Inleiding
Victor Coimbra is CTO en Managing Partner bij Artefact, waar hij leiding geeft aan AI, datawetenschap en engineering in heel Noord- en Zuid-Amerika. Zijn loopbaan combineert ervaring op het gebied van bedrijfsstrategie bij Bain en Accenture met hands-on leiderschap bij de implementatie van AI- en machine learning-systemen in complexe bedrijfsomgevingen. Hij richt zich op het helpen van organisaties bij het koppelen van technische capaciteiten aan meetbare bedrijfsresultaten, met inbegrip van de architectuur, het beheer en de bedrijfsmodellen die nodig zijn om AI op te schalen.
Artefact is een wereldwijd data- en AI-adviesbureau dat ondernemingen ondersteunt bij het ontwikkelen van strategieën, het opzetten van data platforms, het implementeren van AI-oplossingen en het begeleiden van organisatorische veranderingen. Het bedrijf is actief in diverse sectoren, waaronder de financiële dienstverlening, de gezondheidszorg, de productiesector en de detailhandel. In de aanloop naar zijn Adopt AI Top, dat plaatsvindt op 3 en 4 december 2026 in het Grand Palais in Parijs, bespreekt Coimbra hoe ondernemingen verder kunnen gaan dan proefprojecten, teams kunnen samenstellen waarin mensen en AI-agenten samenwerken, en de waarde van AI in de productie kunnen meten.
Uw loopbaan heeft u van bedrijfsstrategie bij Accenture naar leidinggevende functies bij AI-, data science- en engineeringteams bij Artefact in heel Noord- en Zuid-Amerika geleid.
Hoe heeft deze combinatie van strategisch advies en praktisch technisch leiderschap uw aanpak beïnvloed bij het ondersteunen van ondernemingen om hun investeringen in AI om te zetten in meetbare bedrijfsresultaten?
Het heeft mij geleerd om een AI-strategie altijd te koppelen aan de daadwerkelijke uitvoering. Mijn ervaring met strategie bij Bain en Accenture heeft mij laten zien dat leidinggevenden instemmen met een verandering op basis van een post in de winst- en verliesrekening. Mijn ervaring in de techniek heeft mij geleerd dat een groot deel van die waarde verloren kan gaan tussen de presentatie en de daadwerkelijke implementatie.
Tegenwoordig gaat AI minder over technologie en meer over het creëren van een beschermingswal rond uw kernactiviteiten. De hamvraag is hoe u individuele productiviteit kunt omzetten in collectieve bedrijfswaarde, met een daadwerkelijk gedeeld cognitief vermogen binnen het hele bedrijf.
Daarvoor is een combinatie van strategie en uitvoering nodig, en ik heb daar veel van geleerd door beide te doen.
Ondanks aanzienlijke investeringen in artificial intelligence hebben veel organisaties nog steeds moeite om verder te komen dan succesvolle proefprojecten.
Wat zijn volgens uw ervaring de meest voorkomende obstakels die ervoor zorgen dat AI-initiatieven binnen ondernemingen niet tot de productiefase doordringen, en wat onderscheidt bedrijven die hun implementaties met succes opschalen?
Mijn ervaring leert dat veel projecten vastlopen doordat AI wordt geïntegreerd in een organisatie die uitsluitend voor mensen is ontworpen. De technologie werkt doorgaans wel. Wat echter vaak nog onduidelijk is, is de taakverdeling: welke taken zijn voor de systemen, welke blijven bij de mensen, wie controleert het resultaat en wie is verantwoordelijk voor het resultaat?
Daarnaast zijn er drie factoren die de opschaling vaak vertragen: de kosten van tokens, die bij een op gebruik gebaseerde prijsstelling explosief stijgen; beveiliging en governance; en een situatie waarin de invoering er niet toe leidt dat de toegang daadwerkelijk wordt benut.
De bedrijven die ik zie die goed opschalen, beschouwen AI als een herinrichting van de organisatie. Zij splitsen het leveringsproces op in twee cycli. In de binnenste cyclus voeren agenten het gehele proces van begin tot eind uit: coderen, bouwen, testen, implementeren, beoordelen. In de buitenste cyclus stellen mensen de doelstelling vast, controleren zij het resultaat en houden zij toezicht op de kosten en de kwaliteit. Vervolgens bouwen zij één platform dat als basis dient en hergebruiken zij dit voor elke gebruikssituatie.
U hebt geschreven over het belang van het opbouwen van een AI-native organisatie, in plaats van louter chatbots en copilots aan bestaande systemen toe te voegen. Welke fundamentele veranderingen in de technologische architectuur van ondernemingen zijn nodig om deze transitie te ondersteunen, en op welke gebieden investeren bedrijven momenteel te weinig?
