AI-eisen voor een PIM: governance, review, audit, kosten en nauwkeurigheid

Welke AI-eisen horen in een PIM-RFP?

Een PIM-RFP toetst AI op governance, review, audit, nauwkeurigheid en kosten. Een lijst met functies zegt weinig, omdat bijna elke PIM-leverancier inmiddels een vorm van generatie, extractie of vertaling aanbiedt. Deze pagina hoort bij de gids voor PIM-eisen, en alle eisen die hier staan, komen uit de gepubliceerde checklist.

Acht van deze eisen vallen in het procesdomein, want de controles rond AI wegen zwaarder dan het model erachter. De achtergrond per eis lees je op eisen voor proces en governance. De drie platformeisen gaan over prijsstelling en datalocatie.

Waar werkt AI in een PIM, en waar is het onbetrouwbaar?

AI in een PIM is bruikbaar en schaalbaar voor routineverrijking, en onbetrouwbaar voor regelgevingsdata, consistentie tussen attributen en volledig autonome agent-workflows. Je eisen volgen die tweedeling en behandelen AI dus als meerdere toepassingen met elk een eigen risico.

Deze tabel is het vertrekpunt. Je eigen proof of concept kan een toepassing hoger of lager laten uitkomen. Het bredere beeld van AI in productinformatiebeheer staat in de pijler over AI in PIM.

Hoe houd je AI in een PIM onder governance?

AI blijft onder governance als elke AI-waarde een voorstel is dat een benoemde rol accepteert voordat het masterdata wordt. De governance-eisen bepalen of AI tijd bespaart of juist een nieuwe foutenbron wordt.

PR-048 is de kerneis. AI-uitvoer komt in een reviewwachtrij terecht, waar een benoemde rol accepteert, aanpast of afwijst. Bulkacceptatie mag voor attributen met weinig risico, zolang het systeem de acceptatie per waarde vastlegt.

Met PR-050 sluiten beheerders attributen volledig uit van AI-generatie. Veiligheidswaarschuwingen, regelgevingswaarden en juridische teksten horen op die lijst. In PIMvendors-selecties spreekt het team die uitsluitingslijst vóór de demo af met de compliance-eigenaar.

Governance gaat ook over rechten. Een AI-taak draait met de rechten van de gebruiker die haar start. Wie geen bewerkrechten heeft op een attribuutgroep, mag die groep ook via AI niet kunnen vullen. Laat de leverancier dat tonen met een beperkte gebruiker, op dezelfde manier als je rechten op veldniveau test onder PR-014.

Welke audittrail hebben AI-waarden nodig?

Elke door AI gegenereerde waarde heeft een herkomstregistratie nodig die laat zien hoe ze tot stand kwam en wie haar accepteerde. Zonder die registratie kun je een AI-fout niet terugvinden of in de hele catalogus herstellen.

PR-049 vraagt per waarde om het model, de versie van de prompt of het sjabloon, de broninvoer, het tijdstip en de accepterende gebruiker. Verandert een promptsjabloon, dan zie je welke waarden uit de oude versie komen. Stapt de leverancier over op een andere modelaanbieder, dan zie je welke waarden opnieuw een review nodig hebben.

PR-053 voegt de bronlocatie toe voor geëxtraheerde waarden. Een reviewer die een geëxtraheerde spanning controleert, wil de pagina en de positie in het datasheet van de leverancier zien. Ontbreekt die verwijzing, dan wordt de review een tweede handmatige extractie.

Regelgeving voegt een tijdlijn toe. De AI-verordening is op 1 augustus 2024 in werking getreden, en de transparantieverplichtingen uit artikel 50 gelden vanaf 2 augustus 2026. Of specifieke verplichtingen op jouw productcontent van toepassing zijn, hangt af van de toepassing. De herkomst per waarde is het dossier waarmee je die vraag beantwoordt.

Hoe meet je de nauwkeurigheid van AI op je eigen data?

Je meet nauwkeurigheid door de AI van de leverancier op je eigen producten te laten draaien en bij te houden hoe vaak redacteuren een waarde accepteren, aanpassen of afwijzen. Claims die op demodata zijn gemeten, voorspellen weinig over jouw catalogus.

Een werkbaar testprotocol telt vier stappen.

1. Kies 50 of meer producten uit twee of drie families, met leveranciersdocumenten erbij als extractie binnen de scope valt.
2. Laat de AI draaien voor de toepassingen die je wilt inzetten: extractie, vertaling, classificatie of omschrijvingen.
3. Laat je redacteuren elke waarde beoordelen en per attribuut vastleggen of die is geaccepteerd, aangepast of afgewezen.
4. Vergelijk de percentages per attribuut en leg drempels vast voor de attributen die naar productie gaan.

PR-051 vraagt het PIM om die percentages zelf te rapporteren, per attribuut en per familie, zodat de meting na livegang doorloopt. De nauwkeurigheid verschilt per attribuut: een kleur haalt soms een hoge acceptatie, een technische maat vaak niet. De gids voor het beoordelen van AI-claims geeft een volledig testplan voor de evaluatiefase.

Hoe beheers je AI-kosten en datagebruik?

AI-kosten beheers je met zichtbare eenheidsprijzen, een kostenraming per taak en een plafond dat de koper zelf instelt. Datagebruik regel je met contractafspraken over training en verwerkingslocatie.

PL-042 vraagt dat het prijsmodel elke kostenmaatstaf benoemt, ook AI-credits of tokens. PL-047 vraagt een vaste prijs per eenheid en een maandplafond in handen van de koper. PR-052 toont de verwachte kosten van elke taak vóór de start en rapporteert het maandverbruik. Samen voorkomen deze eisen dat een geslaagde pilot een budgetprobleem wordt zodra alle redacteuren de functie gebruiken.

Voor datagebruik heb je twee contractafspraken nodig. PR-055 sluit je productdata uit van training van gedeelde modellen van derden, tenzij je zelf kiest voor opt-in. PL-015 houdt de AI-verwerking in de afgesproken regio, of legt de uitzonderingen vast in het contract. Producten die nog niet gelanceerd zijn en leveranciersdata zijn commercieel gevoelig, en AI-functies roepen vaak externe modelaanbieders aan.

Voor compliancedata zelf bestaat een aparte set eisen. Eisen voor regelgevingsdata laat zien welke attributen en welk bewijs menselijke controle nodig hebben, hoe goed de AI ook presteert.