Hoe AI-gestuurde specificatie B2B-inkoop veranderde

Wat is er werkelijk veranderd?

De verandering is niet dát inkopers AI gebruiken. Het is wáár in de volgorde ze het gebruiken.

Dertig jaar lang begon het industriële inkooptraject met een zoekopdracht, een distributeurssite, een catalogus of een vertegenwoordiger, en eindigde het met een shortlist. De taak van de leverancier was om aan het begin aanwezig te zijn — via SEO, via franchisedistributie, via field application engineers die bij ontwerpers aanschoven. Vroege aanwezigheid leverde late overweging op.

Die volgorde is omgekeerd. De inkoper begint nu bij een assistent, komt uit bij een shortlist en raakt pas daarna een omgeving van een leverancier aan — meestal om een beslissing te verifiëren die al is versmald. Uit de analyse van Forrester van januari 2026 bleek dat 94% van de zakelijke inkopers ergens in het inkoopproces AI gebruikt, tegen 89% een jaar eerder, en — belangrijker dan die kop — dat twee keer zoveel inkopers generatieve AI of conversationeel zoeken noemden als een betekenisvollere of belangrijkere informatiebron dan welke andere ook, boven leverancierswebsites, productspecialisten en verkopers.

Lees dat aandachtig. Het is niet zo dat AI één kanaal is naast andere. Het is zo dat AI de kanalen heeft verdrongen die de sector decennialang heeft opgebouwd.

Waar vindt de beoordeling nu daadwerkelijk plaats?

Drie datasets trianguleren dezelfde verschuiving vanuit verschillende invalshoeken.

De Adobe-cijfers gaan over retail, en industrieel inkopen is geen retail. Maar het mechanisme dat ze blootleggen is kanaalonafhankelijk: doet een assistent het filteren, dan is het bezoek dat volgt een beslissing, geen rondkijken. Adobe stelde ook vast dat die bezoekers 48% langer op de site bleven en 13% meer pagina's bekeken. Minder, later, beter gekwalificeerd — en volledig afhankelijk van de vraag of de assistent u heeft gekozen.

De schaal die hieronder ligt, is niet marginaal. OpenAI meldde in februari 2026 meer dan 900 miljoen wekelijks actieve ChatGPT-gebruikers. Welk aandeel daarvan ook bestaat uit engineers die een artikelnummer natrekken, het is een grotere populatie dan de veldorganisatie van welke distributeur dan ook ooit heeft bereikt.

Waarom raakt dit specificatie harder dan marketing?

Omdat specificatie de plek is waar industriële marge daadwerkelijk wordt gemaakt, en omdat specificatie ongewoon makkelijk door een machine te beïnvloeden is.

Een marketingfunnel loopt geleidelijk terug wanneer een kanaal verzwakt. Een specificatie loopt niet terug — die valt beslissend uit. Een onderdeel staat wel of niet in de stuklijst, en zodra het erin staat, is het duur om het eruit te halen. Design-in-cycli van 12 tot 36 maanden betekenen dat de beslissing en de omzet jaren uit elkaar liggen.

Het traditionele mechanisme om die waarde af te vangen is design registration: een leverancier beloont de distributeur wiens field engineer het onderdeel in het product van een klant heeft laten opnemen, doorgaans met extra marge, prijsbescherming of sole sourcing op dat programma. Het hele apparaat — franchiseovereenkomsten, demand-creationdoelstellingen, FAE-bezetting — bestaat om één vraag te beantwoorden: wie heeft deze design-in veroorzaakt?

Assistentgedreven specificatie breekt niet het antwoord, maar de vraag zelf. Beschrijft een ontwerpengineer een eis aan een assistent, krijgt hij drie kandidaat-onderdelen met parametrische gegevens terug en registreert hij een ontwerp op één daarvan, dan heeft geen enkele field engineer die vraag gecreëerd. De data deed dat. En niemand is het eens geworden over hoe je data toerekent.

Dit mechanisme stond al onder spanning. Design registration worstelt al lang wanneer een klant de productie uitbesteedt aan een contract manufacturer, omdat het ontwerp op de ene plek plaatsvindt en de inkooporder ergens heel anders opduikt — de registratie blijft op papier overeind terwijl de commerciële logica rafelt. Machinaal samengestelde shortlists leggen dezelfde spanning aan het begin van het proces in plaats van aan het eind. De distributeur die in de data heeft geïnvesteerd, is niet noodzakelijk degene die de relatie in handen heeft, en de fabrikant wiens parametrische gegevens leesbaar waren, is misschien nooit benaderd.

Wat bepaalt of uw onderdeel in het antwoord verschijnt?

Het loont om concreet te zijn over het mechanisme, want de meeste commerciële teams redeneren erover alsof het een ranking is.

Een assistent die een specificatievraag beantwoordt, doet ruwweg vier dingen: hij vertaalt de eis naar randvoorwaarden, haalt kandidaatrecords op, filtert die tegen de randvoorwaarden en onderbouwt vervolgens wat overblijft. Een onderdeel kan bij elk van de vier afvallen, en alleen de laatste stap lijkt op iets dat een marketingteam eerder heeft geoptimaliseerd.

