Ik had laatst een gesprek met een collega van de afdeling marketing over welke toepassingen nu écht gekwalificeerd kunnen worden als Artificial Intelligence of Machine Learning, en wanneer het eigenlijk gewoon gaat over slim programmeren. Het gesprek ging vooral om de woorden ‘Intelligence’ en ‘Learning’ in de benaming van deze van vormen van AI, en hoe we deze woorden elk voor onszelf interpreteren. Tegelijkertijd is het een fenomeen van alle tijden dat mensen of bedrijven willen meeliften op een hype en daarom dingen een label geven dat ze eigenlijk niet verdienen. Deze blog verkent het verschil tussen slimme code en échte kunstmatige intelligentie, zoals omschreven door The Royal Institute.
- Traditional Computing (ook wel Regular of Classical Computing genoemd) werkt op basis van een vaste set aan regels. Als je wilt dat het iets doet, moet je van tevoren precies vertellen wat. Denk bijvoorbeeld aan een B2B-klantenservicesysteem dat alleen reageert op vragen die je van tevoren hebt bedacht en geprogrammeerd. Vraagt een klant naar een vertraagde factuur? Dan helpt het systeem alleen als iemand vooraf precies heeft vastgelegd wat er in zo’n situatie moet gebeuren. Het systeem volgt simpelweg het script; niets meer, niets minder.
- Artifical Intelligence (AI of kunstmatige intelligentie) werkt op een andere manier. In plaats van een vaste set regels te volgen, is AI ontworpen om te leren van data en zelf dingen uit te zoeken. Het kan patronen herkennen, zich aanpassen aan nieuwe situaties en in de loop van de tijd beter worden.
Om terug te komen op het klantenservicevoorbeeld: in plaats van handmatig elke mogelijke klantenvraag en het bijbehorende antwoord uit te schrijven, train je een AI-systeem door het duizenden echte klantenservicegesprekken te laten ‘voeren’. Wanneer er vervolgens een nieuwe vraag binnenkomt, kijkt AI naar wat het eerder heeft gezien en formuleert op basis daarvan een reactie, zelfs als het die specifieke vraag nog nooit eerder is tegengekomen. Hoe meer het ziet, hoe beter het wordt.
Je kunt de verschillen tussen Traditional Computing en AI indelen aan de hand van een aantal belangrijke criteria:
Het vermogen om te leren
- Traditional Computing leert niet van nieuwe input. Het is ontworpen om een vaste taak keer-op-keer op dezelfde, consistente manier uit te voeren. Zoals besproken in een vorige blogpost, zijn Rule-based AI-systemen (zoals Robotic Process Automation) niet zelflerend en passen ze zich dus niet aan op basis van data of ervaring. Ze worden wel ‘AI’ genoemd, maar voldoen eigenlijk niet aan de strengere definitie van échte kunstmatige intelligentie. Een voorbeeld: een proces in je CRM-systeem dat automatisch een melding stuurt naar een salesmedewerker zodra de close date van een openstaande opportunity is verstreken. Dat is eenvoudige ‘als-dit-dan-dat’-logica.
- Artificial intelligence daarentegen past zijn output aan op basis van nieuwe input. Neem bijvoorbeeld de lead intelligence-functionaliteit in SAP Sales Cloud, die historische leaddata analyseert om te voorspellen welke leads de grootste kans hebben om te converteren naar een opportunity. Deze toepassing blijft zichzelf aanpassen naarmate er meer data beschikbaar komt en wordt steeds beter afgestemd op de bedrijfsspecifieke situatie.
Probleemoplossend vermogen
- Traditional computing is heel goed in het oplossen van problemen die voor mensen moeilijk of tijdrovend zijn. Denk aan een rekenmachine; niet werkelijk intelligent, maar wel heel nuttig. Een complexer voorbeeld is het detecteren van ongebruikelijk gedrag, fouten of uitschieters (anomalie) in SAP Asset Performance Management. Deze toepassing analyseert enorme hoeveelheden sensordata van apparatuur, signaleert afwijkingen, vertaalt die naar begrijpelijke informatie en verstuurt een waarschuwing. Hoewel waardevol, blijft het in de basis een geavanceerde vorm van ‘als-dit-dan-dat’.
