De uitgebreide gids voor productlevenscyclusbeheer

Deel 1 van 4, van de Mendix Community Netherlands Round Table in Amersfoort, 2 juni 2026. De avond leverde vier vragen op: wat blijft er over voor de consultant, kunnen we een agent vertrouwen om het werk te doen, verdient het platform nog steeds de voorkeur, en wie koopt er eigenlijk nog?

Ongeveer twintig Mendix-consultants brachten een avond door met discussiëren over één ding, zelfs toen ze dachten dat het over iets anders ging. Niet of de agent de app kan bouwen. We zijn het er grotendeels over eens dat dit gaat gebeuren. De discussie ging over wat er dan voor ons overblijft om te doen.

Dit was de Round Table op 2 juni in Amersfoort. Drie tafels: Alpha, Delta en Foxtrot. Een lijst van 34 stellingen over agentic AI, een live app om te stemmen en een ruim uur om de strijd aan te gaan. Zestien mensen brachten hun stem uit, in totaal 42 stemmen. Wat ik achteraf fijn vond om te lezen, was dat niemand aan de tafels in paniek raakte over vervanging. De stemming was niet "zijn we klaar?", maar "wat is nu eigenlijk ons werk?"

Waar discussieerden we dan precies over?

‍

Begrijpen, analyseren, bouwen

Eén tafel vatte het helder samen. Softwareontwikkeling kent drie mentale fasen: begrijpen, analyseren en bouwen. Het pad van een vaag verzoek naar een werkend product.

Hier komt het ongemakkelijke deel. De agent wordt erg goed in het bouwen. Het typewerk. Bijna alles wat de moeite waard is om te zeggen over de komende jaren, draait om wat dat wel en niet doet met de andere twee fasen.

Een verhaal van tafel Alpha maakte het concreet. Een consultant werkte aan een project voor een klantportaal, waarbij een bedrijf overstapte van papieren formulieren naar een Mendix-app. De product owner had twee weken besteed aan het schrijven van user stories, keurige verhalen; elk formulier werd omgezet in een nette ticket. Toen stelde iemand de vraag die als eerste gesteld had moeten worden: wat verkopen we hier eigenlijk, automatiseren we papier of automatiseren we processen? We automatiseren processen. De stories klopten niet. Twee weken zorgvuldig werk, gericht op het verkeerde doel, en alles moest opnieuw worden geschreven.

Laat dat nu door een agent uitvoeren. Je krijgt dezelfde geweldige stories, zei hij, maar niet het juiste resultaat. Sneller, schoner en net zo fout. Of, zoals de tafel het verwoordde: AI maakt geen fouten. Het doet precies wat je het opdraagt.

Dat is de hele discussie in één anekdote. De agent vermenigvuldigt je denkkader. Als het kader niet klopt, vermenigvuldigt hij dat ook, en wel in hoog tempo. Het werkelijke probleem begrijpen en beslissen wat de moeite waard is om te bouwen, zijn niet de makkelijke onderdelen waar je doorheen haast op weg naar de code. Het zijn de onderdelen die bepalen of de code het schrijven waard was.

‍

Betekent dit dat alleen de seniors overleven?

Je kunt dit alles als slecht nieuws voor juniors zien. Als de waarde in het oordeelsvermogen zit, geef het werk dan aan de mensen die dat al hebben en laat de agent de rest doen. De zaal was het daar niet mee eens. Op de vraag of teams nu alleen nog senior orchestrators nodig hebben en geen juniors, zei 80% nee. De redenering was simpel. Oordeelsvermogen komt niet met de functietitel. Je bouwt het op door het werk te doen, inclusief de onderdelen die een machine nu voor je kan doen. Een team dat stopt met het opleiden van juniors, heeft over een paar jaar geen seniors meer over, en niemand die heeft geleerd hoe het geheel in elkaar steekt.

De vorm waar mensen steeds naar zochten was niet "expert", maar T-shaped. Een project met vijf T-shaped mensen wint het van een project met vijf experts, zoals een consultant het verwoordde: mensen die de business uitdagen en het testen uitdagen, in plaats van "ik wil alleen maar puur ontwikkelen". De agent neemt die behoefte niet weg. Sterker nog, hij vergroot die behoefte alleen maar.

