AI iedereen: hoe AI bedrijfssoftware hypergepersonaliseerd maken

Al geruime tijd wordt er in de technologiebranche naar gestreefd om technologie toegankelijk te maken voor meer mensen dan alleen degenen die kunnen programmeren. Dit proces heeft zich geleidelijk ontwikkeld, van moeilijk te begrijpen programmeertalen op laag niveau, zoals assembler, naar meer „hoogwaardige“ talen die veel meer op natuurlijke taal lijken, zoals Python. Nu doorbreken we de barrière om wellicht een volledig op „natuurlijke taal“ gebaseerd programmeerproces te bereiken. Tools zoals Cursor AI hebben AI een marktkapitalisatie van 100 miljoen dollar, en de term 'vibe coding' raakt steeds meer ingeburgerd.

Dit is natuurlijk een extreem voorbeeld van de hype, en ik geloof niet dat het ervaren software- of Data volledig zal vervangen. Maar daar gaat het ook niet om – we hoeven die functies niet te vervangen. Uiteindelijk zijn veel zakelijke behoeften niet zo complex; vaak kan een goed opgebouwde Excel-spreadsheet het werk doen. Daar zit de waarde: we hebben het voor zakelijke teams mogelijk gemaakt om extreem snel prototypes van producten te maken, of het nu gaat om een nieuwe functie in hun CRM-proces of een formulier om ergens in de toeleveringsketen waarde vast te leggen.

Bedrijfsteams zullen hun eigen „hypergepersonaliseerde“ software kunnen ontwikkelen die verder gaat dan de huidige Excel-spreadsheets. Dit zal de enorme werkdruk bij IT- en tech-ontwikkelingsteams verlichten en waarschijnlijk leiden tot veel beter gevalideerde en verwerkte vereisten, wat het werk van de engineers aanzienlijk zal vergemakkelijken. De uitdaging? Hoe kan een organisatie vanuit bedrijfsmatig perspectief deze decentralisatie organisatie zonder de voordelen van deze AI te beperken en tegelijkertijd een goed bestuurskader op te zetten?

De geschiedenis van de informatica kan worden gezien als een gestage ontwikkeling in de richting van toegankelijkheid. Vroege programmeurs werkten rechtstreeks met binaire machinecode, een moeizaam proces dat diepgaande technische kennis en uiterste precisie vereiste. Assemblagetaal vormde de eerste abstractielaag, gevolgd door procedurele talen zoals FORTRAN en COBOL, die programmeerconcepten dichter bij menselijke denkpatronen brachten.

Objectgeoriënteerde talen zoals Java en Python hebben de ontwikkeling verder vereenvoudigd door code te ordenen in conceptuele objecten die entiteiten uit de echte wereld weerspiegelen. Het afgelopen decennium zagen we de opkomst van low-code- en no-code-platforms die visuele programmeerinterfaces introduceerden. Met tools als Microsoft Power Apps, Bubble en Zapier konden zakelijke gebruikers via grafische interfaces eenvoudige applicaties maken zonder traditionele code te schrijven.

De integratie van grote taalmodellen in het ontwikkelingsproces betekent een enorme sprong voorwaarts ten opzichte van deze platforms. In tegenstelling tot hun voorgangers begrijpen AI zoals GitHub Copilot, Cursor AI en Claude de context, kunnen ze complexe functionaliteit genereren op basis van beschrijvingen in natuurlijke taal en leren ze van interactiepatronen.

De term ‘vibe coding’ geeft deze paradigmaverschuiving weer: het vermogen om intenties over te brengen in plaats van expliciete instructies. Een marketingmanager zou bijvoorbeeld simpelweg kunnen zeggen: “Ik heb een dashboard nodig dat de campagneprestaties over alle kanalen weergeeft, met de mogelijkheid om te filteren op datum en doelgroep”, en daarop functionele code ontvangen.

