Eli5 artikelreeks: institutionele AI versus individuele AI

Institutionele AI versus individuele AI

Bron:a16z Nieuws, George Sivulka

Samenvatting. Sivulka trekt een historische parallel met de textielfabrieken in New England van de jaren 1890. Fabrieken vervingen hun stoommachines door elektromotoren en zagen dertig jaar lang vrijwel geen toename in productie. De productiviteitswinst kwam pas in de jaren twintig tot stand, toen de hele fabrieksvloer opnieuw werd ingericht rond de nieuwe technologie, met lopende banden en een aparte motor per machine. Zijn stelling is dat we vandaag dezelfde fout herhalen met AI. We hebben de motor vervangen, maar de fabriek niet opnieuw ontworpen. Om die kloof te overbruggen introduceert hij zeven pijlers van wat hij institutionele AI noemt: coördinatie, signaal, bias, voorsprong, uitkomsten, enablement en ongevraagd handelen. Het argument luidt dat pure productiviteitstools voor individuen chaos veroorzaken, terwijl institutionele intelligentie gecoördineerde, deterministische en omzetgenererende systemen creëert die bovenop foundation models zijn gebouwd.

Bespreking en inzichten. De historische analogie is het sterkste deel van het stuk. Het idee dat nieuwe technologie pas waarde oplevert zodra het omringende systeem opnieuw wordt ontworpen is niet nieuw, maar het wordt zelden zo direct op AI toegepast. Het artikel slaagt erin een patroon te benoemen dat veel organisaties op dit moment stilzwijgend ervaren. Elke medewerker heeft eigen ChatGPT-gewoonten, een eigen promptstijl en eigen output die niet aansluit op de output van anderen. Het organigram bestaat nog steeds, maar de werkelijke stroom van AI-gegenereerd werk vertelt een ander verhaal.

Dat gezegd hebbende, lezen delen van het stuk eerder als een visie dan als een routekaart. Sivulka leidt een AI-bedrijf dat door a16z wordt gefinancierd, dus het is geen verrassing dat de conclusie richting speciaal gebouwde institutionele AI-producten wijst. Er is ook een opvallende paradox die het vermelden waard is. Sivulka stelt openlijk dat hij zijn eigen directieteam vraagt geen AI te gebruiken voor enig definitief geschreven product, omdat de output rommel is. Uit de mond van een AI-oprichter is dat een opmerkelijke bekentenis over de huidige staat van de technologie.

In onze bespreking werkten we een aantal specifieke punten uit waar de visie botst met de realiteit van de organisaties waarmee we dagelijks werken.

De realiteitskloof. De zeven pijlers zijn een nuttig gedachtenexperiment, maar ze toepassen op een bestaande organisatie met een paar honderd mensen is lastig. Nieuwe AI-native bedrijven kunnen zich vanaf dag één rond deze principes opbouwen. Gevestigde Nederlandse mkb-bedrijven kunnen dat niet, zeker niet in het huidige voorzichtige investeringsklimaat.

Doorlopende modernisering wint het van één grote sprong. De bedrijven die hier goed mee omgaan, zijn niet de bedrijven die plotseling besluiten AI-first te worden. Het zijn de bedrijven die hun stack en processen al jaren moderniseren. Stripe is het voor de hand liggende voorbeeld: developer-gedreven, actief in de community, engineering behandeld als een eersteklas functie. Die houding neemt institutionele AI vanzelf op. Een bedrijf dat zijn processen eens in de vijf jaar tegen het licht houdt, kan dat niet.

Eindgebruikers zijn meestal het knelpunt. Weerstand komt zelden van de mensen die data en infrastructuur beheren. Die komt van de eindgebruikers die hun dagelijkse routine rond het huidige systeem hebben opgebouwd. Sivulka schetst adoptie als een top-downprobleem. In onze ervaring is het vaker een probleem van de middenlaag.

