AI-roadmap na WWDC: minder modelrace, meer werklaag

De verkeerde vraag na WWDC

Na een grote platformpresentatie gaat het gesprek al snel over de modelrace. Wie loopt voor? Welke assistent klinkt slimmer? Welk model wordt onder de motorkap gebruikt? Dat zijn begrijpelijke vragen, maar voor AI-teams zijn ze niet genoeg. De nuttigste vraag is praktischer: waar mag AI straks context zien en waar mag AI iets doen?

Voor een organisatie die AI serieus wil toepassen, is het verschil groot. Een model kan indrukwekkend antwoorden geven in een apart venster, maar het echte werk zit meestal in e-mail, documenten, CRM, agenda, browser, bestanden, wachtwoorden, interne processen en klantcommunicatie. Zolang AI daar niet veilig bij kan, blijft de toepassing vaak hangen in kopiëren, plakken, samenvatten en opnieuw invoeren.

WWDC is daarom interessant als casus voor platformdenken. Niet omdat één leverancier automatisch de winnaar is, maar omdat de aankondigingen de implementatievraag scherp maken: AI wordt pas bruikbaar in dagelijks werk als context, permissies, acties en controlepunten goed zijn ontworpen. De roadmap verschuift daarmee van ‘welk model kopen we?’ naar ‘welke werklaag maken we bestuurbaar?’

Van chatbot-tab naar werklaag

Een losse chatbot is overzichtelijk. Je opent een tab, plakt informatie, stelt een vraag en kopieert het resultaat terug. Voor experimenten is dat prima. Voor structureel werk is het beperkt, omdat de chatbot niet vanzelf weet in welk dossier je zit, welke klantafspraak geldt, welke interne regel relevant is of welke actie wel en niet mag worden uitgevoerd.

Een werklaag is anders. Daar bevindt AI zich dichter bij de plek waar het werk al gebeurt: apparaat, besturingssysteem, apps, bestanden, berichten, browsercontext en mogelijk aanvullende rekenkracht buiten het apparaat wanneer dat nodig is. Dat klinkt technisch, maar de zakelijke kern is eenvoudig. AI krijgt pas waarde als het de juiste context kan gebruiken zonder dat een medewerker alles handmatig hoeft te verplaatsen.

Daar hoort direct een grens bij. Minder kopiëren en plakken is niet automatisch beter als de rechtenstructuur ontbreekt. Een AI-systeem dat meer context kan zien, moet ook scherper begrensd worden. Welke data hoort bij deze gebruiker? Welke klantinformatie mag worden geopend? Welke concepten mogen worden klaargezet? Welke handelingen mogen nooit zonder menselijke goedkeuring plaatsvinden? Een werklaag zonder governance is geen roadmap, maar een risico.

Wat app-acties betekenen voor productteams

Een belangrijk ontwerpprincipe is dat apps niet alleen schermen tonen, maar ook acties voorspelbaar beschikbaar maken. In normaal Nederlands: een app moet aan de AI- of platformlaag kunnen laten zien welke taken mogelijk zijn, welke input nodig is en welke beperkingen gelden. Denk aan zoeken, samenvatten, status ophalen, een concept voorbereiden, een taak klaarzetten of een wijziging ter goedkeuring aanbieden.

Voor productteams is dit een andere manier van denken. AI toevoegen is niet alleen een tekstvak inbouwen of een knop met ‘genereer’ naast een formulier zetten. De vraag wordt: welke onderdelen van ons product zijn begrijpelijk genoeg voor een assistentlaag? Welke acties zijn laag-risico? Welke acties zijn omkeerbaar? Waar is logging verplicht? Waar moet de gebruiker expliciet bevestigen voordat er iets gebeurt?

Begin daarom niet bij de meest autonome taak. Begin bij acties die duidelijk afgebakend zijn. Een assistent mag bijvoorbeeld informatie verzamelen, een voorstel maken, dubbele gegevens signaleren of een concepttekst klaarzetten. Dat is iets anders dan zelfstandig beslissen, verzenden, verwijderen of financiële keuzes maken. Juist die scheiding maakt AI in producten werkbaar: veel voorbereiden, beperkt uitvoeren, helder laten goedkeuren.