Een AI-native bedrijf draait op een platform, en dat platform bestaat uit vier lagen: Harness, Context, Model en Infra. Het Harness is de plek waar mensen en agents elkaar ontmoeten en samenwerken; het vormt de volledige applicatie rondom het model. Context bepaalt wat agenten weten en welke bevoegdheden zij hebben. Model geeft aan hoe modellen tegen de juiste kosten worden benaderd, doorgestuurd en beheerd. Infra is de plek waar zij daadwerkelijk draaien, en waar de sleutels zich bevinden.
Uiteraard gaat de meeste aandacht naar de zichtbare 20%: copiloten en chattools. De verborgen 80% is waar het grootste deel van de technische ontwikkeling plaatsvindt en waar beslissingen worden genomen over kosten, beveiliging en controle.
Mijn suggestie is eenvoudig. Schaf algemene harnassen aan en ontwikkel zelf de branchespecifieke varianten. Huur modellen en infrastructuur in en experimenteer ermee, aangezien deze elk kwartaal veranderen. En zorg dat u uw context volledig beheerst. Dat is de laag die werkelijk van u is, en waar ik de grootste kans zie om meer te investeren.
Nu AI zich ontwikkelt van het ondersteunen van medewerkers naar het autonoom uitvoeren van complexe werkprocessen, hoe moeten organisaties dan bepalen welke processen geschikt zijn voor autonome automatisering? Welke technische en operationele waarborgen moeten worden ingesteld voordat AI-agenten meer beslissingsbevoegdheid krijgen?
Zoals ik het zie, zijn agenten zeer bedreven in werkzaamheden die op het verleden zijn gericht, terwijl mensen uitblinken in werkzaamheden die op de toekomst zijn gericht. Agenten blinken uit in alles wat op bestaande informatie is gebaseerd, zoals analyse, programmeren, testen, documentatie en afstemming. Mensen zijn verantwoordelijk voor alles wat creativiteit vereist, en creativiteit is per definitie toekomstgericht: smaak, visie, planning, besluitvorming en het beoordelen of een resultaat daadwerkelijk goed is.
In de praktijk komt dit neer op de twee lussen. Agenten voeren de binnenste lus uit en zorgen voor de uitvoering. Mensen behouden de buitenste lus: intentie, verificatie en toezicht.
De beveiligingsmaatregelen zijn technisch ingebouwd, niet op verzoek toegepast. Wij maken gebruik van zes beschermingslagen: taakregistratie, geheugen, een beveiligde werkomgeving met een sandbox-omgeving voor de uitvoering en toegangsrechten, een lus met controlepunten en verduidelijkingen, modelroutering, en veiligheidsbarrières die bepalen wat een agent niet zelfstandig mag doen, zoals menselijke goedkeuringen, beleidscontroles en controles op persoonsgegevens. De autonomie neemt vervolgens toe naarmate de prestatiegeschiedenis groeit, net zoals dat bij een nieuwe medewerker het geval is.
U hebt AI-agenten omschreven als teamgenoten in plaats van als conventionele softwaretools. Hoe verandert dit perspectief de manier waarop organisaties hun teams moeten structureren, verantwoordelijkheden moeten toewijzen en medewerkers moeten opleiden om samen te werken met steeds autonomere AI-systemen?
We bevinden ons nu al in de hybride organisatie. De vraag die ik op dit moment het belangrijkst vind, is hoe het personeelsbestand moet worden verdeeld tussen mensen en agents. Ik ben van mening dat dit de sleutel is tot schaalvergroting.
In een hybride team wordt in het organigram cognitieve capaciteit toegewezen, niet het aantal medewerkers. Een typische verdeling die ik in een ervaren tech-team zie, is 15% werk dat uitsluitend door mensen wordt uitgevoerd, 25% werk waarbij menselijke ondersteuning wordt ingezet en 60% werk dat door agents wordt uitgevoerd. Het hoofd IT bepaalt de doelstellingen, wijst capaciteit toe en is verantwoordelijk voor het resultaat en de kosten. Een senior ontwikkelaar controleert de door de agents geleverde resultaten en bepaalt de architectuur. Een coördinerende agent verdeelt taken en reports de kosten, terwijl een beoordelende agent elke levering controleert.
De voordelen stapelen zich in drie stappen op. Verbeterde medewerkers leveren ongeveer een vijfvoudige prestatie. Agenten die als synthetische medewerkers end-to-end-werkzaamheden uitvoeren, leveren ongeveer een tienvoudige prestatie. Door beide als één personeelsbestand te coördineren, ligt volgens mij het potentieel van een duizendvoudige prestatie.