Deterministische agents hebben een harnas nodig. Het artikel stelt dat institutionele AI deterministisch, gedefinieerd en auditeerbaar moet zijn, maar legt niet uit hoe. In de praktijk wordt het model omhuld met guardrails, een contextlaag en een gedefinieerde toolset. Standaarden zoals het Model Context Protocol komen op, maar Anthropic, OpenAI en Gemini doen het allemaal anders. Voorlopig moet het harnas intern gebouwd worden, met skills-bestanden, contextbestanden en geheugenbestanden.

De voorsprong is hoger in de stack komen te liggen. Foundation models eten de app-laag op, en bedrijven uit de app-laag klimmen op naar de oplossingslaag. Iedereen kan tegenwoordig een CRM tot stand prompten. Of het een echt bedrijfsprobleem oplost, is een andere vraag. De voorsprong zit niet langer in het bouwen van het ding. Die zit in weten welk ding voor welke niche gebouwd moet worden, en in het kunnen ondersteunen, beveiligen en verbeteren daarvan in de loop van de tijd.

Verband met softwaremodernisering

Het stuk zegt nergens letterlijk "modernisering", maar het verband is onvermijdelijk. Institutionele AI kan niet bovenop een legacy-backend worden gezet met enige verwachting van gecoördineerde, deterministische, omzetgenererende resultaten. Net zoals elektromotoren niet in een textielfabriek uit de jaren 1890 geplaatst konden worden met enige verwachting van moderne fabrieksoutput.

Voor de meeste van onze klanten is het realistische pad niet om de hele organisatie vanaf nul opnieuw op te bouwen. Het is om de backend zo te moderniseren dat institutionele AI later mogelijk wordt. Dat betekent meestal een paar dingen. Ten eerste: de data in een staat brengen waarin die daadwerkelijk betrouwbaar bevraagd kan worden, want rommel erin betekent nog steeds rommel eruit. Ten tweede: de juiste delen van het legacysysteem ontsluiten via schone interfaces, zodat AI-tooling ze veilig kan gebruiken. Ten derde: de verborgen bedrijfsregels documenteren die verklaren waarom de data eruitziet zoals die eruitziet, want het blootleggen daarvan is vaak tachtig procent van het werk in elk moderniseringsproject, nog voordat er één regel nieuwe code geschreven is.

De frontend kan door de jaren heen van vorm veranderen. Het kan een AI-agent worden die terugpraat, een strakke webinterface, of iets wat nog niet is uitgevonden. De backend bepaalt of dat allemaal überhaupt mogelijk is.

Afsluitende opmerkingen

De historische analogie is scherp, de zeven pijlers vormen een nuttig denkkader, en de observatie dat productieve individuen niet automatisch productieve bedrijven opleveren is waar en onderbelicht. Het verliest een paar punten omdat het een visiestuk is zonder echte blauwdruk, en omdat het merkbaar aansluit bij het soort bedrijf dat de auteur leidt en het soort bedrijf waarin a16z investeert.

Voor de meeste organisaties is de conclusie niet dat er onmiddellijk een institutionele AI-strategie moet worden opgebouwd. De conclusie is: blijf de backend moderniseren, houd de data schoon, documenteer het waarom achter het systeem en blijf dicht genoeg bij het AI-landschap om te kunnen handelen zodra de standaarden zich eindelijk uitkristalliseren. De fabrieken die het komende decennium winnen, zijn de fabrieken die in stilte hun productievloer hebben herbouwd terwijl alle anderen bezig waren met het kopen van nieuwe motoren.

Volledige video-aflevering: Institutionele AI vs Individuele AI (Nederlands)

De eerste stap om de moderniseringsreis te starten

Softwaremodernisering en architecturale herbouw vormen de kern van Eli5. Wij lossen complexiteit op en leveren directe bedrijfswaarde door te focussen op pragmatische, cloud-native transities.

Voordat de keuze wordt gemaakt om een legacysysteem in te pakken, een nieuw SaaS-product aan te schaffen of met AI eigen tools te bouwen, is volledig inzicht in het huidige technologielandschap essentieel.

Een gratis brainstorm is beschikbaar om de legacystack te bespreken. Dat is de essentiële eerste stap om technische schuld om te zetten in een schaalbare, modulaire toekomst.