De lagen van AI: waarom de waarde van AI ontstaat in het hele systeem

We praten vaak te beperkt over AI. De een heeft het over chatbots, de ander over taalmodellen, een derde over agenten. Weer iemand anders over datacenters, chips en Nvidia. En nog iemand over veranderend werk, automatisering en hoe bedrijven met kleinere teams meer kunnen doen.

Ze hebben allemaal deels gelijk. Maar geen van deze perspectieven is op zichzelf voldoende.

Moderne AI is meer dan één toepassing, één model of één technologie. Het is een geheel van samenwerkende lagen, van energie en datacenters tot bedrijfsprocessen, agenten, robotica, bestuur en verantwoordelijkheid. Het helpt daarom om AI als een stapeling te zien, die verder gaat dan alleen de techniek. Een betere omschrijving is samenwerkende lagen. Ze beschrijven hoe AI rekenwerk omzet in praktisch werk.

Dit artikel is gebaseerd op de ideeën van Nvidia-CEO Jensen Huang over de gelaagde opbouw van AI.

1. Waarom moet je AI als een geheel van samenwerkende lagen zien?

In het gesprek over AI keert één probleem steeds terug: we kijken te vaak alleen naar de zichtbare buitenkant. De gebruiker ziet een chatbot. Het management ziet licentiekosten. De ontwikkelaar ziet een API. De investeerder ziet een modelontwikkelaar. Het infrastructuurbedrijf ziet een datacenter. De medewerker ziet een nieuwe tool die het dagelijkse werk makkelijker maakt of juist aanvoelt als het zoveelste systeem erbij.

De werkelijke impact van AI ontstaat pas wanneer deze perspectieven samenkomen. Denken in samenwerkende lagen helpt om drie dingen te begrijpen.

Ten eerste maakt dit duidelijk dat AI geen op zichzelf staande software is. AI heeft een fysieke en digitale basis nodig: energie, rekenkracht, netwerken, opslag en chips.

Ten tweede maakt dit duidelijk dat een model alleen niet genoeg is. Een taalmodel kan indrukwekkend zijn, maar blijft zonder de juiste data, context, integraties en workflows vaak een algemene AI-assistent.

Ten derde maakt dit duidelijk dat de invoering van AI meer is dan een technologieproject. Het gaat ook om bestuur, verantwoordelijkheden, vaardigheden, metingen en verandermanagement.

Als een bedrijf vraagt ‘Welke AI-tool moeten we invoeren?’, kijkt het vaak alleen naar de toepassingslaag. Met de vraag ‘Hoe richten we de lagen van AI zo in dat ze ons bedrijf ondersteunen?’ komt het hele systeem in beeld. En juist daar ontstaat concurrentievoordeel.

2. AI is geen afzonderlijk product, maar een productieketen

Je kunt AI vergelijken met elektriciteit. Alleen het bestaan van elektriciteit veranderde de wereld niet. Die verandering kwam toen elektriciteit werd verbonden met fabrieken, verlichting, woningen, vervoer, communicatie, apparaten en nieuwe werkwijzen.

Hetzelfde geldt voor AI. Een taalmodel is belangrijk, maar vormt slechts één onderdeel van het geheel. De echte verandering ontstaat wanneer het model wordt verbonden met data, tools, software, processen en menselijke besluitvorming.

De productieketen van AI ziet er vereenvoudigd zo uit:

• energie maakt datacenters mogelijk
• datacenters maken het rekenwerk mogelijk
• chips maken het trainen en gebruiken van modellen mogelijk
• cloud en netwerken maken schaalbare distributie mogelijk
• basismodellen leveren taalvaardigheid, beeldverwerking en redeneervermogen
• optimalisatie maakt het gebruik sneller en goedkoper
• data en RAG voegen de eigen context van het bedrijf toe
• MCP en integraties geven AI toegang tot tools
• orkestratie verdeelt taken over modellen, agenten en mensen
• toepassingen maken AI bruikbaar
• processen zetten AI om in bedrijfswaarde
• fysieke AI brengt AI naar robotica en de echte wereld
• bestuur, toezicht en verantwoordelijkheid maken het geheel duurzaam

Deze keten is belangrijk omdat elke laag de volgende beïnvloedt. Dure infrastructuur maakt AI-gebruik kostbaar. Een traag model schaadt de gebruikerservaring. Slechte data maakt antwoorden onbetrouwbaar. Zonder integraties kan AI geen werk uitvoeren. Zonder orkestratie werken agenten langs elkaar heen. Zonder goed bestuur nemen de risico’s toe.

AI is dus meer dan technologie. Het is een nieuwe productieketen voor denkwerk, informatie, software en werk.

3. Laag 1: energie en datacenters

AI begint bij elektriciteit. Dat klinkt alledaags, maar het is een van de belangrijkste inzichten in de AI-transformatie. AI is geen magische kracht die in de cloud zweeft. AI draait in datacenters die stroom, koeling, ruimte, netwerkverbindingen, apparatuur en voortdurend onderhoud nodig hebben.

Wanneer een gebruiker AI om een analyse, afbeelding, code of een taak voor een agent vraagt, vinden op de achtergrond enorm veel berekeningen plaats. Hoe meer AI wordt gebruikt, hoe meer capaciteit er nodig is. Dat maakt energie tot een strategisch vraagstuk.

