Even kort wat er gebeurt: SAP heeft een Duits AI-lab van 18 maanden oud overgenomen voor $1,16 miljard. Geen chatbot-startup, geen GPT-wrapper. Prior Labs bouwt Tabular Foundation Models, transformermodellen die rijen, kolommen en tabellen begrijpen. Precies de data waar onze klanten op draaien: inkooporders, debiteuren, voorraadposities, energiestromen, klantcontracten.
Met andere woorden: SAP koopt geen taalmodel. SAP koopt het vermogen om hun échte goud te begrijpen, de bedrijfsdata die al decennia in hun systemen staat.
Waarom dit ons als SUPERP raakt
SUPERP is in 1999 ontstaan uit frustratie over SAP-implementaties die rammelden aan alle kanten. Onze oprichters keken naar het geheel, het hele proces, van implementatie tot beheer. Dat is altijd onze positie geweest: daar staan waar het ingewikkeld wordt. Waar SAP, processen en business logic samenkomen.
En dat is precies waar deze acquisitie aan raakt. Want wat SAP nu probeert te doen, betekenis halen uit tabellen vol bedrijfsdata, dat is geen technologievraagstuk. Het is een procesvraagstuk. Wij zien dat dagelijks bij netbeheerders die migreren naar S/4HANA, retailers die Quality Engineering naar een hoger niveau willen tillen en producenten die hun verspreide systemen willen verbinden.
Een AI die rijen en kolommen “begrijpt” klinkt prachtig. Maar als de master data rommelt, als processen niet kloppen, als de S/4HANA-omgeving scheef staat dan voorspelt die AI alleen maar verfijnd nonsens. Garbage in, smart-looking garbage out.
Van system of record naar system of intelligence
| Vandaag: System of Record | Morgen: System of Intelligence |
| SAP slaat de transactie op. Een mens kijkt ernaar. Een mens beslist. Een mens voert de volgende stap uit. | SAP begrijpt de transactie. Voorspelt de volgende. Een agent stelt de actie voor. Een vakman beslist met meer context. |
Let op de laatste regel, een vakman beslist. Want hier ligt voor mij de kern: AI vervangt geen vakmanschap. Het verlegt waar vakmanschap nodig is. Niet meer in handmatige uitvoering, maar in het kalibreren, valideren en kritisch toetsen van wat de modellen voorstellen. Iemand moet snappen waarom die voorspelling klopt of waarom hij gevaarlijk fout is.
Wat we hieruit meenemen en wat we doen
Bij SUPlabs, ons co-innovatieplatform, werken we al jaren samen met klanten aan dit soort vraagstukken. Niet als hype, maar als concrete tracks: businesscases, pilots, Proof of Concepts. We doen het niet voor onze klanten, maar met hen. Dat is geen marketingboodschap; dat is hoe je voorkomt dat een AI-investering een dure PowerPoint wordt.
We eten ook ons eigen hondenvoer. Onze eigen backoffice draait sinds 2022 op mijn.SUPERP, een platform dat we volledig zelf bouwden op SAP UI5 en Node.js, omdat de standaard tools niet aansloten bij hoe wij werken. Datzelfde principe geldt voor AI: je leert het pas echt door het op je eigen processen los te laten.
Dus drie dingen die ik klanten meegeef nu deze deal er ligt:
- Investeer eerst in je fundament. Een AI-laag boven op een wankele S/4HANA-omgeving levert geen voorspellingen, maar problemen op schaal. Master data, integratie en procesdiscipline gaan vóór het AI-feestje.
- Denk in outcomes, niet in licenties. De vraag is niet “welke AI-module van SAP koop ik?”, maar “welke beslissing wil ik beter, sneller of automatischer maken?” Daar werk je terug naar de techniek, niet andersom.
- Houd vakmanschap in huis. Hoe slimmer de modellen, hoe meer je mensen nodig hebt die de output kunnen lezen, uitdagen en verbeteren. Dat is iets dat je niet inkoopt als losse dienst, dat bouw je samen op.
Tot slot
SAP betaalt $1,16 miljard om de stap te zetten van “opslaan” naar “begrijpen”. Dat is geen kleine verschuiving. Maar de waarde van die stap zit niet in het persbericht, die zit in wat onze klanten ermee gaan doen. En daar zijn wij voor.
