AI-roadmap voor 2026: behandel modelkeuze als afhankelijkhedenkaart

Waarom dit geen ‘wie wint AI?’-artikel is

AI-teams krijgen voortdurend signalen binnen over nieuwe modellen, waarderingen, rechtszaken, agents, energiebehoefte, robotica en de toekomst van werk. Het is verleidelijk om daar één centrale vraag van te maken: welke aanbieder gaat winnen? Voor een productlead, CTO of operations-team is dat meestal niet de meest bruikbare vraag. Je kunt er namelijk zelden een concrete sprint, architectuurbeslissing of governance-afspraak uit afleiden.

De betere vraag is: welke aannames onder onze AI-roadmap kunnen buiten onze invloed veranderen? Denk aan prijsmodellen, gebruiksvoorwaarden, beschikbaarheid van compute, juridische frictie, modelkwaliteit per taak, dataverwerking, integraties en de mate waarin agents betrouwbaar in bestaande processen passen. Die onderwerpen zijn minder spannend dan een leveranciersrace, maar ze bepalen wel of een AI-initiatief beheersbaar blijft wanneer de markt beweegt.

Bij Funnel Adviseur kijk ik daarom liever naar AI als afhankelijkhedenkaart. Niet omdat modelkwaliteit onbelangrijk is, maar omdat modelkwaliteit slechts één laag is. Een AI-roadmap die alleen zegt welk model vandaag favoriet is, mist de operationele werkelijkheid: wie beheert prompts, wie valideert output, waar zitten escalaties, welke data mag naar welke omgeving, wat gebeurt er bij prijswijzigingen en hoe snel kun je overstappen als voorwaarden veranderen?

De afhankelijkhedenkaart: vijf vragen voor AI-teams

Een praktische AI-roadmap begint met vijf vragen. De eerste gaat over leveranciers. Als je primaire modelprovider van koers, prijs, beschikbaarheid of voorwaarden verandert, wat gebeurt er dan met je product? Veel teams ontwerpen hun eerste AI-functionaliteit rond één API, één model of één specifieke workflow. Dat is begrijpelijk, want snelheid telt. Maar zodra AI een onderdeel wordt van klantprocessen, interne operatie of omzetkritische tooling, moet exit-denken expliciet in de architectuur staan.

De tweede vraag gaat over agents. Een agent klinkt aantrekkelijk omdat het systeem niet alleen antwoord geeft, maar ook taken kan plannen, tools kan gebruiken en vervolgstappen kan nemen. Toch begint de volwassen inzet niet bij de vraag ‘welke agent bouwen we?’, maar bij procesafbakening. Welke taak is concreet genoeg? Welke handelingen mag het systeem uitvoeren? Welke handelingen vereisen menselijke goedkeuring? Welke logs heb je nodig om achteraf te begrijpen wat er is gebeurd?

De derde vraag gaat over kapitaal, kosten en continuïteit. Publieke discussies over waarderingen en omzetverwachtingen zijn op zichzelf geen roadmap. Ze zijn wel een herinnering dat AI-diensten economische systemen zijn met kosten, investeringen en prikkels. Voor je eigen roadmap is de relevante vraag: welke kosten neem je impliciet aan voor inferentie, opslag, evaluatie, monitoring en piekbelasting? Als die aannames niet zichtbaar zijn, kan een werkende pilot later alsnog kwetsbaar blijken.

De vierde vraag gaat over compute en energie. Niet elk AI-team hoeft zelf infrastructuur te bouwen, maar elk team gebruikt uiteindelijk capaciteit die ergens moet draaien. Latency, beschikbaarheid, batchverwerking, piekbelasting en modelkeuze per taak zijn daarom geen puur technische details. Ze bepalen of een toepassing bruikbaar blijft in de dagelijkse operatie. De vijfde vraag gaat over juridische en contractuele frictie: dataverwerking, auditability, intellectuele-eigendomsrisico’s, procurement-eisen en de vraag wie aansprakelijk is bij foutieve output.