Deze aanpak overbrugt op een ongekende manier de kloof tussen zakelijk denken en technische implementatie. De zakelijke gebruiker hoeft geen kennis te hebben van variabelen, functies of data – alleen van het zakelijke probleem dat hij probeert op te lossen.

De IT-knelpunten wegnemen

Al decennialang worstelen bedrijven met dezelfde fundamentele uitdaging: de vraag naar technologie overtreft chronisch de ontwikkelingscapaciteit. Uit onderzoek van McKinsey blijkt dat meer dan 85% van de organisaties meer verzoeken om softwareontwikkeling ontvangt dan ze kunnen vervullen, waarbij de achterstand bij niet-kritieke projecten doorgaans 6 tot 12 maanden bedraagt.

Deze bottleneck leidt tot diverse bedrijfsproblemen:

• Gemiste kansen: De marktomstandigheden veranderen terwijl projecten in de wachtrij staan
• Schaduw-IT: Gefrustreerde afdelingen implementeren ongeautoriseerde oplossingen
• Inefficiënte noodoplossingen: Medewerkers bedenken handmatige processen om dit te compenseren
• Verspild strategisch voordeel: Data inzichten blijven onbenut

AI bieden een oplossing voor deze uitdagingen door bedrijfsteams in staat te stellen veel van hun eigen technologische behoeften zelf op te lossen. In plaats van in de wachtrij bij IT te moeten staan, kan een verkoopteam bijvoorbeeld zelf een tool voor het visualiseren van de pijplijn ontwikkelen, of kan een marketingteam een tool bouwen om de prestaties van campagnes bij te houden.

De economische aspecten van gedemocratiseerde ontwikkeling

De financiële argumenten voor AI zijn overtuigend. De ontwikkeling van traditionele bedrijfssoftware verloopt volgens een voorspelbaar patroon dat doorgaans maanden in beslag neemt en, afhankelijk van de complexiteit, duizenden tot miljoenen dollars kost. De meest verraderlijke kostenpost is een gebrek aan afstemming: het eindproduct voldoet vaak niet aan de daadwerkelijke bedrijfsbehoefte omdat er bij de vertaling van de vereisten informatie verloren is gegaan.

AI verkorten deze cyclus aanzienlijk. Bedrijfsteams kunnen snel itereren en oplossingen binnen enkele uren in plaats van maanden testen. Deze aanpak:

• Verlaagt de ontwikkelingskosten met 70-90% voor eenvoudige toepassingen
• Verkort de tijd tot implementatie van maanden tot dagen of uren
• Zorgt voor een betere afstemming tussen zakelijke behoeften en technische oplossingen
• Maakt snelle iteratie mogelijk op basis van feedback uit de praktijk

Een cruciaal aspect van AI in bedrijfsomgevingen is hun dubbele rol: enerzijds automatisering, anderzijds de noodzaak van passend toezicht. Deze twee elementen bepalen hoe AI binnen een organisatie functioneren.

Intelligente automatisering

AI blinken uit in het automatiseren van repetitieve taken en workflows waarvoor voorheen menselijke tussenkomst nodig was. In tegenstelling tot traditionele automatiseringstools die zich aan strikte regels houden, kunnen AI :

• Zich aanpassen aan variaties in data context
• Beslissingen nemen op basis van een probabilistisch inzicht in scenario’s
• Leer van eerdere interacties om de prestaties te verbeteren
• Verwerk invoer in natuurlijke taal zonder dat er een precieze syntaxis nodig is

Dankzij deze intelligente automatiseringsmogelijkheden kunnen zakelijke gebruikers steeds complexere taken aan AI delegeren. Een agent kan bijvoorbeeld niet alleen data automatiseren, maar ook de eerste analyse, het opsporen van afwijkingen en routinematige besluitvorming, waardoor mensen zich kunnen concentreren op uitzonderingen en strategische overwegingen.