Bedrijven, overheden en technologiebedrijven moeten nadenken over de herkomst van de energie voor AI, de locatie en koeling van datacenters en de manier waarop groeiend rekenwerk verenigbaar blijft met klimaat- en duurzaamheidsdoelen.

In de energie- en datacenterlaag is expertise nodig die niet direct op traditionele AI-kennis lijkt, maar wel onmisbaar is:

• energieplanning
• kennis van het elektriciteitsnet
• datacenterarchitectuur
• koeloplossingen
• vastgoed- en capaciteitsplanning
• beheer van toeleveringsketens
• duurzaamheid beoordelen
• risicobeheer

Deze laag laat zien dat de toekomst van AI ook buiten het bureau van de softwareontwikkelaar wordt bepaald: in energienetten, datacenterhallen en besluiten over infrastructuur. Als AI de nieuwe productietechnologie van de economie wordt, is energie de brandstof.

4. Laag 2: chips en rekeninfrastructuur

De volgende laag is de rekeninfrastructuur: chips, servers, accelerators, geheugenoplossingen en systeemarchitectuur. In deze laag is Nvidia uitgegroeid tot een symbool van het AI-tijdperk.

Moderne AI-modellen hebben enorm veel parallelle rekenkracht nodig. Grafische processors, of GPU’s, zijn daarvoor geschikt omdat ze grote aantallen berekeningen tegelijk kunnen uitvoeren. Maar het gaat om meer dan één chip. De rekeninfrastructuur voor AI is een geheel waarin chips, geheugen, netwerken, servers, softwarebibliotheken en optimalisatietools samenwerken.

In deze laag wordt onder meer bepaald:

• hoe snel modellen antwoorden
• hoeveel het genereren van één antwoord kost
• hoeveel gebruikers het systeem aankan
• hoe goed agentsystemen kunnen opschalen
• of AI in de cloud, in een eigen omgeving of op edgeapparaten kan draaien
• hoe het rekenwerk voor verschillende toepassingen wordt geoptimaliseerd

Deze laag is bijzonder belangrijk in het tijdperk van agenten. Eén chatbotantwoord kan één modelaanroep vereisen. Maar een agent kan binnen één taak tientallen of honderden aanroepen doen om informatie op te zoeken, opties af te wegen, tools te gebruiken, resultaten te controleren, een samenvatting te schrijven en goedkeuring te vragen.

Wanneer AI van losse antwoorden overgaat op werk met meerdere stappen, neemt de behoefte aan rekenkracht niet vanzelf af, ook als modellen efficiënter worden. Die behoefte kan juist groeien. Daarom is de rekeninfrastructuur een van de meest strategische lagen van AI.

5. Laag 3: cloud, netwerken en opslag

Cloud, netwerken en opslag vormen de distributielaag van AI. Daardoor is AI meer dan een voorziening op één computer of in één laboratorium: het wordt een schaalbare dienst voor organisaties, toepassingen en wereldwijde workflows.

De cloud biedt flexibel rekenkracht en diensten. Netwerken verbinden gebruikers, systemen en databronnen. Opslag zorgt ervoor dat data, modellen, logs, documenten en gebruikscontext op het juiste moment beschikbaar zijn.

Deze laag is vaak onzichtbaar voor de gebruiker, maar cruciaal voor het bedrijf. Trage netwerken schaden de AI-ervaring. Versnipperde opslag maakt het voor RAG moeilijk de juiste informatie te vinden. Een dure cloudarchitectuur laat de kosten van tokens en modelaanroepen snel oplopen. Zwakke informatiebeveiliging houdt verdere invoering van AI tegen.

In deze laag wordt ook een belangrijke keuze gemaakt: een publieke cloud, een eigen omgeving, een hybride oplossing of een sectorspecifieke afgeschermde omgeving? De publieke cloud is snel inzetbaar en schaalbaar. Een eigen omgeving kan meer controle bieden. Een hybride oplossing kan beide combineren. In gereguleerde sectoren, zoals de zorg, de financiële sector en de overheid, kunnen de locatie en het beheer van data doorslaggevend zijn.

AI maakt van cloud- en data-architectuur een bedrijfsvraagstuk. Het volstaat niet meer dat systemen werken. Ze moeten intelligent, veilig en kostenefficiënt werken mogelijk maken.

6. Laag 4: basismodellen en taalmodellen

Basismodellen en taalmodellen vormen de meest zichtbare intelligentielaag van AI. Ze geven systemen het vermogen om taal te begrijpen, tekst te genereren, beelden te interpreteren, code te schrijven, samen te vatten, te redeneren, te classificeren, gesprekken te voeren en steeds vaker verschillende soorten data tegelijk te verwerken.

Een taalmodel ‘denkt’ niet zoals een mens. Het genereert antwoorden op basis van de trainingsdata, de context die de gebruiker aanlevert en de beschikbare tools. Toch kan de praktische impact enorm zijn, doordat het model taal kan verwerken: een essentieel middel waarmee mensen werken.

Voor bedrijven is de belangrijkste vraag niet alleen ‘Wat is het beste model?’ Een betere vraag is: Welk model past bij welke taak? Het ene model is goed in snelle classificatie. Een ander is geschikt voor diepgaande analyse. Een derde is sterk in programmeren. Een vierde verwerkt beelden. Een vijfde is goedkoop en snel voor interne routinetaken. Een zesde is veilig genoeg voor een gereguleerde omgeving.

