Met de snelle opkomst van Artificial Intelligence (AI) gaan veel sectoren ingrijpende veranderingen doormaken. Zo zijn, in de bancaire sector, de veranderingen nu al ingrijpend. In combinatie met geopolitieke spanningen, verstoringen in de supply chain en veranderende regelgeving opereert procurement vandaag in een bijzonder volatiele wereld waar up-to-date data belangrijker zijn dan ooit tevoren.
Essentiële AI-vaardigheden voor de procurement professional
In 2026 is het niet langer: “We moeten experimenteren met AI”, maar eerder “Hoe zorgen we ervoor dat we relevant blijven door AI effectief in te zetten in onze bestaande systemen en processen?”
En ook: De vraag is niet of AI procurement professionals gaat vervangen. Maar vooral is het echte risico dat procurement professionals die AI begrijpen diegenen vervangen die dat niet doen.
Kortom inzet van AI verschuift van experimenteren naar toepassen en dat vraagt om nieuwe vaardigheden van procurement professionals.
Welke AI-vaardigheden heb je dan nodig als procurement professional om relevant te blijven?
1. Data-geletterdheid
Aan de basis van elke AI-toepassing ligt data.
Data-geletterdheid betekent niet dat je data wetenschapper moet worden. Het betekent wel dat je in staat bent om:
- dashboards en analytics-uitkomsten te interpreteren
- basisstatistiek te begrijpen (gemiddelde, variatie, correlaties)
- datagaten of inconsistenties kunt identificeren
- Kunt beoordelen of data betrouwbaar zijn.
AI-modellen zijn slechts zo sterk als de data waarop ze zijn getraind. Als je spend cube gefragmenteerd is of je leveranciersdata verouderd zijn, zal zelfs de meest geavanceerde AI verkeerde aanbevelingen doen.
In de praktijk betekent data-geletterdheid dat je vragen stelt zoals:
- Op welke dataset is deze analyse gebaseerd?
- Beïnvloeden verouderde prijzen dit model?
- Welke variabelen ontbreken?
Procurement professionals die data kritisch kunnen analyseren – en niet alleen consumeren – zullen betere sourcingstrategieën ontwikkelen.
2. De juiste vragen stellen
AI-tools zoals ChatGPT, Copilot en Claude zijn inmiddels onderdeel geworden van dagelijkse procurement-workflows. Ze helpen bij het opstellen van leveranciersmails, het samenvatten van contracten, het structureren van RFx-documenten en het analyseren van financiële rapporten.
Maar de kwaliteit van de output hangt af van de kwaliteit van de input.
De juiste vragen stellen aan een AI tool (ook wel: “Prompt engineering” genaamd) is in essentie gestructureerd denken. Het omvat:
- het definiëren van de rol (“Je bent een procurement-analist”)
- het specificeren van de taak
- het geven van relevante context
- het stellen van beperkingen (toon, formaat, focus)
Bijvoorbeeld:
“Vat de drie belangrijkste financiële risico-indicatoren samen uit het jaarverslag van deze leverancier. Focus specifiek op liquiditeit en schuld-ratio’s. Gebruik duidelijke, zakelijke taal.”
Duidelijke instructies leiden tot direct bruikbare output. Vage instructies leiden tot generieke samenvattingen.
3. Validatie van AI-modellen (“Trust, but verify”)
Naarmate AI-tools steeds vaker worden geïntegreerd in ERP-systemen, contractmanagement platforms en spend analytics dashboards, moeten procurement professionals vaardigheden ontwikkelen in het valideren van modellen.
AI-systemen kunnen overtuigende maar onjuiste conclusies genereren. Een foutieve leveranciersrisicoscore of een onjuiste besparingsprognose kan leiden tot slechte onderhandelingsstrategieën of compliance-risico’s.
Validatie betekent onder andere:
- outputs controleren met onafhankelijke data
- leveranciers vragen hoe modellen zijn getraind
- optimalisatiedoelstellingen begrijpen
- foutmarges beoordelen
Het principe is eenvoudig: vertrouw AI, maar controleer het.
Het menselijk oordeel blijft altijd noodzakelijk.
4. Voorspellende analyses
Door AI kunnen eenvoudige rapportages voorspellende analyses worden.
Voorbeelden: spend-platformen kunnen nu ook voorspellende risicoscores gernereren. Market intelligence-tools voorspellen commodity-prijzen. AI-systemen anayseren de financiële gezondheid van leveranciers.
Maar interpretatie is belangrijker dan de voorspelling zelf. Denk aan:
- het verschil tussen correlatie en causaliteit
- betrouwbaarheidsintervallen en onzekerheid
- waarom voorspellingen in de tijd veranderen
- wanneer je moet handelen – en wanneer niet
“Predictive analytics” vervangt ervaring niet. Het versterkt die, het echte voordeel ontstaat wanneer de output van AI wordt gecombineerd met kennis van de context.
5. AI-gedreven leveranciersrisico management
Wereldwijde supply chains blijven kwetsbaar. Invoertarieven veranderen, politieke instabiliteit verstoort transportroutes en valutavolatiliteit beïnvloedt kosten.
