SAP, Oracle en Palantir worden geconfronteerd met een ongemakkelijke realiteit: bedrijfsinformatie hoeft niet langer binnen hetzelfde systeem te leven dat transacties registreert. Decennia lang accepteerden grote bedrijven een bijna onvermijdelijke logica: als het ERP de financiën, inkoop, HR of logistiek beheert, leek het logisch dat ook geavanceerde analyses en automatisering afhankelijk waren van dezelfde leverancier.
Deze balans ondergaat momenteel een fundamentele verandering. Databricks, Snowflake en andere datainfrastructuurspelers duwen de bedrijfsgerichte kunstmatige intelligentie (AI) naar een andere laag: die van beheerde data, open formaten en agents die kunnen raadplegen, redeneren en handelen op basis van informatie die niet per se beperkt is tot één ERP of gesloten beslissingsplatform. Deze beweging betekent niet dat SAP, Oracle of Palantir verdwijnen, maar wel dat er vraag ontstaat naar waar de grootste toegevoegde waarde wordt gecreëerd.
Jarenlang werkte het klassieke model nog krachtig. Een bedrijf implementeert SAP of Oracle om kernactiviteiten te registreren: facturen, bestellingen, voorraad, contracten, loonadministratie en een groot deel van de dagelijkse bedrijfsvoering. Wanneer het tijd is voor AI-toepassingen, besluitvorming of procesautomatisering, ligt de natuurlijke keuze vaak bij dezelfde leverancier die het transactie-systeem beheert.
De oude macht van het ERP begint zich los te maken van de data
SAP en Oracle reageren snel. SAP versterkt Joule en de Business AI-strategie met geïntegreerde assistenten en agents in bedrijfsprocessen, ondersteund door data, beveiliging en governance. Oracle herconfigureert zijn Fusion Cloud-suite tot ‘agentic apps’: applicaties die gebruikers stimuleren om resultaten op te vragen in plaats van louter taken uit te voeren binnen de software.
Deze reactie is logisch. Als bedrijfssoftware beperkt blijft tot een transactie-database met UI-schermen, verschuift de waarde naar andere lagen. ERP’s blijven nodig omdat een bedrijf betrouwbare systemen vereist voor het registreren van inkoop, verkoop, loonadministratie, belastingen, productie en supply chain. Maar de laag die deze data interpreteert, koppelt aan andere systemen en besluitvorming aandraagt, begint los te komen.
Palantir vertegenwoordigt een ander model. Hun Ontology beperkt zich niet tot het raadplegen van tabellen; het probeert echte bedrijfsobjecten zoals fabrieken, voertuigen, bestellingen, producten en activa te modelleren en te koppelen aan acties, machtigingen en operationele flows. Volgens Palantir is de Ontology een operationele laag boven de digitale assets binnen Foundry, die data verbindt met hun reële tegenhangers.
Het resultaat kan bijzonder krachtig zijn, vooral bij complexe organisaties. Strategisch gezien is de kosten-batenverhouding duidelijk: hoe meer waarde deze semantische laag binnen een systeem genereert, des te moeilijker het wordt om ervan los te komen. Een bedrijf koopt niet alleen software, maar verhuist ook een deel van zijn operationele kennis naar een structuur die afhankelijk is van een leverancier.
Databricks en Snowflake werken vanaf de basis
De offensieve strategie van Databricks en Snowflake komt niet vanuit het ERP, maar via de datainfrastructuur. Hun uitgangspunt is dat bedrijfsinformatie bovenop de data moet worden opgebouwd, niet noodzakelijk binnen de applicatie waarin deze ontstaat. Dit omvat ERP-data, maar ook POS, e-commerce, CRM, sensordata, interne documenten, campagnes, voorraad- en logistieke systemen.
Databricks heeft een extra stap gezet met Genie One: een nieuwe lijn AI-agenten voor zakelijke teams. Volgens The Wall Street Journal is het product bedoeld voor professionals in financiën, marketing en sales om op basis van bedrijfsgegevens antwoorden te krijgen en beslissingen te nemen. De kern is Genie Ontology, een contextlaag die data, documenten, applicaties en mensen organiseert zodat de agents nauwkeuriger kunnen antwoorden.
Het voorbeeld van Albertsons Companies verduidelijkt deze verandering. De Amerikaanse supermarktketen gebruikt Databricks voor AI-gedreven inkoop en prijsstelling. Tijdens de Data + AI Summit legt Databricks uit dat Albertsons 70 miljard transatielijnen verwerkt in hun Lakehouse en relaties tussen artikelen en promoties modelleert met herbruikbare structuren die substitution, induced sales en cannibalisatie kunnen tonen.
