Kshitij GuptaData-strateeg
Meld u aan om de nieuwste inzichten en updates over technologie, AI & data-analyse, datawetenschap en innovaties van Polestar Analytics te ontvangen.
Vat dit blogbericht samen met:
In 2025 bezochten de meeste shoppers via ChatGPT of een vergelijkbaar platform een webwinkel, maar deden ze de minste aankopen. Ze bekeken producten, maar gingen met lege handen weer weg. Retailers die de cijfers analyseerden, concludeerden terecht dat AI een onderzoekskanaal was, geen verkoopkanaal.
Na de feestdagen stond alles op zijn kop. ZoalsAdobe AnalyticsUit een onderzoek, gebaseerd op data van meer dan een biljoen bezoeken aan Amerikaanse online winkels, bleek dat AI-verwijzingen minstens 31% effectiever waren dan elk ander kanaal voor klantwerving. De omzet per bezoek via AI-verkeer steeg met 254%. Op Thanksgiving liep het verschil zelfs op tot 54%.
De klant die vroeger alleen maar etalages bekeek, komt nu goed voorbereid aan. Ze hebben al vergeleken, hun keuze al beperkt en al een specifieke vraag gesteld. Soms heeft een verkoopmedewerker dat werk al voor hen gedaan. Gartner is daar een goed voorbeeld van.IT-symposium 2025Er werd voorspeld dat AI-kanalen zouden helpen bij het verwerken van meer dan 15 biljoen dollar aan B2B-verkopen tegen 2028, wat de activiteit op beide kanalen weerspiegelt en niet alleen aankopen op consumentenniveau.
Dit verandert de centrale vraag van de retailer. Het gaat niet langer om "hoe scoren we in zoekresultaten?", maar om iets dat moeilijker op te lossen is: als een klant of diens vertegenwoordiger iets specifieks vraagt, kunnen onze gegevens dan op dit moment een goed antwoord geven? Dit is precies de kloof die Databricks Mosaic AI for Retail probeert te overbruggen.
De detailhandel draait op fragmenten. Kassagegevens staan los van de klikstromen van webshops. Klantenbindingsgegevens worden in een eigen systeem bewaard. Voorraadupdates worden op een ander moment verwerkt dan de rest.
Een aanbevelingssysteem dat niet alles tegelijk kan overzien, produceert zelfverzekerde onzin. Het promoot een artikel dat een uur geleden al was uitverkocht. Het begroet een klant die al tien jaar bij het bedrijf komt als een vreemde. Het probleem ligt zelden bij het model zelf; het model redeneert vanuit een beperkt perspectief.
De kosten daarvan zijn nu goed in kaart gebracht.Studie van IHL Group uit september 2025Dit schat de wereldwijde voorraadverstoring – de gecombineerde kosten van tekorten en overschotten – op 1,73 biljoen dollar per jaar, oftewel 6,5% van de wereldwijde detailhandelsomzet. Dat is ongeveer het bbp van Zuid-Korea, verloren gegaan doordat men niet weet wat er in de schappen ligt.
De meest opvallende bevinding staat verderop in dat rapport. Retailers die AI en machine learning inzetten om het probleem aan te pakken, realiseren een 2,3 keer hogere omzetgroei en een 2,5 keer hogere winstgroei dan concurrenten die dat niet doen. Toch heeft minder dan een kwart van de retailers AI succesvol geïmplementeerd op de gebieden waar voorraadverstoringen het hardst toeslaan. Greg Buzek, president van IHL, verwoordt het onomwonden: ontwikkel je of je raakt achterop.
Eetlust is dus niet de beperkende factor.McKinsey's State of AIUit een onderzoek dat in november 2025 werd gepubliceerd, bleek dat 88% van de organisaties regelmatig AI gebruikt in ten minste één functie. Geld is daarbij geen belemmering. De belemmering zit hem in de kloof tussen een model dat werkt in een laptop en een model dat in productie draait met live, gecontroleerde data. Bijna twee derde van de organisaties in datzelfde onderzoek is nog helemaal niet begonnen met het opschalen van AI binnen de hele organisatie.
Databricks Mosaic AI maakt deel uit van deDatabricks Data Intelligence PlatformHet platform, dat onlangs is omgedoopt tot Databricks AI, verwijst niet naar een model. Het is het platform waarmee retailers hun eigen data kunnen gebruiken bij het ontwikkelen van diverse applicaties, waaronder het implementeren en afstemmen van modellen, AI-zoekopdrachten voor het ophalen van gegevens en het bouwen van een agentframework. Al deze processen worden gereguleerd via de Unity Catalog, waardoor alle modellen correct worden getraceerd en gemonitord in de productieomgeving.
In de detailhandel zijn twee dingen het belangrijkst.
Ten eerste is dat deAI-agenten voor de detailhandelRedeneer op basis van uw uniforme data in plaats van algemene webkennis. Een agent die uw SKU-hiërarchie, uw regionale vraagpatronen en uw actuele voorraadpositie kent, beantwoordt een vraag anders dan een agent die gegevens van het open internet gebruikt.
Het tweede is het agentframework, waarmee teams agents kunnen bouwen die live voorraadgegevens ophalen, prijs-API's aanroepen en actie ondernemen in plaats van alleen maar praten.
De onderliggende techniek heeft zich snel ontwikkeld.DatabricksAI Search is opnieuw opgebouwd op een voor opslag geoptimaliseerde architectuur die schaalbaar is totmiljarden vectoren tegen tot wel 7 keer lagere kostenIndexen met miljarden vectoren worden nu in minder dan acht uur opgebouwd. De gepubliceerde prijsvergelijking is opvallend: ongeveer $7.000 per maand voor 1,3 miljard vectoren, tegenover ongeveer $47.000 voor het standaardaanbod.Model dat dientverwerkt nu meer dan 250.000 query's per seconde.