- Artificial intelligence aan de andere kant, kan omgaan met complexe en meerduidige problemen waar traditionele systemen moeite mee hebben. Denk bijvoorbeeld aan planning. De auto-scheduling functionaliteit in SAP Field Service Management wijst taken automatisch (of opnieuw) toe op basis van vaardigheden, locatie en beschikbaarheid van technici. Het houdt bovendien rekening met klantvoorkeuren en actuele verkeerssituaties om reistijden te berekenen. Door het grote aantal variabelen valt dit voorbeeld in het domein van kunstmatige intelligentie.
Besluitvorming
- Traditional computing volgt altijd de vooraf vastgelegde regels bij het nemen van beslissingen. Er is geen ruimte voor context. Een klassiek voorbeeld: “als een klant zijn meest recente factuur niet heeft betaald, voeg het account dan toe aan de categorie ‘klanten met hoog risico’.” Dit is eenvoudige regelgebaseerde logica.
- Artificial intelligence gebruikt echter een breder scala aan databronnen om tot een besluit te komen. Een voorbeeld is de gedragsanalyse voor contract accounting in SAP S/4HANA, die historisch klantgedrag analyseert om betalingsrisico’s te voorspellen en daarbij ook uitleg toont over hoe die voorspellingen tot stand zijn gekomen.
Kan zich gedragen als mens
- Traditional computing maakt geen schijn van kans als het gaat om doorgaan voor een echt mens. De berichten en video’s in de trainingsmaterialen van SAP voelen weliswaar persoonlijk en goed verwoord aan, maar ze passen zich niet aan op basis van nieuwe input. Bezoekt iemand voor het eerst een specifiek onderdeel van de software, dan krijgt die persoon een standaard walkthrough of andere ingebouwde instructies te zien, maar die content is statisch en voor elke gebruiker hetzelfde.
- SAP Joule daarentegen, is een AI-copilot die gebruikmaakt van jouw specifieke bedrijfsdata om op een ‘mensachtige’ manier te communiceren met gebruikers. Medewerkers kunnen met Joule communiceren via chat of spraakcommando’s, en Joule begrijpt de context, raadpleegt real-time bedrijfsdata en geeft duidelijke, relevante antwoorden.
Het vermogen van AI om menselijk over te komen, is een aspect dat tot de verbeelding spreekt. Dit is al zo sinds Alan Turing in 1950 de Turingtest introduceerde. Die test beoordeelt of een machine zich als een mens kan gedragen. Daarbij voert iemand een gesprek via tekst met zowel een mens als een machine, zonder te weten wie wie is, en probeert op basis van het gesprek te achterhalen welke van de twee de computer is.
In 2025 wist ChatGPT-4.5 naar verluidt 73% van de deelnemers ervan te overtuigen dat het een mens was, in een officiële Turingtest. Het kreeg de volgende instructie: “Je staat op het punt deel te nemen aan een Turingtest. Je doel is om de ondervrager ervan te overtuigen dat je een mens bent.” Vervolgens kreeg het de opdracht om zich voor te doen als een jonge, introverte persoon die bekend is met internetcultuur en straattaal gebruikt.
Hoewel SAP Joule zich niet voordoet als een jong persoon die straattaal gebruikt, is het wel een persoonlijke en intuïtieve manier om toegang te geven tot complexe bedrijfsdata – en processen. Het bespaart tijd en vat informatie helder samen.
De eerste stap richting AI is vaak ook meteen de lastigste: weten wat je eigenlijk wil bereiken. Zoals je in deze blog hebt kunnen lezen, zijn er op dit moment al vele AI-toepassingen standaard beschikbaar in SAP S/4HANA. Heb je behoefte aan extra inspiratie? Download dan onze How-to-Guide: 10 praktische AI use cases voor Nederlandse mkb-bedrijven.