‍

Wat noemden we dan steeds de waarde?

Als je de ruis wegfiltert, kwam hetzelfde antwoord naar boven, in verschillende ruimtes en met verschillende woorden. De waarde was nooit echt de snelheid.

Wat ze in plaats daarvan noemden, waren de minder glamoureuze, duurzame zaken. Het model dat twee mensen samen kunnen lezen. Het gesprek tussen business en IT dat daarover plaatsvindt. Zelfs als de AI het hele ding genereert, zei een consultant, is het nog steeds goed dat je kunt terugvallen op een leesbare applicatie en die samen kunt doornemen. Wanneer er op een ongelegen moment een productieprobleem op je bureau belandt, wil je een flow die je kunt lezen, ook al heeft een agent die geschreven.

Dat leesbare model is een deel van wat nog steeds van ons is: het gesprek voeren, eigenaarschap nemen over wat er live gaat. Of dat ook het blijvende argument is voor Mendix als platform – de vraag die de zaal het meest verdeelde – is een discussie voor een andere keer.

‍

Tot zover klinkt dit comfortabel. Dat is het niet.

Eén ding moet je scherp houden, en het is niet wat je zou verwachten. De nieuwe breedte brengt een nieuw risico met zich mee. T-shaped zijn is goed, totdat het te veel wordt. Vraag een AI om een datumprikker en hij vindt er met alle plezier een op GitHub en installeert deze, inclusief alles wat iemand erin heeft verstopt. Zoals een consultant het verwoordde: je hebt een info-stealer op je website zonder dat je het weet. Je bent dan iets té T-shaped. De agent grijpt naar tools die je nooit hebt gecontroleerd, en de verantwoordelijkheid voor wat hij heeft gepakt, blijft bij jou.

Daarom was het meest heldere idee van de avond niet om de agent überhaupt te vertrouwen. Het ging om grenzen: geef hem alleen-lezen toegang, geef hem niet de mogelijkheid om gevaarlijke dingen te doen en laat een mens de acties uitvoeren die moeilijk ongedaan te maken zijn. Blokkeer het onomkeerbare, niet de agent. En, zoals de gastheer aan tafel officieel zei: die blokkade is voor nu, niet voor altijd. Het zal ongetwijfeld naar drie gaan. Vertrouwen moet worden verdiend, blokkades worden verwijderd en de voorzichtige consensus van vandaag heeft een houdbaarheidsdatum.

‍

Wat wordt de consultant dan?

Zeker minder een bouwer. De agent neemt het bouwen over, en dat is prima. Wat overblijft is het deel dat altijd al het eigenlijke werk was, het deel waar we ons soms achter het typen verscholen: uitzoeken welke app de moeite waard is om te bouwen, het gesprek voeren tussen de mensen met het probleem en het systeem dat het moet oplossen, beslissen wat veilig is om te automatiseren, en in staat zijn om te lezen en in te staan voor wat er wordt opgeleverd.

De agent kan de app schrijven. Hij kan je nog steeds niet vertellen welke app de moeite waard is om te schrijven, en hij zal niet in de kamer zijn wanneer de verkeerde live gaat. Dat bleek altijd al het eigenlijke werk te zijn.

Dat is de eerste van de vier vragen die de avond opwierp. De volgende ligt daar direct onder: als de agent het bouwen doet, kunnen we hem dan vertrouwen? Daarover de volgende keer meer.

We hebben een handvol van de 34 stellingen besproken. De rest staat nog in de wacht. Wat als we het gesprek online voortzetten? Laat me weten of je daarin geïnteresseerd bent, dan bedenk ik een format om dat te doen.

‍

Oorspronkelijk gepubliceerd hier.

Elke AI-discussie in de industrie draait momenteel om dezelfde ongemakkelijke vraag: we hebben geïnvesteerd, we hebben pilots gedraaid, we hebben demo's gegeven, dus waar is de waarde? Tijdens Realize LIVE 2026 gaf Siemens het antwoord. Het heet Intelligence Center X (ICX) en voor iedereen die op Mendix bouwt, is dit het moment waarop het platform een nieuwe rol aanneemt: van low-code ontwikkelplatform naar het agent-gestuurde hart van de industriële AI-strategie van Siemens.

