Generatieve BI: in gesprek met uw data

(Deel 2 van de serie: De evolutie van ERP-intelligentie: van data naar agents)

In deel 1hebben we de taxonomie gedefinieerd.
We hebben vastgesteld dat GenAI de "assistent" is die context begrijpt. Maar voordat deze assistent aan de slag kan ( zoals de toekomstige Agentic AI), moet hij eerst een eenvoudigere, maar revolutionaire vaardigheid onder de knie krijgen: vragen over je data beantwoorden.

Om de noodzakelijke basis te leggen voor de autonome agenten van de toekomst, moeten we eerst een gebroken interface repareren: de gebruikerservaring met data.

De standaardinterface voor ERP-gegevens is het dashboard. Hoewel moderne BI-tools krachtig zijn, creëren ze vaak een kloof tussen de maker (die het rapport samenstelt) en de gebruiker (die het leest). Als een CEO vraagt: "Waarom is de marge in Italië gedaald?", toont het dashboard het cijfer. Om de onderliggende oorzaak te vinden, moet de gebruiker vaak filteren, inzoomen of – als de specifieke uitsplitsing niet vooraf is gemaakt – een analist vragen om een nieuwe weergave te creëren.

Generatieve BI (GenBI) overbrugt deze kloof. Het verschuift het paradigma van het configureren rapporten naar het communiceren met live data.

De beperkingen van statische BI

Traditionele business intelligence is gebaseerd op een "geconstrueerde antwoorden" :

De analist anticipeert op zakelijke vragen (bijvoorbeeld: "Verkoop per regio").
Ze maken een rapport of draaitabel.
De gebruiker consumeert het.

De beperking: Hoewel ervaren gebruikers deze rapporten kunnen aanpassen, ontbreekt het zakelijke gebruikers vaak aan de tijd of de technische kennis om dit te doen. Wanneer ze een vraag hebben die niet door de bestaande filters wordt beantwoord –"Toon mij de verkoopcijfers per regio, maar sluit de stopgezette artikelen uit het derde kwartaal uit"– loopt het proces vast. Ze zijn afhankelijk van het ontwerp van het rapport.

De "Tekst-naar-SQL"-revolutie

GenBI stelt elke gebruiker in staat om gegevens op te vragen met behulp van natuurlijke taal, waardoor de noodzaak voor drag-and-drop-vaardigheden vervalt dankzij een chatbalk. Dit is gebaseerd op een specifieke AI-architectuur die bekend staat als Text-to-SQL.

Bij gebruik van een GenBI-interface (zoals Wren AI of de functies voor natuurlijke taalquery's in Infor OS) verandert de workflow:

De prompt: De gebruiker vraagt: "Toon mij openstaande inkooporders voor leverancier 'SteelCorp' die meer dan 5 dagen vertraagd zijn."
De vertaling (LLM): Het Large Language Model analyseert het verzoek.
De semantische laag (de sleutel): De AI raadpleegt een "semantische laag" (een bedrijfswoordenlijst die termen koppelt aan databasetabellen). Het begrijpt dat "Leverancier" verwijst naar tccom100 en dat "Vertraagd" betekent dat de geplande ontvangstdatum wordt vergeleken met vandaag.
De uitvoering: Er wordt een nauwkeurige SQL-query gegenereerd, deze wordt uitgevoerd op de Data Lake en het live resultaat wordt geretourneerd.

Waarom de "semantische laag" belangrijk is: Zonder een semantische laag (zoals de Data Fabric in Infor OS) kan GenBI niet betrouwbaar functioneren. Als de AI niet precies weet hoe het ERP-systeem "brutomarge" of "tijdige levering" definieert, genereert het onjuiste query's. De technologie is slechts zo goed als de onderliggende datadefinities.

Van “Zoeken” naar “Navigatie”

Het doel van GenBI in een ERP-context is om de tijd tot inzicht te verkorten. Denk aan het verschil in de dagelijkse workflow:

De standaardmethode: Je ziet een rode KPI. Je navigeert naar het menu. Je opent de sessie Verkooporders. Je filtert op datum. Je filtert op status. Je vindt de order. Tot slot open je deze.

De GenBI-methode:

Vraag: "Laat me de 5 cruciale bestellingen zien die door een kredietcheck zijn geblokkeerd."
Weergave: Het systeem geeft direct de exacte lijst met order-ID's weer.
Navigeren: Je kopieert de ID (of klikt op de deeplink) en gaat direct naar de betreffende sessie om deze te deblokkeren.

De verschuiving: volledig geëlimineerd achterhalen wat aandacht behoeft,

Bekijk de video: Zie hoe tekst-naar-SQL-interfaces in de praktijk werken:

De opkomst van tekst-naar-SQL-tools

Deze verschuiving vindt niet alleen in één ecosysteem plaats. We zien een exponentiële toename van tools die specifiek zijn ontwikkeld om het probleem van "chatten met een database" op te lossen.

Hieronder vindt u een aantal belangrijke spelers die deze sector hervormen:

Wren AI: een open-source semantische engine die zich richt op nauwkeurigheid. Het blinkt uit door gebruik te maken van een "Modeling Definition Language" (MDL) om die cruciale semantische laag te creëren waar we het over hadden, waardoor de AI de bedrijfslogica begrijpt en niet alleen tabelnamen.
Vanna AI: Een op Python gebaseerde open-source bibliotheek waarmee ontwikkelaars een model specifiek op hun databaseschema kunnen trainen (met behulp van RAG). Het is zeer flexibel voor het bouwen van aangepaste interne tools.
Text2SQL.ai / Dataherald: Gespecialiseerde platforms die zich vaak richten op datawarehousing en een "API-first"-benadering bieden om zoekopdrachten in natuurlijke taal in bestaande dashboards te integreren.

Het verschil: terwijl tools zoals Vanna bibliotheken zijn waarmee ontwikkelaars aangepaste oplossingen kunnen bouwen, streven platforms zoals Wren AI ernaar om volwaardige GenBI-interfaces te bieden die direct beschikbaar zijn voor zakelijke gebruikers. In de Infor-wereld worden deze mogelijkheden rechtstreeks in het besturingssysteem geïntegreerd, maar de onderliggende logica blijft hetzelfde.

De realiteitscheck

Hoewel de technologie bestaat, is de implementatie van GenBI in een complex ERP-systeem voor de productie lastiger dan in een eenvoudig CRM-systeem.

Complexiteit: Infor LN bevat duizenden tabellen. De AI heeft een enorm contextueel geheugen om deze relaties te begrijpen.
Vertrouwen: Als de AI meldt "Voorraadwaarde is $5 miljoen", terwijl het Finance rapport "$5,2 miljoen" aangeeft, verdwijnt het vertrouwen van de gebruiker onmiddellijk.

GenBI is het oefenterrein voor de toekomst. Voordat we de sleutels overhandigen aan Agentische AI (besproken in deel 3), moeten we erop vertrouwen dat het systeem de gegevens correct interpreteert . Als het een vraag niet correct kan beantwoorden, kunnen we er zeker niet op vertrouwen dat het een taak autonoom kan uitvoeren.

Volgende onderwerp: we analyseren de "agentillusie"en onderzoeken waarom de hype rond volledig autonome agenten vaak botst met de harde realiteit van ERP-transacties, waardoor een serieuze strategie met "menselijke tussenkomst" noodzakelijk is.

Geschreven door Andrea Guaccio

22 december 2025