Je meet genoeg. Je hebt vier pakketten die ieder goed werken en niets van elkaar weten. Daar komt die tegenspraak vandaan.
AI is inmiddels een woord waar van alles onder valt. Er zijn twee soorten die je uit elkaar wilt houden. Modellen die iets voorspellen op basis van je eigen historie, en taalmodellen die documenten en losse tekst omzetten naar bruikbare gegevens. Ze stellen andere eisen aan je administratie en lossen andere dingen op. Haal je ze door elkaar, dan koop je het verkeerde.
Oogstprognose
Een prognose die op gevoel wordt bijgesteld, houd je niet vol richting een afnemer die zes weken vooruit inkoopt. Een model dat klimaat, registratie en werkelijke aanvoer per afdeling naast elkaar legt, werkt die prognose dagelijks bij.
De waarde zit in de timing. Je ziet een afwijking terwijl je er nog iets aan kunt doen, in plaats van bij de weekafsluiting.
Energie
Voor een belicht bedrijf is energie de grootste variabele kostenpost. De marktprijs kan iedereen opzoeken. Wat ontbreekt is de koppeling met wat jouw bedrijf komende weken werkelijk gaat verbruiken, gegeven je belichtingsschema, je warmtevraag en de fase waar de teelt in zit.
Ligt dat verbruiksprofiel eenmaal naast de actuele prijzen, dan wordt inkopen een besluit dat je kunt uitleggen. Achteraf kun je per teelt en per week terugkijken wat een moment je gekost heeft. Dat gesprek met je energieleverancier verloopt daarna anders.
Papier
Paklijsten, certificaten, CMR's, inkoopfacturen. Elke leverancier heeft zijn eigen opmaak en alles wat erop staat wordt daarna met de hand overgetypt. Hier zijn taalmodellen wel goed in: uitlezen, herkennen, controleren, wegschrijven naar Exact of AFAS of waar je team al in werkt.
Let bij de inrichting op wat er gebeurt als het model twijfelt. Zet die gevallen apart voor controle in plaats van ze door te boeken. Je team typt dan niet langer in, het beoordeelt uitzonderingen. Dat scheelt uren per week.
En dan de saaie laag eronder
Deze drie werken alleen als je de gegevens uit je bestaande pakketten bij elkaar brengt. Dat is meestal het eigenlijke project. Priva, Hoogendoorn of Ridder blijven staan, GreenCommerce blijft staan, de boekhouding blijft staan. Je legt er een laag onder die ophaalt, gelijktrekt en controleert.
Bouw je die laag eenmaal, dan kost de tweede toepassing een fractie van de eerste. Sla je hem over, dan begin je elk project weer bij het exporteren van een spreadsheet.
Waar we van afraden
Een model heeft historie nodig. Voor een ras dat je één seizoen draait valt er weinig te leren, hoe graag je het ook wilt. Voorspellingen op een proces dat elk kwartaal van opzet verandert, verouderen sneller dan je ze kunt bouwen. En een toepassing die niemand in het dagelijkse werk opent, levert nul op. Dat laatste zien we vaker dan een model dat rekenfouten maakt.
Begin klein. Neem één proces waar dubbel werk zit, controleer of de gegevens er al een seizoen in dezelfde vorm staan, en spreek vooraf af waarop je beoordeelt of het gewerkt heeft: uren, derving of doorlooptijd. Dat is een bescheidener start dan de meeste AI-verhalen beloven, en het draait nog als wij weg zijn.