‍

Van visie naar product: Realize LIVE 2026

Siemens CEO Roland Busch heeft in 2026 op elk groot podium dezelfde consistente boodschap verkondigd: industriële AI verlaat het laboratorium. Siemens levert, in zijn woorden, "AI-native mogelijkheden, intelligentie die end-to-end is ingebed in ontwerp, engineering en operaties". Geen AI als een extra assistent, maar intelligentie die verweven is in de manier waarop producten worden ontworpen, gebouwd en beheerd.

Tijdens Realize LIVE Americas 2026 in Detroit (1-4 juni) werd die boodschap een product. Voor ongeveer 3.000 gebruikers en partners kondigde Tony Hemmelgarn, President en CEO van Siemens Digital Industries Software, het volgende aan: Intelligence Center X: software voor de orkestratie van industriële AI, ontworpen om AI te transformeren van geïsoleerde experimenten naar schaalbare, beheerste zakelijke impact, met het Mendix-platform als kern.

Een paar weken later, tijdens Realize LIVE EMEA in Amsterdam, was het onderwerp niet te vermijden. Of de sessie nu ging over Teamcenter, Opcenter, simulatie of Mendix zelf, elk gesprek kwam steeds weer terug op dezelfde vraag: hoe maken we onze processen intelligent, veilig, op schaal en met bewijs dat het werkt?

‍

Het echte probleem: vier hiaten tussen AI-ambitie en AI-waarde

Waarom een nieuw "Center" naast Teamcenter X, Simcenter X en Opcenter X? Omdat AI-initiatieven in alle sectoren op dezelfde vier punten blijven steken.

‍

Gat #1 – Software-agents zijn kwetsbaar

Agent-gestuurde AI is juist zo krachtig omdat het autonoom handelt, en dat is ook het risico. Een agent die bedrijfsgegevens leest en acties uitvoert, kan worden misleid door verouderde gegevens, gemanipuleerde invoer of ambigue instructies. Hemmelgarn citeerde in Detroit de CEO van een klant: "Het laatste wat ik in mijn organisatie nodig heb, is dat AI een SharePoint-locatie van 20 jaar oud opzoekt en daarop vertrouwt." Een agent die zelfverzekerd handelt op basis van onbetrouwbare gegevens is geen automatisering; het is een aansprakelijkheid.

‍

Gat #2 – Schaduw-AI en beperkt toezicht

Teams wachten niet op IT. Engineers koppelen hun eigen copilots, afdelingen nemen abonnementen op specifieke oplossingen en iemand bij kwaliteitscontrole draait al een model dat niemand heeft goedgekeurd. Het schaduw-IT-probleem uit het begin van het cloud-tijdperk herhaalt zich met AI, sneller en met grotere belangen. Het resultaat: onbeheerde agents die IT niet kan zien, beveiligen of uitschakelen.

‍

Kloof #3 – Workflows en agents hebben geen audittrail

Wanneer een mens een wijziging goedkeurt, legt PLM vast wie, wanneer en waarom. Wanneer een AI-agent aanbeveelt om kosten te absorberen in plaats van een onderdeel opnieuw te ontwerpen, wie heeft dat dan goedgekeurd? Op basis van welke gegevens? Onder welk beleid? De meeste AI-experimenten kunnen deze vragen niet beantwoorden, en voor gereguleerde sectoren is dat een diskwalificatie.

‍

Kloof #4 – Gefragmenteerd overzicht over de gehele portfolio

Zelfs organisaties met succesvolle AI-toepassingen kunnen deze meestal niet als geheel overzien. Eén model in de productie, één agent in de toeleveringsketen, een copilot in de engineering; elk met zijn eigen dataverbinding, eigenaar en definitie van succes. Er is geen centrale plek om te zien welke agents er bestaan, wat ze mogen doen en wat ze opleveren.

‍

Hoe Intelligence Center X de hiaten dicht: vier onderdelen, één vertrouwenslaag

Intelligence Center X behandelt deze hiaten als één architecturaal probleem en brengt vier mogelijkheden samen op een enkel, beheerd fundament. En als u Mendix kent, kent u de helft van de stack al.

