Quilyx

Toegepaste AI

Productie is dag één

AI-modellen zijn al een jaar goed genoeg om beter dan mensen te beslissen over een lening of een zorgclaim. Dat zei Thomas Piani op NVIDIA Startup Day, de dag voor de keynote van NVIDIA GTC in Berlijn. Piani is chief product officer van Taktile. Banken en verzekeraars gebruiken het platform van dat bedrijf voor zulke beslissingen, en Taktile test de modellen op taken uit dat werk.

Toch hebben maar heel weinig banken en verzekeraars AI voor die beslissingen in productie, in dagelijks gebruik op echte gevallen. Wat dat moeilijk maakt, is volgens Piani alles rond het model. Tom Becker van de Franse modelmaker Mistral zei hetzelfde op GTC, in een sessie over ABN AMRO. Volgens een cijfer dat hij aanhaalde, komt 88 procent van de AI-projecten niet in productie.

Deze blog volgt de route van een pilot, een proef op kleine schaal, naar een systeem in dagelijks gebruik. De meeste stappen op die route beginnen met een besluit dat alleen de opdrachtgever kan nemen. We putten uit het panel met Piani en uit drie sessies op GTC, die we na afloop hebben doorgenomen.

Het resultaat wordt benoemd voordat de pilot begint

Het eerste besluit is welk resultaat telt. Gautier Cloix, die met Piani in het panel zat, is CEO van H Company, een bedrijf uit Parijs dat AI-agents bouwt die software bedienen zoals een mens dat doet. Zijn advies aan wie plannen maakt en aan wie een overheid bestuurt, was om veel te eisen van leveranciers zoals zijn eigen bedrijf.

H Company verandert zijn prijzen zo dat een klant alleen betaalt voor een resultaat dat in de praktijk te meten is. In het voorbeeld van Cloix betaalt een klant die 5 procent minder uitgeeft aan inkoop, 1 van die 5 procent aan H Company. Blijft zo'n besparing uit, dan is de klant H Company niets verschuldigd, ook als het systeem goed draait en iedereen het gebruikt.

Veel van wat klanten aan H Company vragen te bouwen, heeft volgens Cloix weinig echte waarde. Het levert een mooie demonstratie op en bespaart één persoon tien minuten. Op die verzoeken zegt H Company nee.

Jaimie Weber begint op hetzelfde punt. Zij is arts in het Tampa General Hospital in Florida en heeft daar de leiding over het werk dat AI van idee naar productie brengt. In een sessie over AI in grote organisaties zei zij dat haar teams eerst vaststellen welk probleem zij oplossen. Een hulpmiddel dat geen probleem oplost van de mensen die voor patiënten zorgen, vindt onder hen geen gebruikers.

Moet het proces eerst op orde zijn?

Een organisatie moet ook besluiten hoeveel van een proces zij opnieuw ontwerpt voordat er AI in komt.

Weber verbetert eerst het proces. Haar team gaat zitten met de mensen die het werk doen en vraagt hoe zij het doen en waarom. In ongeveer de helft van de projecten blijkt een verandering in de werkwijze de hele oplossing te zijn. In de andere projecten volgt de technologie pas als de werkwijze efficiënt is en de gegevens op orde zijn.

Cloix begint met het proces zoals het is. Een groot bedrijf of een overheid draait volgens hem ongeveer duizend applicaties, en 80 procent daarvan heeft geen koppeling waarlangs andere software ze kan gebruiken. Zijn agents werken via het scherm, zoals een medewerker dat doet, en kunnen dus met die applicaties aan de slag zoals ze zijn.

Eerst alle processen herschrijven kost in zijn ogen een jaar, en niemand weet of het proces dat vandaag wordt ontworpen dan nog het juiste is. Hij begint met het bestaande proces en verbetert in korte rondes. Elke ronde levert een nieuwe versie van de agent op. Zijn ervaring is dat er ongeveer twintig rondes nodig zijn voordat de manier van werken van een bedrijf echt is veranderd.

De lengte van een ronde bepaalt hoe lang dat duurt. Duurt elke ronde zes weken, dan kosten twintig rondes meer dan twee jaar. Met zijn agents duurt een ronde een uur of twee. De software legt het scherm, de stem, het toetsenbord en de muis vast van een medewerker die de taak uitvoert, en als de medewerker klaar is, staat er een eerste versie van de agent. Die eerste versie heeft gebreken en wordt in elke volgende ronde beter.

Becker beschreef een derde route, waarin het proces rond het model opnieuw wordt opgebouwd. Bij ABN AMRO werd elke beveiligingsmelding vroeger beoordeeld door een mens, die de context verzamelde, het risico woog en besloot of er moest worden ingegrepen. De reactie kwam altijd iets te laat. In het nieuwe proces wordt de informatie bij elke melding automatisch verzameld en geordend, en maakt een model van Mistral de eerste beoordeling, die vroeger een mens maakte. Een deel van de incidenten wordt daarna automatisch afgehandeld, en de mensen houden de regie zonder elk geval zelf te beoordelen.

