SAP heeft twee overnames gedaan die samen één boodschap hebben: wie AI serieus wil gebruiken, moet eerst de data op orde hebben. Met Dremio haalt SAP een open-source dataplatform binnen dat razendsnel grote hoeveelheden data kan bevragen. Met Prior Labs koopt het een Duits AI-bedrijf dat gespecialiseerd is in tabular foundation models. Voor MKB-bedrijven die SAP gebruiken, betekent dit dat de manier waarop je data nu is opgeslagen en ontsloten, straks het verschil kan maken tussen wel of geen toegang tot nieuwe AI-functionaliteiten.

Wat er aan de hand is

SAP heeft twee overnames aangekondigd die samen een duidelijke strategie vormen. Het bedrijf koopt Dremio, een open-source data-lakehouseplatform met ongeveer vierhonderd medewerkers en een omzet van circa 40 miljoen dollar. Dremio staat bekend om zijn vermogen om via Apache Arrow razendsnel data uit uiteenlopende bronnen te bevragen, van klassieke Oracle-omgevingen tot moderne cloudopslag. Daarnaast koopt SAP Prior Labs, een Duits AI-bedrijf dat zich richt op tabular foundation models. Volgens SAP-ceo Christian Klein is het doel om ‘data-barrières verder te doorbreken’. De overnames bouwen voort op SAP Business Data Cloud, een platform dat SAP- en niet-SAP-data samenvoegt als fundament voor AI-toepassingen. SAP stelt dat enterprise AI-projecten zelden mislukken door het model, maar door de data die verspreid zit over tientallen systemen, opgesloten is in gesloten formaten en de bedrijfscontext mist.

Wat dit betekent

Voor MKB-bedrijven die SAP gebruiken, is dit geen abstracte strategie. Het betekent concreet dat SAP de komende jaren AI-functionaliteiten zal koppelen aan een specifieke manier van data-opslag en -ontsluiting. Wie straks gebruik wil maken van AI die voorspellingen doet op basis van bedrijfsdata, zal die data moeten aanbieden in een vorm die Dremio en Prior Labs kunnen verwerken. Dat vraagt om een data-architectuur die niet langer afhankelijk is van gesloten, propriëtaire systemen. Voor bedrijven die nu nog werken met losse Excel-bestanden, geïsoleerde databases of verouderde ERP-omgevingen, kan dit betekenen dat ze buitengesloten worden van nieuwe AI-functionaliteiten. De overnames signaleren een verschuiving: SAP wil de datalaag voor AI zelf beheren en standaardiseren. Wie niet meegaat, riskeert dat zijn data niet bruikbaar is voor de AI-tools die SAP de komende jaren uitrolt.

Hoe je dit kunt toepassen

Als je een MKB-bedrijf runt dat SAP gebruikt voor financiële of logistieke processen, is het verstandig om nu al te inventariseren waar je data zich bevindt. Je zou kunnen beginnen met een eenvoudige data-audit: welke systemen bevatten welke data, en in welke formaten? Overweeg om data uit gesloten formaten zoals propriëtaire databasebestanden te ontsluiten naar een open formaat dat Dremio kan bevragen. Een mogelijkheid is om te kijken naar SAP Business Data Cloud als centrale laag, maar dat is niet verplicht. Het gaat erom dat je data vindbaar en bevraagbaar is, ongeacht waar die staat.

Als je een IT-manager bent in een middelgroot bedrijf, kun je nu al experimenteren met open-source data-oplossingen die vergelijkbaar zijn met Dremio. Je zou bijvoorbeeld Apache Arrow kunnen testen op een kleine dataset om te zien hoe snel je data kunt bevragen. Overweeg om een proof of concept te draaien waarbij je SAP-data combineert met data uit andere bronnen, zoals een CRM-systeem of een webshop. Het doel is niet om direct over te stappen, maar om te ervaren wat er nodig is om data uit verschillende systemen samen te brengen.

Als je een data-analist of business intelligence-specialist bent, kun je je voorbereiden op de komst van tabular foundation models. Dit zijn AI-modellen die specifiek zijn getraind op tabeldata, zoals verkoopcijfers, voorraadstanden of klantgegevens. Je zou kunnen onderzoeken welke datasets in jouw organisatie het meest geschikt zijn voor voorspellende analyses. Een optie is om nu al te beginnen met het opschonen en structureren van die data, zodat je straks klaar bent om de AI-functionaliteiten van SAP te gebruiken. Overweeg om een kleine dataset te labelen met bedrijfscontext, zoals productcategorieën of klantsegmenten, zodat een model daar betekenis aan kan geven.

Als je een ondernemer bent die overweegt te investeren in AI, is dit het moment om je data-architectuur te herzien. Je hoeft niet direct over te stappen, maar je kunt wel een plan maken. Een mogelijkheid is om een externe partij in te schakelen die een data-assessment uitvoert. Die partij kan in kaart brengen welke data je hebt, waar die staat en of die geschikt is voor AI-toepassingen. Overweeg om te vragen naar een roadmap die aangeeft welke stappen nodig zijn om je data toekomstbestendig te maken. Het gaat niet om morgen, maar om over een jaar of twee, wanneer SAP de nieuwe AI-functionaliteiten breed uitrolt.

Bron: Computable