‍

1. Kennisgraaf met Graph Studio

Graph Studio bouwt de enterprise-kennisgraaf: het verbindt gegevens uit engineering, productie, toeleveringsketen en service, en zet een ontologie daartussen op – een levend semantisch model dat elk datapunt betekenis en relaties geeft. Kant-en-klare industriële ontologieën zorgen voor een snelle start. Deze contextlaag dicht Kloof #1: agents redeneren op basis van verbonden, actuele en betrouwbare gegevens in plaats van verouderde kopieën in datameren.

2. Machine learning met AI Studio

AI Studio is de plek waar data scientists en engineers machine learning-modellen bouwen, trainen en beheren, direct gebaseerd op de gegevens die door de kennisgraaf in context zijn geplaatst. In plaats van gegevens te exporteren naar weer een geïsoleerde ML-omgeving, maken modellen native verbinding met de beheerde graaf, waardoor voorspellingen dezelfde context en herkomst erven als de gegevens waarop ze zijn getraind.

3. Agent-ontwikkeling met Mendix

Dit is waar intelligentie actiegericht wordt en waar Mendix uitblinkt. Teams bouwen de applicaties en AI-agents die inzichten omzetten in actie: apps met menselijke tussenkomst op de werkvloer, autonome agents voor routinematige beslissingen en alles daartussenin. Agents worden gemodelleerd, van versies voorzien en uitgerold als elk ander Mendix-artefact, zichtbaar voor IT en vanaf dag één beheerd. Dat is het structurele antwoord op schaduw-AI (Kloof #2); een goedgekeurde, productieve plek om agents te bouwen wint het altijd van een verbod. En voor bestaande Mendix-landschappen is de integratie in de ICX-tooling verfrissend eenvoudig. Uw apps, modules en DevOps-pipelines maken verbinding met de context van Graph Studio en de modellen van AI Studio via standaardconnectoren en het Model Context Protocol (MCP), zonder dat een ingrijpende migratie nodig is.

‍

4. Procesorkestratie met Mendix Workflows

Individuele agents creëren taken, georkestreerde agents creëren waarde. Mendix Workflows coördineert mensen en agents in end-to-end bedrijfsprocessen: een agent detecteert een afwijking, een workflow stuurt de bevinding door, een mens keurt de actie goed en een agent voert deze uit. Elke stap maakt deel uit van één traceerbare procesdefinitie, en dat is precies wat AI verandert van een zijproject in een operationeel model.

Het fundament: een enterprise trust-laag. Alles hierboven draait op een gedeelde trust-laag die antwoord geeft op de hiaten #3 en #4 en het systeem geschikt maakt voor de onderneming. Het biedt:

• kaders die definiëren wat agents en mensen mogen doen en wanneer een mens moet ingrijpen
• traceerbaarheid door end-to-end logging van elke actie, zodat elke beslissing een eigenaar, een tijdstempel en een data-herkomst heeft
• beveiliging gebouwd op een platform dat is getest door middel van penetratietesten, met een geharde runtime en real-time detectie van afwijkingen
• kant-en-klare governance met beleid, geïntegreerde DevOps, Identity & Access Management en het Control Center als centraal overzicht voor de gehele portfolio

‍

Het bewijs dat het werkt: Vivix

Dit is geen theorie. Vivix Vidros Planos, de grootste fabrikant van vlakglas in Brazilië, bouwde zijn paradepaardje "Smart Furnace Monitoring", waarbij toezicht wordt gehouden op een oven van 120 miljoen dollar, op basis van bijna 30 Mendix-applicaties die OT- en IT-data koppelen via SAP S/4HANA, Siemens Industrial Edge en Snowflake. Daarbovenop draait hun AI-gestuurde Virtual Engineer: een assistent die product-, productie- en procesgegevens verzamelt en kwaliteit- en productieteams gerichte suggesties geeft, zodat ze proactief in plaats van reactief handelen. Het is gebouwd op Mendix met Amazon Bedrock en Claude van Anthropic.