Volgens Becker verlaat zo'n proces de pilotfase als het beter presteert dan het oude proces, opschaalt naar de hele bank en in de eigen omgeving van de bank draait, onder haar beheer.

De drie routes verschillen in hoeveel van het proces opnieuw wordt ontworpen voordat de eerste versie draait.

De regels zitten in de hoofden van mensen

Als het proces is gekozen, heeft het systeem de regels nodig die de mensen in dat proces volgen.

Taktile werkt al meer dan een jaar met Allianz Partners, het onderdeel van Allianz voor hulpverlening en verzekeringen, aan de zorgclaims van reizigers. Iemand wordt ziek op vakantie in Marokko, gaat daar naar een arts en dient de rekening online in. De verzekeraar moet beslissen of de rekening binnen de polis valt, voor elk land en in elke taal.

Het eerste obstakel was volgens Piani dat een deel van de regels alleen bestond in de hoofden van de beoordelaars, in teams die over meerdere kantoren zijn verspreid. Zij weten bijvoorbeeld dat een claim uit een bepaalde regio extra aandacht vraagt bij een bepaalde valuta. Zulke regels op papier krijgen was hard werken.

Bij kredietbeslissingen weten volgens Piani de mensen die het kredietbeleid schrijven en de gevallen beoordelen, hoe je goed beslist. Zij blijven betrokken bij elke verbetering van het systeem, naast de engineers.

Becker zei iets vergelijkbaars over beveiliging. Een algemeen model begrijpt cyberbeveiliging in het algemeen. De IT-omgeving van één bank, haar beveiligingsbeleid en de manier waarop zij een incident escaleert, zijn nieuw voor dat model en moeten van de bank zelf komen.

Vertrouwen wordt in stappen opgebouwd

Een beslissing over een claim is gevoelig en gereguleerd, dus de zekerheid moet hoog zijn voordat een systeem die beslissing neemt. Bij Allianz Partners is die zekerheid in stappen opgebouwd.

Het systeem draaide eerst op claims uit het verleden, waarvan de uitkomst bekend was. Daarna draaide het een periode in de schaduw van de beoordelaars, op nieuwe claims en zonder dat zijn uitkomst telde. Vervolgens kreeg het een deel van de echte claims.

Onderweg bepaalde het team wanneer het systeem te onzeker is over zijn uitkomst, zodat de claim naar een mens gaat.

In de sessie met Weber beschreef Robbie Jerrom van Red Hat dezelfde aanpak bij banken in het Verenigd Koninkrijk. Een agent die helpt bij het opsporen van fraude ging eerst naar een paar gebruikers en werd in elke ronde een beetje beter. Veel werk ging zitten in tests, demonstraties en opzettelijke aanvallen op het systeem, om mensen zonder technische achtergrond ervan te overtuigen dat het te vertrouwen is. Dit systeem staat nog net niet in productie, voegde Jerrom toe.

Voor menselijke goedkeuring geldt daar de regel dat een mens elke handeling goedkeurt die niet terug te draaien is. Dat past bij hoe een bank al werkt, want aan het eind van een proces tekent één persoon voor de definitieve goedkeuring.

Beveiliging hoort ook bij deze stappen. Voordat een agent live gaat, moet een organisatie weten wat de agent mag doen, kunnen zien wat hij doet en hem kunnen stoppen, zei de spreker van Oligo Security in het panel. In onze eerdere blog Wat deden je agents vorige maand? beschrijven we hoe dat is in te richten, met één doorgang waar elk verzoek van een agent langs gaat, een logboek dat buiten de agent staat en een manier om de agent te stoppen.

Live gaan is dag één

Volledige automatisering was op de eerste dag bij Allianz Partners niet het doel. Wat de beoordelaars beslissen, wordt gebruikt om het systeem te verbeteren, zodat het aandeel claims dat zonder handwerk wordt afgehandeld in de loop van de tijd groeit.

Taktile heeft de resultaten van dit geval gepubliceerd. In een proef van zes maanden op echte claims steeg dat aandeel met 30 procent, en de kwaliteit van de beslissingen verbeterde met 4 tot 6 procent op een selectie van claims. Het proces wordt nu uitgebreid naar de volledige portefeuille van meer dan 30 miljoen claims per jaar.

De conclusie van Piani was dat in productie komen pas dag één is. Hoe een systeem na die dag beter wordt, moet vanaf het begin deel van het plan zijn.

Ook het model zelf verandert na die dag. Organisaties die een jaar geleden live gingen, zien nu dat het model waarop hun agent draait wordt stopgezet door het bedrijf dat het maakt, zei Piani. Dat vraagt om een vaste procedure die bij elke wisseling van model nagaat of de uitkomsten nog kloppen en of de kosten nog te verantwoorden zijn.

