De volgende grote stap in AI komt niet perse van nóg grotere taal­mo­dellen. Philipp Herzig, CTO van SAP, schrijft op LinkedIn dat een belang­rijk deel van de volgende door­braak juist in iets minder spec­ta­cu­laire, maar voor bedrijven veel rele­van­tere ontwik­ke­ling zal zitten: een beter begrip van bedrijfs­data. Met die bood­schap presen­teert het bedrijf tijdens ICML 2026, de Inter­na­ti­onal Confe­rence on Machine Learning, een reeks nieuwe onder­zoeks­re­sul­taten rond enter­prise AI.

Herzig vat die rich­ting kern­achtig samen: “The next break­through in AI isn’t a bigger model. It’s a better under­stan­ding of busi­ness data.” Daarmee zet SAP zich nadruk­ke­lijk af tegen het idee dat AI-inno­vatie vooral draait om schaal­grootte, para­me­ters en gene­rieke modellen. Voor bedrijfs­pro­cessen is de werke­lijk­heid vaak anders. Daar zit de waarde in tabellen, trans­ac­ties, rela­ties tussen systemen, opera­ti­o­nele regels, uitzon­de­ringen, klant­ge­ge­vens, voor­raden, orders en finan­ciële stromen.

Die data verschilt funda­men­teel van de publieke data­sets waarop veel AI-modellen worden getest. Enter­prise-data is vaak rela­ti­o­neel, sterk gestruc­tu­reerd, contex­t­af­han­ke­lijk en gevoelig. Boven­dien is de bete­kenis van een data­punt zelden los te zien van de bedrijfs­regel erachter. Een beta­ling, leve­ring, krediet­li­miet of afwij­kende order zegt pas echt iets wanneer het model begrijpt in welk proces die infor­matie wordt gebruikt.

Van generieke AI naar Business AI

SAP presen­teert op ICML 2026 meer­dere onder­zoeks­pro­jecten die alle­maal rond diezelfde vraag draaien: hoe maak je foun­da­tion models die niet alleen taal begrijpen, maar ook bedrijfs­data en bedrijfs­lo­gica? Herzig posi­ti­o­neerde eerder al “apps + data + AI” als SAP’s vaste formule voor impact, met de nadruk op AI die bouwt op betrouw­bare data en geïn­te­greerde bedrijfs­ap­pli­ca­ties.

Een van de belang­rijkste bijdragen is FlexTab, een flexi­bele encoder-deco­der­ar­chi­tec­tuur voor tabu­laire data. Dat klinkt tech­nisch, maar het probleem erachter is herken­baar. Veel AI-systemen zijn goed in tekst, beeld of code, maar bedrijfs­data zit vaak in tabellen: rijen en kolommen met klanten, producten, orders, prijzen, claims, facturen of sensor­data. Tradi­ti­o­nele machine learning-modellen worden meestal per dataset en per taak getraind. Voor clas­si­fi­catie is er een model, voor regressie een ander model, voor anoma­lie­de­tectie weer een aparte aanpak.

FlexTab probeert dat patroon te door­breken. De archi­tec­tuur gebruikt één taak­on­af­han­ke­lijke encoder die rijen uit tabellen omzet in alge­mene repre­sen­ta­ties. Daar­bo­venop komen taak­ge­richte deco­ders voor speci­fieke toepas­singen. Volgens de paper kan dezelfde basis daar­door worden ingezet voor onder meer clas­si­fi­catie, regressie, anoma­lie­de­tectie, clus­te­ring, entity matching en entity clas­si­fi­ca­tion in rela­ti­o­nele data­bases.

Waarom tabellen lastig zijn voor AI

De tech­ni­sche kern van FlexTab zit in de schei­ding tussen repre­sen­tatie en voor­spel­ling. Bestaande tabular in-context lear­ners koppelen de interne repre­sen­tatie van features vaak strak aan één speci­fiek voor­spel­lings­doel. Dat werkt goed zolang de taak duide­lijk is afge­ba­kend, bijvoor­beeld voor­spellen of een klant wel of niet zal afhaken. Maar het maakt herge­bruik voor andere taken lastiger.

