publisert av EvaluationsHubVi lager et av produktene som er omtalt nedenfor, så vi har beskrevet alle andre leverandører ved hjelp av deres egne offentlige sider og lenket til hver påstand. Leverandørinformasjon sist gjennomgått 29. september 2026.
Alle leverandører av leverandørstyring har nå en AI-historie. Noen kaller det en assistent, noen en copilot, noen en flåte av agenter. Demoene ser like ut: en chatboks, et sammendrag av en leverandør, et risikovarsel som vises på signal. Forskjellene som er viktige for et leverandørkvalitets- eller leverandørstyringsteam ligger under, og de dukker sjelden opp i et standard demoskript.
Denne veiledningen gir deg en måte å sammenligne dem på. Den er skrevet for folk som må leve med resultatet: leverandørens kvalitetsingeniør som eier CAPA-en, kategorisjefen som eier QBR-en, og innkjøpslederen som må forklare en AI-beslutning til en revisor.
Hvorfor det er vanskeligere å sammenligne AI-funksjoner enn det ser ut til
Kjøpere er tydelig interesserte, men fortsatt forsiktige. I en Gartner-undersøkelse av 101 innkjøpssjefer, gjennomført i januar og februar 2026, sa bare 36 % at de var veldig trygge på sin evne til å omforme roller og prosesser rundt AI . Hackett Groups studie av viktige innkjøpsspørsmål fra 2026 fant at 43 % av organisasjonene aktivt forfølger AI-distribusjon, men bare 12 % rapporterer implementering i stor skala , og at 69 % får tilgang til AI gjennom funksjoner som er innebygd i deres eksisterende innkjøpsplattformer.
Det siste tallet er det viktigste. De fleste team vil ikke kjøpe AI alene. De vil få det AI-en følger med leverandørplattformen de velger. Så AI-spørsmålet er egentlig et plattformspørsmål, og det fortjener samme grundighet som resten av evalueringen din.
Tre ting gjør det vanskelig:
- De samme ordene betyr forskjellige ting. «Agent» kan bety en modell som utarbeider en e-post eller en som endrer leverandørens stamdata uten å spørre.
- Tilgjengeligheten varierer. Flere funksjoner som ble annonsert i 2025 og 2026 er i beta, rulles ut eller er planlagt for en senere utgivelse. Leverandører oppgir det vanligvis på sine egne sider, men ikke i demoen.
- AI er bare så god som leverandørdataene under den. En briljant modell som leser en foreldet leverandørjournal gir et selvsikkert, feil svar.
Sammenlign løkken, ikke modellen
Nesten alle leverandører bygger på en av en håndfull store språkmodeller. Å sammenligne modellnavn sier deg lite. Det som er forskjellig er løkken AI-en sitter i. For leverandørstyring har denne løkken fem trinn, og du kan sammenligne hver leverandør på hvert av dem:
- Lese. Hvilke av dataene deres kan AI-en faktisk se? Scorekort, kontrakter, CAPA-historikk, innsendinger til leverandørportaler, eksterne risikofeeder, ERP-transaksjoner?
- Grunn. Viser den hvorfor den kom til en konklusjon, med datapunktene og kildene bak den?
- Anbefale. Hva foreslår den: et sammendrag, en poengsum, et korrigerende tiltak, en sourcing-hendelse, en melding til en leverandør?
- Loven. Hva skjer videre? Godkjenner, redigerer eller avviser en person, eller går AI-en videre på egenhånd? Hvilke handlinger kan den aldri utføre alene?
- Ta opp. Logges alle AI-utdata, godkjenninger og resultater på en måte som kan eksporteres og overleveres til en revisor?
En evne som er sterk i trinn 3 og stille i trinn 4 og 5 er en fin demonstrasjon. En evne som er solid på tvers av alle fem er noe du kan integrere i en regulert leverandørkvalitetsprosess.
Åtte spørsmål du bør stille alle leverandører
Bruk disse i forespørselen om tilbud og igjen, live, i demonstrasjonen. De er bevisst praktiske.
1. Hvilke leverandørdata leser AI-en, og hvor oppdatert er den?
Be om en liste over objektene AI-en har tilgang til. Den mest nyttige leverandøren av AI kobler sammen ting som vanligvis er adskilt: en kontraktsmessig KPI på ett sted og den målte OTIF eller PPM på et annet. Hvis AI-en bare leser dokumenter du laster opp til en chat, er den et skrivehjelpemiddel, som er nyttig, men annerledes.
