De afgelopen twee jaar draaide de AI-wedloop grotendeels om één vraag: wiens model is het slimst? Maar nu de mogelijkheden van modellen steeds meer op elkaar gaan lijken en het gebruik van agentische AI drastisch toeneemt, wordt een andere vraag steeds moeilijker te negeren: hoeveel kost intelligentie eigenlijk? Het antwoord ligt wellicht in een op het eerste gezicht eenvoudige eenheid: het token. Tokens zijn niet langer louter een technische maatstaf voor tekst, maar worden een exploitatiekost voor ondernemingen, een variabele voor AI-architectuur en mogelijk een nieuw handelsproduct in de wereldwijde AI-economie.

Elke organisatie die de invoering van AI wil versnellen, stuit op dezelfde hindernis: de kennis die daadwerkelijk tot bedrijfsresultaten leidt, zit in de hoofden van mensen. Deze kennis bevindt zich niet in systemen, maar in het inzicht van uw meest ervaren medewerker en in de ongedocumenteerde mentale snelkoppelingen die uw teamleider gebruikt om complexe deals te sluiten.

Wat wij zien in organisaties waar AI inmiddels routine is geworden, is een klein aantal terugkerende activiteiten die een jaar of langer worden voortgezet, in plaats van een eenmalige lanceringscampagne. Wij noemen dit rituelen. Zij zorgen ervoor dat AI zichtbaar blijft, maken het leerproces tot een dagelijkse gang van zaken en bieden leidinggevenden regelmatig inzicht in wat wel en niet werkt.

Hoewel veel organisaties de waarde van conversationele AI via succesvolle proefprojecten hebben aangetoond, slagen maar weinige erin deze initiatieven bedrijfsbreed uit te rollen. De uitdaging ligt niet bij het AI-model, maar bij een ontbrekende laag: een robuust bedrijfsmodel voor enterprise intelligence. Dit artikel presenteert een blauwdruk voor succes, waarin de technologische basis en het organisatiemodel worden beschreven die nodig zijn om AI op grote schaal operationeel te maken. Ontdek hoe u versnipperde bedrijfskennis kunt samenbrengen tot een beheerde, betrouwbare laag en deze voortdurend kunt verder ontwikkelen, zodat uw AI betrouwbare, verklaarbare en bruikbare resultaten oplevert.

Een klant waarmee wij vorig jaar hebben samengewerkt, heeft een AI-agent ontwikkeld voor inkoopaanvragen. Deze analyseerde documenten van leveranciers, vergeleek prijzen, signaleerde nalevingsrisico’s en stelde aanbevelingen op. Het werkte goed. Maar enkele maanden na de ingebruikname stuitte het team op een vraag waarop zij geen goed antwoord hadden: hoe kunnen wij meten of de resultaten consistent van goede kwaliteit zijn?

Europa heeft wellicht de eerste fase van de artificial intelligence-wedloop verloren. Het heeft geen zeggenschap over de grootste cloud-platforms, de krachtigste basismodellen, noch over voldoende gespecialiseerde computerinfrastructuur waarop geavanceerde AI steunt. Maar de volgende fase zou wel eens op een heel andere plek beslist kunnen worden: op fabrieksvloeren, in magazijnen en binnenin machines. Naarmate AI zich ontwikkelt van het genereren van tekst en beelden naar waarnemen, beslissen en handelen in de fysieke wereld, zou het voordeel kunnen verschuiven naar degenen die de controle hebben over industriële data, simulatiesystemen en de software die wordt gebruikt om robots te trainen. Dat biedt kansen voor Europa.