FlexTab kiest daarom voor wat wel genoemd wordt “target-agnostic row embed­dings”: repre­sen­ta­ties van rijen die niet vooraf vast­zitten aan één speci­fiek doel. De encoder verwerkt de tabel en maakt alge­mene rijre­pre­sen­ta­ties. Vervol­gens gebruikt een decoder die repre­sen­ta­ties voor een concrete taak. In de paper wordt dit uitge­legd als een duide­lijke ontkop­pe­ling tussen “target-agnostic feature repre­sen­ta­tion” en “task-specific predic­tive mode­ling”.

Dat is vooral rele­vant voor enter­prise AI, omdat orga­ni­sa­ties zelden één nette dataset en één voor­spel­vraag hebben. Een retailer wil bijvoor­beeld niet alleen voor­spellen welke producten goed verkopen, maar ook afwij­kende trans­ac­ties herkennen, klant­re­cords matchen, segmenten ontdekken en verbanden leggen tussen orders, leve­ran­ciers en voor­raad­ta­bellen. Een bank wil niet alleen risico’s clas­si­fi­ceren, maar ook frau­de­pa­tronen vinden, enti­teiten koppelen en afwij­kingen in trans­ac­tie­stromen signa­leren.

Verder kijken dan classificatie en regressie

Bij machine learning zijn clas­si­fi­catie en regressie jaren­lang de domi­nante taken geweest. Clas­si­fi­catie draait om het indelen van data in cate­go­rieën, bijvoor­beeld fraude of geen fraude. Regressie draait om het voor­spellen van een getal, bijvoor­beeld omzet, lever­tijd of kosten. FlexTab is juist inte­res­sant omdat SAP het model ook test op taken die in bedrijfs­om­ge­vingen minstens zo belang­rijk zijn.

Anoma­lie­de­tectie helpt bij het vinden van afwij­kingen in processen, trans­ac­ties of opera­ti­o­nele data. Clus­te­ring kan patronen of groepen ontdekken zonder dat vooraf labels zijn meege­geven. Entity matching is belang­rijk wanneer dezelfde klant, leve­ran­cier of product­in­for­matie in meer­dere systemen voor­komt, maar net iets anders is vast­ge­legd. Entity clas­si­fi­ca­tion in rela­ti­o­nele data­bases gaat nog een stap verder: daar moet een model rede­neren over meer­dere tabellen die via rela­ties met elkaar verbonden zijn.

Volgens de onder­zoe­kers behaalt FlexTab state of the art-resul­taten op clas­si­fi­catie, regressie, anoma­lie­de­tectie en entity matching, terwijl het concur­re­rend blijft met gespe­ci­a­li­seerde modellen voor entity clas­si­fi­ca­tion in rela­ti­o­nele data­bases. De onder­zoe­kers bena­drukken ook dat de encoder en deco­ders zijn getraind op een grote verza­me­ling real-world, onge­la­belde tabellen.

Relationele data zonder gevoelige bedrijfsdata bloot te leggen

Naast FlexTab presen­teert SAP op ICML ook PluRel, een samen­wer­king met Stan­ford Univer­sity. Dit onder­zoek richt zich op synthetic rela­ti­onal data: kunst­matig gege­ne­reerde rela­ti­o­nele data waarmee onder­zoe­kers zoge­heten “scaling laws” voor rela­ti­o­nele foun­da­tion models kunnen onder­zoeken zonder toegang te hebben tot gevoe­lige bedrijfs­data.

Dat heeft alles te maken met een belang­rijk span­nings­veld in enter­prise AI. Aan de ene kant hebben modellen rijke, realis­ti­sche bedrijfs­data nodig om nuttig te worden. Aan de andere kant kunnen bedrijven die data niet zomaar delen, zeker niet wanneer het gaat om klant­in­for­matie, finan­ciële gege­vens, opera­ti­o­nele details of concur­ren­tie­ge­voe­lige processen. Synthe­ti­sche rela­ti­o­nele data kan hier een tussenweg bieden: voldoende struc­tuur om modellen beter te begrijpen en te trainen, zonder directe bloot­stel­ling van echte bedrijfs­ge­ge­vens.

