De AI-belasting: Wat de storing bij Amazon betekent voor ERP-systemen

De afgelopen maanden heb ik de onderliggende wrijving tussen generieke generatieve AI en rigide bedrijfsarchitecturen besproken. Deze week illustreerde een belangrijk branche-evenement perfect de dynamiek die ik me gemakkelijk kan voorstellen in fabrieken en binnen IT-afdelingen van bedrijven.

Volgens een recent bericht van CNBCheeft het management van Amazon's retailtechnologie onlangs een interne vergadering gehouden om een ​​reeks storingen op de website te bespreken die het afrekenproces en de prijsweergave beïnvloedden. Interne memo's wezen op een specifieke oorzaak: door AI ondersteunde codeaanpassingen.

Ontwikkelaars hadden generatieve AI-tools gebruikt om de implementatie van code te versnellen, waardoor onbedoeld het gebruikelijke menselijke toezicht en de bijbehorende controlemechanismen werden omzeild. Hoewel de tools de implementatiesnelheid verhoogden, introduceerden ze ook kritieke fouten. Als reactie hierop heeft Amazon zijn protocollen aangepast en vereist nu dat senior engineers AI-ondersteunde code, gegenereerd door minder ervaren medewerkers, grondig beoordelen.

Toen ik dit las, was de implicatie duidelijk: als een bedrijf met Amazons uitgebreide ervaring met cloudinfrastructuur tegen deze operationele problemen aanloopt met niet-geverifieerde AI-resultaten, moeten we ons serieus afvragen hoe we generieke AI-assistenten integreren in complexe ERP-systemen voor de maakindustrie.

De AI-belasting

Deze situatie weerspiegelt een bredere structurele uitdaging waarmee we tegenwoordig in elk digitaal transformatieproject te maken kunnen krijgen. Een recent wereldwijd onderzoek van Workday, getiteld "Beyond Productivity: Measuring the Real Value of AI", geeft eindelijk een concreet cijfer aan dit probleem en benadrukt een maatstaf die zij de AI-belasting noemen : 37%.

Volgens het rapport wordt 37% van de tijd die werknemers besparen door het gebruik van AI vervolgens besteed aan herwerk: het corrigeren, controleren en herschrijven van onnauwkeurige AI-resultaten. Voor elke 10 uur aan efficiëntiewinst worden bijna 4 uur opnieuw toegewezen aan het controleren van de gegenereerde inhoud.

Uit het onderzoek blijkt dat slechts 14% van de werknemers consequent netto-positieve resultaten behaalt met AI. Mijn waarneming is dat de vermeende productiviteitswinsten die we nastreven vaak een veel nauwkeuriger en kritischer onderzoek vereisen.

De auditlast voor juniorprofielen

De data biedt fascinerende inzichten in wie deze extra werklast daadwerkelijk op zich neemt. Workday identificeerde een demografische groep die ze de "optimisten met een laag rendement": voornamelijk jongere professionals (tussen 25 en 34 jaar) die frequent en enthousiast gebruikmaken van AI.

Dit benadrukt een paradox die steeds vaker voorkomt in de branche. Organisaties bieden vaak krachtige generatieve tools aan junior professionals, in de hoop dat dit leidt tot een snelle toename van de output van senior professionals. Zonder de operationele ervaring en het diepgaande oordeelsvermogen die zijn opgebouwd door jarenlange ervaring met het oplossen van problemen in echte toeleveringsketens, hebben minder ervaren professionals echter vanzelfsprekend moeite om snel te herkennen wanneer een AI een complexe bedrijfsregel verkeerd interpreteert.

Hoewel ze snel eerste concepten kunnen genereren, moet er vervolgens veel tijd en energie worden besteed aan een grondige controle van de output om systematische fouten te voorkomen. In wezen verplaatst de handmatige verificatie de werkdruk in plaats van deze te verminderen. Zoals het geval van Amazon aantoont, kan een gebrek aan diepgaand begrip van de onderliggende architectuur leiden tot het implementeren van logica die kernprocessen verstoort.

Precisie is niet onderhandelbaar

Een fundamentele regel moet leidend zijn bij onze benadering van deze tools: we moeten generatieve AI pas inzetten nadat we ons fundamentele werk hebben voltooid om het te verfijnen of te verbeteren, nooit ervoor om het helemaal vanaf nul te genereren. Dit leidt tot een goed gedocumenteerde cognitieve valkuil die bekend staat als automatiseringsbias. Zoals recente empirische studies uit 2024 en 2025 over de samenwerking tussen mens en AI aantonen, neigen menselijke beoordelaars er instinctief toe om een ​​voltooid resultaat van een machine snel en oppervlakkig te controleren, waarbij ze kritiekloos fouten accepteren die ze normaal gesproken zelf zouden ontdekken.

