Wereldwijd Blog

Human Resources ondergaat een fundamentele verschuiving van een reactieve kostenpost naar een proactieve aanjager van waarde. Toch blijven veel organisaties verankerd in een minimalistische benadering van people analytics. Terwijl generatieve AI en autonome agents in de hele onderneming aan populariteit winnen, is het gebruik van data door HR nog steeds vaak beperkt tot het voorspellen van basisverloop.

Red Hat bouwde een bedrijf van $34 miljard op Linux. IBM kocht het. De deal bevestigde een hypothese die al vier decennia standhield: dat bedrijven die enorme waarde halen uit gedeelde code, uit eigenbelang de projecten zouden blijven financieren waarvan ze afhankelijk waren. Die hypothese staat nu onder druk. Niet omdat iemand besloten heeft om te stoppen met het financieren van open source. Omdat de industrie die het het meest financierde - SaaS - ontmanteld wordt door de industrie die er het meest van afhankelijk is - AI.

In een vorig artikel onderzocht ik hoe acht onafhankelijke onderzoeksteams tot hetzelfde inzicht kwamen: in plaats van geheugensystemen rond het model te bouwen, moet het model zelf getraind worden om het geheugen te beheren als een aangeleerde vaardigheid. Post-memory training - met behulp van versterkingsleren in de post-training fase - produceert agenten die beslissen wat ze moeten opslaan, verwijderen, consolideren en terughalen, allemaal geoptimaliseerd voor het voltooien van een taak.

Post-memory training is de afgelopen maanden een hyperfocus van mij geweest. Als u mijn recente artikelen over contextbeheer, geheugenarchitecturen en de steeds terugkerende vraag waarom agenten degraderen na hun 50e hebt gevolgd, dan is dit artikel het punt waar deze onderwerpen samenkomen. Het oorspronkelijke patroon was duidelijk genoeg. Acht onafhankelijke onderzoeksteams kwamen tot dezelfde conclusie: stop met het bouwen van geheugensystemen rond het model en train het model zelf om het geheugen te beheren als een aangeleerde vaardigheid. Die convergentie was significant.

Als we terugkijken op 2025, is één ding duidelijk: artificial intelligence en data zijn niet langer experimentele hulpmiddelen aan de rand van organisaties. Ze zijn doorslaggevend geworden voor de manier waarop bedrijven werken, concurreren en waarde creëren. De snelheid waarmee ze worden ingevoerd vertelt het verhaal. Tegen het einde van 2025 had ongeveer één op de zes mensen wereldwijd generatieve AI tools gebruikt, volgens het AI Diffusion Report van Microsoft. In bedrijven was het momentum zelfs nog sterker, met halverwege dit jaar bijna 70% van de wereldwijde organisaties die generatieve AI inzetten in ten minste één bedrijfsfunctie. Wat begon als geïsoleerde pilots heeft zich snel ontwikkeld tot ingebedde mogelijkheden die van invloed zijn op de besluitvorming, de betrokkenheid van klanten en de operationele efficiëntie.

In de sport worden data en AI voornamelijk geassocieerd met prestaties op het veld: analyse van spelers, tactische modellering en blessurepreventie. Technologie heeft de grenzen van atletische prestaties verlegd, waardoor atleten eerdere grenzen kunnen verleggen. Waarom passen niet meer sportorganisaties dezelfde denkwijze toe op de zakelijke kant van sport? Sport is een intens concurrerende amusementsindustrie waar marginale winst op gebieden zoals betrokkenheid van fans, inhoud, activiteiten en commerciële besluitvorming net zo belangrijk kan zijn als resultaten.

De technologie is echt, maar onvolwassen. Het traject is duidelijk, maar de tijdlijn niet. De meeste organisaties die in 2026 langlopende AI implementeren, zullen dure lessen leren. Een paar zullen echte voordelen behalen. Het verschil zal afhangen van drie dingen: waar ze inzetten, hoe ze besturen en of ze begrijpen wat "autonoom" in de praktijk betekent.

Eind 2025 ging een techniek met de absurde naam "Ralph Wiggum" viral onder beoefenaars. De naam komt van een Simpsons-personage - opzettelijk dom, want het kernidee is bijna beschamend eenvoudig.

In maart 2025 publiceerde een onderzoeksorganisatie met de naam METR een bevinding die minder aandacht kreeg dan het verdiende. Ze hadden iets onmodieus gemeten: hoe lang AI systemen aan taken konden werken voordat ze kapot gingen. Niet wat ze in één enkele interactie konden doen. METR wilde weten hoe lang ze samenhangende, nuttige inspanningen konden leveren.

We leven in een periode van immense technologische mogelijkheden. In alle sectoren worden leiders geïnspireerd door wat AI kan bereiken, maar om die waarde te realiseren is meer nodig dan alleen het installeren van nieuwe software. Om de kloof tussen een succesvol proof-of-concept en schaalbare bedrijfswaarde te overbruggen, moeten we een geest van procesheruitvinding omarmen. De projecten die slagen zijn diegene die AI niet alleen als een hulpmiddel zien, maar als een katalysator voor culturele evolutie.

In de afgelopen tien jaar is duurzaamheid verschoven van de periferie van bedrijfsreputatie naar de kern van bedrijfsprestaties. Het nieuwe ebook van Artefact, ESG in Action, How to convert Environmental, Social, and Governance (ESG) data into business intelligence, documenteert deze overgang aan de hand van semi-gestructureerde interviews met C-suite leiders van internationale bedrijven zoals Accor, Legrand, Tarkett, Ardian, Heineken, Siplec en Schenker, en met inzichten van de OESO en Artefact's experts op het gebied van duurzaamheid en data.

Toen OpenAI Atlas aankondigde, zijn nieuwe ChatGPT-browser, lanceerde het niet zomaar een product. Het opende een deur die leidt naar het volgende tijdperk van interactie tussen mens en computer en, onvermijdelijk, naar een nieuwe grens voor reclame.

De meeste bedrijven zijn nog niet klaar om een data-stack uit het dashboard-tijdperk te vervangen door een AI-stack. De meest recente State of Data & Analytics van Salesforce geeft aan dat 84% van de leiders op het gebied van data en analytics zeggen dat hun strategieën volledig moeten worden herzien voordat de AI-ambities kunnen slagen. Leiders schatten in dat 26% van hun data onbetrouwbaar is, slechts 43% maken melding van formele data governance-raamwerken en ongeveer 50% hebben geen vertrouwen in hun vermogen om tijdig inzichten te genereren en te leveren. Tegelijkertijd geloven 70% dat de meest waardevolle inzichten opgesloten zitten in ongestructureerd data. De conclusie is duidelijk: het obstakel is niet enthousiasme, maar de basis, en die basis moet veranderen voordat agentic systemen kunnen opschalen.