Een ander onder­zoek, “Probing Memo­ri­za­tion of Tabular In-Context Learning”, kijkt naar memo­ri­satie in tabu­laire foun­da­tion models. Dat is belang­rijk voor vertrouwen en privacy. Wanneer een model te veel concrete trai­nings­voor­beelden onthoudt, kan dat risico’s ople­veren. SAP stelt dat de eerste resul­taten bemoe­di­gend zijn voor privacy onder realis­ti­sche omstan­dig­heden, al blijft dit een gebied waar vervolg­on­der­zoek nodig is.

Data alleen is niet genoeg

Opval­lend is ook een onder­zoek dat Herzig in zijn LinkedIn-post beschrijft als: “Statis­ti­cally Indis­tin­guis­hable, Opera­ti­o­nally Distinct”. De bood­schap daarvan is dat twee situ­a­ties statis­tisch sterk op elkaar kunnen lijken, maar opera­ti­o­neel toch iets anders kunnen bete­kenen. Voor bedrijfs­soft­ware is dat cruciaal. Een AI-model kan patronen in data herkennen, maar begrijpt daarmee nog niet auto­ma­tisch de bedrijfs­re­gels die bepalen wat er moet gebeuren.

Dat sluit aan bij SAP’s bredere posi­ti­o­ne­ring rond Busi­ness AI. De belofte is niet dat een gene­riek model ergens bovenop een ERP-systeem wordt geplakt, maar dat AI nauwer wordt verbonden met de bedrijfs­con­text waarin beslis­singen worden genomen.

Een vijfde onder­zoek dat SAP onder de aandacht brengt, kijkt naar de verschillen tussen tabu­laire enter­prise-data en publieke bench­marks. Dat is meer dan een acade­mi­sche nuance. Veel AI-modellen worden beoor­deeld op open­bare data­sets die goed beschik­baar, gestan­daar­di­seerd en rela­tief schoon zijn. Bedrijfs­data is vaak romme­liger, speci­fieker en afhan­ke­lijker van de context waarin zij ontstaat.

Daarmee zegt SAP in feite dat Busi­ness AI purpose-built foun­da­tion models nodig heeft. Niet omdat gene­rieke AI-modellen onbruik­baar zouden zijn, maar omdat bedrijfs­data andere eisen stelt. Een model moet kunnen omgaan met tabellen, rela­ties, ontbre­kende waarden, scheve verde­lingen, tijds­af­han­ke­lijk­heid, proces­lo­gica en priva­cy­be­per­kingen.

Minder spektakel, meer bruikbaarheid

De rode draad in SAP’s ICML-bijdragen is daarmee duide­lijk. De concur­ren­tie­strijd in AI gaat niet alleen over wie het grootste model bouwt, maar ook over wie de meest bruik­bare modellen kan maken voor speci­fieke bedrijfs­om­ge­vingen. Voor SAP is dat logisch terrein. Het bedrijf zit met zijn soft­ware diep in finan­ciële processen, supply chains, HR, inkoop, verkoop, productie en duur­zaam­heid.

FlexTab laat zien hoe een tabular foun­da­tion model breder inzet­baar kan worden dan de klas­sieke taken clas­si­fi­catie en regressie. PluRel verkent hoe rela­ti­o­nele modellen kunnen schalen zonder gevoe­lige bedrijfs­data te gebruiken. Het onder­zoek naar opera­ti­o­nele verschillen bena­drukt dat AI in bedrijven niet kan leunen op statis­tiek alleen. En het werk rond memo­ri­satie en bench­marks laat zien dat betrouw­baar­heid, privacy en realis­ti­sche evalu­atie onmis­baar zijn.

Daarmee verschuift de discussie over AI in bedrijven naar een volgende fase. Niet de vraag of een model indruk­wek­kend kan antwoorden staat centraal, maar of het bedrijfs­data correct kan inter­pre­teren, processen kan respec­teren en veilig kan func­ti­o­neren binnen de regels van een orga­ni­satie. Zoals Herzig het formu­leert: de door­braak zit niet alleen in grotere modellen, maar in beter begrip van busi­ness data.