De resultaten maakten een einde aan de discussie over het blijven hangen in pilots: een reductie van 85 procent in de tijd voor het oplossen van productieproblemen, 6.000 uur aan handmatig werk teruggewonnen in één jaar, de afhandeling van klantklachten teruggebracht van vijf dagen naar minder dan één, en tot 4x snellere afhandeling bij kwaliteitsgerelateerde onderzoeken, bekroond met een Siemens Techcellence Award en een AWS GenAI Gamechanger award. Mendix is de laag die intelligentie bruikbaar maakt en verbonden data en modellen omzet in applicaties die mensen dagelijks gebruiken.

Mendix 11.12: de eerste LTS-release klaar voor agent-gebaseerde productie

Aangekondigd rondom Realize LIVE EMEA, Mendix 11.12 maakt de belofte van agents werkelijkheid voor productieomgevingen. Het is namelijk de eerste Long-Term Support (LTS)-versie van Mendix 11, en de eerste LTS sinds 10.24. Dat is belangrijker dan welke individuele functie dan ook.

De best practice van Mendix is duidelijk: productie-applicaties horen thuis op LTS-versies, waar je beschikt over een stabiele, langdurig ondersteunde basis in plaats van dat je maandelijkse releases moet bijhouden. Tot nu toe moesten teams die de agent-mogelijkheden van Mendix wilden gebruiken, bouwen op een bewegende ondergrond. Met 11.12 is agent-ontwikkeling voor het eerst van LTS-niveau. Dit betekent dat je agents kunt bouwen en in productie kunt nemen volgens dezelfde release-discipline die je al hanteert voor je bedrijfskritische applicaties. De release bevat ook de Agents Kit 2.0 met de Agent Editor in Studio Pro, ingebouwde MCP-server- en clientcomponenten, aanzienlijke prestatiewinst (25–40% sneller laden van projecten, tot 6x snellere foutcontrole, tot 8x snellere lokale deployments) en geïntegreerde Mendix-workflows binnen Teamcenter Active Workspace.

‍

Hoogtepunt van Mendix 11.12: Maia

De belangrijkste reden waarom 11.12 aanvoelt als een grote stap vooruit, is Maia, de AI-assistent van Mendix, die nu volledig is verweven met de ontwikkelingscyclus.

Beschrijf de oplossing en Maia helpt bij het bouwen ervan. Je begint vanuit je intentie in plaats van vanaf een leeg canvas: je legt uit wat de oplossing moet doen (het proces, de data, het resultaat) en Maia genereert de bijbehorende structuur. Maia Plan zet dit om in epics en user stories (die direct in je Jira-backlog stromen), en Maia Make begint met het implementeren van het afgebakende werk in Studio Pro. Jij geeft de richting aan; Maia doet het voorbereidende werk.

De waarde van Maia is niet een eenmalige dump van code. Het werkt tijdens het bouwen met je samen, ondersteunt actief je eigen ontwikkeling, suggereert de volgende stap, vult repetitieve onderdelen in en signaleert hiaten, terwijl jij de controle over het ontwerp behoudt. Het gedraagt zich als een bekwame pair-programmer die nooit moe wordt van het routinewerk.

Bovendien maakt low-code de output controleerbaar. Wat Maia produceert is een Mendix-model, geen duizenden regels ruwe code, en een model is veel makkelijker te lezen, te beoordelen en te begrijpen dan handgeschreven code. Je ziet in één oogopslag de microflow, de pagina, de workflow en het datamodel en kunt direct beoordelen of het klopt. Dit is ook het kernvoordeel van low-code in het AI-tijdperk: AI stelt bedrijven in staat om snel te schakelen, terwijl het voor mensen mogelijk blijft om het resultaat zinvol te verifiëren. Snelheid zonder een black box.

Een persoonlijke noot over live demo's. Het heeft mijn eigen ervaring veranderd. Vroeger betekende een live demo dat ik tegelijkertijd moest coderen, uitleggen en hopen dat er niets kapot zou gaan. Nu bereid ik user stories van tevoren voor, voer ze tijdens de demo uit en leid ik het publiek rustig door elke taak en het resultaat. De demo veranderde van een koorddansact in een gesprek, van presteren onder druk naar uitleggen met zelfvertrouwen.

