groeit, maar dat veel organisaties hun aanpak nog niet volledig hebben opgeschaald. Een versnipperde aanpak komt nog steeds het vaakst voor. Ook heeft minder dan de helft (46%) een speciale AI-verantwoordelijke.

Hoge verwachtingen van AI-agents

Organisaties kijken bij AI steeds vaker naar de zakelijke waarde die de technologie oplevert, in plaats van alleen naar kostenbesparingen. Vooral de verwachtingen van AI-agents zijn hoog. Dit zijn systemen die zelfstandig taken kunnen plannen en uitvoeren, zoals het verwerken van informatie, het ondernemen van vervolgstappen en het afhandelen van onderdelen van bedrijfsprocessen.

De verwachte opbrengst is dan ook fors. Organisaties rekenen erop dat AI-agents over twee jaar gemiddeld ongeveer 鈧�15,35 miljoen aan rendement opleveren. Dat is ruim vier keer zoveel als de 鈧�3,75 miljoen die respondenten vorig jaar verwachtten. Meer dan acht op de tien organisaties denken bovendien dat AI-agents hun bedrijfsvoering ingrijpend kunnen veranderen.

Datakwaliteit remt verdere groei

Meer investeren in AI betekent niet automatisch dat organisaties ook betere resultaten behalen. Vooral de kwaliteit van bedrijfsdata blijft een knelpunt. Zo heeft 73% van de organisaties te maken met onvolledige data. Daarnaast zegt 79% dat AI-uitkomsten van onvoldoende kwaliteit leiden tot extra werk, vertragingen of achterstanden.

Ook de kennis van medewerkers vraagt aandacht. Bij 78% van de organisaties bestaat twijfel of de opleiding van medewerkers de snelle ontwikkeling van AI kan bijhouden. Zonder goede data, duidelijke processen en voldoende kennis blijft een deel van het potentieel van AI onbenut.

鈥淎I verschuift van experiment naar uitvoering. Dat begint nu echt rendement op te leveren鈥�, zegt Sean Kask, Chief AI Strategy Officer van 麻豆原创. Volgens hem moeten bedrijven AI verbinden met hun data en processen. Daarbij zijn ook voldoende context en duidelijke governance nodig. Echte waarde ontstaat wanneer agents, processen en mensen goed samenwerken.听

Autonomous Enterprise als volgende stap

Volgens 麻豆原创 ligt de toekomst van AI in de Autonomous Enterprise: een organisatie waarin AI-agents, bedrijfsprocessen en medewerkers als 茅茅n geheel samenwerken. Om daar te komen, moeten bedrijven AI verbinden met de data en processen waarop hun organisatie draait. Ook zijn voldoende context en duidelijke regels voor het gebruik en beheer van AI nodig.

鈥淓chte waarde uit AI halen is niet eenvoudig. Dat vraagt om een nieuwe aanpak鈥�, stelt Kask. 鈥淏edrijven moeten AI verbinden met hun data en processen en zorgen voor de juiste context en governance. Alleen dan levert AI betrouwbare resultaten op.鈥�

Volgens Kask gaat het bij de Autonomous Enterprise niet alleen om een technische verandering. 鈥淗et is ook een menselijke verandering. Echte waarde ontstaat pas als agents, processen en mensen als een geheel samenwerken.鈥�

Bekijk voor meer informatie het volledige .

The post 麻豆原创: verwacht rendement op AI-investeringen stijgt van 16 naar 21% appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Europese bedrijven moeten tempo maken met agentic AI als zij hun supplychains wendbaar en concurrerend willen houden. Regio鈥檚 als China en de Verenigde Arabische Emiraten investeren snel in AI-toepassingen. Volgens Mike Wade, EMEA Leader Supply Chain Management Customer Advisory bij , moeten Europese organisaties daarom versnellen: van handmatig reageren op verstoringen naar intelligent bijsturen met digitale agents. Die boodschap gaf hij onlangs tijdens 麻豆原创 Connect Day for Supply Chain in Veghel.