De opleiding volgt dezelfde logica. Mensen leren een medewerker instructies te geven zoals een beginnende ingenieur dat zou doen, met een gestructureerde context en duidelijke doelstellingen, en hun tijd te besteden aan smaak, planning en besluitvorming.
AI-systemen voor bedrijven zijn in hoge mate afhankelijk van een betrouwbare data-infrastructuur, maar toch blijven veel organisaties kampen met gefragmenteerde data, inconsistent beheer en verouderde technologie. Aan welke fundamentele mogelijkheden moeten bedrijven prioriteit geven bij het voorbereiden van hun data platforms op agentische AI, en hoe kunnen zij moderniseren zonder de bestaande bedrijfsvoering te verstoren?
Ontwerp uw data platform voor een nieuw soort gebruiker: medewerkers. Een dashboard met een onjuist getal wordt door een medewerker gecontroleerd. Een medewerker die een onjuist getal constateert, onderneemt op grote schaal actie.
Geef prioriteit aan vier capaciteiten. Gedeelde bedrijfsdefinities, zodat elke medewerker en elk team hetzelfde bedoelt met “actieve klant”. Een integratiegateway met authenticatie en standaardprotocollen zoals MCP, zodat medewerkers toegang hebben tot data met de machtigingen van de rol waarin zij optreden. Meetbare kwaliteit en traceerbaarheid. En ongestructureerde data die als een eersteklas bedrijfsmiddel worden behandeld, omdat contracten, tickets en vergadernotulen het grootste deel van de daadwerkelijke kennis bevatten.
Om zonder verstoring te moderniseren, dient u eerst de verouderde systemen te omhullen en vervolgens per gebruiksscenario te migreren. Ook hier veranderen agents de economische aspecten. Migratiepijplijnen met meerdere agents moderniseren nu binnen enkele maanden honderdduizenden regels verouderde code, waarbij mensen de architectuur bepalen.
Naast toegang tot gestructureerde data hebben AI-agenten in toenemende mate inzicht nodig in institutionele kennis, bedrijfsprocessen en de organisatorische context. Hoe kunnen ondernemingen deze kennis effectief vastleggen en integreren in hun AI-systemen, en welke risico’s ontstaan er wanneer agenten opereren zonder voldoende zakelijke context?
Context is wat een model tot een collega maakt. Hulpmiddelen begrijpen taken, agenten begrijpen de context. U vraagt een beginnende ingenieur niet om aan de slag te gaan zonder het doel, de beperkingen en het gewenste resultaat uit te leggen, en dat geldt ook voor een agent.
Leg kennis vast vanuit het werk zelf, in plaats van via omvangrijke documentatieprojecten die moeilijk actueel te houden zijn. Elke vergadering, elk ticket, elke beslissing en elke correctie voedt een contextlaag die bestanden, tabellen, vectoren en een grafiek van relaties combineert. Elke voltooide taak wordt teruggeschreven naar het geheugen, zodat de organisatie bij elke oplevering leert. En context vereist een eigen beheer: evaluaties, machtigingen en kostenbeheersing.
Zonder context hebben medewerkers de neiging om op een aantal voorspelbare manieren in de problemen te komen. Zij houden zich aan de geschreven regel en zien de ongeschreven regel over het hoofd die iedereen kent. Zij halen de verkeerde informatie op en geven vol vertrouwen antwoord. Zij baseren zich op de feiten van het afgelopen kwartaal. En een contextlaag zonder strikte machtigingen kan gevoelige data in gevaar brengen.
Veel bedrijven meten het succes van AI aan de hand van productiviteitsverbeteringen, acceptatiegraad of het aantal gestarte proefprojecten. Welke maatstaven dienen CIO’s en bedrijfsleiders te hanteren om het werkelijke rendement op investeringen in AI te beoordelen, met name wanneer rekening wordt gehouden met infrastructuurkosten, doorlopend onderhoud en de operationele complexiteit van autonome agents?
Beoordeel het hybride personeelsbestand, niet de tool. Acceptatie is slechts het eerste van vier niveaus, altijd gemeten ten opzichte van een referentiepunt dat vóór de implementatie is vastgesteld. Bij acceptatie gaat het om de vraag of mensen de tool gebruiken. Bij productiviteit gaat het om de vraag of wij sneller presteren: doorlooptijd, doorvoer, afhandelingstijd. Kwaliteit gaat na of de output beter is: ontsnapte defecten, percentage mislukte wijzigingen, herwerk. Waarde en kosten gaan na of het de moeite waard is: vrijgekomen inspanning, time-to-market, volledige kosten per taak.
Een aspect dat gemakkelijk over het hoofd wordt gezien, is de manier waarop cognitieve capaciteit zich per team verplaatst tussen mensen en systemen. De vrijgekomen menselijke capaciteit moet doelgericht worden ingezet voor toekomstgericht werk. Anders gaat een deel van de winst verloren.