‍

Mendix als MCP-server voor andere tools

Maia is de ingebouwde weg, maar niet de enige. Omdat 11.12 wordt geleverd met MCP-ondersteuning, kan een Mendix-applicatie fungeren als een MCP-server, waarbij de logica, data en workflows worden blootgesteld als tools die andere AI-clients kunnen aanroepen. Je zit niet vast aan één assistent: je beheerde Mendix-mogelijkheden kunnen worden gebruikt door een andere agent of tool naar keuze, terwijl ze nog steeds achter de ICX-vertrouwenslaag draaien. Dit is precies het verschil tussen een AI-functie en een open, interoperabel AI-platform.

‍

AI-agents integreren en orkestreren met Mendix

Diezelfde openheid werkt ook de andere kant op. Mendix stelt niet alleen tools beschikbaar, maar integreert ze ook; met de MCP-client haal je externe AI-agents en -services direct naar je applicaties. Zo combineer je de beste agents van verschillende aanbieders en doe je wat er echt toe doet: ze orkestreren met Mendix Workflows. In plaats van een losse verzameling agents die elk voor zich werken, krijg je gecoördineerde processen met menselijke tussenkomst. Mendix bepaalt welke agent wanneer wordt ingezet, regelt de overdracht tussen mens en machine en houdt elke actie binnen een beheerde, controleerbare vertrouwenslaag. Mendix fungeert als de dirigent van je hybride personeelsbestand, niet slechts als een extra instrument.

‍

Persoonlijke conclusie

Intelligence Center X is wat mij betreft een ijzersterk concept: het verbindt data uit uiteenlopende systemen en maakt deze bruikbaar voor tal van scenario's, met AI voorop. Binnen dat concept is Mendix de cruciale speler. De combinatie van agent-gebaseerde ontwikkeling en low-code maakt het verschil. Hiermee bouw je snel AI-gedreven oplossingen, terwijl je tegelijkertijd controleert, beheert en vertrouwt op wat je hebt gemaakt. Die balans tussen snelheid en betrouwbaarheid is precies wat bedrijfssoftware nodig heeft, en het maakt Mendix tot een sterke partner voor betrouwbare, efficiënte softwareoplossingen in het tijdperk van industriële AI.

Een groot deel van ons dagelijks werk bestaat uit het verzamelen van informatie, het doorzoeken van bronnen, het herschrijven van dezelfde ideeën in verschillende formats of het samenvatten van discussies. Dit soort routinewerk zorgt er logischerwijs voor dat mensen zoeken naar manieren om tijd te besparen, herhaling te verminderen en met minder moeite tot een bruikbaar resultaat te komen. En agentic AI presenteert zich als een krachtige snelkoppeling, die in staat is om een ruwe gedachte om te zetten in een gepolijste e-mail, een vergadering in een beknopte samenvatting of een handmatige workflow in een geautomatiseerde stap.

Voor veel teams is dat precies de valkuil: dat AI-chatbots en copilots in staat zouden zijn tot hetzelfde conceptuele werk dat mensen instinctief doen wanneer ze een vaag doel nemen, dit opdelen in betekenisvolle onderdelen en toewerken naar een nuttig resultaat. En uiteindelijk worden ze op de verkeerde manier lui.

AI-adoptie begint met realistische verwachtingen

De publieke belofte rondom AI-adoptie suggereert iets dat in de buurt komt van een alleskunner als denkpartner. Een systeem dat doelen kan begrijpen, context kan interpreteren en een probleem kan uitwerken zoals een ervaren collega dat zou doen. Maar niets is minder waar.

AI is een voorspeller, geen begrijpend systeem

In de kern voorspelt AI waarschijnlijke vervolgstappen. Het begrijpt je bedrijfsmodel, je operationele beperkingen of de onderlinge samenhang van de bewegende delen binnen je organisatie niet op de manier waarop een mens dat doet. Het weet niet waarom de ene uitzondering belangrijker is dan de andere, waarom een proces in zijn huidige vorm bestaat of welke afwegingen er achter een beslissing zitten, tenzij deze zaken expliciet worden gemaakt.

