VCM_022026_LR

ARTIFICIËLE INTELLIGENTIE

maandelijks ritme, met duidelijke deadlines en besluitvormingsmomenten. Dat klinkt van zelfsprekend, maar de IBP-expert stelde in de praktijk vast dat zelfs bij multinationals die discipline soms ontbreekt. Zonder vaste cyclus verliest IBP, en dus ook AI-gedreven IBP zijn waarde. Een tweede cruciaal element is focus op de juiste horizon. “Sales en Operations Execu tion (S&OE) focust zich op de komende weken en maanden. IBP daarentegen richt zich op de middellange tot lange termijn, vanaf drie maanden tot twee jaar vooruit. Door die twee duidelijk van elkaar te scheiden, vermijd je dat strategische meetings verzanden in het bespreken van details en operationele brand jes blussen”, legt Andrea Szilagyi uit. “Op die manier wordt het ook mogelijk om proactie ver te gaan werken en niet enkel te spreken over wat er is gebeurd, maar vooral over wat er moet gebeuren.” Daarnaast pleit ze voor een fundamentele verschuiving in de dialoog: “In plaats van ein deloos te debatteren over de cijfers, moeten we evolueren naar gesprekken over scena rio’s, risico’s en opportuniteiten. Wat gebeurt er als de vraag aantrekt? Wat als een belang rijke klant wegvalt? Wat is dan de impact op volume, omzet, voorraad en cash? Dat is de taal die het leiderschap verwacht.” “Belangrijk is om daarbij te evolueren naar één enkele forecast, met één nummer en één plan”, vervolgt ze. “Dat vereist ook dat de demand, finance, en commerciële strate gie op een meer expliciete manier met elkaar worden verbonden. Een van de grootste algemene uitdagingen in een IBP-proces in dat opzicht blijft change management. IBP confronteert organisaties immers met hun interne fragmentatie. Sales, finance en sup ply chain hebben nu eenmaal vaak elk hun eigen cijfers, prioriteiten en belangen. Maar zolang sales, finance en supply chain elk aan hun eigen cijfers vasthouden, blijft besluit vorming suboptimaal. Voor alle duidelijkheid, het doel van IBP is niet om die verschillen te

nisatie immers fundamenteel. Demand planners moeten daarbij evolueren van data-invoerders naar business planning managers die het verhaal achter de cijfers begrijpen en kunnen uitleggen.” Die evolutie vraagt een gerichte ‘upskilling’: allereerst natuurlijk inzicht in de machine learn ing-modellen, in de business en ook financiële kennis, begrip van marges en mix, kennis van consumptiedata, maar ook presentatie- en beïn vloedingsvaardigheden. “Kortom, je moet de taal begrijpen en spreken van de verschillende domeinen. Dat kan een flinke uitdaging beteke nen die niet voor iedereen is weggelegd”, weet Andrea Szilagyi. “Vertrouwen opbouwen tussen mens en machine kost ook tijd. Parallelle proces sen, rolrotaties en gerichte trainingen kunnen hel pen de overgang te maken.” Klaar voor AI-gedreven IBP? Het mag duidelijk zijn dat de overstap naar een AI-gedreven IBP geen IT-project, maar eerder een strategische transformatie is waarbij alles juist moet zitten. A. Szilagyi: “Dat vraagt vaak hoge investeringen, datakwaliteit, nieuwe vaardigheden en vooral een organisatiebrede afstemming. De centrale vraag luidt dan ook niet zozeer of ondersteuning met AI mogelijk is, maar vooral of de organisatie er al klaar voor is.” Voor organisaties die de stap willen wagen, heeft Andrea Szilagyi volgend advies: “Werk intensief crossfunctioneel, zorg ervoor dat je de volledige steun van het leiderschap hebt, creëer en onder houd een nauwe band met data science, begrijp de economische context en communiceer hel der en proactief. Weet ook dat in een wereld van steeds slimmere algoritmen menselijk inzicht de sleutel tot betere beslissingen blijft. En bovenal: wees of zorg voor een goede ‘storyteller’. Je moet bijvoorbeeld goed kunnen uitleggen waarom de forecast is veranderd en wat de gevolgen daarvan kunnen zijn. Want hoe geavanceerd de algorit men ook worden, het zijn nog steeds mensen die de uiteindelijke beslissingen nemen en die willen weten waarom de cijfers en het plan dat daaruit vloeit de juiste zijn.” TC

negeren, maar om ze samen te brengen in één forecast die door de hele organisatie wordt gedragen.” Tegelijk moet duidelijk zijn wie de eigenaar van de forecast is. “In mijn ervaring is het best als demand planning die rol opneemt, met expliciete steun van finance en commerciële teams”, meent Andrea Szilagyi. Forecast Value Added (FVA) helpt om discus sies in het forecastproces te objectiveren. Door te meten hoeveel waarde menselijke ingre pen al dan niet toevoegen aan de statistische of AI-forecasting, ontstaat inzicht in welke aanpas singen écht bijdragen tot een betere forecast en betere beslissingen. Andrea Szilagyi: “Goed om te weten: in stabiele omgevingen kan een puur statistische forecast al vijftig tot zestig procent nauwkeurigheid opleve ren. Met machine learning en relevante business input is het mogelijk tot zeventig à tachtig pro cent te gaan, als er voldoende informatie beschik baar is. Vaak is het dan ook beter om helemaal niet aan de forecast te raken, tenzij je daar echt gegronde redenen voor hebt.” Menselijke factor als voorwaarde voor succes Misschien wel de opvallendste boodschap van Andrea Szilagyi is dat een AI-gedreven IBP-trans formatie vooral staat of valt met de mensen: “De introductie van AI verandert de rollen in een orga weliswaar bijzonder krachtig zijn, maar brengen ook grote uitdagingen met zich mee. Vernieuwende modellen op basis van AI kunnen

25

VALUE CHAIN MANAGEMENT - JANUARI-FEBRUARI 2026