De vraag is niet meer “Hoeveel verkocht deze kaas vorige week?” maar eerder: “Als we een agressieve promotie uitvoeren voor een merk, hoeveel kan deze afname veroorzaken bij huismerken, welk effect heeft dat op verwante producten en hoeveel rekruimte moet worden aangepast?” Vroeger kostte zo’n analyse weken van extractie, reconciliatie en analyse tussen ERP, logistiek en BI-tools. Nu is het de bedoeling dat een agent direct op een datalaag opereert die is voorbereid op dit soort beslissingen.
Accenture toont ook Albertsons als voorbeeld van de adoptie van ‘agentic’ oplossingen op Databricks voor prijsinformatie, inclusief historische analyse, voorspellingen en uitlegbaarheid voor categorie-managers.
Snowflake beweegt in een vergelijkbare richting. Het legt de nadruk op open architecturen, beheerde data en interoperabiliteit, zodat agents kunnen werken met betrouwbare definities en niet op losse interpretaties vertrouwen. Recente aankondigingen over open formaten en Iceberg moeten dataverkeer tussen verschillende tools mogelijk maken zonder vast te lopen in een propriëtaire laag.
De echte strijd ligt in de semantische laag
De fundamentele discussie draait niet om het vervangen van ERP door AI-agents, maar over wie de semantische laag van het bedrijf controleert. Met andere woorden: wie bepaalt dat een productcode tot een bepaalde familie behoort, dat een promotie invloed heeft op een bepaalde categorie, dat een winkel vergelijkbaar gedrag vertoont met een andere, dat logistieke vertragingen de marge-prognoses beïnvloeden of dat een commerciële beslissing impact heeft op voorraad, inkoop en cashflow.
Lang was die intelligentie verspreid over consultants, rapporten, interne processen en proprietary modules. Palantir zette het om in een operationele, hoog-waarde laag. SAP en Oracle proberen deze laag in hun suites te integreren. Databricks en Snowflake willen dat deze laag boven op de dataplatforms blijft bestaan.
Voor de directie wordt het een lastiger vraag. Het gaat niet alleen om het kiezen van een AI-tool, maar ook om waar de operationele ‘brain’ van het bedrijf wordt gebouwd en onder welke regels. Binnen het ERP kan de integratie natuurlijker zijn, maar ook afhankelijker. Binnen een afgesloten dataplatform kan snelle ROI worden behaald, maar de uitval lastiger te herstellen. Open data, die goed beheerd en herbruikbaar is, vraagt meer technische discipline maar biedt ook meer flexibiliteit en controle.
Het ERP blijft relevant: SAP en Oracle behouden hun sterke positie omdat ze transactieprocessen documenteren die niet improviseren. Palantir verliest zijn relevantie niet door de opkomst van lakehouse-gebaseerde agenten; zijn voorstel blijft aantrekkelijk voor organisaties die beslissingen, operaties en veiligheid willen integreren in complexe omgevingen. Maar het zwaartepunt verschuift.
Bedrijven die hun data beschouwen als bijproduct van het ERP, riskeren meerdere aankopen: een voor de transactie-infrastructuur, een voor analytics, een voor agents en een voor consultants die alles verbinden. Organisaties die hun data opzetten als een eigen strategisch actief, hebben meer vrijheid in het kiezen van modellen, agents en applicaties, zonder telkens hun architectuur te moeten herbouwen.
Bedrijfsartificiële intelligentie scheidt niet alleen menselijke taken van geautomatiseerde processen. Het scheidt ook de systemen die het bedrijf registreren van de systemen die het begrijpen. Deze scheiding kan de grote technologische strijd van het komende decennium worden.
Veelgestelde vragen
Betekent dit dat SAP en Oracle aan belang gaan verliezen?
Niet per se. Hun systemen blijven essentieel voor het vastleggen van kritieke processen. Wat verandert, is dat AI en automatisering ook buiten het ERP kunnen worden gebouwd, op een bredere datalaag.
Wat onderscheidt Palantir van Databricks of Snowflake?
Palantir biedt een gesloten, sterk geïntegreerde operationele laag voor het modelleren van objecten, besluiten en acties. Databricks en Snowflake werken meer vanuit datainfrastructuur en zetten in op agents die werken op beheerde, herbruikbare data.
Waarom zijn open formaten belangrijk in bedrijfs-AI?
Omdat ze de afhankelijkheid van een enkele leverancier verminderen en verschillende tools in staat stellen dezelfde data via gedeelde regels te consulteren. In AI helpt dat om agents te laten werken met consistente informatie.
Wat zijn de risico’s voor bedrijven?
Het grootste risico is dat men een nieuwe afhankelijkheid van technologie creëert terwijl men juist wil moderniseren met AI. Belangrijker dan welke AI-tool je koopt, is waar het operationele kennis- en data-ecosysteem wordt opgeslagen en beheerd.