Predictive AI vs generative AI

Predictive AI voorspelt een uitkomst en geeft een getal terug: een kans, een bedrag, een categorie. Generative AI maakt nieuwe inhoud, meestal tekst, op basis van een opdracht. Voor omzetcontrole betekent dat: predictive AI rekent uit waar het risico zit, generative AI legt uit wat er aan de hand is of zet een actie klaar. Ze lossen verschillende problemen op, en de meeste fouten ontstaan wanneer je de ene inzet voor het werk van de andere.

Twee soorten modellen, twee soorten output

Het verschil zit niet in hoe slim ze zijn, maar in wat ze teruggeven.

Een predictive model wordt meestal getraind op jouw eigen data. Het weet niets van de wereld, maar veel van jouw klanten. Een generatief taalmodel is getraind op algemene tekst. Het weet veel van de wereld, maar niets van jouw klanten, tenzij je die informatie meegeeft op het moment dat je het een vraag stelt.

Predictive AI: rekenen aan je eigen patronen

Predictive AI is het werkpaard achter predictive analytics. Het krijgt gestructureerde data, zoals een tabel met klanten, orders en facturen, en leert welke combinaties van kenmerken samenhangen met een uitkomst.

Toepassingen in een B2B-omzetcontext:

• De kans dat een deal dit kwartaal sluit, op basis van dealkenmerken in plaats van de standaardkans per fase.
• De kans dat een klant zijn contract niet verlengt.
• De verwachte omzet volgende maand, met een bandbreedte.
• Een afwijking in een reeks, bijvoorbeeld een klant die elke maand EUR 8.000 gefactureerd kreeg en nu EUR 5.200. Dat heet anomaly detection.

Het sterke punt: de uitkomst is meetbaar. Je kunt na drie maanden precies zien hoe vaak het model gelijk had. Het zwakke punt: het model kan alleen patronen herkennen die in de data zitten. Een nieuwe afspraak die in een mail staat en nergens in een veld, ziet het niet.

Generative AI: lezen en schrijven

Generative AI, in de praktijk een groot taalmodel, is sterk in alles wat met taal te maken heeft. Juist daar zit in B2B veel informatie die nooit in een veld is beland:

• Een contract van dertig pagina's met een indexatieclausule op pagina 22.
• Een mail waarin een accountmanager een korting toezegt "voor dit jaar".
• Een offerte met meerwerk dat nooit als orderregel is ingevoerd.
• Notities in het CRM over een uitbreiding die de klant wil.

Een taalmodel kan zulke tekst lezen, de relevante afspraak eruit halen en die in een vaste vorm teruggeven: klant, afspraak, bedrag, ingangsdatum. Daarna kan gewone software die afspraak vergelijken met wat er gefactureerd is.

Het zwakke punt is bekend: een taalmodel produceert waarschijnlijke tekst, geen gecontroleerde feiten. Als het iets niet weet of de bron onduidelijk is, kan het een antwoord geven dat precies klinkt en toch fout is. Daarom moet AI-output altijd gecontroleerd worden tegen de bron.

Waarom een taalmodel geen rekenmachine is

Een veelgemaakte fout is een taalmodel laten rekenen aan bedrijfsdata. Je plakt een export van 2.000 factuurregels in een chat en vraagt: welke klanten betalen te weinig? Je krijgt een antwoord. Het ziet er goed uit. Het is niet te vertrouwen.

Een taalmodel telt niet op zoals een database. Het leest de tekst en schrijft wat waarschijnlijk het antwoord is. Bij een paar regels gaat dat vaak goed, bij duizenden regels gaat het onzichtbaar mis: regels worden overgeslagen, bedragen verwisseld, totalen afgerond. Moderne systemen lossen dat op door het taalmodel niet zelf te laten rekenen, maar een database-query of een rekenfunctie te laten aanroepen. Dat principe heet tool calling.

De vuistregel: laat een taalmodel bepalen wat er berekend moet worden, en laat software het berekenen.

Rekenvoorbeeld: indexatie controleren met beide

Rekenvoorbeeld: stel, je hebt 180 servicecontracten. Een deel heeft een indexatieclausule, maar welke precies en tegen welk percentage staat alleen in de pdf's.

Stap 1, generative AI. Een taalmodel leest de 180 contracten en haalt per contract eruit: is er een indexatieclausule, welk indexcijfer of percentage, per welke datum. Output: een tabel. Een medewerker controleert een steekproef van twintig contracten tegen de pdf.

