Terug naar alle blogs

Van AI-demo naar bedrijfspraktijk: waarom integratie de echte uitdaging is

Deel 1. Waarom je ChatGPT-pilot in de bestuurskamer perfect werkte en in je ERP vastliep.

Blog_field_Auteur Nuri Ensing
Categorie AI
Blog_field_Datum 10 augustus 2026

Een demo gaat moeiteloos. Een productiesysteem vraagt meer werk.

Open een AI-assistent, upload een document en stel een vraag. Binnen enkele seconden vat de assistent het document samen, classificeert het en geeft antwoord. Het resultaat is direct zichtbaar.

Daar een betrouwbaar bedrijfsproces van maken vraagt om een heel andere expertise.

In een echte organisatie moet AI werken met actuele klantgegevens, productcatalogi, voorraadniveaus, prijsregels en verouderde software. Het moet API-fouten kunnen afhandelen, gevoelige informatie beschermen en resultaten opleveren waarop mensen kunnen vertrouwen.

Daarmee verandert de vraag volledig.

De vraag verschuift van: ‘Welk AI-model moeten we gebruiken?’
Naar: ‘Hoe verbinden we AI veilig, betrouwbaar en op schaal met onze bedrijfsvoering?’


AI-modellen zijn gemeengoed. Integratie biedt een voorsprong.


Het publieke debat gaat nog vooral over modelbenchmarks: redeneervermogen, snelheid en contextvensters. Binnen bedrijven ziet het vraagstuk er anders uit.

Een recente Computable-analyse liet zien hoe Europese technologiebedrijven zoals SAP, Capgemini en Sopra Steria profiteren van de invoering van AI in bedrijven. Hun voorsprong komt niet voort uit het bouwen van de beste foundationmodellen. Ze weten hoe ze AI kunnen verbinden met de software, data en workflows die hun klanten al gebruiken.

Daar ontstaat de praktische waarde.

Een model begrijpt taal. Het weet niet automatisch welk systeem het juiste klantrecord bevat, of een artikelnummer nog actief is of welke prijsafspraak geldt. Het weet evenmin wat er moet gebeuren als een API faalt of welke medewerker toegang mag hebben tot gevoelige financiële gegevens.

Die context moet ergens vandaan komen. Meestal komt die via integraties.


Een model kan een e-mail lezen. Een bedrijf heeft een order nodig.


Neem een eenvoudige opdracht: ‘Verwerk deze klantorder.’

Een AI-model kan de e-mail lezen, de vraag begrijpen en gegevens uit een bijgevoegde PDF halen. Daarna ligt het werk bij jouw organisatie.

De klant moet correct worden geïdentificeerd. Productomschrijvingen moeten worden gekoppeld aan geldige artikelnummers. Aantallen, eenheden en prijzen moeten worden gecontroleerd, net als de beschikbaarheid van de voorraad. Er kunnen goedkeuringsregels gelden. Pas daarna kan de order in het ERP worden aangemaakt.

Na het aanmaken van de order moet de klant een bevestiging ontvangen. Afwijkende orders moeten bij een medewerker terechtkomen. Het hele proces moet worden gelogd voor audits.
AI helpt bij de interpretatie: de e-mail begrijpen en het juiste product herkennen bij een onnauwkeurige omschrijving. De overige stappen zijn afhankelijk van API's, integraties, validatieregels, workfloworkestratie en foutafhandeling.

Het model is één onderdeel. De architectuur eromheen bepaalt of er ook daadwerkelijk iets gebeurt.


AI lost technische schuld niet op, maar maakt die zichtbaar.


De meeste gevestigde organisaties werken niet vanuit één overzichtelijk platform. Klantgegevens staan in het CRM. Productgegevens komen uit een PIM of ERP. Voorraad wordt bijgehouden in een magazijnsysteem of bij een 3PL. Orders komen binnen via e-commerce, EDI of inkoopportalen. Financiële gegevens staan weer ergens anders. Daarnaast zijn er spreadsheets, databases en maatwerkapplicaties die zich in de loop van tientallen jaren hebben opgestapeld.

Een AI-assistent toevoegen neemt die problemen niet weg. Het maakt ze juist beter zichtbaar.

Een model kan een voorraadvraag niet betrouwbaar beantwoorden als drie systemen verschillende voorraadniveaus melden. Het kan geen klantkorting toepassen als niemand weet welke applicatie verantwoordelijk is voor de prijslogica.