2. Kan du vise meg begrunnelsen bak én anbefaling?
Velg en anbefaling i demoen og be om å se nøyaktig hvilke data som utløste den. Du vil se terskelen, de målte verdiene og tidsvinduet, ikke et avsnitt med flytende prosa.
3. Hva kan den gjøre uten et menneske, og kan jeg slå det av?
Dette er det aller viktigste spørsmålet. Spør om listen over handlinger AI-en kan utføre autonomt, listen den bare kan foreslå, og om du kan konfigurere grensen per handlingstype. Leverandørrettet kommunikasjon, tildelinger og endringer i bankdetaljer fortjener spesiell oppmerksomhet.
4. Hvor er revisjonssporet, og kan jeg eksportere det?
For team som jobber under ISO 9001, IATF 16949, GMP eller regler for medisinsk utstyr, er et korrigerende tiltak foreslått av AI fortsatt et korrigerende tiltak. Du må vise hvem som godkjente det, når og basert på hvilken dokumentasjon.
5. Brukes dataene mine til å trene modeller, og hvor behandles de?
Få svaret skriftlig, i kontrakten, ikke bare på en nettside. Spør separat om leverandørens egne modeller og eventuelle tredjeparts modellleverandører de bruker.
6. Hva er generelt tilgjengelig i dag, og hva står på planen?
Be leverandøren om å merke hver funksjonalitet du så som generelt tilgjengelig, beta eller planlagt, med datoer. Det er ingenting galt med en plan. Det er noe galt med å kjøpe en ved et uhell.
7. Hva skjer når AI-en tar feil?
Be om å se en avvist anbefaling. Blir avvisningen registrert? Lærer systemet av korrigeringer? Kan du justere terskler slik at køen ikke fylles med støy?
8. Kan dere kjøre det på dataene våre før vi signerer?
En demonstrasjon av leverandørens eksempeldata beviser at grensesnittet fungerer. En kort økt på en del av dine egne leverandørdata beviser at AI-en fungerer for deg.
Hva ledende leverandører sier at deres AI gjør
Tabellen nedenfor oppsummerer hvordan hver leverandør beskriver sin egen AI for leverandørstyring, ved bruk av deres offentlige sider per 29. september 2026. Det er et utgangspunkt for dine egne spørsmål, ikke en rangering, og funksjonene endres raskt. Der en leverandørs side ikke tok opp et emne, sier vi «ikke oppgitt på siden som er gjennomgått». Det betyr ikke at funksjonaliteten mangler, bare at du bør spørre.
| Leverandør | AI-lag | Eksempler på leverandørstyring, sett fra leverandørens side | Tilsyns- og datauttalelser publisert | En ekte styrke |
|---|---|---|---|---|
| SAP (Ariba) | Joule, leverandørstyringsassistent | Sanksjonsscreening, økonomiske helsekontroller og risikovurderinger; leverandørklassifisering; berikelse av onboarding-data; «Korrigerende handlingsplaner før ytelsesrisiko materialiserer seg» | Ikke oppgitt på den gjennomgåtte leverandørhåndteringssiden; se SAPs generelle etiske prinsipper for AI | Bygget på en veletablert leverandørlivssyklusmodul og tredjeparts databerikelse |
| Coupa | Navi-agenter | Leverandøroppdagelsesagent og leverandørassistanseagent (kunngjort november 2025) | Ikke oppgitt i den gjennomgåtte kunngjøringen | Fellesskapsdata fra et veldig stort kjøper- og leverandørnettverk |
| Ivalua | MVA | Validerer dokumenter og beriker profiler ved onboarding; holder risiko- og ytelsespoeng oppdatert | «Hver AI-handling har en ansvarlig person»; kontinuerlige revisjonsspor; IVA arver brukertillatelser; «bruker aldri dataene dine til å trene LLM-er» | Blant de tydeligste publiserte styringsforpliktelsene |
| JAGGAER | JHA | Selvbetjeningsintroduksjon for leverandører og siterte svar på tvers av innkjøpsdata | «JAI foreslår. Du bestemmer. Alltid.» Ingen kundedata brukes til modelltrening; dataene behandles i kundens valgte region. | Eksplisitt erklæring om dataopphold og kildehenvisninger på svar |
| Oracle Fusion-innkjøp | Arbeidsområde for leverandørkvalifisering (agentic-app) | AI-sammendrag av kvalifikasjonssamsvar; flagg manglende eller ugunstige kvalifikasjonerfor tiden opptil 500 strategiske leverandører på tvers av tre nivåer | «Gjennomgå AI-anbefalte prioriterte handlinger for nøyaktighet før du bruker dem» | Nøyaktig utgivelsesdokumentasjon, inkludert angitte grenser |