Merck, een Duits wetenschaps- en technologiebedrijf, werkt met EY aan mensachtige robots voor zijn fabrieken en houdt rekening met hetzelfde soort wisseling. De markt voor deze robots verandert snel, en het bedrijf wil voorkomen dat het bij elke nieuwe robot opnieuw moet beginnen. Daarom investeert het in vaardigheden, zoals een voorwerp herkennen of een product inspecteren, die in een bibliotheek worden bewaard en van de ene robot naar de volgende moeten kunnen overgaan. Jan Niklas Mülheims van EY vatte het in de sessie over dit project zo samen. De vaardigheden blijven, en de robots kunnen worden vervangen.

Het meeste werk zit in data en mensen

Becker, wiens bedrijf de modellen maakt, schatte dat de modellen 10 tot 50 procent zijn van wat er nodig is om een systeem in productie te brengen. De rest is de eigen context van de organisatie, waarop het model wordt afgestemd, en de infrastructuur waarop het veilig en betrouwbaar draait.

Immanuel Schweizer leidt het werk aan AI-agents bij Merck, een bedrijf van 60.000 mensen. In de sessie met Weber gaf hij een vuistregel door die op een interne bijeenkomst als grap werd verteld. Voor elke euro die naar technologie gaat, gaan er twee naar data en zeven naar verandermanagement.

Merck heeft grote programma's om iedereen de basis van AI te leren. De mensen die het werk van een AI-systeem beoordelen, moeten weten wat er op dat moment van hen wordt verwacht, zei Schweizer, en hoe hun oordeel wordt gebruikt om het systeem te verbeteren.

Voor Weber is het moeilijke deel van een project altijd iets anders dan de technologie. Als haar team een probleem oplost waar mensen elke dag tegenaan lopen, de oplossing inpast in hun manier van werken en hun vertelt hoe nauwkeurig die is en waar die de fout in gaat, gaan zij die oplossing gebruiken.

Wat de opdrachtgever besluit, en wanneer

Bij elke fase in deze blog hoort een besluit van de opdrachtgever. De tabel zet die besluiten op volgorde.

| Moment | Wat de opdrachtgever besluit | |---|---| | voor de pilot | welk resultaat telt, en hoe het wordt gemeten | | bij de start | welk proces eerst komt, en hoeveel ervan opnieuw wordt ontworpen | | tijdens de bouw | van wie de regels zijn, en wie de tijd krijgt om ze op te schrijven | | voor het live gaan | welke stappen naar volledig gebruik leiden, wie elke stap goedkeurt, en welke handelingen bij een mens blijven | | vanaf dag één | wie eigenaar is van het systeem, met welk budget, en welke toets wordt herhaald als het model wisselt | | doorlopend | hoe het budget wordt verdeeld over technologie, data en mensen |

Een AI-strategie bereidt deze besluiten voor voordat de eerste pilot begint, elk met zijn moment en zijn eigenaar. Een AI-strategie van Quilyx beantwoordt vier vragen.

  • waar AI in de organisatie zijn plek verdient, en in welke volgorde
  • wat dat vraagt van besturing, data, mensen en leveranciers
  • welke eisen de AVG en de EU AI Act aan de toepassingen stellen
  • welk programma de organisatie van het besluit naar werkende systemen brengt

De route in deze blog hoort bij de vierde vraag. Ons principe voor die route is klein bouwen en echt draaien. Een systeem verdient een grotere taak door eerst een kleine taak in de dagelijkse praktijk goed te doen. Daarom adviseren wij een volgorde van toepassingen die elk hun waarde bewijzen.

Quilyx brengt AI-ambities van de bestuurskamer naar werkend resultaat. Dat resultaat begint op de eerste dag in productie, en daarom horen de route naar die dag en de periode daarna in de strategie.

Over dit artikel: Dit artikel is onze eigen lezing van het panel From Agentic Breakthroughs to Product Adoption op NVIDIA Startup Day in Berlijn van 20 oktober 2026 en van drie sessies op NVIDIA GTC Berlin in oktober 2026, ABN AMRO and Mistral, Own Your AI en Exploring Physical AI. De ideeën uit het panel en de sessies zijn van de sprekers en zijn als zodanig benoemd. De vertaling naar opdrachtgevers, de standpunten en de keuzes in dit artikel zijn van ons. Wij schreven en redigeerden het samen met AI, die hielp bij het uitzoeken, het uitwerken en het formuleren. Quilyx draagt de redactionele verantwoordelijkheid.

Wilt u iets?

Vertel ons wat u wilt bereiken. Wij helpen het helder te maken en brengen het tot werkend resultaat.

info@quilyx.com of +31 30 401 0422