Controle terugwinnen in het tijdperk van generatieve AI

Je kunt gerust zeggen dat het een interessante tijd is om in te leven.

Dit blog erkent de bredere wereldwijde uitdagingen waarmee de mensheid wordt geconfronteerd, maar zoomt in op het potentieel van GenAI in het hedendaagse bedrijfstechnologielandschap. Het biedt een gefundeerd perspectief over hoe je de hype kunt overstijgen en AI kunt gebruiken om de doelstellingen van je bedrijf zinvol te ondersteunen.

‍

Van ERP tot innovatie: het voorbeeld van de reis van een cookiebedrijf

Stel u voor, het is 2019 en uw bedrijf dat cookies verkoopt, heeft zojuist een migratie van SAP Business Suite naar SAP S/4HANA 'overleefd'. In de wetenschap dat je de beste cookies van Europa verkoopt, groeide het bedrijf uit tot een groot bedrijf met respect voor de eigen processen en manieren van werken. Een solide ERP-implementatie heeft je zeker geholpen om je te concentreren op wat je het beste weet: het produceren en verkopen van cookies.

Desalniettemin waren de regionale verschillen en 'verrukkelijke klantprocedures' die u een deel van uw succes hebben opgeleverd, sterk verbonden met uw kernimplementatie van SAP. Het team van ABAP- en Java-ontwikkelaars heeft meer dan anderhalf jaar besteed aan het migreren van de aangepaste bedrijfslogica van de vorige SAP-versie naar de nieuwe. Nieuwe zakelijke aanvragen werden meestal opgeschort, omdat ze de tijdlijn zouden verstoren.

Of ging het anders?

‍

Opgeslagen vanuit Slowdown

Gelukkig is Gartner er vooral om ons te helpen de juiste koers te bepalen. Dat deden ze ook in 2016, waarbij ze pleitten voor concepten als „keep your core clean”. Dit idee werd omarmd door softwareleveranciers voor grote ondernemingen, zoals SAP, die uitbreidingsopties begonnen aan te bieden buiten hun kernsystemen, en sindsdien zelfs samenwerkten met Mendix als hun favoriete low-code-platform 2017.

Jouw bedrijf heeft niet alleen deze trend gevolgd. Het heeft het omarmd. Een partner bleek de meeste ERP-aanpassingen om te zetten in afzonderlijke, niet-geïsoleerde 'systemen van differentiatie en innovatie'. Voormalige ABAP-ontwikkelaars zijn overgestapt naar Mendix-consultants. En dankzij je diepe Microsoft-ecosysteem ontstonden er al snel burgerontwikkelaars in de hele organisatie. Omdat Power Apps standaard beschikbaar was voor alle werknemers, bleef de onvermijdelijke opkomst van moderne schaduw-IT niet ver achter (waarover ik zelf een boek zou kunnen schrijven).

Ondanks deze groeipijnen werden de voordelen duidelijk. ERP-updates werden niet langer geblokkeerd door verstrengeling van aangepaste code. Afdelingen begonnen elkaars digitale initiatieven en de snelheid waarmee ze werden uitgevoerd, op te merken.

Je CIO was ook tevreden. Een goed gedefinieerd bestuursmodel zorgde ervoor dat de apps die werden gebouwd niet alleen nuttig en intuïtief waren, maar ook veilig. Je begon de basis te leggen voor een moderne data-architectuur, inclusief een gedeelde catalogus van primaire data. En naarmate meer van uw onderscheidende processen overgingen op low-code apps, zou u hun gegevenssourcing geleidelijk kunnen overzetten van ERP naar een gecentraliseerd dataplatform.

Het resultaat? Low-code-teams hadden nu op consistente, vereenvoudigde manieren toegang tot gegevens van verschillende systemen, zonder dat ze diepgaande kennis van die back-endplatforms nodig hadden. Ze zouden meer tijd kunnen besteden aan het oplossen van echte problemen en minder tijd kunnen besteden aan het omgaan met technische complexiteit.

Zo ziet een composteerbare onderneming er in veel opzichten uit. Nogmaals bedankt, Gartner!

‍

Wacht... Ging dit niet over AI?

Laten we, voordat we daar op ingaan, benadrukken wat uw cookiebedrijf nu leuk vindt: kleine teams en duidelijkheid in een complexe wereld.

Als Mendix Consultant had ik het voorrecht om met veel verschillende klanten van alle groottes en leeftijden te werken. Een ding dat tot nu toe in mijn ervaring opviel, is dat projecten die integreerden met grote systemen zoals ERP of CRM, vergeleken met projecten waar al een integratie- en/of dataplatform bestond, vaak het volgende vereisten:

• Grotere teams
• Langere leveringscycli
• Bredere kennis over de interne werking van die systemen en procedures

Waarom? Omdat verantwoordelijkheden niet voldoende geïsoleerd konden worden. Dit introduceert de behoefte aan meer mensen om de bredere zakelijke en technische context te begrijpen. En in een steeds complexere wereld is dit je echte uitdaging.