Toezichtseisen

Ondanks hun mogelijkheden hebben AI passend menselijk toezicht nodig – een cruciaal aandachtspunt bij implementatie binnen bedrijven. Voorbeelden van effectieve toezichtmodellen zijn:

• Human-in-the-loop: Voor kritieke processen waarbij elke AI vóór uitvoering door een mens moet worden geverifieerd
• Human-in-the-loop: Voor routinematige processen waarbij AI autonoom AI , maar mensen de prestaties bewaken en kunnen ingrijpen
• Human-over-the-loop: Voor processen met een laag risico waarbij mensen de totale prestaties periodiek controleren

Welk toezichtmodel het meest geschikt is, hangt af van de risicotolerantie, de wettelijke vereisten en de mate van ontwikkeling van het AI . Organisaties moeten de voordelen van automatisering zorgvuldig afwegen tegen de noodzaak van toezicht om fouten, vooringenomenheid of een gebrek aan afstemming op de bedrijfsdoelstellingen te voorkomen.

Bedrijfssoftware hanteert van oudsher een ‘one-size-fits-most’-benadering. Grote systemen zoals CRM-, ERP- en HRIS-platforms bieden weliswaar configuratiemogelijkheden, maar leggen uiteindelijk gestandaardiseerde workflows op aan uiteenlopende bedrijfsfuncties. Deze standaardisatie zorgt weliswaar voor efficiëntie, maar gaat ten koste van processen die optimaal zijn afgestemd op specifieke contexten.

Hyperpersonalisatie keert dit paradigma om. In plaats van bedrijfsprocessen te dwingen zich aan te passen aan de beperkingen van software, passen hypergepersonaliseerde applicaties zich aan aan de unieke behoeften van specifieke afdelingen, functies of zelfs individuen.

Bekijk deze veelvoorkomende scenario’s waarin AI hyperpersonalisatie mogelijk maken:

• Een supply chain-analist die een dynamische tool voor voorraadprognoses ontwikkelt waarin data, historische verkoopcijfers en levertijden van leveranciers worden geïntegreerd
• Een klantenserviceteam dat een kennisdatabase met semantische zoekfuncties opzet om problemen sneller op te lossen
• HR-professionals die een onboarding-app voor werknemers ontwikkelen waarmee trainingen worden afgestemd op de functie en ervaring
• Verkoopmedewerkers die op maat gemaakte visualisatiedashboards ontwerpen om hun specifieke prestatie-indicatoren bij te houden

Deze voorbeelden hebben één ding gemeen: het zijn waardevolle zakelijke hulpmiddelen die geen formele prioriteit binnen de IT rechtvaardigen, maar de efficiëntie van de afdeling aanzienlijk verbeteren. Zoals een CIO het verwoordde: „We vervangen ons ERP-systeem niet door AI code, maar we stellen onze zakelijke gebruikers in staat om de ‘last-mile’-problemen op te lossen die altijd onderaan onze prioriteitenlijst belanden.”

Het voordeel van deze aanpak is dat oplossingen worden ontwikkeld door de mensen die de bedrijfsproblematiek het beste doorgronden. Traditionele bedrijfssoftware heeft moeite met dit niveau van maatwerk, omdat de ontwikkelingskosten lineair stijgen naarmate de personalisatie complexer wordt. AI brengen hierin een fundamentele verandering teweeg door gepersonaliseerde software economisch haalbaar te maken.

De grootste uitdaging voor bedrijven is het vinden van een evenwicht tussen democratisering en passende controles. Te restrictieve kaders zullen gebruikers terugdrijven naar schaduw-IT, terwijl te soepele benaderingen het risico met zich meebrengen dat er chaos binnen de organisatie ontstaat.

Succesvolle organisaties passen doorgaans gelaagde bestuursmodellen toe met stapsgewijze controles op basis van de kenmerken van de applicatie:

Niveau 1 – Sandbox-omgeving: Toepassingen met een laag risico en beperkte data en gebruikers. Hieronder vallen bijvoorbeeld persoonlijke productiviteitstools, eenvoudige dashboards die gebruikmaken van vooraf goedgekeurde data , of prototypetoepassingen voor conceptvalidatie.