| Gatekeeper | Gatekeeper AI og agenter | Agent for samsvarskontroll av tjenestenivåavtaler; Agent for validering av bankopplysningerhevder 50+ agenter | Ikke angitt i detalj på den gjennomgåtte siden | En bred katalog med smale agenter på én leverandør- og kontraktsoversikt |
| Kodiak-huben | AI på tvers av plattformen | AI-forbedret innsikt for leverandørytelse, risikoprognoser og avviksdeteksjon; dokumentuttrekk | ISO 27001 oppgitt; AI-tilsyn ikke oppgitt på den gjennomgåtte siden | AI i en full SRM-løkke av vurderinger, mål og handlinger |
| Forhåndsbølge | AI-baserte risikovarsler | Prioritering av risikoer etter AI-drevet påvirkning, sannsynlighet og relevans; dyptgående kartlegging | Ikke oppgitt på den gjennomgåtte siden | Ekstern risikoregistrering på tvers av språk og forsyningsnivåer |
To mønstre skiller seg ut. For det første er offentliggjøringen av styring ujevn. Noen få leverandører publiserer spesifikke forpliktelser om menneskelig ansvarlighet, opplæringsdata og bosted; mange tar ikke opp dem på sine AI-sider i det hele tatt. For det andre grupperer de fleste publiserte eksemplene seg rundt risikoregistrering, onboarding-dokumenter og sourcing. Færre leverandører beskriver AI som kobler det en leverandør lovet i en kontrakt med hvordan leverandøren faktisk presterer, som er der leverandørkvalitetsteamene tilbringer mesteparten av uken sin.
Suiter, spesialister og risikoplattformer: hvilken type AI passer deg
En source-to-pay-pakkes kunstig intelligens passer godt hvis du allerede kjører den pakken, prioriteten din er transaksjonseffektivitet på tvers av sourcing, kontrakter og fakturaer, og du har en bedriftsavtale på plass. Kunstig intelligens drar nytte av å se forbruks- og transaksjonsdata i ett system.
En risikoinformasjonsplattforms kunstige intelligens passer godt dersom hovedeksponeringen din er ekstern: forstyrrelser, sanksjoner, negative medier eller dyp innsyn. Den overvåker verden utenfor leverandørbasen din veldig godt.
En spesialist på leverandørytelse og livssyklus har en AI som passer godt hvis problemet ditt ligger i selve forholdet: scorekort, korrigerende tiltak, QBR-er, kontraktsmessige KPI-er, leverandørutvikling og bevissporingsrevisorer ber om. Her kan AI-en være svært lik dataene som kvalitets- og leverandørledelsesteam jobber med hver dag.
Mange store organisasjoner vil kombinere en pakke med en spesialist. Begrensningene ved S2P-pakker for leverandørrelasjonsarbeid og spørsmålet om ERP versus spesialisert SPM dekkes i separate artikler.
Hvor EvaluationsHub, InitiativesHub og Eva AI passer sammen
Vi er en yngre spesialist som vokser raskt, og vi bygde vår AI rundt løkken beskrevet ovenfor i stedet for rundt et chatvindu. Tre produkter fungerer på én leverandørdatamodell:
- EvaluationsHub dekker leverandørytelse og risiko: vektet leverandørs scorekort per segment, innsamling av risiko- og ESG-data, korrigerende tiltak (CAPA), QBR-administrasjon og en toveis leverandørportal.
- InitiativesHub dekker utførelse: inntak, forespørsel om tilbud, leverandørkvalifisering, tildeling, kontraktshåndtering med tjenestenivåavtaler og KPI-er knyttet til klausuler, og onboarding som overleverer til EvaluationsHub når den er ferdig. Sammen dekker de to full leverandørlivssyklus.
- Eva AI er AI-laget på toppen. Det er designet for å gjøre tre ting.
Kryssjekk av kontrakt og ytelse. Eva leser KPI-forpliktelsene i kontraktene dine og sammenligner dem med live scorecard-data. Når et avvik krysser en terskel du definerer, foreslås det en korrigerende handling med en vedlagt begrunnelse. For eksempel: en kontrakt krever 97 % OTIF, 30-dagers gjennomsnittet er 88.4 %, og avviket har overskredet 5-punktsgrensen din i tre uker på rad.