‍

AI is standaard modulair

Ik ben erg blij om te zien dat de meeste 'GeNai magic' die we in productie zien, standaard modulair is of kan zijn. Vooral met AI van het agentschap, wat een echte doorbraak is gebleken, deel je het op in:

• Een centrale bouwsteen van een agentschap die 'begrijpt' welke tools ze kunnen gebruiken en welke bronnen ze kunnen raadplegen
• Een LLM (Large Language Model) ter ondersteuning van de besluitvorming, redenering en orkestratie
• Een geheugen in de vorm van een mechanisme en een datastore om eerdere vragen en antwoorden op te slaan
• Goed gedefinieerde, vooraf geconfigureerde en geparametriseerde aanwijzingen voor duidelijke instructiepaden

Om een misverstand uit de weg te ruimen: de tools die beweren dat hun AI voor jou persoonlijk is getraind, verhogen de waarde enigszins. De eerlijkere verklaring is dat deze tools goed zijn in het traceren van historische vragen en antwoorden, en deze historische interacties op een slimme manier aan je 'nieuwe' prompt geven wanneer dat nodig is.

Het goede nieuws is dat het voor de meeste toepassingen heel goed mogelijk is om dit zelf te bouwen, met als voordeel dat je de volledige controle hebt. En met Mendix, je hebt al de basislaag om aan de slag te gaan.

‍

Wat „" Being in Control "” eigenlijk betekent”

Controle is niet binair, maar contextueel. Wat essentieel is voor uw bedrijf kan verschillen van geval tot geval en vergeleken met andere bedrijven. Dit zijn de belangrijkste controlegebieden waarmee u rekening moet houden:

1. LLM-keuze

Met de meeste kant-en-klare tools kun je geen favoriete LLM kiezen. Dit hoeft niet per se een probleem te zijn (omdat het een kwestie van eenvoud is), maar wel wanneer je controle wilt hebben over welke gegevens je met welke partij deelt. Bovendien kiezen tools misschien niet de allerbeste LLM op de markt om uw gebruiksscenario te ondersteunen, wat in het huidige klimaat van week tot week kan veranderen.

2. Locatie van de gegevens

Nauw gerelateerd aan de LLM-keuze, worden verschillende LLM's of tools alleen gehost in de VS of andere delen van de wereld. Hoewel steeds meer leveranciers pure EU-implementaties aanbieden, heb je misschien volledige controle nodig over waar je gegevens worden opgeslagen en of je LLM wordt beheerd door een commerciële partij of door een bedrijf waarmee verregaande afspraken kunnen worden gemaakt.

3. Distributie van tokens

De meeste AI-tools bieden specifieke functionaliteit voor een maandelijks bedrag per persoon. Dit kan leiden tot aanzienlijke maandelijkse investeringen, vooral in grote bedrijven, terwijl misschien niet alle werknemers de tools ten volle benutten. Hier is het handig wanneer u LLM-tokens voor het hele bedrijf kunt toewijzen en het gebruik ervan over afdelingen kunt verdelen. Zo kunt u de financiële impact effectiever volgen en de verwachte businesscase gedetailleerd evalueren.

4. LLM-monitoring

Iedereen die ooit een van de chatinterfaces van de grote LLM-bedrijven heeft gebruikt, weet dat modellen kunnen hallucineren en kunnen gaan afdwalen. Wanneer u de controle hebt over de afzonderlijke modules die uw oplossing vormen, kunt u de effectiviteit van uw oplossing op een gedetailleerde manier controleren. Bijvoorbeeld Datadog stelt u in staat om alle vragen en antwoorden te controleren en de kwaliteit, het tokengebruik en de afwijkingen op een geautomatiseerde manier te analyseren.

5. Kennis

Af en toe hoor je iemand zeggen: 'elk bedrijf wordt een IT-bedrijf'. Aangezien hierover zeker kan worden gedebatteerd, is er een soortgelijk gezegde voor het gebruik van AI in uw bedrijf. Alle kennis die je opdoet over de interne werking zal je helpen om weloverwogen beslissingen te nemen in de toekomst met minder afhankelijkheid van een toenemend aantal externe partijen.

‍

Het dilemma tussen kopen en bouwen

Als je erover begint na te denken om zelf iets te bouwen, laten we realistisch zijn: het is morgen niet productieklaar. Maar het zou bijvoorbeeld volgende maand kunnen zijn. En in de huidige economie van snelheid moeten we het dilemma tussen kopen en bouwen erkennen.

