In een vorig stukdat heb ik betoogd grote taalmodellen zijn geen enterprise-architectuur. Het antwoord was duidelijk: dat argument kan moeilijk terzijde worden geschoven. De moeilijkere vraag is wat er daarna komt: “Als dit niet het geval is, wat dan?”
Het is de juiste vraag. Omdat het probleem nooit dat was AI werkt niet. Dat is duidelijk het geval. Het probleem is dat we probeerden het in de verkeerde laag te plaatsen.
We hebben niet gefaald bij AI. We hebben gefaald op de plek waar we het hadden neergezet.
De afgelopen twee jaar hebben bedrijven tientallen miljarden in deze technologie geïnvesteerd generatieve AI. Het resultaat is geen dubbelzinnigheid. Het is duidelijkheid.
Een groeiend aantal onderzoeken, waaronder een veel geciteerde MIT-studieUit onderzoek blijkt dat ongeveer 95% van de generatieve AI-initiatieven van ondernemingen er niet in slagen meetbare bedrijfsimpact op te leveren, ondanks de wijdverbreide adoptie.
Dit komt niet omdat de modellen niet werken: het is omdat ze in organisaties zijn ingebracht als instrumenten, niet als systemen. We probeerden intelligentie aan workflows te koppelen. Wat we nodig hebben zijn systemen waarbij intelligentie de workflow is.
Van stateless tools tot persistente systemen
Grote taalmodellen zijn per definitie staatloos: elke interactie begint helemaal opnieuw, tenzij we de context kunstmatig reconstrueren.
Bedrijven zijn het tegenovergestelde. Het zijn stateful systemen: ze accumuleren beslissingen, volgen relaties, evolueren in de loop van de tijd en zijn afhankelijk van continuïteit.
Deze discrepantie is geen klein ongemak. Het is structureel. Onderzoek naar mislukkingen op het gebied van AI in ondernemingen wijst steeds op hetzelfde probleem: systemen falen niet omdat ze slechte resultaten genereren, maar omdat ze kan niet worden geïntegreerd in lopende processen of kan de context in de loop van de tijd niet behouden.
Enterprise AI kan niet sessiegebaseerd zijn. Het moet onthouden.
Van antwoorden naar uitkomsten
We hebben AI geoptimaliseerd om vragen te beantwoorden. Maar bedrijven hebben systemen nodig die de uitkomsten veranderen. Dit is waar de kloof duidelijk wordt: een LLM kan een overtuigende verkoopstrategie genereren, maar hij kan niet bijhouden of deze heeft gewerkt, zich aanpassen op basis van resultaten, de uitvoering tussen teams coördineren of in de loop van de tijd verbeteren.
Dat is geen beperking van de implementatie: het is een beperking van het ontwerp.
Hetzelfde MIT-onderzoek beschrijft een “GenAI Divide”: Organisaties zitten vast in een hoge adoptie, maar een lage transformatiejuist omdat de huidige systemen de cirkel tussen actie en uitkomst niet sluiten.
Antwoorden veranderen bedrijven niet: systemen wel.
Van aanwijzingen tot beperkingen
Een groot deel van het hedendaagse AI-gesprek draait om aanwijzingen. Maar aanwijzingen zijn slechts een interface. Bedrijven opereren niet op basis van aanwijzingen, maar op basis van beperkingen: nalevingsregels, machtigingen, risicodrempels en operationele grenzen.
En dit is waar de meeste AI-systemen kapot gaan. Ze genereren binnen probabiliteiten. Bedrijven opereren binnen beperkingen.
Dit is een van de minst besproken en belangrijkste redenen waarom AI-initiatieven van ondernemingen vastlopen. Zelfs breder AI-onderzoek laat dat zien projecten mislukken als systemen niet zijn afgestemd op de beperkingen, workflows en beslissingscontexten uit de echte wereld.
Prompts zijn UX. Beperkingen zijn architectuur.
Van copiloten tot actiesystemen
De dominante metafoor van de afgelopen twee jaar was de ‘copiloot’. Het klinkt aantrekkelijk, maar het is ook misleidend. Oppert een copiloot. Een bedrijf heeft systemen nodig die actie ondernemen. Dit onderscheid is van belang, omdat suggereren goedkoop is. Uitvoeren is moeilijk.
Uitvoering vereist:
- integratie met registratiesystemen
- coördinatie tussen processen
- eigenaarschap van de uitkomsten
- aanpassing in de tijd
En dit is precies waar de meeste huidige benaderingen instorten. Niet omdat ze slecht geïmplementeerd zijn, maar omdat ze er nooit voor ontworpen zijn.
De architectuurverschuiving waar niemand het over heeft
Wat vervangt dit dan? Geen betere aanwijzingen, geen grotere modellen, en zeker niet meer infrastructuur. De volgende fase van enterprise AI zal geheel door iets anders worden gedefinieerd:
Systemen die combineren
- aanhoudende toestand
- ingebedde werkstromen
- continu leren van de resultaten
- werking onder beperkingen
- integratie met echte omgevingen
Met andere woorden: systemen die niet alleen taal over de wereld genereren, maar daarbinnen opereren.
Onderzoek en praktijk wel komen tot dezelfde conclusie: succes komt niet voort uit generieke tools, maar uit systemen die dat doen aanpassen, leren en integreren in workflows.
Waarom deze verschuiving als een discontinuïteit zal aanvoelen
We zijn nog vroeg in deze transitie. De meeste organisaties investeren in de zichtbare laag: modellen, interfaces, infrastructuur. Maar de echte verschuiving vindt één laag dieper plaats.
En als het zichtbaar wordt, zal het niet op een stapsgewijze verbetering lijken: het zal op een discontinuïteit lijken. Omdat we niet van ‘slechtere AI’ naar ‘betere AI’ gaan. We gaan van tools die praten naar systemen die handelen.
De echte kans
Dit is niet het einde van enterprise AI: het is het einde van een misvatting. Taalmodellen zijn geen bedrijfsarchitectuur, ze zijn een interfacelaag. Een krachtige, maar op zichzelf onvoldoende.
De bedrijven die dit als eerste begrijpen, zullen AI niet simpelweg beter inzetten. Ze zullen iets bouwen dat hun concurrenten pas zullen herkennen als het te laat is.