Neem het klassieke voorbeeld van een fysieke inventarisatie in een magazijn. Als je gebruikers een telformulier geeft waarop de door het ERP-systeem verwachte hoeveelheden al staan, zullen ze vaak het daadwerkelijke tellen overslaan, of het oppervlakkig doen, onbewust proberend hun aantallen te laten overeenkomen met de vooraf bepaalde waarde van het systeem. We gaan van nature uit van de aanname van de machine.

In vakgebieden zoals contentcreatie betekent een door AI gegenereerde fout vaak een snelle oplossing. Maar in bedrijfslogistiek en robuuste ERP-systemen zoals Infor LN 'goed genoeg' simpelweg geen haalbare strategie. We beheren stuklijsten (BOM's), crossdockingschema's en strikte kwaliteitsmanagementparameters. Als een gebruiker vertrouwt op generatieve AI om een ​​productieroute bij te werken of een doorlooptijd aan te passen op basis van een onjuist patroon, zet dit een kettingreactie in gang. Je kunt uiteindelijk de verkeerde grondstoffen bestellen of een fabriek volledig stilleggen. In supply chain-activiteiten is precisie een absolute vereiste. De Workday-gegevens bevestigen mijn observaties in de praktijk: herwerk komt vooral voor in functies waar nauwkeurigheid niet onderhandelbaar is. Je kunt niet bluffen met een fysieke magazijnontvangst.

De AI-belasting verlagen

Op basis van mijn ervaring met het in kaart brengen van bedrijfsprocessen, is het doel niet om het gebruik van AI te beperken. Het is de bedoeling om onze medewerkers te transformeren naar wat Workday de ' Augmented Strategist': ervaren professionals die AI gebruiken om datapatronen te identificeren en besluitvorming te ondersteunen, in plaats van het kernwerk volledig uit te besteden. In een eerder artikel noemde ik dit de 'Algorithm Auditor' .

Voor bedrijfsleiders die AI op een veilige manier in hun bedrijfsvoering willen integreren, raad ik de volgende strategische aanpassingen ten zeerste aan:

1. Heroverweeg de bespaarde uren: het sneller genereren van onjuiste gegevens leidt niet tot een echte productiviteitswinst. Organisaties moeten hun meetmethoden aanpassen en zich richten op het meten van daadwerkelijke resultaten en de nauwkeurigheid van de eerste poging.
2. Implementeer protocollen voor "Agentic Engineering": sta nooit toe dat een AI rechtstreeks naar de kerndatabases van uw SaaS-systeem schrijft zonder deterministische beveiligingsmaatregelen. Zoals ik al aangaf in mijn recente analyse over de gevaren van autonome agenten in ERP-systemen, blijft validatie door experts die de fysieke realiteit van uw bedrijf begrijpen absoluut essentieel.
3. Investeer opnieuw in menselijke expertise: in plaats van alle kostenbesparingen die AI oplevert te besteden aan verdere technologische infrastructuur, moeten bedrijven opnieuw investeren in de training van hun personeel. Het werkelijke operationele knelpunt is niet de snelheid waarmee de AI resultaten genereert, maar het vermogen van uw personeel om de output nauwkeurig te beoordelen en te valideren.
4. Zorg voor goed databeheer: hoogwaardige output vereist hoogwaardige input. Als uw bestaande ERP-data ongestructureerd of verouderd is, zullen AI-tools uw bestaande chaos eenvoudig verwerken en schalen. Lees mijn vorige artikel voor meer informatie.

De les die ik persoonlijk heb geleerd van de recente wijzigingen in de Amazon-protocollen, waarbij menselijke beoordelingsprocedures weer zijn ingevoerd, is vrij duidelijk. De implementatie van AI in duurzame ondernemingen draait niet om volumegroei. Het vereist de opbouw van veilige, gereguleerde en hooggekwalificeerde structuren.

Deze grenzen moeten worden verlegd, je moet er zelf de handen uit de mouwen steken en begrijpen dat menselijk vakmanschap een cruciaal element blijft voor echte bedrijfswaarde.

Geschreven door Andrea Guaccio 

3 april 2026