Risiko- og samsvarsovervåking. Eva overvåker risikosignaler på tvers av leverandørporteføljen mot akseptrammen din og foreslår riktig samsvarsarbeidsflyt, knyttet til den relevante kontraktsklausulen.
Kostnadsreduksjonsinformasjon. Eva ser etter konsolideringsmuligheter, leverandører som er klare for reforhandlinger basert på ytelse og prisavvik, og foreslår strukturerte kostnadsreduksjonsprosjekter i InitiativesHub.
På spørsmålene ovenfor er svarene våre enkle. Eva anbefaler, og du bestemmer: hver handling holdes tilbake for menneskelig gjennomgang, med godkjenning, redigering eller avvisning med ett klikk. Ingen leverandørrettet handling skjer uten eksplisitt godkjenning. Konfidensgrenser kan konfigureres per handlingstype. Hver AI-anbefaling, godkjenning og resultat går inn i et uforanderlig, eksporterbart revisjonsspor . Plattformen er ISO 27001-sertifisert og driftes i EU.
Vi er ikke det rette valget for alt. Hvis du ønsker én leverandør for rekvisisjoner, fakturaer og betalinger, vil en pakke tjene deg bedre. Hvis dyptgående nyhetsovervåking på dusinvis av språk er ditt hovedbehov, går en dedikert risikoinformasjonsplattform lenger. Vårt fokus er ytelses-, risiko- og forbedringssløyfen med leverandørene dine, og AI-en som gjør denne sløyfen raskere uten å ta beslutningen fra teamet ditt.
En merknad om regulering
Menneskelig tilsyn er i ferd med å bli en regulatorisk forventning, ikke bare god praksis. I henhold til EUs KI-lov må høyrisiko-KI-systemer utformes slik at folk kan føre effektivt tilsyn med dem. I mai 2026 ble Rådet og Parlamentet enige om å flytte søknadsdatoene for høyrisikoforpliktelser til 2. desember 2027 for frittstående høyrisikosystemer og 2. august 2028 for de som er innebygd i produkter . De fleste bruksområder for leverandørstyring faller sannsynligvis ikke inn under høyrisikokategoriene, men tilsynsprinsippet er en fornuftig referanse for all KI som foreslår tiltak som påvirker leverandører. Vår veiledning i EUs KI-lov for anskaffelser går lenger; sjekk eventuelle spesifikke forpliktelser med ditt juridiske team.
Hva denne sammenligningen ikke kan fortelle deg
Vi sammenlignet offentlige uttalelser, ikke live-systemer. Vi testet ingen leverandørers AI på reelle data, priser for AI-tillegg publiseres sjelden, og noen funksjoner kan være lenger fremme eller lenger bak enn en nettside antyder. Be hver leverandør, inkludert oss, om å vise deg hvordan det fungerer med dine egne leverandører.
Ofte stilte spørsmål
Hva er den viktigste AI-funksjonen i SRM-programvare?
Evnen til å koble sammen data som vanligvis står separat, som kontraktsforpliktelser og målt ytelse, og å gjøre et avvik om til et foreslått tiltak med klar begrunnelse. Sammendrag og chat er nyttige, men verdien ligger i handlingssløyfen.
Bør AI i leverandørstyring handle uten menneskelig godkjenning?
For reversible interne oppgaver med lav risiko kan begrenset autonomi være rimelig. For leverandørrettet kommunikasjon, tildelinger, korrigerende tiltak og eventuelle endringer i leverandørens bankdetaljer, er menneskelig godkjenning med et revisjonsspor den tryggere utformingen og den revisorer vil forvente.
Hvordan sjekker jeg om en leverandørs AI-funksjon faktisk er tilgjengelig?
Be leverandøren om å merke hver funksjon som generelt tilgjengelig, beta eller planlagt, med datoer, og legg denne listen inn i kontraktsplanen. Mange leverandører oppgir tilgjengelighet i sine egne utgivelsesnotater eller pressemeldinger, så sjekk disse også.
Trenger jeg rene leverandørdata før AI er nyttig?
Du trenger rimelig oppdaterte kjernedata: leverandørregistre, en målstyring med definerte KPI-er og dine viktigste kontraktsvilkår. Du trenger ikke perfeksjon. En god plattform vil vise deg hvor datahull svekker anbefalingene.
Hvis du vil se hvordan det går med dine egne leverandørdata, bestill en demonstrasjon og ta med én leverandør du er bekymret for.
Av professor dr. Bert Paesbrugghe, grunnlegger av EvaluationsHub og førsteamanuensis ved IÉSEG School of Management.