Als gevolg daarvan kan AI snel zijn, maar toch oppervlakkig. Het kan iets genereren dat er compleet uitziet, terwijl de mechanismen die er voor het bedrijf echt toe doen, ontbreken.

AI kan professioneel klinken en toch onjuist zijn

Een van de redenen waarom AI zo overtuigend is, is dat het informatie met zelfvertrouwen presenteert. Het schrijft helder en structureert argumenten goed, maar vloeiende output moet niet worden verward met expertise.

Een ervaren professional in welk vakgebied dan ook zal AI doorgaans overtreffen waar nuance, context en consequenties van belang zijn. Zij kunnen zien wat er ontbreekt, vraagtekens zetten bij wat niet klopt en herkennen wanneer een antwoord technisch aannemelijk maar praktisch onjuist is. AI daarentegen kan hallucineren of belangrijke nuances negeren.

Meer context maakt AI niet automatisch beter

Het model begrijpt informatie niet zoals een mens dat doet. Het weet niet uit zichzelf welk detail strategisch belangrijk is, welke relatie tussen inputfactoren daadwerkelijk het resultaat bepaalt of welke uitzondering zwaarder moet wegen dan het algemene patroon. Wanneer er te veel context wordt toegevoegd zonder duidelijke structuur, prioritering of kaders, verwatert belangrijke informatie door secundaire of zwakke signalen en weerspiegelt de output slechts correlaties aan de oppervlakte.

Dit is de reden waarom strategische selectie een menselijke verantwoordelijkheid blijft.

De menselijke rol in AI-strategie en -implementatie

Een goed gestructureerde en beheerde AI-strategie is wat agentic AI verandert van een sluiproute in een systeem. Maar die structuur komt niet voort uit het model zelf. Het komt van de persoon die het gebruikt. Degene die bepaalt welke informatie ertoe doet, wat genegeerd kan worden, wat het werkelijke doel is en welke randvoorwaarden de output moeten vormen. AI neemt die beslissingen niet goed uit zichzelf, althans niet betrouwbaar in de huidige staat.

Om deze reden moet elke interactie tussen mens en agent worden geleid door vijf essentiële elementen:

1. Een scope met grenzen

AI presteert het best wanneer de taak zo duidelijk is gedefinieerd dat het systeem weet wat er van hem wordt gevraagd en wat buiten zijn rol valt. Zonder grenzen neigt AI naar brede, algemene antwoorden die er misschien compleet uitzien, maar geen operationele relevantie hebben.

Een systeem dat wordt gevraagd om een serviceworkflow te ondersteunen, moet bijvoorbeeld weten of het een antwoord opstelt, een probleem classificeert, informatie extraheert of een volgende stap aanbeveelt.

2. Een gedefinieerd proces

AI is het meest effectief wanneer het een proces ondersteunt in plaats van een proces te vervangen dat nooit goed is gedefinieerd. Als de workflow zelf onduidelijk of inconsistent is, of zwaar leunt op ongedocumenteerde workarounds, zal AI die ambiguïteit weerspiegelen in plaats van oplossen.

Dit is vaak het punt waarop organisaties de technologie overschatten. Ze gaan ervan uit dat het model proceshiaten kan compenseren, terwijl het deze in de praktijk meestal juist uitvergroot.

3. Een definitie van kwaliteit

Als niemand definieert hoe "goed" eruitziet, kan AI dit niet betrouwbaar produceren. Kwaliteit moet expliciet worden gemaakt. Dat betekent beslissen welk nauwkeurigheidsniveau acceptabel is, welke soorten fouten ertoe doen, wat een beoordeling moet triggeren en waar de kosten van een fout te hoog zijn voor giswerk.

Bij klantcommunicatie kan "goed" helderheid en consistentie betekenen. Bij gereguleerde documentatie kan het gaan om traceerbaarheid en compliance. In een interne supportworkflow kan het snelheid betekenen, waarbij een mens uitzonderingen controleert. AI kan die standaarden niet betrouwbaar uit zichzelf afleiden.