AI-gedreven risicomonitoringplatformen volgen tegenwoordig:
- signalen van financiële stress
- geopolitieke risico’s
- ESG-compliance risico’s
- Verstoringen
In 2026 is risicomanagement niet langer statisch, maar continu. AI-alerts zijn echter inputs, geen beslissingen.
De procurement professional moet daarom:
- bepalen welke risicosignalen relevant zijn voor zijn/haar commodity
- bepalen wanneer hij/zij gaat ingrijpen (interventiedrempels vaststellen)
- diversificatie (bijv. multi vendor vs. single vendor) afwegen tegen kostenefficiëntie
De rol verschuift van brandjes blussen naar brandjes voorkomen.
6. Natural Language Processing (NLP) voor contractanalyse
Handmatige contractanalyse is traag en foutgevoelig. NLP-tools kunnen duizenden contracten analyseren om:
- clausules samen te vatten en een oordeel over te vellen over de relevantie
- afwijkingen van standaardvoorwaarden te identificeren
- aansprakelijkheidsrisico’s te signaleren
- niet-conforme taal te detecteren
AI bepaalt echter niet wat “goed” is. Procurement- en juridische teams moeten de criteria definiëren.
De vaardigheid ligt in:
- het vaststellen van standaard clausules
- het constateren van afwijkingen
- het identificeren van risico’s in artikelen
AI fungeert als eerste analyse. Mensen blijven verantwoordelijk voor het uiteindelijke oordeel.
7. Spend analyses en risico's
Traditionele spend analyse kijkt naar het verleden. AI-gedreven spend analyse kan patronen en afwijkingen bijna realtime identificeren:
- spend segmenteren per categorie, leverancier en business unit
- maverick spend detecteren
- afwijkingen onderzoeken
- de analyses vertalen naar sourcingstrategieën
De waarde zit niet in dashboards genereren, maar in het vertalen van patronen die je constateert in acties. Analyse zonder actie is ruis.
8. AI-ethiek, vooroordelen en compliance
Nu AI een steeds grotere rol speelt bij leveranciersselectie en risicoscores, nemen ook de gevaren rondom het gebruik ervan toe.
Algoritmes die zijn getraind op historische data kunnen onbedoeld vooroordelen versterken. Ondoorzichtige scoringsmodellen kunnen botsen met transparantievereisten, vooral in gereguleerde sectoren.
Daarom is het belangrijk:
- Te begrijpen welke algoritmes toegepast zijn in de AI applicaties en vooral te weten op welke data de applicaties getraind zijn
- Om de relevante regelgeving te kennen.
Compliance is niet langer een controle achteraf. Dit moet vanaf het begin in AI-processen worden geïntegreerd en wordt steeds belangrijker naarmate wereldwijde AI-regelgeving zich verder ontwikkelt.
9. Integratie van digitale tools
AI functioneert zelden op zichzelf. Het is geïntegreerd in:
- ERP-platformen
- procurement suites
- leveranciersportalen
- risicomonitoringssystemen
- contract lifecycle management tools
Het is van belang te weten hoe deze systemen met elkaar verbonden zijn en welke functie AI hierin heeft. AI toevoegen aan gefragmenteerde systemen zonder gestructureerde data creëert meer risico dan waarde.
Denk daarom in IT architecturen en kijk niet alleen naar het dagelijkse werk.
10. Strategisch denken in een AI-gedreven rol
Misschien wel de belangrijkste verschuiving is strategisch. Nu AI steeds meer transactionele taken automatiseert, verschuift de focus van procurement professionals naar:
- leveranciersrelatiemanagement
- scenario denken
- stakeholder alignment
- risicomanagement
- langetermijn categorie-strategie
Vooral het scenario denken wordt cruciaal in volatiele markten. Je zult verstoringen, valutaschokken of grote leverings problemen moeten simuleren voordat ze plaatsvinden – en passende “contingency” plannen moeten ontwikkelen.
De waarde van procurement verschuift daarmee hoger in de value chain.
Van uitvoerder naar regisseur
De nieuwe procurement professional is dus lange termijn gericht. En dus:
- data-geletterd
- AI-vaardig
- risicobewust
- strategisch
- governance-gericht
De meeste organisaties bevinden zich nog in de overgang van AI-experimenten naar selectieve, impactvolle implementaties. De skill gap is reëel.
Maar deze vaardigheden zijn te leren.
Begin met data-geletterdheid en gestructureerde vraagstelling aan AI tools.
Voeg modelvalidatie en ethisch bewustzijn toe.
Ontwikkel voorspellende interpretatie en scenario modellering.
En verschuif richting strategisch leiderschap.
Procurement ontwikkelt zich tot een hybride discipline, waarin menselijk oordeel en machine-intelligentie samenwerken.
Diegenen die deze samenwerking kunnen regisseren, blijven niet alleen relevant, maar zullen de toekomst van procurement bepalen.
Het moment om deze vaardigheden te ontwikkelen is niet wanneer AI verplicht wordt. Het moment is nu – terwijl je nog de kans hebt om de transitie te leiden in plaats van erop te reageren.