Wade ziet voor Europa een sterke uitgangspositie. De regio beschikt over veel industri毛le kennis, sterke maakbedrijven en diepgewortelde ervaring met internationale handel. Tegelijk bewegen andere regio鈥檚 snel. China investeert actief in AI om het bedrijfsleven vooruit te helpen, terwijl de Verenigde Arabische Emiraten volgens Wade snel ervaring opdoen met agentic AI binnen overheid, diensten en industrie.

鈥淓r liggen kansen voor Europa, maar de druk neemt toe鈥�, zegt Wade. 鈥淪upplychains zijn altijd belangrijk geweest, maar vormen nu meer dan ooit een concurrentievoordeel. Wie zijn keten goed laat draaien en soepel met schokken omgaat, kan daar commercieel voordeel uit halen.鈥�

Supplychain bepaalt concurrentiekracht

Die urgentie geldt vooral voor sectoren die al onder druk staan. In de automotive-industrie moeten Europese bedrijven hun aanbod en ketens opnieuw bekijken door de snelle opkomst van Aziatische concurrenten. In andere sectoren ligt de druk juist bij het kunnen bijbenen van hoge vraag. In beide gevallen bepaalt de supplychain steeds sterker de concurrentiekracht.

Volgens Wade moeten bedrijven agentic AI daarom koppelen aan concrete bedrijfsdoelen. De waarde zit in sneller kunnen plannen, beter kunnen leveren en klanten betrouwbaarder bedienen. Daarmee komt de focus vanzelf te liggen op de vraag hoe robuust een supplychain is wanneer de omstandigheden veranderen.

Ontwerpen voor onzekerheid

Supplychains kregen de afgelopen jaren te maken met een opeenstapeling van verstoringen. Bedrijven moeten hun ketens daarom structureel ontwerpen op flexibiliteit. 鈥淓lke supplychain bestaat om een klant te bedienen鈥�, zegt Wade. 鈥淛arenlang lag daarbij de nadruk op effici毛ntie, productiviteit en forecast accuracy. Dat blijft belangrijk, maar uiteindelijk draait het om de klantvraag die je moet waarmaken.鈥�

Die verschuiving vraagt om een ander ontwerp van de keten. Bedrijven moeten vooraf bepalen waar ze kunnen schakelen bij verstoringen. Denk aan alternatieve leveranciers, andere productielocaties, flexibele logistieke routes en snellere besluitvorming bij tekorten of plotselinge vraagveranderingen. 鈥淒at betekent dat je opties inbouwt voordat een crisis ontstaat鈥�, stelt Wade. 鈥淎ls een schok optreedt, wil je niet pas dan ontdekken dat je geen alternatief hebt.鈥�

Silo鈥檚 remmen de keten

Een belangrijk obstakel zit volgens Wade in de manier waarop bedrijven hun supplychain organiseren. Afdelingen verbeteren vaak hun eigen deelproces, terwijl verstoringen dwars door de organisatie bewegen. Een probleem in inkoop raakt productie. Een vertraging in logistiek raakt sales. Een veranderende klantvraag raakt voorraad, planning en service.

鈥淒e silomentaliteit moet worden doorbroken鈥�, zegt Wade. 鈥淐EO鈥檚 en supplychainmanagers kunnen die verandering aanjagen. Soms moet 茅茅n onderdeel van de keten inleveren om de totale klantbelofte overeind te houden.鈥�

Digitale collega鈥檚 met duidelijke grenzen

Technologie kan helpen om die beweging te versnellen. Veel organisaties beginnen de dag nu nog met overleg, dashboards en spreadsheets om problemen te vinden en acties te bepalen. Agentic AI draait dat proces om. Digitale agents herkennen afwijkingen, vergelijken scenario鈥檚 en starten acties binnen vooraf ingestelde grenzen.