4. Gecureerde context

Context is alleen waardevol als deze relevant, gestructureerd en op het juiste moment beschikbaar is. Dat betekent de input selecteren die daadwerkelijk invloed heeft op de taak, uitsluiten wat niet relevant is en de relaties tussen inputs zo leesbaar mogelijk maken.

In een productieomgeving kan dat betekenen dat de status van machines, orderbeperkingen en onderhoudsvensters voorrang krijgen boven algemene historische informatie, terwijl in een commercieel proces het systeem wordt gebaseerd op accounthistorie, productregels en de huidige fase van de workflow.

5. Gecontroleerde uitrol

AI moet niet in één stap van een veelbelovende output naar volledige autonomie gaan. Voordat een systeem wordt vertrouwd in echte operaties, moeten teams het in de praktijk testen, de output vergelijken met menselijk oordeel en bepalen waar beoordeling noodzakelijk blijft.

Laat AI eerst naast mensen draaien, de workflow ondersteunen, patronen blootleggen, de betrouwbaarheid bewijzen en prestaties monitoren na verloop van tijd. Teams moeten kunnen zien waar het systeem goed presteert, waar het tekortschiet, welke fouten terugkeren en wanneer veranderingen in de context of het modelgedrag aanpassingen vereisen. Zo bouw je vertrouwen op.

Een praktisch raamwerk voor AI-implementatie in het bedrijfsleven

Veel AI-implementatietrajecten lopen vast omdat organisaties overstappen op agents voordat ze er klaar voor zijn. Bij CLEVR zien we dit vaak gebeuren wanneer het proces nog niet duidelijk is gedefinieerd en er nog geen vertrouwen in de workflow is ingebouwd. Daarom hebben we een zesstappenmethode ontwikkeld voor organisaties die zich voorbereiden op de toekomst van AI-agents.

Dit is hetzelfde raamwerk dat we gebruiken in ons adviesproces om AI-volwassenheid te beoordelen, structurele hiaten te identificeren en de juiste volgende stap te bepalen op weg naar geavanceerdere agent-systemen:

1. Begrijp het werk

Kijk hoe het proces in de praktijk echt verloopt, inclusief handmatige omwegen, uitzonderingen en informele stappen die nooit in een organigram verschijnen.

2. Vind de echte kansen

Identificeer waar AI zinvolle meerwaarde kan bieden zonder onnodige risico's te introduceren (bijv. processen met herhalende taken, voorspelbare knelpunten, waardevolle tijd die verloren gaat aan handmatig werk, enz.)

3. Ontwerp doelgericht

Bepaal wat de AI moet doen, welke informatie daarvoor nodig is en wat binnen de menselijke verantwoordelijkheid moet blijven.

4. Definieer wat "goed" betekent

Bepaal wat acceptabele prestaties zijn, welke soorten fouten ertoe doen, welke output beoordeling vereist en waar de kosten van een fout te hoog zijn voor benaderingen.

5. Laat het eerst naast mensen werken

Dit maakt het mogelijk om resultaten te vergelijken, foutpatronen te identificeren en te leren waar menselijke beoordeling nog steeds de meeste waarde toevoegt.

6. Monitor en verbeter

De krachtigste AI-systemen verbeteren omdat ze worden geobserveerd, bijgestuurd en opgeschaald op basis van bewezen use-cases, in plaats van dat ze vanaf dag één als voltooid worden beschouwd.

Maak van uw AI-strategie uw echte hefboom

AI kan een uniek concurrentievoordeel creëren, maar alleen als het wordt toegepast met structuur, context en een duidelijke definitie van succes. Dat geldt zeker voor organisaties die verder kijken dan prompts en zich richten op agents, automatisering en meer autonome systemen. Met 30+ jaar ervaring in digitale transformatie en een sterk portfolio op het gebied van AI-agents, AI-oplossingen en automatisering, CLEVR helpt organisaties om die eerste stappen met helderheid te zetten.

Van het begrijpen waar AI waarde kan toevoegen tot het ontwerpen van de juiste use-case en het bouwen van een roadmap naar meer geavanceerde agent-systemen: wij helpen om vroege ambities om te zetten in praktische vooruitgang. Stap voor stap, use-case voor use-case, met betrouwbare resultaten.

‍