AI-tools kopen kan verleidelijk zijn. Ze beloven een snelle start, leveranciersondersteuning, gegevensprivacy (als je geluk hebt) en soms zelfs regionale hosting. Voor ongeveer €20 per gebruiker ga je naar de races en voor een extra 'enterprise fee' krijg je ook SSO-ondersteuning. De tool gebruikt waarschijnlijk de meest betaalbare of efficiënte LLM achter de schermen en verzekert je dat je gegevens niet worden gebruikt om hun modellen te trainen.

Klinkt goed, toch?

Maar hier beginnen de kleine lettertjes. Deze tools hebben vaak beperkte zichtbaarheid, weinig ruimte voor aanpassingen en zeer weinig hefbomen om de eigenlijke onderliggende technologie te besturen. Wanneer de tokenprijzen dalen of er een goedkopere LLM beschikbaar komt, gaat het voordeel meestal naar de leverancier, niet naar u. En net als u erop begint te vertrouwen, kunnen ze de prijzen verhogen of het product stilletjes helemaal onderbreken.

Eenhoorns moeten ergens beginnen, maar veel van deze tools bestaan nog maar een paar maanden en worden beheerd door hele kleine teams. Dit is op zijn minst de moeite waard om in de vergelijking op te nemen.

Dus, wat is het alternatief?

‍

De pragmatische routekaart

Laten we dit alles tot slot vertalen in een praktische, realistische routekaart, die geschikt is voor bedrijven van elke omvang. De kernboodschap is eenvoudig: begin klein, leer snel en evalueer voortdurend de beste manier van handelen, altijd met een langetermijnstrategie in het achterhoofd. Net zoals we dat doen voor onze klanten die Mendix gebruiken.

Stap 1: Experimenteer en blijf op de hoogte

Laat je medewerkers experimenteren met tools die ze vinden. Omdat er elke dag nieuwe tools verschijnen, is het onmogelijk om dit bij te houden met een gecentraliseerde afdeling. Daarnaast zullen uw werknemers ze waarschijnlijk toch gebruiken. Mensen informeren over veilig gebruik (experimenteren zonder gevoelige gegevens te delen) en enthousiaste mensen in staat stellen hun tools binnen het bedrijf te promoten. Dit is een uitgelezen kans om ook uw veiligheidsbeleid en -educatie in het algemeen bij te schaven.

Stap 2: Stel een Buy-vS-Build-besluitvormingsproces op

Zorg voor een goed intern proces zodat werknemers use-cases of tools kunnen indienen en andere werknemers over deze use-cases kunnen laten stemmen (als de grootte van uw bedrijf dit vereist). Probeer dit te integreren in het algemene software-inkoopproces, maar probeer knelpunten te vermijden die geautomatiseerd of vooraf kunnen worden opgelost. Gebruik een beslisboom voor uw bedrijf om te kiezen tussen het kopen of bouwen van de AI-oplossing.

Stap 3: Omarm platformdenken

Zoals beschreven in dit artikel is de modulaire aanpak van (agentische) AI beschikbaar en uitvoerbaar. Het is zelfs nog waarschijnlijker dat de meeste componenten al aanwezig zijn. Gebruik de allereerste use case (oké, misschien de tweede) om te beginnen met het itereren van je benadering van 'embedded AI' in het softwarelandschap van je bedrijf. Met duidelijk eigenaarschap, scheiding van zorgen en solide bestuur. Net als bij andere technologieën die het bedrijf vandaag ondersteunen. Je kunt het; als je hulp nodig hebt, helpt een partner je graag.

‍

Agentic AI is er. Ga het maken.

Het potentieel van Agentic AI valt niet te ontkennen, en wat mij het meest boeit, is hoeveel controle organisaties kunnen uitoefenen zonder onnodige complexiteit toe te voegen. We beginnen niet vanaf nul; we bouwen voort op decennia van technologische vooruitgang, waaronder de opkomst van configureerbare bedrijfsarchitecturen en het essentiële onderscheid tussen registratiesystemen en systemen van differentiatie en innovatie.

Door deze bredere lens gezien hoeft AI geen kwetsbare afhankelijkheid te worden. In plaats daarvan kan het een krachtige enabler zijn, als u de juiste tools en de juiste partners kiest om u te begeleiden.

Agentic AI is er al, en zinvolle vragen stellen over je eigen data is niet langer hogere wiskunde.

Met Mendix kunt u dit potentieel op een duurzame, gecontroleerde en snelle manier benutten, terwijl u de vrijheid behoudt om u aan te passen en te kiezen wat het beste werkt voor uw bedrijf.

Niet alleen voor nu, maar ook voor de komende tien jaar.

‍

Oorspronkelijk gepubliceerd hier.