Bij Teknuro zien we dit elke week: de AI werkt, maar de onderliggende data-architectuur niet. Voordat AI betrouwbaar kan handelen, moet de organisatie weten waar de leidende gegevens staan, hoe informatie tussen systemen wordt uitgewisseld en wat er moet gebeuren wanneer informatie ontbreekt of tegenstrijdig is.

Dit is een vraagstuk voor de integratiearchitectuur, niet voor het formuleren van prompts.


De integratielaag maakt AI bruikbaar in de bedrijfsvoering


Een architectuur die klaar is voor productie ziet er zo uit:

Gebruiker of gebeurtenis → AI-model → integratielaag → bedrijfssystemen

De integratielaag zit tussen de AI en je ERP, CRM, e-commerce-, PIM- of magazijnplatforms. Naast het verplaatsen van data bepaalt deze laag hoe AI met de organisatie kan werken.


Deze laag bepaalt waartoe de AI toegang heeft. Een klantenservice-assistent mag ordergegevens lezen, maar hoort niet automatisch financiële records te wijzigen.


De laag verzorgt de datatransformatie. Het ene systeem gebruikt customerNumber, het andere customer_id en een derde een interne accountcode. Datums, valuta's en productidentificaties moeten tussen de verschillende formaten worden omgezet.


De laag dwingt bedrijfsregels af. Kredietlimieten, belastingberekeningen, prijslogica en goedkeuringsdrempels moeten deterministisch en testbaar blijven. Je hoort ze niet over te laten aan een probabilistisch model.


De laag valideert door AI voorgestelde acties voordat die een bedrijfssysteem bereiken. Wanneer API's een time-out geven, records vergrendeld zijn of diensten uitvallen, zorgt de laag voor herhaalpogingen, afhandeling van uitzonderingen en een route voor menselijke tussenkomst.


Platforms zoals Celigo en n8n verzorgen deze orkestratie, waar nodig in combinatie met maatwerk-API's. Bij Teknuro bouwen we deze lagen met validatie, herhaalpogingen, monitoring en foutafhandeling als onderdeel van de integratie zelf.


Agents vergroten de impact


Een chatbot geeft informatie. Een AI-agent voert acties uit. Dat verschil heeft gevolgen.
‘Welke klanten hebben achterstallige facturen van meer dan €10.000?’ Bij die vraag kan een gekoppelde assistent de gegevens ophalen en analyseren.


‘Maak opvolgtaken aan voor de verantwoordelijke accountmanagers.’ Bij die opdracht schrijft de AI gegevens naar het CRM en beïnvloedt daarmee een werkelijk bedrijfsproces.


Dezelfde agent kan records bijwerken, inkooporders aanmaken, communicatie met leveranciers starten of verdere automatiseringen in gang zetten. Zodra AI bedrijfsgegevens kan wijzigen, zijn rechten, validatie en controles essentieel.


Een bruikbare architectuur combineert daarom probabilistische intelligentie voor interpretatie met deterministische controles voor de uitvoering. Laat AI een document begrijpen of een actie voorstellen. Laat gecontroleerde workflows bepalen of die actie geldig is en hoe deze moet worden uitgevoerd.


Menselijke goedkeuring is een onderdeel van de oplossing, geen tekortkoming

Niet elke workflow moet volledig autonoom zijn. Menselijke goedkeuring is vooral waardevol wanneer een beslissing financiële, juridische of operationele gevolgen heeft.


Een AI-oplossing kan standaardorders automatisch verwerken en om goedkeuring vragen wanneer de orderwaarde ongebruikelijk hoog is, de klant zijn kredietlimiet overschrijdt of het model onvoldoende zeker is over het gevonden product.


Zo kan de organisatie voorspelbaar werk automatiseren en mensen betrokken houden waar hun oordeel nodig is, zonder de automatisering te verzwakken. Naarmate het vertrouwen groeit en er meer prestatiegegevens beschikbaar komen, kunnen goedkeuringsstappen na verloop van tijd vervallen.
 
Wat volgt hierna?

Zodra de architectuur duidelijk is, krijgen Europese organisaties met nieuwe vragen te maken: waar worden gegevens verwerkt? Welk rechtsgebied is van toepassing? Hoe voorkomen we dat we vastzitten aan één leverancier? En waar beginnen we?

Lees deel twee: AI bouwen voor productie: governance, soevereiniteit en waar je begint.