In de AI-architectuur van de toekomst gebruikt een bedrijf mogelijk een reeks modellen in plaats van één model voor alles. Het beoordelen van modellen wordt daarmee een nieuwe kernvaardigheid: organisaties moeten weten hoe ze modellen testen, vergelijken, op kosten beoordelen en kiezen voor verschillende toepassingen.

Een basismodel is een krachtige motor. Maar een motor is nog geen compleet voertuig.

7. Laag 5: modeloptimalisatie en inferentie

Inferentie is het gebruik van AI: het moment waarop een model een antwoord, analyse, afbeelding, code, gevolgtrekking of volgende werkstap genereert. De trainingsfase krijgt veel aandacht, maar in de dagelijkse bedrijfsvoering is inferentie vaak belangrijker. Daar worden kosten, vertragingen, gebruikerservaring en schaalbaarheid bepaald.

Bij beperkt AI-gebruik lijken de kosten misschien laag. Maar zodra AI onderdeel wordt van klantenservice, verkoop, productontwikkeling, analyse, programmeren, rapportage en agentsystemen, kan het gebruik snel toenemen. Elke modelaanroep verbruikt middelen. Elke tussenstap van een agent kan extra middelen kosten.

Optimalisatie is daarom een cruciale laag. Daarbij kun je bijvoorbeeld denken aan:

• een kleiner model gebruiken voor een eenvoudige taak
• een krachtiger model alleen inzetten voor lastige onderdelen
• antwoorden in een cache opslaan
• prompts inkorten
• RAG-zoekopdrachten verbeteren
• modellen lichter maken door kwantisatie
• rekentaken naar een goedkopere omgeving verplaatsen
• taken over meerdere modellen verdelen
• kostenplafonds voor agenten instellen

Hier wordt de economische kant van AI zichtbaar. AI is geen gratis tovermachine. AI vraagt rekenwerk, en dat kost geld. Bedrijven moeten leren om tokenkosten, modelaanroepen, vertragingen en kwaliteit te beheren zoals ze dat met andere middelen doen.

Een goede AI-oplossing is meer dan intelligent. De oplossing is ook snel genoeg, betaalbaar genoeg, betrouwbaar genoeg en krachtig genoeg waar dat nodig is.

8. Laag 6: data, RAG en context

Data vormt de laag waarin AI van een algemeen hulpmiddel verandert in een instrument voor de eigen organisatie. Zonder bedrijfsgegevens kan AI algemene antwoorden geven, uitleggen, ideeën aandragen en concepten opstellen. Maar AI weet dan niet wat er in dit bedrijf is afgesproken, wat een klant is beloofd, welk project vertraging heeft of welke productversie in gebruik is.

RAG, voluit Retrieval-Augmented Generation, betekent generatie op basis van opgezochte informatie. AI zoekt eerst relevante informatie in bedrijfsdocumenten, databases of andere bronnen en formuleert op basis daarvan een antwoord. Dat is een grote verandering: met RAG kan AI beter rekening houden met de context.

AI kan bijvoorbeeld helpen bij:

• de juiste instructie in interne documentatie vinden
• de klantgeschiedenis samenvatten
• een contract vergelijken met de bedrijfsvoorwaarden
• een technische supportvraag beantwoorden
• de juiste passage in de productdocumentatie vinden
• de projectstatus analyseren
• een overzicht van de stand van zaken voor het managementteam voorbereiden

RAG is echter geen wondermiddel. Het werkt slechts zo goed als de onderliggende informatie. Zijn documenten verouderd, dan vindt AI verouderde informatie. Zijn toegangsrechten onduidelijk, dan ziet AI mogelijk te veel of te weinig. Zijn documenten slecht gestructureerd, dan mislukt de zoekopdracht. Zonder zichtbare bronnen kan de gebruiker het antwoord niet beoordelen.

De data- en RAG-laag is dus ook de laag van informatiebeheer. AI dwingt bedrijven om vragen te stellen: waar staat onze informatie? Wie is ervoor verantwoordelijk? Is die actueel? Wie mag die gebruiken? Hoe controleren we bronnen? Hoe verwijderen we verouderde informatie? Hoe lossen we tegenstrijdigheden op?

Door AI ontdekken veel organisaties een ongemakkelijke waarheid: het probleem zit niet in AI, maar in het eigen informatiebeheer. Dat is goed nieuws, als de organisatie ermee aan de slag gaat.

9. Laag 7: MCP, integraties en koppelingen met tools

Als data AI een geheugen geeft, geven integraties AI handen. MCP, voluit Model Context Protocol, is een open standaard waarmee AI-toepassingen op een gecontroleerde manier verbinding kunnen maken met externe tools, databronnen en systemen. Je kunt het zien als een aansluiting voor AI: een gemeenschappelijke interface waarmee AI bijvoorbeeld documenten, databases, agenda’s, projectmanagementsystemen, CRM-systemen en ontwikkeltools kan gebruiken.

