Meta's AI-tweede brein bereikt 63.000 medewerkers: de infrastructuur deed het zware werk

Samenvatting. Deze week bespraken we een Medium-post van Analytics at Meta waarin wordt beschreven hoe een intern experiment met de naam AI Second Brain uitgroeide van de oplossing van één data scientist voor verspreide notities tot 63.000 installaties binnen Meta in ongeveer drie maanden. Het systeem geeft een AI-agent blijvende, gestructureerde toegang tot de projecten, vergadernotities, taken en interne tools van een persoon, zodat elke sessie begint met context in plaats van met een uitleg vanaf nul. Het draait op Claude Code, een gestructureerde werkomgeving op Google Drive, een reeks connectoren naar interne systemen en herbruikbare workflow-instructies die in gewone markdown zijn geschreven. De post is eerlijk over wat dit mogelijk maakte en over wat ze onderweg hebben geleerd. Ons gesprek kwam steeds weer uit bij het deel van het verhaal dat in het artikel één alinea krijgt en de kop verdient: niets hiervan werkt zonder infrastructuur die de meeste bedrijven niet hebben.

Bron. Analyse bij Meta

Review en inzichten

Een mapstructuur die een agent kan begrijpen. De werkomgeving is georganiseerd volgens PARA, een productiviteitsmethode van Tiago Forte die oorspronkelijk werd ontworpen voor het maken van aantekeningen door mensen. PARA verdeelt alle persoonlijke informatie in vier categorieën: projects voor kortlopend actief werk, areas voor langlopende verantwoordelijkheden, resources voor referentiemateriaal en archives voor alles wat niet langer actief is maar wel het bewaren waard.

Met dank aan Analytics at Engineering

Deze structuur blijkt net zo goed te werken voor een agent, omdat ze duidelijk maakt wat actief is, wat op dit moment belangrijk is en waar nieuwe informatie thuishoort. Elke sessie start vanuit een compact root-contextbestand, en de agent duikt alleen in specifieke projectmappen wanneer het gesprek daarom vraagt. Meta noemt dit progressive disclosure. Toen Floris vroeg of er speciale logica achter dat inzoomen schuilgaat, luidde het antwoord van Kishan dat er niets exotisch is ingebouwd. Moderne redeneermodellen werken standaard zo: ze vertrekken vanuit de oppervlakkige kennis die voorhanden is en gebruiken hun tools om meer op te halen tot ze kunnen handelen. Dezelfde verschuiving verklaart waarom vectordatabases nauwelijks voorkomen in deze architectuur. Retrieval augmented generation (RAG) bestaat nog steeds, maar met de contextvensters van vandaag kan de relevante kennis voor een project rechtstreeks worden geladen, en wordt de uitgebreide retrieval-machinerie optioneel. De aanpak rijmt ook op het gelaagde contextmodel dat we in een eerdere review introduceerden: structureer de kennis in lagen en laat de agent de rest afleiden.

De investering die ertoe deed, is jaren geleden gedaan. Het artikel zegt het onomwonden: de investering die het project mogelijk maakte, was de ontwikkeling door Meta van Model Context Protocol (MCP)-servers en command line interfaces (CLI's) die agents geauthenticeerde, afgebakende toegang geven tot interne systemen. Zonder die laag kan de agent lokale bestanden lezen en verder niets. Met die laag haalt de agent vergadertranscripties op, controleert de status van taken, leest discussiedraden en schrijft documenten, allemaal binnen de rechten van de gebruiker zelf. Kishan noemde het beschikbaar maken van data in een vorm waarmee een agent kan werken het moeilijkste onderdeel van de hele exercitie. Geen twee bedrijven zijn gelijk. Elke organisatie heeft eigen processen, eigen systemen en een eigen manier van werken, en zolang die niet zijn gedocumenteerd en via een interface bereikbaar zijn, heeft de agent geen enkel houvast. Meta had hier een structurele voorsprong. Het bedrijf is gebouwd voor het internet, waardoor de moderniseringsvraag die de meeste gesprekken over AI in ondernemingen domineert voor Meta eigenlijk nooit heeft bestaan. Floris opperde het terechte vermoeden dat het project daardoor makkelijk was, en Kishan bracht daartegen in: waarschijnlijk was het ook voor Meta lastig, ze hadden alleen meer capaciteit, meer technisch onderlegde mensen en systemen die al op orde waren. Het helpt ook dat dit voortkwam uit Meta Analytics, een businessunit met een helder doel en zeggenschap over de eigen tooling en toegang. Dit wereldwijd doen, in elke businessunit in elk land, zou een heel ander verhaal zijn.

Twee stille maanden, en toen één virale post. De adoptiegrafiek in het artikel is het meest leerzame beeld erin. Het systeem ging in december live en er gebeurde twee maanden lang vrijwel niets. Toen publiceerde een niet-technische productmanager een interne post met een eenvoudige installatiehandleiding en concrete voorbeelden van wat de tool mogelijk maakte, en binnen enkele dagen verspreidde het zich over alle functies binnen Meta, tot en met de directie. Vandaag telt het meer dan 63.000 installaties en ongeveer 10.000 dagelijks actieve gebruikers, zonder enige opdracht van bovenaf. Kishans lezing: een team kan iets bouwen dat werkt en het beschikbaar stellen, en niemand gebruikt het totdat iemand het toegankelijk maakt en laat zien wat het kan. Tussen de lancering en de virale post veranderde de tool zelf nauwelijks. Wat veranderde, was dat iemand de drempel verlaagde en de waarde zichtbaar maakte. Voor iedereen die weleens een verplicht opgelegde AI-pilot in een onderneming heeft zien voortstrompelen, steekt het contrast. Grassroots-adoptie van deze omvang laat zich niet bevelen, en het moment waarop het geheel onmiskenbaar werd was, toepasselijk genoeg, een incident: het gebruik liep zo hard tegen API-ratelimieten aan dat de bredere AI-ontwikkelomgevingen van Meta vertraagden, wat een vertienvoudiging van de capaciteit afdwong. Adoptie die geblust moet worden, is adoptie die te vertrouwen is.

