RBI-Solutions blog

Wat betekent de overname van Informatica door Salesforce voor data en AI?

Salesforce heeft aangekondigd dat het Informatica overneemt voor zo’n $8 miljard. Wat lijkt op een strategische fusie tussen twee softwaregiganten, is in werkelijkheid veel meer dan dat. Deze overname heeft directe impact op hoe organisaties omgaan met datakwaliteit, governance en AI-adoptie. Het is een duidelijk signaal: zonder betrouwbare, goed geïntegreerde data, geen succesvolle AI. In onze nieuwste blog geven wij een analyse van deze ontwikkeling en leggen wij uit wat dit betekent voor jouw datastrategie.

Neem bijvoorbeeld een grote logistieke speler die klantdata, supply chain-informatie en sensordata verzamelt uit tientallen bronnen. Vandaag de dag vereist het combineren van die data met AI vaak maatwerkoplossingen en intensieve samenwerking tussen data engineers, analisten en ontwikkelaars. Dankzij deze overname kan zo’n organisatie binnenkort standaard werken met één geïntegreerd platform: Informatica zorgt voor data-integratie en governance, terwijl Salesforce’s Einstein en Agentforce zorgen voor analyse, voorspelling en automatisering.

Een use case zou bijvoorbeeld kunnen zijn waar realtime voorraaddata uit een ERP-systeem via Informatica wordt geïntegreerd met klantgedragdata uit het CRM. Vervolgens gebruikt Einstein deze gecombineerde data om voorraad- en bestelaanbevelingen te genereren die automatisch worden doorgevoerd in e-mails, gepersonaliseerde aanbiedingen of chatbot-interacties.

Nieuwe kansen voor data engineers en analisten

Voor data engineers betekent deze fusie vooral meer controle over data pipelines en minder tijd kwijt aan het debuggen van integraties. Omdat Informatica’s IDMC-platform al sterk inzet op low-code integraties en AI-ondersteunde datakwaliteitschecks, wordt het eenvoudiger om betrouwbare data op te leveren voor AI-projecten zonder handmatige correcties.

Data-analisten en business users profiteren op hun beurt van betere selfservice BI-mogelijkheden. Door datakwaliteit en metadata governance te automatiseren, wordt het gemakkelijker om dashboards en rapportages te bouwen op basis van betrouwbare en traceerbare data. En doordat alles binnen één Salesforce-stack zit, zijn integratieproblemen en datasilo’s straks grotendeels verleden tijd.

Maar ook aandachtspunten

Toch zijn er legitieme zorgen. Blijft Informatica beschikbaar als onafhankelijk platform voor organisaties die niet volledig op Salesforce draaien? Salesforce stelt in de persverklaring dat Informatica’s partnerships met andere cloud providers, zoals Microsoft Azure en AWS, zullen blijven bestaan. Maar hoe lang dat zo blijft, is onduidelijk. Ook de complexiteit van licenties kan een bottleneck zijn. Zowel Salesforce als Informatica staan niet bekend om eenvoudige prijsmodellen. Organisaties zullen dus kritisch moeten kijken naar total cost of ownership, integratiekosten en contractuele flexibiliteit.

Daarnaast moeten bedrijven alert blijven op datasoevereiniteit, vooral nu AI-projecten steeds vaker gevoelige klantdata verwerken. Het goede nieuws is dat Informatica juist sterk is in het faciliteren van AVG-compliant data governance. In combinatie met Salesforce’s bestaande securityarchitectuur ontstaat zo een fundament dat niet alleen innovatief, maar ook veilig en juridisch verantwoord is.

Conclusie: een gamechanger voor datagedreven werken

De overname van Informatica door Salesforce is een strategische versnelling in de race om AI daadwerkelijk waardevol en schaalbaar te maken. Door infrastructuur en intelligentie samen te brengen, legt Salesforce een stevige basis onder de AI-toepassingen van de toekomst. Voor organisaties biedt dit nieuwe kansen om slimmer, sneller en veiliger met data om te gaan; van integratie tot analyse tot actie. Voor data-afdelingen betekent dit dat samenwerking tussen engineering, governance en analytics belangrijker wordt dan ooit. Maar het betekent ook dat de tools om die samenwerking soepel te laten verlopen nu binnen handbereik komen. AI begint niet bij het algoritme, maar bij de data. En met deze overname wil Salesforce het hele traject, van ruwe data tot intelligente actie, in één ecosysteem onderbrengen.

