De AI-hype verschuift naar de saaie laag: infrastructuur, harnesses en deployment
De interessantste AI-signalen zijn minder spectaculair geworden
De AI-markt was lang verslaafd aan modelmomenten: een hogere benchmarkscore, een indrukwekkende demo, een nieuw venster met meer context of een chatbot die beter redeneert. Die signalen blijven relevant, maar voor operators vertellen ze niet meer het hele verhaal. De vraag is verschoven van ‘wat kan het model?’ naar ‘waar draait dit betrouwbaar in een echte organisatie?’
Dat maakt AI ineens saaier, en juist daarom interessanter. Echte adoptie verschijnt vaak niet als spectaculaire doorbraak, maar als infrastructuurbesluit, enterprisecontract, integratieproject, kostenmodel, governanceproces of workflowherontwerp. De waarde ontstaat niet in de demo, maar in de laag die bepaalt of de demo dagelijks bruikbaar blijft.
Voor AI-strategen en productleads is dat een gezonde correctie. Modelhype beloont verwondering. Deployment beloont discipline. Wie AI serieus wil inzetten, moet leren kijken naar capaciteit, betrouwbaarheid, foutkosten, beheerbaarheid en organisatorische inbedding.
Wat bedoelen we met de saaie laag?
De saaie laag bestaat uit alles wat nodig is om AI van experiment naar productie te brengen. Denk aan compute, dataverwerking, API-koppelingen, identity en permissions, monitoring, logging, evaluaties, fallbackroutes, kostenbewaking, security, contracten en supportprocessen. Het zijn onderdelen die zelden de mooiste demo opleveren, maar ze bepalen wel of AI waarde levert.
Een model zonder context is vaak beperkt. Een model zonder rechten kan weinig uitvoeren. Een model met te veel rechten wordt risicovol. Een model zonder evaluatie kan overtuigend fout zijn. Een model zonder kostenbewaking kan economisch onhoudbaar worden. Daarom is de implementatielaag geen randzaak, maar het echte product.
In B2B-omgevingen wordt dit extra zichtbaar. AI moet passen bij CRM, website, support, documentatie, salesopvolging, planning, compliance en klantcommunicatie. Als die koppelingen ontbreken, blijft AI een losse assistent naast het werk. Als ze goed zijn ontworpen, kan AI een proces daadwerkelijk versnellen of verbeteren.
Harness engineering bepaalt steeds vaker de waarde
Een belangrijk begrip in deze fase is harness engineering: de laag die het model omringt en bestuurbaar maakt. Een harness organiseert welke context het model krijgt, welke tools het mag gebruiken, welke stappen het moet volgen, hoe output wordt gevalideerd en wanneer een mens moet ingrijpen.
Dat klinkt technisch, maar de impact is strategisch. Twee organisaties kunnen hetzelfde model gebruiken en totaal verschillende resultaten halen. De ene organisatie stuurt losse prompts naar een chatbot. De andere bouwt een workflow met klantcontext, duidelijke instructies, toegangsrechten, evaluaties, logging en opvolging in bestaande systemen. Het verschil zit niet alleen in AI-capaciteit, maar in procesontwerp.
Voor Funnel Adviseur is dit herkenbaar uit automatisering. Een goede funnel is niet één formulier of één advertentie, maar een samenhangende route van intentie naar opvolging. Bij AI geldt hetzelfde: waarde ontstaat wanneer context, actie, controle en feedback in één werkbaar systeem komen.
Agents zijn nuttig, maar niet magisch
Persistentere agent-workflows krijgen veel aandacht omdat ze taken over tijd kunnen volgen: doelen bewaken, informatie ophalen, acties voorbereiden en terugkoppeling geven. Dat kan waardevol zijn in support, sales, research, administratie en operations. Maar een agent is pas bruikbaar wanneer betrouwbaarheid, rechten en kosten beheerst zijn.