鈥淪tel je voor dat je 鈥檚 ochtends begint en je systeem meldt dat meerdere agents 鈥檚 nachts al beslissingen hebben genomen鈥�, schetst hij. 鈥淒an verschuift de rol van teams van incidentmanagement naar gericht sturen.鈥�

麻豆原创 ziet agentic AI als een volgende stap in de ontwikkeling van kunstmatige intelligentie. Generatieve AI helpt vooral bij tekst, samenvattingen en analyses. Agentic AI kan redeneren, keuzes voorbereiden en processen in gang zetten. Wade benadrukt dat dit alleen werkt met heldere regels, betrouwbare data en goede governance.

Data en governance als fundament

鈥淒enk aan een agent als een digitale collega鈥�, zegt hij. 鈥淓en menselijke collega krijgt ook een opdracht, verantwoordelijkheid en grenzen. Voor agents geldt hetzelfde. Je moet ze voeden met bedrijfscontext, proceskennis en duidelijke kaders.鈥�

Volgens 麻豆原创 rust succesvolle agentic AI in de supplychain op drie pijlers: diepgaande proceskennis, een sterke datalaag en governance op enterpriseniveau. Het 麻豆原创 AI-platform ondersteunt dit door data uit zowel听 麻豆原创- als niet-麻豆原创-systemen samen te brengen in een datafundament. AI kan die data daardoor effectiever gebruiken binnen de context van bedrijfsprocessen.

Meer dan zestig supplychainagents

Ook Joule en Joule Studio krijgen een centrale rol. Via Joule kunnen gebruikers met agents werken in hun dagelijkse processen. Met Joule Studio kunnen organisaties agents ontwikkelen en aanpassen aan hun eigen werkwijze. Later dit jaar komen volgens Wade meer dan zestig supplychainagents beschikbaar binnen het 麻豆原创-portfolio.

Daarnaast werkt 麻豆原创 aan branchespecifieke AI-toepassingen voor complexe omgevingen, zoals gereguleerde productie. 麻豆原创 wil bedrijven zo helpen om agents over processen heen in te zetten. Daar ligt volgens Wade de grootste waarde: in planning, inkoop, productie, logistiek en service die beter op elkaar aansluiten.

Begin klein, schaal snel op

Wade pleit voor een praktische aanpak. Bedrijven kunnen starten met 茅茅n concreet proces in logistiek, planning, productie of inkoop. Nieuwe ontwikkelomgevingen maken het mogelijk om agents in korte tijd te bouwen en te testen. Het gevaar is volgens hem dat organisaties blijven hangen in losse experimenten. 鈥淜lein starten is verstandig鈥�, zegt Wade. 鈥淢aar het moet wel de eerste stap zijn in een vooraf bedacht groter plan. Als je nooit opschaalt, blijft het een academische oefening.鈥�

Van pilot naar waarde

Volgens 麻豆原创 vraagt agentic AI om steun vanuit de top. Zonder duidelijke richting van directie of senior management blijven initiatieven vaak steken op afdelingsniveau. Met de juiste aanpak kan agentic AI supplychains sneller, betrouwbaarder en klantgerichter maken.

鈥淒e technologie is er鈥�, besluit Wade. 鈥淒e uitdaging voor bedrijven is hoe ze bijblijven. In mijn vijftien jaar bij 麻豆原创 heb ik veel innovatiecycli gezien, maar deze is anders. En het tempo neemt alleen maar toe.鈥�

The post 麻豆原创: Europa moet tempo maken met agentic AI in de supplychain appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Met de overname wil 麻豆原创 de ontwikkeling van agentic AI versnellen. Ook krijgen klanten meer mogelijkheden om 麻豆原创-data en data uit andere systemen samen te gebruiken. Daardoor kunnen zij analyses uitvoeren en AI-toepassingen draaien op actuele gegevens. Verplaatsing of omzetting van die data is daarbij niet nodig.