De komende maanden zal blijken hoe deze integratie in de praktijk uitpakt. Maar één ding is zeker: de standaard voor data gedreven AI-toepassingen is vandaag een stuk hoger komen te liggen.

Bron: https://www.salesforce.com/news/press-releases/2025/05/27/salesforce-signs-definitive-agreement-to-acquire-informatica/

Meer weten over wat wij met data kunnen?

Lees verder over data en de diensten van RBI-Solutions in deze blog's:

Zonder businessdoelen geen duurzame data-architectuur

Vorige week gaf ik met veel enthousiasme een introductie over data-architecturen aan nieuwe collega’s. We bespraken de historie van architecturen, de plek van een Data Architectuur binnen een Enterprise Architectuur en hoe zo’n architectuur het werk van Data Engineers, Data Analisten en Data Scientists beïnvloedt. Data Architectuur wordt vaak gezien als een IT-feestje, maar een goede architectuur wordt altijd gedreven door heldere businessdoelen. Zonder die doelen is een data platform als een Ferrari bij een off-road rally: technisch en esthetisch indrukwekkend, maar totaal ongeschikt voor het terrein waarin het moet presteren. Zo verliest een architectuur zonder richting snel zijn waarde en wordt data engineering meer een technologisch experiment dan een strategisch fundament.

MCP: De nieuwe AI standaard

Een begrip dat je online steeds vaker tegenkomt binnen al de buzz rond AI is ‘MCP’; weer zo’n afkorting die voor heel veel mensen cryptisch klinkt. Binnen de AI wereld is het echter wel een heel belangrijke vooruitgang: standaardisatie. Het verbinden van AI met bestaande APIs biedt heel veel mogelijkheden. Echter bouwt elke organisatie hun oplossing net weer anders. De ene bot praat zo tegen een API, de andere weer anders, en voor je het weet heb je een kerkhof aan connectors. Het idee is goed, de uitvoering vaak rommelig. Dit is precies waar MCP om de hoek komt kijken.

AI Agents: meer dan een slimmere chatbot

De meeste mensen zien AI nog steeds als een soort papegaai die tekstjes en plaatjes maakt zodra je iets vraagt. Handig, maar ook best oppervlakkig. Sinds enige tijd is er echter ook iets nieuws in opkomst: ‘Agentic AI’. AI-agenten dus die autonoom te werk kunnen gaan.

In plaats van pure generatie, kunnen ze een probleem ontleden, stappen zetten richting een oplossing, hun eigen werk checken en zelf andere tools gebruiken. We stappen dus richting zelfstandig werkende oplossingen. Je kunt het bijna zien als een leger van volledig virtuele assistenten en stagiaires. Dit belooft veel maar, brengt zeker ook gevaren.

AutoML: Machine Learning op de automatische piloot?

Geautomatiseerd Machine Learning ook wel ‘AutoML’ is het automatiseren van de tijdrovende, iteratieve taken bij het ontwikkelen van machine learning-modellen. Je laat als het ware het bouwen van de modellen aan de machines zelf over.

Voor een paar tientjes een model dat kan voorspellen welke klanten over een paar maanden gaan vertrekken. Klinkt een beetje te goed om waar te zijn. Dan heb je natuurlijk ook geen Data Scientists meer nodig, toch? Nou, er zitten uiteraard wel wat haken en ogen aan. De specialisten op het gebied van Machine Learning verdwijnen ook zeker niet zo maar. Even een stap terug dus.

Data mesh: principes en praktische implementatie

Elk relatief groot bedrijf bestaat uit verschillende afdelingen, elk met zijn eigen vraagstukken. Op datagebied is dat niet anders: marketing wil weten hoe campagnes performen, operations wil de huidige voorraad kunnen inzien, finance bewaakt de cashflow en productontwikkeling volgt klantgedrag.

Datamigratie afgerond… en nu?

Binnen veel organisaties is een datamigratie een enorme mijlpaal. Maandenlang werk je toe naar dat ene moment waarop alle data succesvol is overgezet naar de nieuwe operationele applicatie. Tijdens dat migratietraject worden allerlei controles ingericht: validatieregels, datakwaliteitschecks en integriteitscontroles die ervoor zorgen dat iedere klant, transactie of productrecord correct wordt overgezet. In de praktijk zien we alleen dat die regels direct na de migratie verdwijnen uit beeld. Terwijl ze juist ook dan van grote waarde zijn.