De nieuwe roadmap: context, permissies, privacy en controle

Een bruikbare AI-roadmap heeft vier lagen. De eerste laag is context: waar leeft het werk dat AI moet ondersteunen? Dat kan in documenten, klantdossiers, productdata, projecttools, e-mail, spreadsheets of webpagina’s zitten. Zonder die kaart blijft AI generiek. Met die kaart kun je bepalen welke context echt nodig is en welke informatie juist buiten bereik moet blijven.

De tweede laag is permissie. Niet elke gebruiker mag dezelfde data zien en niet elke AI-functie mag dezelfde acties uitvoeren. Een medewerker die een klantdossier mag lezen, mag misschien nog geen contract wijzigen. Een systeem dat een samenvatting mag maken, mag niet automatisch namens iemand communiceren. Deze rechten moeten vooraf ontworpen worden, niet pas na een incident worden besproken.

De derde laag is privacy en verwerkingskeuze. Soms is lokale verwerking wenselijk, soms is extra servercapaciteit nodig en soms is de beste keuze om bepaalde data helemaal niet door een AI-stap te halen. De roadmap hoeft daarvoor geen technisch manifest te worden, maar moet wel benoemen welke soorten informatie gevoelig zijn en welke route per taak acceptabel is.

De vierde laag is controle. Wat wordt gelogd? Welke output wordt bewaard? Wie kan achteraf zien welke context is gebruikt? Wanneer stopt het systeem? Welke foutsignalen vragen menselijke beoordeling? Zonder auditlogica wordt opschalen lastig, omdat niemand goed kan reconstrueren waarom een actie is voorgesteld of uitgevoerd.

Modelkeuze blijft belangrijk, maar staat niet meer alleen

Dit betekent niet dat modelkeuze onbelangrijk wordt. Kwaliteit, snelheid, kosten, contextlengte, taalvaardigheid en betrouwbaarheid blijven relevant. Alleen is modelkeuze geen volledige AI-strategie. Een sterk model in een rommelig proces levert nog steeds rommelige implementatie op. Een gemiddeld model in een goed ontworpen taak kan soms bruikbaarder zijn dan een indrukwekkend model zonder toegang tot de juiste werkcontext.

Voor teams is de praktische volgorde daarom anders dan vaak wordt gedacht. Kies niet eerst een model en zoek daarna werk. Breng eerst het werk in kaart. Waar zitten herhaalbare taken? Welke beslissingen zijn gevoelig? Welke informatie is nodig? Welke acties kunnen veilig worden voorbereid? Daarna kun je bepalen welk model, welke integratie en welke verwerkingsroute daarbij passen.

Ook voor softwarebouwers is dit belangrijk. Een applicatie die AI-ready wil zijn, moet niet alleen mooie output genereren. De applicatie moet duidelijke functies, datagrenzen, rechten en statusinformatie hebben. Als een assistentlaag een app niet begrijpt, geen veilige acties kan aanroepen of geen feedback krijgt over het resultaat, blijft de AI-ervaring broos.

Audit je AI-roadmap in vijf vragen

Een goede AI-roadmap hoeft niet te beginnen met een groot programma. Begin met vijf auditvragen. Eén: waar leeft het werk dat AI moet ondersteunen? Twee: welke systemen en databronnen mag AI zien? Drie: welke acties mag AI zelfstandig klaarzetten of uitvoeren? Vier: welke taken blijven altijd mens-goedgekeurd? Vijf: welke logging, evaluatie en stopregels zijn nodig voordat je opschaalt?

Deze vragen dwingen teams om AI niet als losse tool te behandelen, maar als onderdeel van werkontwerp. Dat past bij organisaties die al experimenteren met prompts, copilots of agents, maar merken dat echte adoptie afhankelijk is van proceskwaliteit. Niet de demo is bepalend, maar de vraag of het systeem veilig genoeg is om terugkerend werk te ondersteunen.

Voor Funnel Adviseur is dit precies het punt waarop AI en automatisering samenkomen. Of het nu gaat om B2B-leadopvolging, interne kennisprocessen of digitale klantflows: AI moet niet alleen slim praten, maar passen in een bestuurbare funnel. Wie context, permissies, acties en controle goed ontwerpt, maakt de stap van experiment naar werkbaar systeem een stuk realistischer.