Volgens 麻豆原创 maakt dit bedrijfsanalyses sneller, eenvoudiger en kosteneffici毛nter.

Meer informatie over de overname staat in het persbericht dat 麻豆原创 in mei 2026 publiceerde.

The post 麻豆原创 rondt overname van Dremio af appeared first on 麻豆原创 Nederland Blogs & Nieuws.

zet agentic AI in om grote migraties naar moderne 麻豆原创-omgevingen te versnellen. Het concern heeft hiervoor zeven AI-agents ontwikkeld die klanten daarbij moeten helpen. Volgens Augusta Spinelli, President Europe, Middle East and Africa bij 麻豆原创, kunnen deze agents de inspanning en doorlooptijd van migraties met ongeveer 50 procent verminderen. Daarmee wil 麻豆原创 een van de grootste drempels bij cloud- en ERP-modernisering verlagen: de tijd, capaciteit en complexiteit die zulke trajecten vragen. 鈥淜lanten willen geen jaren wachten voordat zij resultaat zien van hun IT-investeringen鈥�, zegt Spinelli.

De vraag van klanten is de afgelopen twee jaar duidelijk veranderd, stelt Spinelli. AI is voor veel organisaties niet langer alleen een experiment. Bedrijven willen weten wat technologie oplevert voor hun processen, medewerkers en klanten. 鈥淜lanten zijn heel duidelijk鈥�, vindt Spinelli. 鈥淶e willen weten hoe technologie de business ondersteunt. Dat geldt zeker voor AI. Twee jaar geleden draaide het nog vaak om pilots en proof-of-concepts. Nu vragen organisaties om concrete impact.鈥�

AI-agents moeten migraties versnellen

麻豆原创 ziet vooral bij migraties veel ruimte voor agentic AI. Zulke trajecten zijn vaak groot, complex en arbeidsintensief. Organisaties moeten processen, data, applicaties en maatwerk in kaart brengen voordat zij kunnen overstappen naar een moderne 麻豆原创-omgeving. Spinelli stelt dat AI-agents een deel van dat werk versnellen en beter beheersbaar maken.

鈥淒at is substantieel鈥�, benadrukt ze over de verwachte reductie van ongeveer 50 procent. 鈥淎gentic AI verandert het beeld echt. We zagen die reductie al in onze eigen testen en interne projecten. Nu zien klanten het zelf ook: met deze AI-agents kunnen zij zowel de benodigde capaciteit als de planning bijna halveren.鈥�

Voor 麻豆原创 gaat het daarbij niet alleen om een snellere technische migratie. Het bedrijf wil klanten vooral eerder laten profiteren van investeringen die zij al hebben gedaan in ERP, CRM, supplychain-oplossingen, cloud en data. 鈥淰eel organisaties hebben al fors ge茂nvesteerd in bedrijfssoftware en dataplatformen鈥�, voegt Spinelli toe. 鈥淒e uitdaging is nu om die investeringen sneller om te zetten in betere processen, meer flexibiliteit en nieuwe AI-functionaliteit.鈥�

Maatwerk zit modernisering vaak in de weg

Spinelli benadrukt dat die versnelling vraagt om duidelijke processen en betrouwbare data. AI kan pas goed werken als de basis op orde is. Dat betekent dat bedrijven kritischer moeten kijken naar hun oude systemen, lokale uitzonderingen en het maatwerk dat in de loop der jaren is opgebouwd. 鈥淥m AI goed te laten functioneren, zijn twee dingen heel belangrijk: een geharmoniseerde datalaag en geharmoniseerde bedrijfsprocessen.鈥�

Veel organisaties hebben juist daar nog werk te doen. Wat ooit werd gebouwd als maatwerk voor de business, is in de praktijk vaak een rem op vernieuwing geworden. Het maakt migraties duurder, trager en moeilijker te controleren.