Deze laag is doorslaggevend in het tijdperk van agenten. AI zonder toegang tot tools kan vooral voorstellen doen. Met toegang tot tools kan AI ook handelen. AI kan:

• klantgegevens uit het CRM ophalen
• een taak aanmaken in het projectmanagementsysteem
• de agenda controleren
• code in een repository lezen
• tests uitvoeren
• een supportticket aanmaken
• een document bijwerken
• een databasequery uitvoeren
• een automatisering starten
• een rapport opstellen en op de juiste plek opslaan

Juist daarom brengt deze laag ook risico’s met zich mee. Hoe meer bevoegdheden AI krijgt, hoe belangrijker de grenzen worden. Een bedrijf moet vastleggen wat AI mag lezen, wijzigen, versturen en verwijderen, wanneer menselijke goedkeuring nodig is, onder welke gebruikersrol AI werkt, hoe alles wordt gelogd en hoe het werk kan worden stilgelegd.

Integraties maken AI bruikbaar. Goed beheer maakt AI veilig. Zonder die combinatie ontstaat een ineffectieve assistent of onveilige automatisering.

10. Laag 8: orkestratie en agentsystemen

Orkestratie stuurt het werk van AI aan. Zodra er meerdere modellen, databronnen, tools, agenten en mensen meedoen, moet iemand het geheel coördineren. Orkestratie bepaalt wie wat doet, in welke volgorde, met welke bevoegdheden en met welke controles.

Een eenvoudige chatbot heeft weinig orkestratie nodig. Voor een agentsysteem is dat anders. Een agent kan een taak plannen, informatie opzoeken, tools gebruiken, resultaten controleren en doorgaan naar de volgende stap. Met meerdere agenten is een duidelijke structuur nodig. Een agentsysteem voor klantenservice kan bijvoorbeeld zo werken:

1. een classificatieagent herkent de vraag
2. Een RAG-agent haalt de instructies en de klantgeschiedenis op
3. een antwoordagent stelt een oplossing op
4. een risicomodel beoordeelt of het antwoord mag worden verstuurd
5. een integratieagent werkt het CRM bij
6. een medewerker controleert afwijkende gevallen
7. een monitoringagent meet de kwaliteit

Dit is meer dan één AI-antwoord: het is een workflow. Orkestratie beantwoordt onder meer deze vragen: welk model kiezen we voor de taak? Wanneer gebruiken we bedrijfsdata? Wanneer mag een agent een tool gebruiken? Wanneer geeft een mens goedkeuring? Wat doen we als het antwoord onzeker is? Hoe begrenzen we de kosten? Hoe ontdekken we fouten? Hoe documenteren we het werk?

Hier ontstaat ook het idee van een agentfarm: een groep gespecialiseerde agenten met verschillende taken. De ene volgt concurrenten, de andere analyseert klantfeedback, een derde bereidt verkoopactiviteiten voor, een vierde controleert code en een vijfde maakt rapportages.

Een agentfarm kan een enorme productiviteitssprong opleveren. Maar zonder orkestratie kan het chaos worden.

11. Laag 9: software en toepassingen

Uiteindelijk ziet de gebruiker AI in de vorm van software en toepassingen. In deze laag wordt technologie een gebruikerservaring. Maar AI verandert ook de manier waarop toepassingen werken.

Bij traditionele software moest de gebruiker zelf klikken, invullen, filteren, kopiëren, plakken, opslaan en versturen. AI-software draait steeds meer om doelen. De gebruiker zegt niet per se: ‘Exporteer dit CSV-bestand, filter kolom B, maak een draaitabel en stel een grafiek op.’ Maar: ‘Analyseer de verkoop van vorige maand, zoek afwijkingen en maak een samenvatting in drie punten voor het management.’

Dit verandert hoe we toepassingen ontwerpen. Een goede AI-toepassing is meer dan traditionele software met een chatbotvenster. Ze begrijpt het doel van de gebruiker, haalt de juiste context op, gebruikt de juiste tools, toont onzekerheden, vraagt om goedkeuring en maakt het resultaat eenvoudig te controleren.

Dit biedt grote kansen voor SaaS-bedrijven: aanbieders van cloudsoftware. Zij moeten hun product opnieuw doordenken. Wat probeert de gebruiker te bereiken? Welke stappen kan AI uitvoeren? Welke data is nodig? Welke tools mag AI gebruiken? Waar moet de gebruiker beslissen? Hoe wordt het resultaat gepresenteerd? Hoe bouwen we vertrouwen op?

AI laat software niet verdwijnen. AI verandert software van passieve hulpmiddelen in actieve werkomgevingen.

12. Laag 10: bedrijfsprocessen en workflows

In deze laag ontstaat de werkelijke bedrijfswaarde van AI. Niet in het model, de demo of de fraaie interface, maar in het proces.

Denk bij bedrijfsprocessen aan verkoop, klantenservice, facturatie, werving, rapportage, productontwikkeling, inkoop, kwaliteitscontrole of projectmanagement. AI wordt pas waardevol wanneer die de snelheid, kwaliteit, kosten of klantervaring van zulke processen verandert.

Bij verkoop kan AI bijvoorbeeld achtergrondinformatie over de klant opzoeken, eerdere gesprekken analyseren, koopsignalen herkennen, een volgend bericht voorstellen, een offerte voorbereiden, het CRM bijwerken en herinneren aan vervolgacties.