Wat de kosten betreft, verschuift de prijsstelling van vaste tarieven naar een gebruiksgebaseerd model, waardoor facturen moeilijker te voorspellen kunnen zijn; daarom moeten modelrouting en FinOps vanaf dag één in het platform zijn geïntegreerd. Behandel AI-uitgaven net als cloud-uitgaven: zichtbaar, toegewezen aan een team en gekoppeld aan toegevoegde waarde.
Artefact werkt samen met ondernemingen in de financiële dienstverlening, de gezondheidszorg, de productiesector, de detailhandel en andere sectoren waar de invoering van AI verschillende uitdagingen met zich meebrengt. Welke lessen kunnen worden getrokken uit de praktijkervaringen in deze sectoren, en hoe moeten organisaties een evenwicht vinden tussen innovatie enerzijds en naleving van de regelgeving, betrouwbaarheid en menselijk toezicht anderzijds?
Elke sector wordt geconfronteerd met dezelfde vraag: hoe moet het werk worden verdeeld tussen mensen en systemen? Wat verschilt, is in hoeverre de ‘outer loop’ door mensen moet worden uitgevoerd. In de detailhandel en de consumptiegoederensector zijn fouten goedkoop, waardoor systemen sneller een groter deel van het werk overnemen. In de productiesector bepalen betrouwbaarheid en integratie met operationele systemen het tempo. In de financiële dienstverlening en de gezondheidszorg moet elke beslissing verklaarbaar zijn, waardoor mensen langer een groter deel van de controle en besluitvorming voor hun rekening nemen.
De les die ik overal zie, is dat naleving het beste functioneert als een ingebouwde eigenschap van het platform, die vanaf het begin is geïntegreerd. Wanneer veiligheidsmaatregelen, auditlogboeken en menselijke goedkeuringen in het systeem zijn ingebouwd, worden deze automatisch overgenomen door elke nieuwe toepassing. Wanneer naleving pas aan het einde wordt toegevoegd, moet bij elk nieuw project die discussie opnieuw worden gevoerd.
Het toezicht dient in verschillende niveaus te worden ingedeeld. Medewerkers voeren taken met een laag risico zelfstandig uit, worden bij taken met een gemiddeld risico uitsluitend in uitzonderlijke gevallen gecontroleerd en nemen alleen bij taken met een hoog risico de beslissing. Deze niveaus verschuiven naarmate er meer vertrouwen wordt opgebouwd.
Nu de Artefact’s Adopt AI Summit in december van dit jaar in Parijs plaatsvindt, winnen discussies over AI-soevereiniteit, AI-governance en het concurrentievermogen van de industrie steeds meer aan belang. Hoe denkt u dat de Europese aanpak van de invoering van AI de wereldwijde bedrijfsstrategieën beïnvloedt, en welke ontwikkelingen zullen volgens u de komende jaren bepalend zijn voor de volgende fase van AI binnen het bedrijfsleven?
Europa heeft al vroeg de kwestie van soevereiniteit aan de orde gesteld, en ik denk dat dit een wereldwijd ontwerpprincipe aan het worden is. Multinationals willen niet voor elke regelgeving een aparte architectuur, dus ontwerpen zij op basis van de strengste norm: zorg voor uw eigen context, huur uw modellen in en behoud de controle over waar deze worden uitgevoerd en wie de sleutels in handen heeft. De volgende kans voor Europa is om dezelfde energie te steken in de implementatie, want concurrentievermogen zal voortkomen uit gebruik op grote schaal.
De volgende fase is de hybride organisatie, en ik ben ervan overtuigd dat dit de toekomst van het werk is. Bedrijven zullen de overstap maken van het tellen van het aantal medewerkers naar het beheren van een gedeelde cognitieve capaciteit tussen mensen en systemen. Systemen zullen het grootste deel van het werk op zich nemen dat gericht is op het verleden: analyse, programmeren en rapportage. Mensen zullen zich gaan richten op het werk dat gericht is op de toekomst: smaak, visie, planning en besluitvorming.
Ik ben ervan overtuigd dat de bedrijven die als eerste een oplossing vinden voor de taakverdeling, het voortouw zullen nemen. Dat is het gesprek dat ik in Parijs wil voeren om de komende jaren vorm te geven.
Hartelijk dank Antoine Tardif, CEO en oprichter van Unite.AI Naar aanleiding van dit uitgebreide interview kunt u hier meer lezen over Unite.AI: https://www.unite.ai/victor-coimbra-cto-and-managing-partner-at-artefact-interview-series/

BLOG