Waar 麻豆原创 al langer pleit voor standaardisatie, ziet Spinelli dat die behoefte nu ook steeds sterker vanuit klanten zelf komt. 鈥淎ls 麻豆原创 pleiten we al langer voor standaardisatie, maar nu komt die behoefte sterker uit de markt. Standaardiseren betekent niet dat je concurrentievoordeel verliest. Het betekent dat je afscheid neemt van legacy die in werkelijkheid weinig concurrentievoordeel bracht, maar vooral een rem was op transformatie.鈥�

Klanten delen verbeteringen met elkaar

Klanten werken steeds vaker samen aan de verbetering van bedrijfsprocessen. Rond veel 麻豆原创-processen zijn communities ontstaan waarin organisaties ervaringen, verbeteringen en best practices delen. Spinelli ziet daardoor een andere manier van standaardiseren ontstaan: niet alleen vanuit 麻豆原创, maar ook vanuit de praktijk van klanten zelf.

鈥淰eel klanten werken met processen die 麻豆原创 heeft ontwikkeld op basis van kennis, ervaring en input uit de markt鈥�, merkt ze op. 鈥淭och kan daarna blijken dat verdere optimalisatie mogelijk is. Interessant genoeg zien we nu klanten die zelf een proces verbeteren en dat vervolgens teruggeven aan de community. Zo helpen we elkaar stap voor stap om de kwaliteit van bedrijfsprocessen te verhogen.鈥�

Voor Spinelli is standaardisatie daarmee meer dan een manier om beheer eenvoudiger te maken. Het helpt organisaties ook om sneller te vernieuwen. Hoe meer bedrijven werken met herkenbare procesmodellen, hoe makkelijker het wordt om AI-functionaliteit breed toe te passen.

AI-agent mag niet zomaar overal bij

Tegelijk benadrukt Spinelli dat agentic AI in bedrijfssoftware duidelijke grenzen nodig heeft. Een AI-agent mag niet vrij door bedrijfssystemen bewegen. Zeker bij financi毛le processen, supplychains en compliancegevoelige omgevingen moeten organisaties kunnen zien welke data zijn gebruikt, welke regels zijn toegepast en welke stappen tot een uitkomst hebben geleid.

鈥淰oor alle agentic AI die 麻豆原创 beschikbaar maakt, geldt dat de AI-agents zijn ingebed in 麻豆原创鈥�, zegt Spinelli. 鈥淶e bestaan dus niet los naast het systeem. We gebruiken hetzelfde systeem van regels, autorisaties en compliance dat al onderdeel is van de 麻豆原创-oplossing. Dat is cruciaal. Je wilt niet dat agentic AI op een plek komt waar het niet hoort te zijn.鈥�

Daarmee positioneert 麻豆原创 enterprise AI nadrukkelijk anders dan algemene AI-tools. In een bedrijfsomgeving is een aannemelijk antwoord niet genoeg. AI moet uitlegbaar, controleerbaar en compliant zijn.

鈥淚k vergelijk enterprise AI wel eens met een ijsberg鈥�, verduidelijkt Spinelli. 鈥淒e zichtbare AI-functionaliteit is alleen het deel boven water. Het belangrijkste deel zit daaronder: autorisaties, goedkeuringsflows, controles en audittrails. Mensen houden bij enterprise AI altijd de controle.鈥�

Van AI-belofte naar bedrijfswaarde

Met de zeven AI-agents wil 麻豆原创 agentic AI uit de experimenteerfase halen. De inzet is concreet: minder handwerk, kortere migraties en sneller toegang tot nieuwe functionaliteit. Spinelli stelt dat het daarbij niet draait om AI op zichzelf, maar om bedrijfswaarde. 鈥淎gentic AI helpt klanten sneller waarde te halen uit hun 麻豆原创-omgeving.鈥�

The post 麻豆原创: zeven AI-agents kunnen migratietijd met 50 procent verkorten appeared first on 麻豆原创 Nederland Blogs & Nieuws.