Bij klantenservice kan AI de vraag herkennen, instructies opzoeken, de situatie van de klant controleren, een antwoord voorstellen, een routinegeval afhandelen, een lastige kwestie doorsturen naar een medewerker en de uitkomst vastleggen.

Bij productontwikkeling kan AI gebruikersfeedback analyseren, specificaties schrijven, code genereren, tests schrijven, bugs opsporen, wijzigingen documenteren en release notes voorbereiden.

Hier is denken vanuit AI belangrijk. AI-first betekent niet dat je overal AI inzet. Het betekent dat je een proces ontwerpt vanuit de vraag: Hoe zou deze workflow eruitzien als we die vandaag zouden ontwerpen met AI, data, agenten en automatisering? Deze vraag laat snel zien waar de oude werkwijze vooral een gewoonte is.

13. Laag 11: fysieke AI en robotica

AI blijft niet op het scherm. Fysieke AI werkt in de tastbare wereld: in robots, voertuigen, fabrieken, magazijnen, laboratoria, ziekenhuizen, de landbouw en de stedelijke omgeving.

Deze laag maakt AI op een nieuwe manier tastbaar. Een digitale agent kan een rapport verkeerd opstellen. Dat is een probleem, maar vaak te herstellen. Een fysieke robot kan een voorwerp verkeerd verplaatsen, ergens tegenaan botsen, een apparaat beschadigen of een veiligheidsrisico veroorzaken. Daarom gelden voor fysieke AI strengere eisen.

Fysieke AI heeft het volgende nodig:

• sensoren
• camera’s
• robotica
• simulaties
• besluitvorming in realtime
• veiligheidssystemen
• mechatronica
• edgecomputing
• interactie tussen mens en machine
• kennis van regelgeving

Dit biedt ook grote kansen. In de industrie kan AI de productie optimaliseren. In magazijnen kan AI robots aansturen. In de zorg kan AI helpen bij beeldvorming, logistiek en laboratoriumautomatisering. In de landbouw kan AI precisielandbouw ondersteunen. In het verkeer kan AI routeplanning en autonome systemen verbeteren.

Fysieke AI brengt kunstmatige intelligentie terug naar de materiële wereld. Ze herinnert ons eraan dat AI meer omvat dan taal en code. AI kan ook bewegen, meten, waarnemen en handelen.

14. Laag 12: bestuur, toezicht en verantwoordelijkheid

De laatste laag is misschien wel de belangrijkste. Bestuur, toezicht en verantwoordelijkheid bepalen of AI een concurrentievoordeel wordt of een onbeheersbaar risico.

Als AI alleen conceptteksten schrijft, kan het beheer eenvoudiger blijven. Zodra AI tools gebruikt, klantgegevens verwerkt, systemen bijwerkt, besluiten voorbereidt en werkstappen uitvoert, zijn duidelijke spelregels nodig. Een bedrijf moet weten:

• waar AI wordt gebruikt
• wie AI gebruikt
• welke data wordt gebruikt
• welke modellen worden gebruikt
• welke agenten in gebruik zijn
• welke bevoegdheden agenten hebben
• hoeveel het gebruik kost
• hoe de kwaliteit wordt gemeten
• hoe fouten worden hersteld
• wie verantwoordelijk is voor het resultaat

Dit is een nieuw terrein voor het management. AI-governance mag niet beperkt blijven tot een juridisch document of een lijst beveiligingsverboden. Het moet een praktische aanpak zijn waarmee AI veilig kan worden ingezet.

Goed bestuur remt de ontwikkeling niet af, maar maakt opschaling mogelijk. Zonder goed bestuur blijft AI al snel beperkt tot losse experimenten van medewerkers. Of erger: er ontstaat schaduw-AI, waarbij niemand weet welke tools worden gebruikt, waar data wordt ingevoerd en wat agenten doen.

Het management moet grenzen stellen aan AI. Niet om het tempo te verlagen. Maar om het tempo veilig te kunnen verhogen.

15. Overkoepelende vaardigheden: wat is in elke laag nodig?

Overkoepelende vaardigheden zijn essentieel, omdat ze niet bij slechts één laag horen. Ze zijn in alle lagen nodig.

Informatiebeveiliging en privacy

AI kan gevoelige data, klantgegevens, persoonsgegevens, contracten, broncode en bedrijfsgeheimen verwerken. Daarom is informatiebeveiliging geen extraatje, maar een basisvoorwaarde.

Kwaliteitsbewaking

Een AI-antwoord kan goed klinken en toch onjuist zijn. Kwaliteitsbewaking vraagt om tests, evaluaties, vergelijkingen, feedback, broncontrole en het bijhouden van fouten.

Kostenbeheersing

Tokens, API-aanroepen, tussenstappen van agenten, RAG-zoekopdrachten en rekenkracht kosten geld. Zonder kostenbewaking kan AI productief lijken en toch duur uitpakken.

Monitoring en observability

Observability is het vermogen om te zien wat er in een systeem gebeurt. Bij AI gaat het bijvoorbeeld om het antwoord van het model, de gebruikte bronnen, de tools die een agent heeft aangeroepen, waar een fout optrad en hoeveel het heeft gekost.

Vaardigheden en cultuur

AI levert weinig op als mensen er niet mee kunnen werken of als de cultuur experimenteren belemmert. Er zijn trainingen, voorbeelden, interne werkwijzen en aanmoediging nodig.