Niveau 2 – Afdelingsoplossingen: Applicaties die specifieke bedrijfsfuncties vervullen met data gemiddelde data . Het beheer omvat collegiale toetsing, een vereenvoudigde beveiligingsbeoordeling en basisvereisten voor documentatie.

Niveau 3 – Bedrijfsapplicaties: Bedrijfskritische oplossingen met gevoelige data een brede impact op de organisatie. Deze applicaties vereisen een formele beveiligingsbeoordeling, prestatietests, documentatie en overgangsplanning voor ondersteuning op de lange termijn.

Deze gefaseerde aanpak zorgt voor passend toezicht, terwijl de snelheid en flexibiliteit behouden blijven die AI ontwikkeling zo waardevol maken.

Bij het selecteren van platforms voor AI ontwikkeling moeten organisaties oppassen voor vendor lock-in. Veel platforms bieden gesloten omgevingen aan, waardoor het moeilijk kan zijn om applicaties te migreren of te integreren met andere systemen. Organisaties moeten de voorkeur geven aan oplossingen die gebruikmaken van open standaarden, data bieden en duidelijke uitstapmogelijkheden bieden. De markt voor deze tools ontwikkelt zich snel, en het behouden van flexibiliteit om in te spelen op nieuwe mogelijkheden is cruciaal voor succes op de lange termijn.

De nieuwe verdeling van de technische taken

Naarmate AI ontwikkeling zich verder ontwikkelt, zien we een ingrijpende hervorming van de technologische functies binnen bedrijven. In plaats van een strikte scheiding tussen ‘technisch’ en ‘niet-technisch’ personeel, bouwen organisaties aan een breed spectrum aan capaciteiten op het gebied van technologische innovatie:

Bedrijfsontwikkelaars: Domeinexperts die met behulp van AI oplossingen ontwikkelen voor specifieke zakelijke behoeften. Deze personen hebben een grondige kennis van hun bedrijfsprocessen, maar beschikken mogelijk over beperkte technische kennis. Met AI kunnen ze dashboards, geautomatiseerde workflows en eenvoudige applicaties maken waarvoor voorheen de hulp van een ontwikkelaar nodig was.

Citizen Developers: Zakelijke gebruikers met een grotere technische interesse die fungeren als brug tussen afdelingen en IT. Deze personen hebben doorgaans een beter begrip van de principes van softwareontwerp en kunnen complexere oplossingen ontwikkelen. Ze worden vaak interne pleitbezorgers en mentoren, die collega's helpen om AI effectief in te zetten.

Technisch adviseurs: IT-professionals die de overstap maken van het schrijven van alle code naar het faciliteren en begeleiden van bedrijfsgestuurde ontwikkeling. Ze zetten governancekaders op, creëren herbruikbare componenten en geven advies over architectuur en beveiliging. In plaats van knelpunten te vormen, worden ze vermenigvuldigers die de ontwikkelingscapaciteit van de organisatie vergroten.

Professionele ingenieurs: Gespecialiseerde ontwikkelaars die zich richten op complexe systemen, infrastructuur en bedrijfskritische applicaties. In plaats van tijd te besteden aan eenvoudigere afdelingsapplicaties, houden zij zich bezig met technisch uitdagende problemen die diepgaande expertise vereisen.

Deze ontwikkeling weerspiegelt wat er op het gebied van data is gebeurd. Twintig jaar geleden werd het grootste deel van data uitgevoerd door gespecialiseerde analisten; tegenwoordig is data een vaardigheid die in alle bedrijfsfuncties voorkomt, waarbij specialisten zich richten op de meest complexe analytische vraagstukken.