OpenAI, Anthropic en xAI als signalen, niet als scoreboard

Grote namen in AI trekken veel aandacht. Dat is logisch: hun keuzes beïnvloeden tooling, ontwikkeltempo, pricing, publieke verwachtingen en de manier waarop organisaties naar AI kijken. Toch is het voor een intern AI-team riskant om die namen als scoreboard te behandelen. Een roadmap wordt niet beter door te voorspellen welke partij bovenaan eindigt. Een roadmap wordt beter wanneer je vastlegt welke afhankelijkheden je accepteert, welke je beperkt en welke je bewust nog niet aangaat.

Gebruik leverancierssignalen daarom als aanleiding voor eigen beslisvragen. Als je sterk leunt op één provider, heb je dan een technisch pad naar een alternatief? Kun je prompts, evaluaties en dataflows hergebruiken bij een ander model? Is je applicatielaag voldoende gescheiden van providerspecifieke functies? Zijn contractuele beperkingen bekend bij product, legal en operations? En is er een realistisch scenario waarin je tijdelijk terugvalt op een eenvoudiger workflow zonder dat het hele proces stilvalt?

Dit betekent niet dat elk team onmiddellijk multi-provider moet bouwen. Dat kan duur, complex en onnodig zijn. Het betekent wel dat de keuze bewust moet zijn. Soms is één provider prima voor een experiment of interne tool. Soms is redundantie nodig omdat de AI-functionaliteit direct klantimpact heeft. Het verschil zit niet in de hype rond de aanbieder, maar in de risico’s van jouw proces.

Agents: van demo naar procesontwerp

Agents zijn een goed voorbeeld van het verschil tussen demo-denken en procesdenken. In een demo is het indrukwekkend wanneer een systeem zelfstandig stappen uitvoert. In productie is de vraag veel nuchterder: wat mag het systeem wel, wat mag het niet, en hoe merk je dat het fout gaat? Een agent zonder duidelijke taakgrenzen kan onverwacht complex worden. Een agent met duidelijke grenzen kan juist waardevol zijn, omdat hij repetitieve stappen kan voorbereiden, controleren of structureren.

Begin daarom niet met een brede agentvisie, maar met één proces. Bijvoorbeeld: informatie verzamelen voor een offerte, klantvragen classificeren, interne documentatie doorzoeken, CRM-gegevens samenvatten of conceptantwoorden voorbereiden. Per proces beschrijf je de inputs, toegestane tools, gewenste output, bekende failure modes, evaluatiecriteria en escalatieregels. Daarna pas kies je model, framework en integratie.

Een praktische agent-roadmap bevat minimaal vijf controlepunten. Eén: taakafbakening, zodat duidelijk is wat binnen scope valt. Twee: permissies, zodat het systeem niet meer kan dan nodig. Drie: audit trail, zodat beslissingen en toolcalls controleerbaar blijven. Vier: evaluatie, zodat kwaliteit niet alleen op gevoel wordt beoordeeld. Vijf: menselijke escalatie, zodat uitzonderingen niet verdwijnen in automatisering. Zonder die laag is een agent vooral een experiment. Met die laag kan het onderdeel worden van een beheersbaar proces.

Future of work zonder grote arbeidsmarktclaims

AI en werk worden vaak besproken in grote termen. Voor een AI-roadmap binnen een organisatie is een kleinere, preciezere insteek bruikbaarder. Je hoeft niet te voorspellen welke banen verdwijnen om vandaag betere beslissingen te nemen. Je moet wel weten welke taken veranderen wanneer AI in een proces komt. Wie controleert output? Welke vaardigheden moeten medewerkers opbouwen? Wanneer is AI-assistentie acceptabel, en wanneer moet een mens expliciet eigenaar blijven?