Een agent die zelfstandig werkt zonder duidelijke grenzen, kan fouten opschalen. Een agent die geen goede logging heeft, is moeilijk te controleren. Een agent die elke taak met dure modelcalls oplost, kan financieel onaantrekkelijk worden. En een agent die menselijke verantwoordelijkheid vervangt zonder governance, creëert organisatorisch risico.
De nuchtere route is om agents eerst te gebruiken voor afgebakende workflows met lage foutkosten. Laat ze informatie verzamelen, concepten maken, tickets voorbereiden of controles uitvoeren. Verhoog pas daarna de autonomie, en alleen wanneer evaluaties aantonen dat het proces stabiel genoeg is.
Werk verandert niet binair, maar taak voor taak
De discussie over AI en werk wordt vaak platgeslagen tot twee uitersten: óf banen verdwijnen massaal, óf er komen vanzelf nieuwe banen bij. Voor operators is dat te grof. De praktische verandering gebeurt taak voor taak. Sommige taken worden geautomatiseerd, sommige worden goedkoper, sommige worden belangrijker omdat iemand AI-output moet beoordelen, corrigeren en vertalen naar bedrijfsbeslissingen.
Daarom moet een AI-roadmap niet beginnen met abstracte voorspellingen over functies, maar met taakontleding. Welke terugkerende handelingen kosten veel tijd? Waar is foutmarge acceptabel? Waar is menselijke interpretatie essentieel? Welke taken vragen klantgevoel, verantwoordelijkheid of juridische nuance? Welke taken bestaan vooral uit zoeken, structureren en herhalen?
De beste AI-implementaties maken werk niet alleen sneller, maar ook duidelijker. Ze verwijderen ruis, geven medewerkers betere voorbereiding en leggen beslissingen beter vast. Slechte implementaties verschuiven werk juist naar controle, herstel en discussie over foutieve output.
Hoe operators echte adoptie onderscheiden van narratief
Een bruikbaar beoordelingskader begint bij gebruiksfrequentie. Wordt AI dagelijks gebruikt in een proces dat ertoe doet, of alleen tijdens demonstraties? Daarna komt integratiediepte: staat AI naast de workflow, of is het verbonden met de systemen waar werk werkelijk plaatsvindt?
Kijk ook naar foutkosten. Een fout in een interne samenvatting is iets anders dan een fout in een offerte, juridische beoordeling, klantmail of productieproces. Hoe hoger de foutkosten, hoe belangrijker menselijke review, tests en duidelijke escalatie worden. AI-adoptie zonder foutkostenanalyse is vooral optimisme.
Vervolgens komt unit economics. Levert de workflow genoeg tijdwinst, omzetkans, kwaliteitsverbetering of risicoreductie op om modelkosten, implementatiekosten en beheerkosten te dragen? Een indrukwekkende agent die financieel niet klopt, is geen volwassen productiemiddel.
De praktische roadmap: van demo naar deployment
Begin klein, maar niet vrijblijvend. Kies een workflow met duidelijk volume, duidelijke eigenaar en meetbare uitkomst. Denk aan leadkwalificatie, supporttriage, documentvoorbereiding, interne kennisontsluiting of rapportagesamenvatting. Vermijd als eerste project workflows waar fouten direct grote juridische, financiële of reputatieschade veroorzaken.
Bouw daarna de harness voordat je autonomie verhoogt. Definieer contextbronnen, rechten, logging, evaluatiecriteria, fallbackroutes en menselijke reviewmomenten. Meet niet alleen of output indrukwekkend lijkt, maar of het proces sneller, consistenter of beter controleerbaar wordt.
De volwassen AI-organisatie jaagt minder op het nieuwste model en meer op herhaalbare implementatiekwaliteit. De saaie laag is waar AI van belofte naar bedrijfswaarde gaat: infrastructuur, harnesses, deployment, governance en voortdurende verbetering.