Verandermanagement

AI verandert rollen, processen en de taakverdeling. Als individuele medewerkers die verandering zelf moeten dragen, blijven de resultaten wisselvallig.

Ethiek en regelgeving

Hoe meer invloed AI heeft op mensen, besluiten en de samenleving, hoe belangrijker het wordt om na te denken over rechtvaardigheid, transparantie, verantwoordelijkheid en regelgeving.

Deze overkoepelende vaardigheden zijn als de draagconstructie van een gebouw. Je kunt ze niet achteraf als versiering toevoegen.

16. Het bedrijfsperspectief: hoe veranderen de lagen van AI je strategie?

De lagen van AI bieden bedrijven een praktische kaart. Ze helpen te begrijpen waarom sommige AI-projecten mislukken en andere slagen.

Mislukte AI-projecten richten zich vaak op slechts één laag. Er wordt een toepassing gekocht, maar de data is slecht. Er wordt een agent gebouwd, maar de integraties ontbreken. Er wordt een krachtig model gekozen, maar het proces verandert niet. Er wordt een pilot gedaan, maar de kosten worden niet gemeten. Medewerkers krijgen een training, maar de manier van leidinggeven blijft hetzelfde.

Een geslaagd AI-project kijkt naar de hele keten. Welk bedrijfsprobleem lossen we op? Welk proces veranderen we? Welke data is nodig? Welk model gebruiken we? Welke tools mag AI gebruiken? Waar geeft een mens goedkeuring? Hoe meten we de kwaliteit? Hoe maken we de kosten zichtbaar? Wie is verantwoordelijk voor de oplossing? Hoe schalen we die op?

Ook de begroting verandert hierdoor. AI omvat meer dan een softwarelicentie. Het is een combinatie van licenties, tokenkosten, integraties, informatiebeveiliging, training, aanpassingen en monitoring.

Bedrijven doen er goed aan AI als een investering in productiviteit te behandelen. Als personeelskosten van kenniswerk een groot deel van de kosten vormen, is het logisch om te bekijken welk deel daarvan je in AI wilt investeren om de productiviteit, kwaliteit en snelheid van medewerkers te verbeteren. Dat betekent niet dat je ongeremd geld moet uitgeven. Het betekent dat AI-kosten zichtbaar worden gemaakt en actief worden beheerd.

17. Het startupperspectief: waar ontstaat nieuw concurrentievoordeel?

Voor een startup vormen de lagen van AI zowel een kans als een waarschuwing. Een kans, omdat een klein team meer kan bouwen dan ooit tevoren. AI kan helpen bij programmeren, marketing, analyse, klantenservice, documentatie, verkoop en interne processen. Een waarschuwing, omdat alleen ‘wij gebruiken AI’ geen concurrentievoordeel meer is.

Wanneer modellen breed beschikbaar zijn, ontstaat waarde elders:

• uit betere data
• uit een betere workflow
• uit sectorkennis
• uit distributie
• uit de gebruikersinterface
• uit vertrouwen
• uit integraties
• uit de orkestratie van agenten
• uit kostenefficiëntie
• uit het vermogen om een echt probleem op te lossen

Een startup die AI als uitgangspunt neemt, bouwt geen traditioneel product met een AI-functie erbovenop. De vraag is: Hoe zou deze sector eruitzien als die vanaf het begin rond AI, agenten, automatisering en data was opgebouwd?

In de juridische technologie is een product dat rond AI is ontworpen bijvoorbeeld meer dan een chatbot die juridische vragen beantwoordt. Het kan een workflow zijn die contracten leest, risico’s herkent, ze toetst aan het bedrijfsbeleid, wijzigingen voorstelt, goedkeuring vraagt aan een jurist en de contractendatabase bijwerkt. In de zorg is zo’n oplossing meer dan een symptoomvragenlijst: het kan een systeem zijn dat professionals ondersteunt bij het verzamelen van informatie, het analyseren van beelden, het opstellen van patiëntinstructies en het coördineren van het zorgtraject. In B2B-verkoop is het meer dan een e-mailgenerator: het kan een agentsysteem zijn dat signalen volgt, klantgegevens verrijkt, contactmomenten voorstelt, materiaal voorbereidt en het CRM bijwerkt.

Het concurrentievoordeel van startups ontstaat dus uit de manier waarop ze de lagen combineren. Niet uit het feit dat ze AI gebruiken.

18. Veranderend werk: welke vaardigheden hebben mensen straks nodig?

De lagen van AI veranderen ook welke vaardigheden nodig zijn. Niet iedereen hoeft modellen te kunnen bouwen. Niet iedereen hoeft chiparchitectuur te begrijpen. Niet iedereen hoeft de techniek achter MCP te beheersen. Maar steeds meer mensen moeten begrijpen waar hun eigen werk in het geheel past.

Een specialist moet begrijpen hoe AI kan helpen in de eigen workflow. Een manager moet begrijpen wat AI betekent voor processen en kosten. Een ontwikkelaar moet weten hoe modellen, data en tools samenkomen. Informatiebeveiligers moeten de bevoegdheden van agenten begrijpen. HR moet weten hoe de benodigde vaardigheden veranderen. De financiële directie moet inzicht hebben in tokens en AI-kosten. Productmanagers moeten begrijpen hoe een toepassing verandert door de inzet van agenten.

