De Data Foundation die AI feitelijk nodig heeft: hoe Covalo een sectorbrede PIM voor persoonlijke verzorging bouwt

Het gesprek over AI in productintensieve industrieën is voorbij de vraag welk model te gebruiken. De vraag is nu of de onderliggende gegevens voldoende gestructureerd, verrijkt en interoperabel zijn zodat AI betrouwbaar kan handelen. In de sector persoonlijke verzorging en chemische ingrediënten is het antwoord voor de meeste bedrijven nog steeds nee. In dit PIMvendors.com-webinar gaat Stephan Spijkers samen met Yann Chilvers, medeoprichter van Covalo, onderzoeken hoe echte datagereedheid eruit ziet op sectorniveau, en waarom het oplossen ervan een gedeelde ruggengraat vereist in plaats van een beter intern systeem.

Covalo begon als een zoekmachine voor cosmetische ingrediënten. In zeven jaar tijd is het uitgegroeid tot de data-infrastructuurlaag voor de persoonlijke verzorgingsindustrie, die meer dan 6.000 merken, 1.500 ingrediëntenfabrikanten en 35.000 gebruikers in 145 landen met elkaar verbindt. De reis van zoektool naar branchebrede PIM was niet gepland. Het werd getrokken door één hardnekkig klantprobleem: gefragmenteerde, incompatibele en chronisch verouderde productgegevens die innovatie blokkeerden, productlanceringen vertraagden en AI-toepassingen onbetrouwbaar maakten voordat ze zelfs maar waren begonnen.

Sprekers:

Stephan Spijkers - Mede-oprichter, PIMvendors.com

Yann Chilvers - Mede-oprichter, Covalo

Bekijk het volledige webinar:

**Belangrijkste afhaalrestaurants:**Het intern beschikken over gegevens is niet hetzelfde als het beschikken over gegevens die door een bedrijfstak stromen. Grote bedrijven in de persoonlijke verzorging beschikken over het algemeen over aanzienlijke interne gegevensmiddelen. Velen hebben aanzienlijk geïnvesteerd in ERP-, PLM- en interne PIM-systemen. Toch vertrouwen zelfs de grootste merken in de sector nog steeds op e-mailuitwisselingen met leveranciers om ingrediëntengegevens te verzamelen voor elk nieuw formuleringsproject. Elk merk stuurt onafhankelijk van elkaar dezelfde verzoeken naar dezelfde leveranciers, waardoor enorme duplicatie ontstaat en de gegevens voortdurend uit de pas lopen. Het probleem is niet het volume. Het is interoperabiliteit. Wanneer gegevens niet op betrouwbare wijze tussen organisaties in een gestandaardiseerd formaat kunnen worden verplaatst, begint elk bedrijf feitelijk bij elk project vanaf nul, ongeacht hoe georganiseerd hun interne systemen zijn.Het gereed zijn voor AI vereist gegevensverrijking die geen enkel bedrijf alleen kan produceren. Schone interne gegevens zijn een noodzakelijke voorwaarde voor de betrouwbaarheid van AI, maar zijn niet voldoende. Nuttige AI-agenten die actief zijn in de persoonlijke verzorgingsruimte hebben ingrediëntengegevens nodig die zijn verrijkt met regelgevingscontext, toxicologische beoordelingen, duurzaamheidsclassificaties en marktinformatie. Geen enkel individueel bedrijf heeft dat allemaal in handen. En AI-modellen die zijn getraind of geïnspireerd op oppervlakkige, commercieel georiënteerde gegevens leveren resultaten op die, zoals Yann het direct zegt, onzin zijn. Het BCG-onderzoek dat in de sessie wordt aangehaald, plaatst de chemische industrie en de persoonlijke verzorgingsindustrie onderaan de ranglijst van AI-volwassenheid, met een sterke correlatie tussen die ranglijst en de staat van de gedeelde data-infrastructuur. De implicatie is dat de AI-prestaties in deze sector niet worden beperkt door de modelmogelijkheden, maar door de datalaag eronder.Databeheer is een prioriteit in de bestuurskamer geworden, zowel gedreven door kosten als door kwaliteit. Organisaties in het PIM-ecosysteem bespreken nu data-afkomst, versiebeheer en gestructureerde opschoning in gesprekken waar deze termen 18 maanden geleden zelden voorkwamen. De forceerfunctie is niet filosofisch. Bedrijven die grote modellen gebruikten voor slecht beheerde, versie-onoverzichtelijke datasets, verbrandden in de eerste maanden van 2026 hun AI-budgetten voor het hele jaar, zonder dat er iets van te zien was. Het uitvoeren van een geavanceerd model over een bestand met de naam "PIM leverancier workshop webinar versie 5.6" waar niemand meer naar zal verwijzen, is duur, milieuvriendelijk en levert geen waarde op. De discipline om te weten welke gegevens er bestaan, wat actueel is en wat moet worden verwijderd, is niet langer een IT-aangelegenheid. Het is een kostenplaats die rapporteert aan de CFO.Verticale AI-oplossingen die zijn gebouwd op diepgaande domeingegevens presteren consistent beter dan horizontale alternatieven voor algemene doeleinden. Covalo wordt ruim 20 keer sneller geïmplementeerd dan een conventionele PIM-implementatie. De reden is niet superieure techniek. Het is focus. Een verticaal gespecialiseerde oplossing hoeft niet tegemoet te komen aan elk mogelijk datamodel of brancheconfiguratie. Het kent de ontologie, de regelgevingsomgeving, de leveranciersrelaties en de formuleringsworkflows van zijn specifieke domein. Die specificiteit betekent ook dat elke nieuwe klant het netwerk versterkt in plaats van simpelweg een account toe te voegen. Platforms voor algemeen gebruik optimaliseren hun modulariteit en breedte. Verticale platforms optimaliseren de diepte, snelheid en de netwerkeffecten die de gegevens van elke deelnemer waardevoller maken dan wanneer ze afzonderlijk zouden zijn. Specifiek voor AI presteren smalle modellen die zijn getraind op domeingegevens van hoge kwaliteit beter dan grote algemene modellen op domeinspecifieke taken met een consistente en steeds groter wordende marge.De snelheid waarmee de persoonlijke verzorging op de markt komt, is een existentiële variabele, en de data-infrastructuur bepaalt deze. Het duurt momenteel tussen de één en vijf jaar om een ​​product voor persoonlijke verzorging van concept naar plank te brengen. Meer dan de helft van de lanceringen mislukt. De voornaamste oorzaken zijn consistent: het onvermogen om zich snel genoeg aan te passen aan de nieuwe regelgeving, het onvermogen om te reageren op de veranderende consumentenvraag en het onvermogen om te veranderen wanneer de toeleveringsketens worden ontwricht. De komende EU-regelgeving, waaronder de Green Deal en een reeks van chemische nalevingskaders, betekent dat naar schatting 80% van de bestaande producten vóór 2030 opnieuw moet worden geformuleerd. Bedrijven die niet over de data-infrastructuur beschikken om de betrokken formuleringen te identificeren, alternatieve ingrediënten te kwalificeren en snel controles uit te voeren, zullen die tijdlijn niet halen. De organisaties die in 2024 en 2025 zijn begonnen met het bouwen van die infrastructuur hebben een groter voordeel. Degenen die wachten tot de deadline zichtbaar is, zullen geen tijd hebben om het gat te dichten.Netwerkeffecten op dataplatforms worden groter als de laag wordt gedeeld in plaats van in silo's. De marktplaats van Covalo is vrij om op te vermelden en gratis te gebruiken, een bewuste structurele beslissing in plaats van een groeitactiek. Leveranciers die ingrediëntengegevens delen, zien meer gekwalificeerde inkomende verzoeken van merken. Dat commerciële signaal stimuleert rijkere, nauwkeurigere gegevensbijdragen. Rijkere data trekken meer merken en samenstellers aan. Meer verkeer en analyses vloeien terug naar leveranciers, waardoor de cyclus wordt versterkt. Het gesloten, propriëtaire alternatief produceert de tegenovergestelde dynamiek: elk bedrijf onderhoudt zijn eigen versie van gedeelde gegevens, elke update vereist bilaterale communicatie, en de collectieve kosten van die duplicatie worden onzichtbaar gedragen door elke deelnemer in de sector. De drievoudige groei van Covalo in de afgelopen twee jaar is een functie van het netwerkeffect dat een zichzelf versterkende drempel bereikt, en niet van een marketingpush.De verschuiving van een zoektool naar een ruggengraat van sectorgegevens werd veroorzaakt door klantpijn, niet door productvisie. Covalo begon niet met een plan om een ​​sectorbrede PIM-laag te worden. Klanten noemden datafragmentatie als de belangrijkste blokkeerder voor elk ander initiatief, inclusief AI-pilots, duurzaamheidsbeoordelingen en projecten voor de veerkracht van de toeleveringsketen. Een door subsidies gefinancierde aanbevelingsmachine voor duurzame ingrediëntenalternatieven faalde niet omdat de technologie ontoereikend was, maar omdat de gestandaardiseerde, diepgaande gegevens die nodig waren om de beoordelingen betrouwbaar uit te voeren, niet bestonden. De productroadmap volgde het probleem. Die volgorde is van belang voor elke organisatie die verticale data-infrastructuur evalueert: het signaal dat een gedeelde datalaag noodzakelijk is, is geen verkooppraatje. Het is het moment waarop elk intern initiatief op hetzelfde punt vastloopt.De architectuurvraag is niet langer intern versus extern. Het gaat erom of je gegevens überhaupt kunnen bewegen. Stephan sluit de sessie af met een kader dat verder gaat dan persoonlijke verzorging. Organisaties die tegenwoordig AI-strategieën ontwikkelen, werken op meerdere lagen tegelijk: de productgegevens zelf, de relaties en context eromheen, de API’s en MCP-verbindingen die deze toegankelijk maken voor agenten, en de IT-architectuur die bepaalt of dat allemaal haalbaar is op schaal. De meeste bedrijven opereren nog steeds op laag één en verbeteren de beschrijvingen en het invullen van attributen. De organisaties die over drie tot vijf jaar structureel voordeel zullen hebben, zijn degenen die nu investeren in de lagen die bepalen of hun gegevens de agenten, systemen en partners kunnen bereiken die deze nodig hebben.

👉 Vraagt ​​je je af of je productdata-architectuur klaar is voor wat hierna komt? Vergelijk PIM-oplossingen en boek een gesprek met ons team op pimvendors.com