Meggie over haar werk bij de klant

Meggie van den Boom, data engineer bij RBI Solutions, werkt al anderhalf jaar als data consultant bij een financiële dienstverlener. Ze geeft ons vandaag een kijkje in hoe haar werkzaamheden binnen haar team bij de klant eruit zien.

Metadata: je geheime wapen voor observability & governance

Metadata voor observability en governance: verder dan information_schema
Een aantal weken geleden, wijdden we een blog aan het gebruik van metadata voor het slimmer ontwikkelen en onderhouden van dataplatforms. Metadata wordt helaas nog vaak gezien als het saaie bijproduct van data: een paar kolomnamen, datatypes en misschien een timestamp, maar in moderne dataplatformen is dat nog maar het topje van de ijsberg. Metadata kan, mits goed benut, een krachtig fundament vormen voor zowel observability als governance. Het kan helpen bij het opsporen van problemen, het begrijpen van datastromen, het garanderen van compliance en zelfs het optimaliseren van prestaties.

Data migratie test en validatiestrategieën: hoe je zeker weet dat je data klopt na een migratie

Data migraties zijn voor veel organisaties een uitdaging: je stapt over van een oud systeem naar een nieuw, je moderniseert je datawarehouse of je integreert een nieuw platform na een fusie. Ondanks dat het technisch ‘slechts’ het verplaatsen van data lijkt, komt er meer bij kijken om een goede datamigratie uit te voeren. Hoe weet je zeker dat de data na migratie nog klopt? Dat er niets verloren is gegaan, of erger nog: dat je geen subtiele fouten hebt geïntroduceerd die maanden later pas boven water komen?
In deze blog staan we stil bij test- en validatiestrategieën bij data migraties. We bespreken waarom het testen van een datamigratie fundamenteel anders is dan het testen van een standaard applicatie, welke technieken je kunt gebruiken om betrouwbaarheid te garanderen, en hoe je omgaat met de praktische uitdagingen die je onderweg tegenkomt.

Waarom AI en automatisering niet werken zonder goede data engineering

AI is hot. Iedereen wil er iets mee. Van slimme voorspellingen tot volledige automatisering van bedrijfsprocessen; organisaties investeren massaal in artificial intelligence. Maar wie verder kijkt dan de hype, ziet dat veel AI-projecten stranden nog voordat ze echt waarde opleveren. Niet vanwege de modellen of de tooling, maar vanwege iets veel fundamentelers: de onderliggende data en hoe je ermee omgaat. Of specifieker: de data engineering erachter. Want zonder robuuste data-infrastructuur is AI net zo betrouwbaar als een kompas in een magneetveld.

Data-APK: inzicht en zekerheid voor jouw bedrijfsdata

In een tijd waarin beslissingen steeds meer op data leunen, is het essentieel om zeker te weten dat die data klopt. Net als een auto die regelmatig een APK nodig heeft om veilig te blijven rijden, vraagt ook jouw bedrijfsdata om een periodieke check. Bij RBI Solutions noemen we dat de Data-APK: een slimme, laagdrempelige manier om jouw data in kaart te brengen, problemen te signaleren en waardevolle inzichten te bieden die jouw organisatie helpen sneller en beter beslissingen te nemen.

de transitie met Microsoft Fabric

In veel MKB-organisaties is het verzamelen en rapporteren van data nog steeds een tijdrovende en foutgevoelige klus. Excel-bestanden circuleren overal, gegevens worden handmatig gecorrigeerd in verschillende systemen en rapportages worden met de hand bijgewerkt. Het gevolg is dat managers en analisten vaak worstelen met verouderde inzichten, inconsistente cijfers en een gebrek aan overzicht. Hierdoor duurt het langer voordat er goede beslissingen genomen kunnen worden en het vertrouwen in de data neemt af.

Een bekend probleem is dat data uit verschillende systemen, zoals een boekhoudpakket, CRM of HR-software, niet automatisch met elkaar verbonden zijn. Dit leidt tot dubbel werk, handmatige controles en fouten bij het overzetten van data. Denk bijvoorbeeld aan het handmatig aanpassen van uitzonderingen in BTW-tarieven of het dubbel moeten invoeren van klantgegevens. Deze werkwijze kost veel tijd en brengt risico’s met zich mee.

« Older Entries