Vergeet finetuning: orkestreer uw ERP AI

Als je met leidinggevenden in de maakindustrie over AI praat, hoor je al snel hetzelfde doel: "We moeten een model op maat trainen met al onze historische ERP-gegevens, zodat het onze unieke bedrijfsactiviteiten leert kennen."

Geloof het of niet, ik hoor dit tegenwoordig vaker dan ooit. Leiders denken dat als ze twintig jaar aan aangepaste tabellen, verouderde code en unieke workflows in een groot taalmodel dumpen, de AI hun geheime formule op magische wijze zal overnemen, wat er ook gebeurt.

Laat ik het heel duidelijk stellen: dit toont aan hoe gebrekkig de daadwerkelijke kennis is over hoe moderne kunstmatige intelligentie werkt. Belangrijker nog, het is de snelste manier om enorm veel geld te verspillen aan een vastgelopen IT-project.

Stop met het trainen van GenAI op je oude ERP-gegevens. Het werkt niet, en eerlijk gezegd is het ook niet nodig.

Laat me precies uitleggen waarom de valkuil van finetuning bedrijfsbrede AI-initiatieven failliet zal laten gaan, en hoe ik iedereen adviseer om autonome agenten daadwerkelijk zeer specifieke bedrijfslogica te laten uitvoeren zonder hun budgetten te overschrijden.

De valkuil van de fijnafstelling

Wanneer IT-leiders het hebben over het aanleren van hun specifieke bedrijfsregels aan een AI, verwijzen ze meestal naar een proces dat finetuning. Dit houdt in dat een vooraf getraind model wordt genomen en dat de interne gewichten (de wiskundige verbanden die bepalen hoe de AI denkt en informatie waardeert) agressief worden aangepast door het te voeden met de zeer specifieke historische gegevens van uw bedrijf.

Vanuit architectonisch oogpunt zijn er drie cruciale problemen bij het finetunen van een AI op een verouderd ERP-systeem:

1. Semantische kloof

AI-modellen zijn vooraf getraind om wereldwijde, standaard zakelijke terminologie te begrijpen. Ze weten hoe een standaard order-to-cash -proces er in de hele branche uitziet. Als uw concurrentievoordeel verborgen zit in een aangepaste databasetabel met de naam t_z_special_discount_v3, kan de AI de tekst wel lezen, maar mist het volledig het contextuele begrip van wat die tabel daadwerkelijk doet. U vraagt in feite een briljant, maar gegeneraliseerd brein om een taal te lezen die slechts één gepensioneerde ontwikkelaar in uw bedrijf spreekt.

2. Extreme stijfheid

Fine-tuning komt er in feite op neer dat de AI rigide patronen moet onthouden. Als uw prijsstrategie volgende maand verandert om zich aan te passen aan een nieuwe marktverschuiving, is uw fine-tuned model direct verouderd. U bent dan gedwongen om de dure en tijdrovende trainingscyclus helemaal opnieuw te starten.

3. Het risico op hallucinaties

LLM's zijn fantastisch in talen, maar ze zijn verschrikkelijk in rigide wiskunde en complexe stroomschema's. Als je een probabilistisch model probeert te dwingen een bedrijfseigen supply chain-logica van 50 stappen te onthouden, kan ik je garanderen dat het uiteindelijk gaat hallucineren en vol zelfvertrouwen het verkeerde proces met lichtsnelheid uitvoert.

Als we de AI niet nauwkeurig afstellen, hoe zorgen we er dan voor dat deze ons unieke concurrentievoordeel begrijpt en benut?

In een moderne bedrijfsarchitectuur trainen de AI niet op basis van onze bedrijfsregels. We contextualiseren de AI en geven haar de juiste tools. Dit bereiken we via twee paradigma's: RAG en functieaanroepen.

RAG (Retrieval-Augmented Generation)

In plaats van de AI te dwingen uw complexe bedrijfsbeleid, leveranciersovereenkomsten of unieke magazijnregels uit het hoofd te leren, gebruikt u RAG.

Zie RAG als een openboekexamen voor de AI.

In plaats van het interne brein van de AI aan te passen, neem je alle documentatie van je geheime formule (je standaardwerkprocedures, je beleidshandboeken, enz.) en indexeer je deze in een beveiligde vectordatabase.

Wanneer een planner de AI vraagt: "Hoe gaan we om met een vertraagde levering van leverancier X voor deze specifieke productlijn?", gokt de AI niet op basis van zijn vooraf getrainde gegevens. Eerst doorzoekt hij uw vectordatabase. Hij haalt uw exacte, eigen regel voor dat specifieke scenario op, leest deze en formuleert een antwoord dat zijn flexibele intelligentie combineert met uw strikte, feitelijke regels.