Meta bouwde dit op het model van een ander. De implementatie draait op Claude Code met het nieuwste model van Anthropic. Llama, de eigen modelfamilie van Meta, komt in het artikel nergens voor, en dit is kennelijk zonder opmerkingen door het publicatieproces van Meta zelf gekomen. Dat vonden we opmerkelijk. Dit is een bedrijf dat frontier-modellen traint, dat naar verluidt vastlegt hoe de eigen medewerkers werken om die modellen te voeden, en dat rond diezelfde periode in het nieuws was omdat Google het intensieve interne gebruik van Gemini afsloot. Waarom is het interne vlaggenschipsysteem voor productiviteit dan gebouwd op de stack van een concurrent? Het eerlijke antwoord is dat we het niet weten, en niemand buiten Meta weet het. Het kan pure modelcapaciteit zijn. Het kan zijn dat Claude Code als harnas, de uitvoeringsomgeving met zijn agentische lus, tool calling en foutherstel, momenteel voorloopt op alles wat Meta intern heeft. Het artikel merkt zelf op dat een agent bestaat uit een model plus een harnas, en dat hun architectuur harnas-agnostisch is. Wat de reden ook is, een bedrijf met alle reden om het eigen model te gebruiken koos anders, en die keuze zegt meer dan welke benchmark ook.

De rekening achter het tweede brein. Die API-ratelimieten wijzen op iets wat het artikel weglaat: kosten. Tienduizend dagelijks actieve gebruikers die agentische sessies draaien, vormen een forse post op elke balans, en de uitgaven stoppen niet bij de modelaanbieder. Elke agentsessie belast ook de API's van de systemen waar hij in reikt. Als er ratelimieten worden geraakt bij Claude, worden die waarschijnlijk ook geraakt bij Google Drive en bij elk ander systeem dat de agent aanraakt. Van de huidige abonnements- en API-prijzen wordt breed aangenomen dat ze gesubsidieerd zijn, dus organisaties die iets vergelijkbaars plannen, kunnen erop rekenen dat de unit economics eerst slechter worden voordat ze beter worden. De praktische mitigatie is al zichtbaar in de manier waarop deze systemen worden gebouwd: laat een duur frontier-model vooraf het moeilijke denkwerk doen en geef het afgebakende, repetitieve werk vervolgens door aan goedkopere modellen die een fractie per aanroep kosten. Lokale modellen intern draaien klinkt aantrekkelijk, totdat de hardware, de expertise en het feit dat frontier-capaciteiten waarschijnlijk nooit open source worden zijn meegerekend, waardoor zelfhosters permanent een stap achterlopen.

Het verband met softwaremodernisering

Gelezen als casestudy in plaats van als ereronde bevestigt de post van Meta de volgorde waar we in deze serie steeds op uitkomen. Voordat een agent als tweede brein kan fungeren, moeten de systemen op orde zijn, moet de data ontsloten zijn via interfaces die een agent kan aanroepen, en moeten de processen ergens toegankelijk zijn gedocumenteerd. Meta kon die fase overslaan omdat twee decennia van modern blijven daar al voor hadden betaald. Voor een doorsneeorganisatie met legacysystemen, ongedocumenteerde bedrijfslogica en gefragmenteerde data vormt dat voorwerk het grootste deel van het project. Noem het 80 procent. In onze vorige beschouwing betoogden we dat de forward deployed engineers (FDE's) die de frontier labs nu binnen ondernemingen plaatsen uiteindelijk moderniseringswerk zullen doen onder een AI-vlag, omdat daar de werkelijke blokkade zit. De post van Meta is een voorproefje van wat dat werk een organisatie oplevert zodra het klaar is: een agentlaag die door één virale interne post binnen enkele weken naar 63.000 mensen kan opschalen, omdat alles eronder al bereikbaar was.

Slotopmerkingen

Het artikel van Meta is een goed geschreven adoptieverhaal, en de cijfers maken dat waar. De overdraagbare les staat in de eerste regel van hun eigen sectie met geleerde lessen: infrastructuur komt eerst. Al het andere in het stuk, de mappenstructuur, de skills, de virale groei, rust op geauthenticeerde toegang tot interne systemen die jaren kostte om te bouwen. Organisaties die een eigen tweede brein willen, zouden deze post achterstevoren moeten lezen. Begin bij de toegangslaag, de documentatie en het dataleidingwerk, en aanvaard dat daar de tijd en het geld naartoe gaan. De agent daarbovenop is steeds vaker het eenvoudige deel, en zoals Meta's eigen modelkeuze stilletjes aantoont, is het ook het deel dat vervangen kan worden.

Volledige video-aflevering

De eerste stap om de moderniseringsreis te starten

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

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

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