In het werk van de toekomst worden vooral de volgende vaardigheden belangrijk:

• problemen definiëren
• processen in stappen opdelen
• kansen voor AI herkennen
• datakwaliteit beoordelen
• bronnen kritisch beoordelen
• kwaliteit controleren
• de taakverdeling tussen mens en AI
• de grenzen van automatisering begrijpen
• kostenbewustzijn
• ethisch oordelen
• verandervermogen

Een van de belangrijkste vaardigheden is kunnen beoordelen wat je wel en niet moet automatiseren. Niet elke herhaalbare taak is vanzelf geschikt voor automatisering. Als een werkstap invloed heeft op de rechten, veiligheid, gezondheid, financiën of reputatie van mensen, is scherper toezicht nodig.

AI neemt ons beoordelingsvermogen niet over. AI maakt dat beoordelingsvermogen juist belangrijker.

19. Risico’s en valkuilen

Denken in lagen helpt ook om de risico’s van AI preciezer te zien. Het risico beperkt zich niet tot een onjuist antwoord. In elke laag ontstaan risico’s.

Infrastructuurrisico’s

De kosten en het energieverbruik van datacenters, capaciteitstekorten en geopolitieke afhankelijkheden kunnen de beschikbaarheid en de prijs van AI beïnvloeden.

Modelrisico’s

Een model kan hallucineren, vooringenomen zijn, de taak verkeerd begrijpen of een overtuigend maar onjuist antwoord geven.

Datarisico’s

Bedrijfsinformatie kan verouderd, tegenstrijdig of onvolledig zijn, of met onjuiste toegangsrechten zijn afgeschermd.

Integratierisico’s

AI kan te ruime bevoegdheden krijgen of een tool verkeerd gebruiken. Aanvallen met promptinjectie kunnen proberen een agent aan te zetten tot handelingen die niet zijn toegestaan.

Risico’s bij agenten

Een agent kan een taak in de verkeerde richting voortzetten, te veel tussenstappen zetten, de kosten laten oplopen of een keten van fouten veroorzaken.

Risico’s bij toepassingen

Een gebruiker kan te veel op een AI-antwoord vertrouwen als de interface geen onzekerheden, bronnen of vereiste goedkeuring laat zien.

Procesrisico’s

Een oud proces kan ongewijzigd worden geautomatiseerd, ook als het al slecht is ingericht. Dan versnelt AI alleen een slechte werkwijze.

Bestuurlijke risico’s

Als niemand verantwoordelijk is voor het geheel, ontstaan schaduw-AI, overlappende tools, onduidelijke verantwoordelijkheden en onbeheersbare kosten.

Het goede nieuws is dat deze risico’s te beheersen zijn. Maar alleen als ze per laag in kaart worden gebracht.

20. De toekomst: AI wordt de infrastructuur voor ons werk

De volgende fase van AI draait om meer dan een betere chatbot. AI wordt infrastructuur voor ons werk. In de toekomst kan AI aanwezig zijn in vrijwel elke fase van kenniswerk: informatie zoeken, analyseren, besluiten voorbereiden, programmeren, werken met klanten, rapporteren, opleiden, ontwerpen en automatiseren. Tegelijkertijd gaat AI de fysieke wereld in: robots, voertuigen, laboratoria, industrie en logistiek.

Dat betekent niet dat alles van de ene op de andere dag verandert. Waarschijnlijker is een ontwikkeling in lagen:

1. Eerst helpt AI individuele medewerkers.
2. Daarna wordt AI in toepassingen ingebouwd.
3. Daarna wordt AI verbonden met bedrijfsdata.
4. Daarna krijgt AI beperkte koppelingen met tools.
5. Daarna ontstaan agenten.
6. Vervolgens worden agenten gecoördineerd binnen processen.
7. Uiteindelijk begint het bedrijfsmodel te veranderen.

Het grootste verschil met nu is dat AI geen los hulpmiddel blijft. AI wordt onderdeel van systemen, processen en besluitvorming. De vraag is dan niet langer ‘Gebruiken we AI?’, maar: ‘Hoe is AI ingebouwd in de manier waarop we werken?’

21. Conclusies

De lagen van AI bieden een kaart van de AI-transformatie. Ze laten zien dat AI meer is dan een chatbot, taalmodel of losse toepassing. Het is een samenhangend systeem van energie, datacenters, chips, cloud, modellen, optimalisatie, data, integraties, agenten, software, processen, robotica en bestuur.

Het belangrijkste inzicht is dit: De waarde van AI ontstaat door de samenwerking tussen de lagen. Een krachtig model alleen is niet genoeg. Data alleen is niet genoeg. Eén integratie, agent of toepassing is niet genoeg. Het geheel moet kloppen.

Voor bedrijven betekent dit dat een AI-strategie meer moet zijn dan een lijst tools. De strategie moet beschrijven hoe AI samenhangt met infrastructuur, data, processen, mensen, kosten, risico’s en bestuur. Voor startups ontstaat concurrentievoordeel steeds vaker door lagen beter te combineren: modellen, data, workflows, integraties en gebruikerservaring. Voor individuen betekent het dat AI-geletterdheid verder gaat dan prompts schrijven. Het gaat om begrijpen waar AI in de keten werkt, wat nodig is om te slagen en waar mensen moeten sturen, beoordelen en verantwoordelijkheid dragen.