Stap 2, gewone software. Een query vergelijkt die tabel met de facturen in de administratie. Stel dat 45 contracten een indexatie van 3 procent hadden moeten krijgen, en dat bij 11 daarvan het tarief niet is aangepast.

Stap 3, rekenen. Die 11 contracten hebben samen een jaarwaarde van EUR 660.000. Gemiste indexatie: 3 procent daarvan is EUR 19.800 per jaar, en dat bedrag stapelt zich op zolang het niet wordt hersteld.

Stap 4, predictive AI. Een model leert welke kenmerken samenhangen met gemiste indexaties: contracten afgesloten door een bepaald team, contracten met een afwijkende ingangsdatum, contracten die handmatig worden gefactureerd. Het markeert nieuwe contracten met dat profiel, zodat je ze bij de eerstvolgende indexatieronde eerst controleert.

De getallen zijn een voorbeeld. Het punt is de taakverdeling: het taalmodel leest wat in tekst staat, software rekent, het voorspellende model wijst waar je volgende keer eerst moet kijken. Meer over dit specifieke lek staat in revenue leakage door vergeten prijsindexatie.

Welke kies je wanneer?

Stel jezelf drie vragen.

1. Is de output een getal of een tekst? Wil je een kans, een bedrag of een rangorde, dan is predictive AI de basis. Wil je een samenvatting, een uitleg of een concept, dan generative AI.

2. Zit de informatie in velden of in tekst? Staat het in tabellen, zoals orders, facturen en betalingen, dan kan gewone software of predictive AI ermee werken. Staat het in contracten, mails of notities, dan heb je een taalmodel nodig om het eerst te lezen.

3. Kun je de uitkomst achteraf meten? Bij predictive AI moet dat kunnen. Als je niet kunt vaststellen of een voorspelling klopte, kun je het model niet verbeteren. Bij generative AI controleer je de output vooraf, tegen de bron.

Waar het misgaat in de praktijk

• Een chatbot als analyse-instrument. Vragen stellen aan een taalmodel over een geplakte spreadsheet geeft antwoorden die niet reproduceerbaar zijn. Stel dezelfde vraag twee keer en je kunt verschillende getallen krijgen.
• Een voorspellend model zonder uitleg. Een churnscore van 0,82 zonder reden is niet te controleren en niet te gebruiken in een gesprek met de klant.
• Generatieve tekst die als feit wordt doorgezet. Een samenvatting van een contract die direct in het CRM belandt, zonder dat iemand de bron heeft gezien.
• Alles AI noemen. Veel omzetcontroles zijn gewone vergelijkingen: contractprijs naast factuurprijs. Daar is geen AI voor nodig, en een eenvoudige regel is dan betrouwbaarder.

Hoe ze samenwerken in één systeem

In een volwassen opzet zitten beide soorten AI naast elkaar, met gewone software ertussen. Dat patroon komt terug in de AI-architectuur voor Revenue Intelligence en in het overzichtsartikel over hoe AI binnen Revenue Intelligence werkt:

1. Gegevens worden uit CRM, facturatie en administratie gehaald.
2. Een taalmodel leest ongestructureerde bronnen en zet afspraken om in velden.
3. Regels en queries vergelijken wat afgesproken is met wat gefactureerd is.
4. Voorspellende modellen en anomaly detection wijzen op afwijkingen en risico's.
5. Een taalmodel formuleert de bevinding in gewone taal, met de bron erbij.
6. Een mens beoordeelt en beslist.

Veelgestelde vragen

Is ChatGPT predictive AI of generative AI?

Generative AI. Technisch voorspelt een taalmodel steeds het volgende woord, maar het doel en de output zijn tekst. Met predictive AI bedoelen we modellen die een meetbare uitkomst voorspellen, zoals een kans of een bedrag.

Welke is betrouwbaarder?

Dat hangt af van de taak. Predictive AI is makkelijker te toetsen, omdat je de uitkomst later kunt meten. Generative AI is sterker in lezen en schrijven, maar de output moet je per keer tegen de bron controleren.

Kan generative AI mijn omzet voorspellen?

Niet betrouwbaar door het zelf te schatten. Wel door een voorspellend model of een rekenfunctie aan te roepen en de uitkomst uit te leggen. Het taalmodel is dan de tolk, niet de rekenmachine.

Heb ik beide nodig voor omzetcontrole?

Als belangrijke afspraken alleen in contracten en mails staan, ja. Staat alles netjes in velden, dan kom je met gewone vergelijkingen en voorspellende modellen al ver.