AI in PIM: wat werkt en wat is nog hype

Waar werkt AI in PIM vandaag in productie?

AI in PIM werkt vandaag voor vier taken, mits een mens de output goedkeurt en het team de kwaliteit meet. Die taken zijn attribuutextractie uit ongestructureerde bronnen, vertaling, automatische classificatie en kanaalspecifieke omschrijvingen. Elke taak zet een bron die het model kan lezen om in een concept dat een productdata-steward snel kan controleren.

Drie gebieden blijven onbetrouwbaar: regelgevings- en compliancedata, consistentie tussen samenhangende attributen, en agents die workflows met meerdere stappen volledig zelfstandig uitvoeren. Op die gebieden is een fout duur, lastig te zien, of allebei.

Het patroon achter die verdeling is eenvoudig. AI presteert goed als het juiste antwoord in een bron staat die de reviewer kan zien. AI presteert ook goed op vrije tekst die een moedertaalspreker kan beoordelen. AI presteert slecht als het juiste antwoord afhangt van juridische feiten buiten de bron, of van regels die veel attributen tegelijk raken.

Dit standpunt volgt uit de these van de hub over het PIM-selectieproces: definieer eerst het datamodel en beoordeel daarna de tooling. AI versterkt een helder datamodel. Bij een vaag datamodel levert AI stellige waarden op voor attributen die niemand heeft gedefinieerd. In PIMvendors-selecties halen de kopers die toetsbare AI-eisen vóór de eerste demo hebben opgeschreven het meeste uit AI.

AI-toepassingen in PIM naar volwassenheid

PIMvendors beoordeelt elf AI-toepassingen op drie niveaus: Productierijp met review, Veelbelovend met waarborgen, en Nog niet klaar. De beoordeling weerspiegelt gebruik in productie met echte catalogi.

Waarom faalt AI op compliancedata en consistentie tussen attributen?

AI faalt op compliancedata omdat de juiste waarde een juridisch feit is, en een model kan dat feit alleen schatten. Een recyclebaarheidsklasse voor verpakking, een stoffenverklaring of een veiligheidswaarschuwing moet overeenkomen met een leveranciersverklaring, een testrapport of een wettekst. Een model dat een plausibele waarde schrijft, creëert aansprakelijkheid zonder bewijs.

NIST noemt dit faalpatroon confabulatie in zijn Generative AI Profile, NIST AI 600-1: met stelligheid gebrachte maar onjuiste inhoud. In productdata ziet confabulatie eruit als een waarde in het juiste formaat met het verkeerde getal. Een reviewer die formaat en plausibiliteit controleert, keurt die goed.

Regelgeving verhoogt de inzet. De PPWR geldt algemeen vanaf 12 augustus 2026, en het Digitaal Productpaspoort breidt vergelijkbare verplichtingen uit naar meer productgroepen. De pagina's over PPWR en verpakkingsdata en het Digitaal Productpaspoort behandelen beide verordeningen in detail.

Consistentie tussen attributen faalt om een structurele reden. Een model dat één attribuut genereert of controleert, heeft zelden de volledige set afhankelijkheden in beeld. Voltage, steker en doelmarkt moeten met elkaar kloppen. Materiaal, wasvoorschrift en textieletikettering moeten met elkaar kloppen. Deterministische validatieregels in het PIM vangen deze conflicten betrouwbaar af, en AI vervangt die regels niet.

AI kan op beide gebieden wel helpen. Een model kan ontbrekende compliancevelden markeren, voorstellen welk leveranciersdocument je moet opvragen, of records opsommen waarin attributen tegenstrijdig lijken. De mens of de regelengine beslist daarna.

Welke governance heeft AI in PIM nodig?

AI-output heeft dezelfde governance nodig als leveranciersdata: een benoemde eigenaar, een goedkeuringsstap en een kwaliteitsmaat. PIMvendors adviseert vijf controles voordat een AI-functie naar een productierecord schrijft.

1. Statusscheiding. AI-output komt in een concept- of voorstelstatus terecht, nooit direct in een goedgekeurd attribuut.
2. Herkomst. Elke AI-waarde legt het model vast, de versie van prompt of configuratie, het brondocument en de goedkeurder.
3. Routering op betrouwbaarheid. Waarden onder een vastgestelde betrouwbaarheidsdrempel gaan naar volledige review; waarden erboven naar steekproefreview.
4. Steekproeven. Reviewers controleren een vaste steekproef per batch, bijvoorbeeld 5 procent, en stoppen de batch als de fouten de afgesproken tolerantie overschrijden.
5. Afbakening. AI-functies staan uit voor attribuutgroepen die als regelgeving, veiligheid of juridisch zijn gemarkeerd.

De EU AI-verordening voegt een verplichting met een datum toe. De transparantieregels van artikel 50 gelden vanaf 2 augustus 2026. De openbaarmakingsplicht voor tekst dekt AI-gegenereerde tekst die wordt gepubliceerd om het publiek te informeren over zaken van algemeen belang. Er geldt een uitzondering als de tekst menselijke redactionele controle heeft doorlopen en iemand de redactionele verantwoordelijkheid draagt. Of een bepaalde kanaaltekst daaronder valt, is een vraag voor een jurist. Een vastgelegde goedkeuringsstap dient zowel kwaliteit als compliance.

Governance heeft ook een plek in de organisatie nodig. Het model voor productdatagovernance van Data, Proces, Mensen en Tooling geldt ongewijzigd voor AI. De AI-functie is tooling, dus de datadefinities, het goedkeuringsproces en de rollen van stewards komen eerst.

Wat kost AI in een PIM?