Maak daarom onderscheid tussen taakniveau en functieniveau. Een functie bestaat uit veel taken: informatie zoeken, beoordelen, communiceren, besluiten, documenteren, controleren en afstemmen. AI kan sommige taken versnellen of structureren, terwijl andere taken juist meer menselijke verantwoordelijkheid vragen. Als je dit niet uitsplitst, ontstaat verwarring. Dan wordt AI óf te groot gemaakt als allesvervanger, óf te klein gemaakt als losse tool zonder procesimpact.

Voor AI-leads is de governancevraag concreet: welke output mag direct door naar een klant, welke output is alleen intern advies, en welke output vereist altijd review? Leg dat vast per workflow. Niet in een abstract beleidsdocument dat niemand leest, maar in de tooling, checklists en operationele afspraken van het team. Daar ontstaat het verschil tussen AI als experiment en AI als betrouwbaar onderdeel van werk.

Checklist voor een houdbare AI-roadmap

Een houdbare AI-roadmap hoeft niet zwaar of bureaucratisch te zijn. Hij moet vooral expliciet zijn. Begin met provider-afhankelijkheid: welke modellen gebruik je, voor welke taken, met welke data en onder welke voorwaarden? Noteer alternatieven, maar wees eerlijk over overstapkosten. Een alternatief dat technisch mogelijk is maar nooit getest is, is geen echte fallback. Plan daarom lichte periodieke checks: kan een kritieke prompt nog draaien op een ander model, en wat gebeurt er met kwaliteit, latency en kosten?

Kijk daarna naar kosten en compute. Splits experimentkosten van productiekosten. Een pilot met beperkt volume zegt weinig over piekbelasting, monitoring, logging, evaluatie en support. Neem ook modelkeuze per taak op. Niet elke taak heeft het krachtigste model nodig. Sommige taken vragen snelheid en voorspelbaarheid, andere taken vragen redenering, context of nauwkeurigheid. Door dat per taak te bepalen voorkom je dat modelkeuze een alles-of-niets-discussie wordt.

Neem juridisch en compliance vroeg mee. Dat hoeft niet te betekenen dat elk experiment maanden moet wachten. Het betekent wel dat dataverwerking, bewaartermijnen, toegangsrechten, auditability en IP-vragen niet pas aan het einde op tafel komen. Voor Nederlandse B2B-teams is dit extra relevant wanneer AI raakt aan klantdata, persoonsgegevens, contractinformatie of beslissingen met commerciële impact.

Tot slot: plan een reviewritme. Niet omdat elke week alles anders is, maar omdat aannames kunnen verouderen. Welke provider is primair? Welke kosten zijn acceptabel? Welke workflows leveren aantoonbaar waarde? Welke agent-stappen veroorzaken uitzonderingen? Welke juridische vragen zijn nog open? Een kwartaalreview is vaak genoeg om discipline te houden zonder de organisatie te vertragen.

Minder hype, meer expliciete aannames

De kern van een goede AI-roadmap is niet voorspellen. De kern is zichtbaar maken waar je op vertrouwt. Vertrouw je op één provider? Op stabiele prijzen? Op een model dat een specifieke taak goed blijft uitvoeren? Op medewerkers die output blijven reviewen? Op contractvoorwaarden die niet veranderen? Op voldoende capaciteit bij piekbelasting? Al die aannames kunnen terecht zijn, maar ze moeten benoemd worden.

Daarmee wordt AI-strategie minder afhankelijk van publieke ruis. Je hoeft niet elk debat over waarderingen, concurrentie of futuristische toepassingen te negeren. Je vertaalt het alleen naar de vraag die voor jouw organisatie telt: verandert dit iets aan onze afhankelijkheden, risico’s of beslissingen? Als het antwoord nee is, hoeft het niet in de roadmap. Als het antwoord ja is, maak je er een concrete actie van.

Mijn advies aan AI-leads: bouw geen roadmap rond de vraag wie de AI-race wint. Bouw hem rond de vraag welke keuzes omkeerbaar zijn, welke keuzes kwetsbaar zijn en welke keuzes nu bewust genomen moeten worden. Dat is minder spectaculair dan voorspellen. Maar het helpt teams wel om AI van experiment naar betrouwbare operatie te brengen.