Emerce EDAY 2026: 6 AI-inzichten voor retailers

Slechts 12% van de bedrijven haalt vandaag echt succes uit AI. Met dat cijfer opende Emerce EDAY 2026 op 5 november in de Kromhouthal in Amsterdam. Het zette meteen de toon voor de rest van de dag: minder hype, meer vragen over wat AI in de praktijk oplevert.

We trokken er met het Tilroy-team naartoe en volgden sessies over productdata, app-ontwikkeling en design systems. Sommige sprekers waren hoopvol, andere confronterend. Samen geven ze een helder beeld van waar retail naartoe gaat.

Hieronder delen we zes inzichten die we meenamen. Telkens vertaald naar wat ze betekenen voor retailers.

Zes inzichten van Emerce EDAY 2026

1. AI vergroot wat er al is, ook de rommel

De openingskeynote kwam van Irina von Rosén, investeerder en voormalig tech-executive die bedrijven begeleidt bij AI-implementaties. Volgens de PwC 2026 Global CEO Survey zag maar 12% van de bedrijven door AI zowel hun kosten dalen als hun omzet stijgen. Meer dan de helft zag op geen van beide vlakken verschil.

Drie oorzaken kwamen steeds terug:

• Beloftes van leveranciers volgen in plaats van zelf kritisch te toetsen of AI het probleem echt oplost.
• AI bovenop technische schuld zetten. Wie AI loslaat op rommelige processen en data, krijgt rommel op schaal.
• Pilots die niet opschalen. Een proefproject werkt, maar bij de uitrol stijgen de kosten sneller dan de opbrengst.

Haar advies was simpel: ruim eerst de rommel op. Voor retailers betekent dat concreet: zorg dat je voorraad, artikeldata en klantdata op één plek kloppen voordat je er AI op zet.

2. De invisible shelf: zonder goede productdata besta je niet

Een leverancier van PIM-software liet zien hoe productontdekking verschuift van Google naar AI-assistenten. Klanten typen niet meer "espressomachine", maar vragen naar een espressomachine die past in een klein stadsappartement. Staan de afmetingen of het gebruik niet in je productdata, dan kom je niet in het antwoord voor. Je product staat dan op de "invisible shelf": het bestaat, maar niemand vindt het.

Goede productdata voor AI rust volgens de spreker op vier pijlers:

• Structuur: consistente categorieën, volledige attributen en schema.org-markup.
• Autoriteit: AI controleert je informatie bij onafhankelijke bronnen zoals reviews, marktplaatsen en communityplatformen.
• Actualiteit: recente reviews, vragen en updates zijn een signaal dat je product leeft.
• Relevantie: concrete feiten en gebruikssituaties in plaats van vage marketingtaal.

Het voorbeeld van Leatherman bleef hangen. Uit reviews bleek dat elektriciens het multitool gebruiken om kabels te strippen. Zo ontdekte het merk een nieuwe doelgroep, puur op basis van wat klanten online over het product schreven.

3. Van chatbot naar ambient intelligence

Een sessie over een groot onderzoek naar apps (bijna 14.000 gebruikers, 400 apps in Nederland, Denemarken en Zweden) toonde dat de meeste apps hun basisfuncties op orde hebben. Wie zich wil onderscheiden, doet dat met innovatie en personalisatie: de "intelligentielaag".

Die laag komt in drie vormen:

• Expliciet: je weet dat je met AI praat. De Tesla-app beantwoordt vragen over jouw specifieke auto, de Philips Hue-app zet op commando je lampen op rood.
• Embedded: de AI werkt mee zonder dat je het merkt. Vinted vult categorie, merk, kleur en prijs in op basis van een foto.
• Ambient: de AI is onzichtbaar tot het nodig is. Revolut toont een waarschuwing als je aan de lijn hangt met iemand die zegt van Revolut te zijn, terwijl dat niet zo is.

Hoe verder naar rechts, hoe minder zichtbaar en hoe waardevoller. Voor retail is de les: begin bij de frictie die je klant ervaart, niet bij de vraag waar je AI kunt toevoegen.

4. Design systems worden handleidingen voor AI

Een design system is meer dan een stijlgids. Het is een centrale set van componenten, code en documentatie. Nu coding agents interfaces bouwen, verschuift de doelgroep van die documentatie van mensen naar AI.

Via MCP kan een AI-assistent rechtstreeks het hele design system raadplegen. Hoe beter beschreven is wanneer je welk component gebruikt, hoe consistenter het resultaat. Het bureau achter de sessie zag de nauwkeurigheid van gegenereerde componenten zo stijgen van 80% naar 98%.

Twee standen bleken handig: een strakke modus voor productie (een formulier moet er altijd hetzelfde uitzien) en een vrijere modus voor concepten (een nieuwe landingspagina mag variëren).

5. Nieuwsgierigheid heeft een plek nodig

Een sessie over "curiosity infrastructure" begon met een spel. Wie zat al eens in een vergadering waar de beslissing al genomen was? Wie zweeg omdat hij het antwoord niet wist? Na zes vragen hadden de meeste mensen in de zaal hun hand tot een vuist gevouwen.

De boodschap: nu AI antwoorden overvloedig maakt, wint wie betere vragen stelt. Daarvoor heb je vier dingen nodig: toestemming om iets niet te weten, veiligheid om ideeën te delen, gestructureerd experimenteren en een eerlijk verhaal na een mislukking. Drie vragen om morgen mee te starten:

• Hoe praat je team over wat vorig jaar misliep, als het er al over praat?
• Wie stelt in vergaderingen de premisse in vraag, en wat gebeurt er daarna met die persoon?
• Kies één beslissing waar AI dit kwartaal aan bijdroeg en zoek uit welke aannames in de prompt zaten.

6. Technologie kan ook iets anders optimaliseren dan winst

Pau Aleikum Garcia van het Barcelonese Domestic Data Streamers liet zien wat er gebeurt als je AI niet inzet voor snelheid en controle. Zijn studio draaide het idee van camerabewaking om en bouwde een model dat in parlementen detecteert wanneer politici in slaap vallen.

Het meest ontroerende project reconstrueerde herinneringen van mensen in vluchtelingenkampen met beeldgeneratie. Het beeld hoefde niet pixelperfect te kloppen. Het ging erom dat de herinnering klopte, zodat het verhaal kon worden doorgegeven.

Voor een publiek van marketeers en developers was het een nuttige herinnering. Dezelfde technologie die we inzetten voor conversie kan ook mensen dichter bij elkaar brengen.

Wat betekent dit voor retailers?

De rode draad van de dag: AI beloont wie zijn basis op orde heeft. Dat geldt voor productdata, voor processen en voor de cultuur in je team. Drie dingen die retailers vandaag al kunnen doen:

• Verrijk je productdata. Denk na over hoe klanten zoeken: afmetingen, gebruikssituaties en materialen. Niet alleen over hoe jij je producten intern noemt.
• Breng je data samen. Voorraad, artikelen en klanten op één plek maken AI-toepassingen pas betrouwbaar. Anders schaal je de fouten mee op.
• Begin bij de frictie. Kijk waar je klant vastloopt, in de winkel en online, en kies daar je eerste AI-toepassing.

Bij Tilroy bouwen we retailsoftware die voorraad, artikeldata en klantdata over alle kanalen samenbrengt. Zo leg je de basis waar AI op kan voortbouwen. Ontdek hoe Tilroy werkt.