AI in een PIM kost je volume maal de eenheidsprijs van de leverancier, dus de eerste taak is het volume meten. Leveranciers verpakken AI als credits, verbruiksstaffels, add-onlicenties of inbegrepen bundels. De eenheden verschillen, waardoor lijstprijzen lastig te vergelijken zijn.

Reken elk aanbod om naar één getal: kosten per 1.000 artikelen per taak. Tel daar drie factoren bij op die aanbiedingen vaak weglaten:

• Hergeneraties. Reviewers keuren concepten af en vragen nieuwe aan, wat opnieuw credits verbruikt.
• Taalvermenigvuldiger. Vertaal- en omschrijvingstaken schalen mee met het aantal talen. Een Belgisch assortiment in Nederlands, Frans en Engels verdrievoudigt dat volume al snel.
• Verloop in de catalogus. Nieuwe producten, leveranciersupdates en seizoensassortimenten zorgen voor terugkerend volume bovenop de eerste achterstand.

Reviewinspanning is vaak de grootste kostenpost. Een goedkoop model dat veel correctie vraagt, kost meer dan een duur model dat een lichte controle vraagt. De gids voor PIM-prijsmodellen legt uit hoe AI-add-ons in de bredere licentie passen, en de pagina over PIM-kosten zet AI-credits in de TCO over vijf jaar. Veranker de onderhandeling op het volume dat je in je eigen test hebt gemeten. Vraag om een creditbundel die dat dekt, en leg tarieven bij overschrijding en afspraken over meenemen vast in het contract.

Hoe beoordelen kopers AI-claims van PIM-leveranciers?

Kopers toetsen AI-claims op hun eigen data met een vast protocol, omdat demodata van de leverancier weinig voorspelt over een specifieke catalogus. Demoproducten zijn schoon, goed beschreven en uitgekozen om te slagen. Jouw catalogus bevat gescande datasheets, inconsistente eenheden en leveranciersspreadsheets met samengevoegde cellen.

Het AI Claims Lab publiceert het testprotocol van PIMvendors. Het protocol bestaat uit vier delen:

1. Een vaste set van 200 producten die de koper aanlevert, met brondocumenten en een achtergehouden antwoordsleutel.
2. Vier taken: attribuutextractie, classificatie, vertaling en omschrijvingen.
3. Meetwaarden per taak: precision en recall per attribuut, nauwkeurigheid per klasse, het aandeel menselijke correcties voor tekst, tijd per artikel en kosten per artikel.
4. Een scoreformulier dat elke leverancier onder dezelfde omstandigheden invult.

Voer het protocol uit tussen de scenariodemo en het besluit. De scenariomethode van PIMvendors vraagt leveranciers al om echte use cases op data van de koper te laten zien, en de pagina over scenariodemo's legt het format uit. De AI-test breidt die logica uit met getallen.

Drie regels houden de test eerlijk. Elke leverancier krijgt dezelfde input en hetzelfde tijdvenster. Geen enkele leverancier ziet de antwoordsleutel. Elke leverancier geeft zijn configuratie, model en creditverbruik op. Een leverancier die de test weigert, vertelt je daarmee iets bruikbaars over zijn eigen vertrouwen.

Waar passen AI-eisen in een PIM-selectie?

AI-eisen horen vanaf het begin in het programma van eisen, gescoord zoals elke andere functionaliteit. Wie AI laat toevoegt, maakt er een tiebreaker van op basis van demo-indrukken.

PIMvendors toetst eisen aan een checklist van meer dan 400 eisen in 4 domeinen. AI-functionaliteit raakt alle vier de domeinen:

Schrijf elke eis zo dat ze te toetsen is. "Het systeem ondersteunt AI-verrijking" zakt voor die toets. "Het systeem haalt de 12 genoemde attributen uit pdf-datasheets en stuurt waarden onder een vastgestelde betrouwbaarheid naar review" slaagt. De pagina eisen voor AI-functies bevat de volledige set, en de pagina over PIM-eisen legt uit hoe je eisen toetsbaar maakt.

Hosting van data en trainingsvoorwaarden verdienen een eigen regel. Productdata bevat vaak nog niet gelanceerde producten, kostprijzen en leveranciersvoorwaarden. Vraag waar prompts en output worden verwerkt, hoe lang ze worden bewaard en of ze gedeelde modellen trainen. Leg de antwoorden vast in het contract.

Welke AI-gids lees je hierna?

Begin bij de taak die vandaag het meeste handwerk in je team kost, en lees daarna de gidsen over risico. Elke gids in deze pijler beantwoordt één kopersvraag met tests en eisen die je kunt hergebruiken. De gidsen zijn Engelstalig.

• AI-attribuutextractie: attribuutwaarden uit datasheets, handleidingen en leveranciersbestanden halen, en precision en recall per attribuut meten.
• AI-productomschrijvingen per kanaal: teksten per kanaal genereren uit goedgekeurde attributen, met controle van claims en meting van correcties.
• AI-vertaling van productcontent: machinevertaling met glossaria en nabewerking in de 24 officiële EU-talen.
• Automatische classificatie met AI: producten toewijzen aan interne taxonomieën, ETIM, ECLASS en GS1 GPC.
• Agentic PIM: een realiteitscheck: wat agents vandaag veilig wel en niet kunnen in productdata.
• Productdata voor AI-shoppingagents: waarom gestructureerde, volledige attributen en schema.org Product-markup de zichtbaarheid in AI-shoppingassistenten bepalen.
• AI Claims Lab: het testprotocol en scoreformulier van PIMvendors voor AI-claims van leveranciers.

Na de AI-gidsen is de volgende stap in de koperreis een gestructureerd bewijs. De pagina over de PIM proof of concept laat zien hoe je de AI-test opneemt in een breder bewijs op je eigen data.