De toekomst van professionele ontwikkeling

In tegenstelling tot wat sommigen voorspellen, zal AI ontwikkeling de vraag naar professionele softwareontwikkelaars waarschijnlijk niet doen afnemen. In plaats daarvan zal hun aandacht verschuiven naar activiteiten met een hogere toegevoegde waarde:

Platformengineering: Het bouwen en onderhouden van de infrastructuur die AI ontwikkeling mogelijk maakt. Dit omvat het creëren data veilige data , het opzetten van monitoringsystemen en het ontwikkelen van testframeworks die zakelijke gebruikers ondersteunen.

Ontwikkeling van complexe systemen: Gericht op bedrijfskritische toepassingen die diepgaande technische expertise, hoge prestaties of een geavanceerde architectuur vereisen. Deze systemen vormen de basis waarop door bedrijven ontwikkelde toepassingen kunnen worden gebouwd.

Technische begeleiding: Als consultants helpen wij zakelijke teams bij architecturale beslissingen, integratie-uitdagingen en beveiligingsoverwegingen. In deze adviserende rol maken we gebruik van onze technische expertise en stellen we zakelijke gebruikers in staat om hun eigen oplossingen uit te voeren.

Toepassingsuitbreiding: Het identificeren van succesvolle afdelingsapplicaties die moeten worden 'gepromoveerd' tot bedrijfsapplicaties, en deze vervolgens verbeteren zodat ze voldoen aan de organisatienormen voor beveiliging, schaalbaarheid en onderhoudbaarheid.

Deze transformatie biedt kansen voor zowel zakelijke als technische professionals. Zakelijke teams krijgen de vrijheid om hun eigen problemen op te lossen, terwijl technische teams zich kunnen richten op uitdagingen die aansluiten bij hun specialistische vaardigheden. Het resultaat is een efficiëntere inzet van talent en een snellere realisatie van bedrijfswaarde.

Voor individuele professionals vraagt deze verschuiving om aanpassing. Zakelijke gebruikers zullen zich basisvaardigheden op het gebied van softwareontwerp, data en beveiligingsbewustzijn moeten eigenmaken. Technische professionals zullen hun vaardigheden op het gebied van adviesverlening, onderwijs en architectuur moeten versterken. Organisaties die in deze vaardigheden investeren, zullen aanzienlijke concurrentievoordelen opbouwen op het gebied van flexibiliteit en innovatie.

De democratisering van softwareontwikkeling door middel van AI is een van de belangrijkste verschuivingen in de bedrijfstechnologie van het afgelopen decennium. Organisaties die deze verandering op doordachte wijze omarmen, kunnen enorme voordelen behalen op het gebied van flexibiliteit, personalisatie en innovatie.

Om deze overgang succesvol te doorlopen, moet een evenwicht worden gevonden tussen ogenschijnlijk tegenstrijdige vereisten: zakelijke gebruikers meer zeggenschap geven en tegelijkertijd zorgen voor passend toezicht, innovatie stimuleren en tegelijkertijd de veiligheid waarborgen, en decentralisatie ondersteunen en tegelijkertijd versnippering voorkomen.

Voor bedrijfsleiders is de boodschap duidelijk: bij AI ontwikkeling gaat het er niet om uw technologieteam te vervangen, maar om het aantal mensen dat bij de ontwikkeling van technologie betrokken is uit te breiden. Door deze mogelijkheden op een doordachte manier in te zetten, kunnen bedrijven het lang gekoesterde doel bereiken van echt gepersonaliseerde software die zich aanpast aan hun unieke behoeften, in plaats van dat zij zich in de tegenovergestelde richting moeten aanpassen.

De toekomst van bedrijfssoftware ligt niet in standaardoplossingen of zelfs maar in sterk aanpasbare platforms, maar in een ecosysteem van speciaal ontwikkelde, AI applicaties die zijn gemaakt door de mensen die ze zelf gebruiken. Organisaties die deze toekomst omarmen, krijgen een krachtig nieuw instrument in handen voor innovatie, efficiëntie en concurrentievoordeel.