Die cijfers zijn om één praktische reden belangrijk. Semantisch zoeken in een volledige productcatalogus was voorheen economisch niet haalbaar op retailschaal. Tijdens een Black Friday-piek maakt de doorvoer het verschil tussen realtime en te laat.
Hieronder vindt u de belangrijkste Databricks Mosaic AI-toepassingen voor de detailhandel die teams momenteel implementeren:
Het cumulatieve effect is belangrijker dan welk afzonderlijk gebruiksscenario dan ook. Omdat deze agenten één gemeenschappelijke basis delen, interpreteren de prijsagent en de personalisatieagent dezelfde waarheid. Dat is het verschil tussen agentische AI en een verzameling losgekoppelde bots die elk een beetje weten en het stilletjes met elkaar oneens zijn.
Dit zijn Databricks AI-oplossingen die in productie draaien:
AdidasWe hebben een RAG-chatbot ontwikkeld om meer dan 2 miljoen productrecensies te analyseren. De latentie daalde met 60%, waardoor de gemiddelde reactietijd van 15,5 seconden naar zes seconden daalde. Door over te stappen op efficiëntere modellen daalden de rekenkosten met 91,67%. De efficiëntie van analisten bij het nemen van beslissingen op basis van recensies verbeterde met 30 tot 40%, en meer dan 50 besluitvormers binnen product, design en marketing kunnen nu direct inzichten opvragen in plaats van in de wachtrij te staan.
Trek-fietsWe zijn overgestapt naar een datawarehouse dat economisch schaalbaar is. Retailapplicaties die voorheen 48 uur in beslag namen, doen dat nu in slechts zes tot acht uur – 80-90% sneller – en de data in het datawarehouse wordt nu drie keer per dag vernieuwd in plaats van één keer. Daarvoor voerde Trek in Noord-Amerika slechts één keer per dag analyses uit, waardoor andere regio's hun rapporten later ontvingen.
FOX SportsWe hebben een AI-gestuurde zoekfunctie ontwikkeld met behulp van het Databricks AI Search-platform voor Super Bowl LIX. De functie verwerkt duizenden zoekopdrachten tegelijk en levert twee keer betere zoekresultaten dan voorheen. Vanaf...Juni 2026Gebruikers van het Sports AI-platform brachten gemiddeld ongeveer twee keer zoveel tijd door in de mobiele app.
ReckittWe hebben een GenAI-inzichtengine ontwikkeld die consumentenonderzoek, recensies en sociale signalen in meer dan 60 landen combineert, waardoor de analyse van campagnes, die voorheen weken in beslag nam, met 40% is verkort.
Een kanttekening over de geaggregeerde ROI-cijfers: ga er voorzichtig mee om. De meeste cijfers die rondgaan, zijn afkomstig van enquêtes in opdracht van leveranciers, en de spreiding daartussen is groot genoeg om te suggereren dat de gebruikte methodologie zeer effectief is. De hierboven genoemde casestudies zijn controleerbaar. De gemiddelden uit de enquêtes niet.
De kloof wordt groter, en dat is het ongemakkelijke gedeelte.McKinsey's enquête uit 2025Uit onderzoek bleek dat 23% van de organisaties al een AI-systeem met agenttechnologie in minstens één bedrijfsfunctie implementeert, terwijl nog eens 39% ermee experimenteert. Elke maand die een concurrent besteedt aan het leren op basis van live dataverkeer, is een maand iteratie die een nieuwkomer later niet meer kan terugkopen. Modellen verbeteren door feedback uit de praktijk, en die feedback krijg je alleen door ze in productie te gebruiken.
McKinsey ontdekte ook dat goed presterende bedrijven ongeveer drie keer zo vaak AI-agents op grote schaal binnen de organisatie hebben ingezet. Dat is geen technologische achterstand, maar een achterstand in het operationele model, en die worden langzamer gedicht.
Dit alles vereist geen baanbrekend project. Het gaat erom data systematisch te beheren en een vooraf gedefinieerd gebruiksscenario te formuleren – meestal personalisatie of klantenservice – dat snel en duidelijk genoeg resultaat oplevert om te investeren in een nieuw scenario. Het proces draait meer om het creëren van een betrouwbare basis voor de informatie die voor beslissingen wordt gebruikt, dan om het najagen van het meest indrukwekkende model.
Mosaic AI is geen model, maar de laag die uw eigen data omzet in werkende applicaties. Modelimplementatie, data-opvraging en een agentframework worden allemaal aangestuurd via Unity Catalog. Het verschil is dat agents redeneren op basis van uw uniforme data (uw SKU-hiërarchie, actuele voorraadposities, regionale vraag) in plaats van generieke webkennis. De antwoorden weerspiegelen dus wat er op dit moment in uw bedrijf gebeurt.
Een aanbevelingssysteem doet suggesties; een agent voert de actie uit. In agentische handel worden ontdekking, aanbeveling en de transactie zelf namens de klant afgehandeld, waarbij realtime voorraad- en prijssignalen worden gebruikt op het moment van de beslissing. Het is de verschuiving van AI die je naar een product wijst naar AI die de aankoop voltooit.
De grootste uitdaging is niet de bereidheid of het budget, maar de kloof tussen een model dat werkt op een laptop en een model dat in productie draait met live, gecontroleerde data. Bijna twee derde van de organisaties heeft AI nog helemaal niet op grote schaal geïmplementeerd, en de organisaties die vooroplopen, beschouwen het als een uitdaging voor hun operationeel model.
Over de auteur
Data-strateeg
De meeste data geeft antwoord op vragen. De juiste data verandert de richting.
Gerelateerde blog
Aishwarya Saran