De tweede rij is de stille moordenaar. Een assistent die om een AEC-Q100 Grade 1-onderdeel wordt gevraagd, neemt geen component op waarvan hij de kwalificatiestatus niet kan verifiëren. Hij meldt de uitsluiting niet, en hij slaat geen slag om de arm. Ontbrekende data wordt behandeld als een ontbrekende eigenschap — het juiste gedrag voor een voorzichtig hulpmiddel en een rampzalige uitkomst voor een leverancier wiens onderdeel wél voldoet.

Wie vangt de waarde af als een machine de shortlist samenstelt?

Het patroon is consistent: invloed verschuift van wie u kent naar wat een machine over uw onderdelen kan verifiëren. Dat is een ongemakkelijke conclusie voor organisaties wier concurrentievoordeel een veldorganisatie is, en een echte opening voor iedereen met goede data en helemaal geen veldorganisatie.

Is dit een breuk, of gewoon een nieuw kanaal?

Het eerlijke antwoord is dat de verschuiving in discovery goed is onderbouwd en die in transacties niet.

Gartner voorspelt dat meer dan 40% van de agentic AI-projecten eind 2027 zal zijn geannuleerd, vanwege oplopende kosten, onduidelijke bedrijfswaarde en ontoereikende risicobeheersing. Die voorspelling is goed verouderd: OpenAI trok in maart 2026 zijn eigen Instant Checkout in nadat ongeveer een dozijn Shopify-merchants live was gegaan, en Deloitte meldt dat minder dan een kwart van de B2B-leveranciers überhaupt agentic AI-technologie gebruikt.

Industrieel inkopen kent extra wrijving die retail niet heeft. Contractprijzen zijn onderhandeld en vertrouwelijk. Bij goedkeuringen zijn de 13 interne stakeholders en 9 externe beïnvloeders betrokken die Forrester telt, met inkoop als beslisser in 53% van de trajecten. Compliancedocumentatie — RoHS, REACH, conflictmineralen, UKCA- en CE-verklaringen — moet aan de beslissing worden gehecht, niet erover worden beweerd.

Niets daarvan weerhoudt een assistent ervan de shortlist op te stellen. Het weerhoudt een assistent ervan de order te plaatsen. Dat zijn verschillende beweringen, en die door elkaar halen is de meest voorkomende fout in deze markt.

Wat moet een fabrikant of distributeur hieraan doen?

1. 01Zoek uit wat de assistenten nu over uw onderdelen zeggen. Stel vijf feitelijke vragen met bekende antwoorden over vijf echte artikelnummers, verdeeld over drie assistenten. De meeste teams ontdekken binnen twintig minuten een concrete, corrigeerbare fout.
2. 02Haal uw eigen cataloguspagina's op met een gewone client die geen browser is. Toen Partsgraph in augustus 2026 wereldwijd 984 domeinen van distributeurs en fabrikanten doorlichtte, leverde 38% geen leesbare cataloguspagina aan een standaardclient zonder browser, en was de mediane AI-zichtbaarheidsscore 50 van de 100. Client-side rendering is veruit de meest voorkomende oorzaak.
3. 03Maak één record canoniek. Parametrische gegevens verspreid over een PIM, een PDF-datasheet en een ERP leveren drie verschillende antwoorden op. Een assistent citeert wat hij toevallig gevonden heeft, zonder iemand te vertellen welk record dat was.
4. 04Publiceer compliance- en lifecycle-status als data, niet als documenten. Obsolescence, last-time-buydata en regionale goedkeuringen zijn de velden die het vaakst fout staan in het antwoord van een assistent, en die dan ook het vaakst commercieel fataal uitpakken.
5. 05Geef agents een directe route. Microchip publiceerde in november 2025 een officiële Model Context Protocol-server die geverifieerde productspecificaties, datasheets, voorraad, prijzen en levertijden aan AI-clients ontsluit. Het blijft een opvallend korte lijst — in dezelfde audit van augustus 2026 adverteerde geen van de 984 domeinen een MCP-endpoint.
6. 06Herschrijf de regels voor demand creation voordat uw kanaal dat doet. Kan design registration machinaal ontstane specificatie niet toerekenen, dan stoppen distributeurs met investeren in de data die haar voortbrengt, en erft de fabrikant het probleem.

Wat zich opstapelt

Er is geen plausibele toekomst waarin inkopers weer twaalf tabbladen gaan openen. Zodra een assistent een specificatievraag correct beantwoordt, wordt hij de standaardbron voor dat type vraag, en standaardkeuzes versterken zichzelf: het antwoord dat wordt geciteerd, wordt bevestigd, en de leverancier die leesbaar is, wordt geciteerd.

De vertraging maakt dit erger, niet beter. Een specificatie die in 2026 wordt gewonnen, komt in 2028 als omzet binnen. Dat betekent dat bedrijven die in 2028 ontdekken dat hun design-in-percentage stilletjes is gedaald, kijken naar beslissingen over datakwaliteit die twee jaar eerder zijn genomen, door niemand in het bijzonder, in een systeem dat niemand in eigendom had.

Wilt u weten wat assistenten nu over uw catalogus zeggen, dan kijkt de gratis grader op [/audit](/audit) hoe een machine hem daadwerkelijk leest.