De toekomst van AI is geen enkele superintelligente knop. Het is een nieuwe werkomgeving. Daarin slagen degenen die het geheel begrijpen.

22. Praktische modellen en sjablonen

1. Checklist voor de lagen van AI

Gebruik deze checklist bij het beoordelen van een AI-oplossing of het uitwerken van een nieuwe toepassing.

Infrastructuur en rekenkracht

• Waar draait de oplossing?
• Welke rekenkracht is nodig?
• Hoe ontwikkelen de kosten zich bij opschaling?
• Is de vertraging aanvaardbaar?
• Is de oplossing afhankelijk van één leverancier?

Modellen

• Welk model wordt gebruikt?
• Waarom juist dit model?
• Is de taak eenvoudig of vraagt die om grondig redeneren?
• Is het model getest met eigen gegevens?
• Hoe wordt de kwaliteit van het model bewaakt?

Data en context

• Welke data is nodig?
• Is de data actueel?
• Wie is verantwoordelijk voor de data?
• Hoe werken de toegangsrechten?
• Krijgt de gebruiker de bronnen te zien?

Integraties en tools

• Tot welke systemen krijgt AI toegang?
• Mag AI alleen lezen of ook wijzigen?
• Wanneer is goedkeuring nodig?
• Hoe wordt het gebruik gelogd?
• Hoe worden bevoegdheden begrensd?

Agenten en orkestratie

• Gaat het om één antwoord of een taak met meerdere stappen?
• Welke stappen voert AI uit?
• Welke stappen voert de mens uit?
• Wat gebeurt er bij een fout?
• Heeft de agent een kostenplafond?

Toepassing en gebruikerservaring

• Hoe begrijpt de gebruiker wat AI heeft gedaan?
• Zijn bronnen, onzekerheden en vervolgstappen zichtbaar?
• Is het resultaat eenvoudig te controleren?
• Kan de gebruiker een voorstel aanpassen of afwijzen?

Proces en bedrijfsvoering

• Welk proces wordt verbeterd?
• Welke meetwaarde verandert?
• Bespaart het tijd?
• Verbetert de kwaliteit?
• Wordt de klantenservice sneller?
• Neemt het handwerk af?

Bestuur en verantwoordelijkheid

• Wie is verantwoordelijk voor de oplossing?
• Wie is verantwoordelijk voor fouten?
• Hoe wordt het gebruik gevolgd?
• Hoe worden de kosten gerapporteerd?
• Hoe wordt de oplossing geaudit?

2. Procesmodel met AI als uitgangspunt

Kies één bedrijfsproces en loop het als volgt door:

1. Wat is het doel van het proces?
2. Welke stappen keren terug?
3. Waar is informatie nodig?
4. Waar is menselijk oordeel nodig?
5. Waar kan AI een eerste versie maken?
6. Waar kan AI informatie opzoeken?
7. Waar kan AI een tool gebruiken?
8. Waar kan AI een stap automatisch uitvoeren?
9. Waar is goedkeuring nodig?
10. Hoe wordt het resultaat gemeten?

Dit model is niet bedoeld om alles te automatiseren. Het helpt om de juiste taakverdeling tussen mensen, AI en systemen te vinden.

3. Verantwoordelijkheden per laag

Wijs voor elke laag een verantwoordelijke aan.

4. Minimale voorwaarden voor de inzet van een agent

Leg vast voordat een agent echt aan het werk gaat: het doel, de beschikbare databronnen en tools, de bevoegdheden, verboden handelingen, goedkeuringsmomenten, het kostenplafond, de logging, de kwaliteitsmaatstaven, de verantwoordelijke en het uitschakelmechanisme.

Een agent zonder eigenaar hoort niet in productie te worden gebruikt.

5. Vragen voor het management

Het managementteam doet er goed aan regelmatig de volgende vragen te stellen:

1. In welke processen levert AI al meetbaar voordeel op?
2. Waar is AI nog slechts een experiment?
3. Welke data heeft AI nodig, maar is nog niet beschikbaar?
4. Welke integraties leveren het meeste op?
5. Waar zouden agenten veilig kunnen werken?
6. Waar is menselijke goedkeuring onmisbaar?
7. Hoeveel kost AI per maand?
8. Hoe ontwikkelen de tokenkosten zich?
9. Welke fouten maakt AI?
10. Wie is verantwoordelijk voor de kwaliteit en de risico’s van AI?
11. Welke vaardigheden ontbreken in de organisatie?
12. Welk proces zouden we niet meer op de oude manier inrichten?

6. Praktische tip

Kijk bij het beoordelen van een AI-oplossing verder dan de interface of de naam van het model. Stel vragen over de hele keten:

‘Welke infrastructuur heeft AI nodig, welke data gebruikt AI, tot welke systemen krijgt AI toegang, welke werkstappen kan AI uitvoeren, wie houdt toezicht en hoe meten we de opbrengst, kwaliteit, kosten en risico’s?’

Daar ligt het verschil tussen een AI-experiment en daadwerkelijk resultaat met AI.

Bronnen

1. Interview met Nvidia-CEO Jensen Huang over de gelaagde opbouw van AI (YouTube)