Je hebt de AI nooit getraind. Je hebt hem simpelweg het exacte document gegeven dat hij nodig had, precies op het moment dat hij het nodig had. Als je beleid morgen verandert, hoef je alleen maar het document in de database bij te werken. Opnieuw trainen is niet nodig.

Functieaanroep: De agent als orchestrator

RAG is fantastisch voor tekst en bedrijfsbeleid, maar hoe zit het met transactionele bedrijfslogica? Wat als uw succesformule een zeer complex algoritme is dat op maat gemaakte vrachtkosten berekent op basis van realtime, meervariabele beperkingen?

Je wilt absoluut niet dat een LLM-afgestudeerde die berekeningen uitvoert. In plaats daarvan gebruik je functieaanroepen (agent-API's). Dit is precies waar het concept van uitbreidbaarheid van cloud-ERP echt tot zijn recht komt.

In een moderne cloud-ERP-omgeving zoals Infor LN is uw aangepaste bedrijfslogica niet langer verborgen in de kerndatabase, maar is deze gebouwd aan de rand van het systeem als een extensie, toegankelijk via beveiligde API's.

Met functieaanroepenmaak je het bestaan en het doel van je vrachtalgoritme direct zichtbaar voor de AI.

Je geeft de AI een digitale gereedschapskist. Je vertelt hem: "Wanneer een gebruiker vraagt om aangepaste vrachtkosten te berekenen, probeer dan niet zelf de berekening te maken. Roep deze specifieke API aan, voer de bestemming en het gewicht in en geef de gebruiker het exacte bedrag terug dat de API retourneert."

De AI transformeert in een orkestrator. Het fungeert als de intelligente brug tussen de menselijke gebruiker en jouw gepatenteerde, unieke technologie. De AI verwerkt de intentie in natuurlijke taal, maar jouw perfecte, op maat gemaakte API-extensie doet het eigenlijke zware werk.

Afwegingen

Om intellectueel eerlijk te zijn, moeten we erkennen dat het afstappen van finetuning en volledig vertrouwen op RAG en functieaanroepen geen wondermiddel is, en dat we vroeg of laat onvermijdelijk de pijnpunten zullen moeten aanpakken. Deze architectuur brengt zijn eigen compromissen met zich mee:

Latentie en tokenkosten: omdat RAG vereist dat de AI uw documenten elke keer dat een vraag wordt gesteld ophaalt en leest, voegt dit milliseconden (of seconden) toe aan de reactietijd. Bovendien verbruikt het herhaaldelijk verzenden van grote hoeveelheden opgehaalde context naar een LLM API meer tokens, waardoor uw operationele kosten op de lange termijn toenemen.
Retrieval Dependency: een RAG-systeem is slechts zo slim als zijn zoekmachine. Als uw vectordatabase het verkeerde bedrijfsbeleid ophaalt, zal de AI vol vertrouwen de gebruiker het verkeerde antwoord geven op basis van die gebrekkige context.
Moderniseringsvereiste: functieaanroepen gaan ervan uit dat uw ERP-architectuur modern genoeg is om uw bestaande aanpassingen als overzichtelijke, bruikbare API's beschikbaar te stellen. Als uw kernactiviteiten hopeloos verweven zijn met monolithische, verouderde code, zult u flink moeten investeren in het ontkoppelen en moderniseren van die logica voordat een AI-agent deze kan aansturen.

Mijn definitieve conclusie

De crisis waarmee gebruikers van traditionele ERP-systemen de komende tien jaar te maken krijgen, is niet dat cloudsystemen hun intellectueel eigendom zullen vernietigen. De harde realiteit is dat hun intellectueel eigendom momenteel vastzit in een formaat dat kunstmatige intelligentie (AI) niet kan gebruiken.

Als u een enorm rendement op uw investering in AI voor uw bedrijf wilt behalen, is het architectuurplan duidelijk:

Stop met het aanpassen van de kern van je ERP-systeem. Dit betekent niet dat je stopt met het aanpassen van het systeem aan je bedrijfsbehoeften. Het betekent dat je de basiscode strikt standaard houdt, zodat de AI deze zonder problemen kan lezen.
Stop met het proberen om AI-modellen te verfijnen op basis van onzuivere, verouderde data.
Herzie je eigen code en bouw deze opnieuw op als externe API's met behulp van moderne technieken.
Geef je AI-agenten toegang tot die API's via functieaanroepen en veranker hun kennis met behulp van RAG.

Uw eigen logica is de meest waardevolle troef van uw bedrijf. Stop met proberen deze aan een probabilistisch algoritme aan te leren. Maak er een hulpmiddel van, geef het aan de autonome agent en laat de intelligentie doen waar ze het beste in is: orkestreren.

Geschreven door Andrea Guaccio

14 april 2026