Van AI-tools naar een intelligente organisatie: zo bouw je de juiste AI-architectuur

AI implementeren gaat niet over het kiezen van één slimme chatbot. Het gaat over het ontwerpen van een organisatie waarin mensen, kennis, systemen en AI steeds slimmer met elkaar samenwerken.

Veel organisaties beginnen hun AI-reis ongeveer hetzelfde.

Een medewerker neemt een abonnement op ChatGPT of Claude. Een andere collega gebruikt Microsoft Copilot. Iemand binnen marketing heeft een slimme promptbibliotheek gemaakt. Finance experimenteert met een eigen agent. En ondertussen vraagt het management zich af:

Hoe maken we hier één geheel van?

Dat is het moment waarop AI niet langer alleen een adoptievraagstuk is, maar ook een architectuurvraagstuk wordt. Want als iedere medewerker zelfstandig tools, prompts, agents en databronnen aan elkaar gaat koppelen, ontstaat al snel een nieuwe digitale versnippering.

De interessante vraag is daarom niet: Welke AI-tool moeten we kiezen?
Maar: Welke AI-architectuur hebben we nodig om mensen individueel slimmer te laten werken én tegelijkertijd collectieve intelligentie op organisatieniveau op te bouwen? Dat vraagt om een gelaagde benadering.

Van individuele AI naar collectieve intelligentie

Een bruikbare AI-architectuur voor een MKB-organisatie kan worden opgebouwd uit vijf samenhangende lagen:

1. Individuele AI
2. Skills
3. Plugins / afdelingscapaciteiten
4. Agents
5. Second Brain

Het belangrijke uitgangspunt is dat deze onderdelen niet los van elkaar staan. Ze vormen samen een systeem waarin kennis, werkwijzen en ervaringen steeds opnieuw kunnen worden gebruikt. Zie voorbeeld in de link. Vaak is AI een puzzel, maatwerk om uiteindelijk goed toe te kunnen passen. 

Laag 1. Individuele AI: iedere medewerker krijgt een digitale werkpartner
De eerste laag begint bij de medewerker. Iedere medewerker zou uiteindelijk toegang moeten hebben tot een persoonlijke AI-omgeving die helpt om sneller en slimmer te werken.

Die AI hoeft niet voor iedereen hetzelfde te zijn. Een accountmanager heeft andere behoeften dan een controller, projectmanager of HR-adviseur. De persoonlijke AI kan bijvoorbeeld beschikken over:

• persoonlijke context en voorkeuren;
• eigen bestanden en werkcontext;
• persoonlijke skills;
• relevante organisatiekennis;
• toegang tot goedgekeurde afdelingscapaciteiten;
• toegang tot agents.
• Daarmee verschuift AI van een algemene chatbot naar een persoonlijke digitale werkpartner.

Een accountmanager kan bijvoorbeeld vragen:

"Bereid mijn gesprek met klant X voor."

De AI weet vervolgens hoe die medewerker een klantgesprek graag voorbereidt, maar kan tegelijkertijd gebruikmaken van gevalideerde informatie en processen van de organisatie.

Dat onderscheid tussen persoonlijke context en organisatiecontext is cruciaal. De organisatie hoeft namelijk niet alles centraal te standaardiseren. Er moet juist ruimte blijven voor medewerkers om hun eigen manieren van werken te ontwikkelen.

 
Laag 2. Skills: maak goed werk herbruikbaar
De volgende stap is het ontwikkelen van skills. Een skill is een herbruikbare capability waarmee AI een specifieke taak volgens een bepaalde werkwijze kan uitvoeren.

Denk bijvoorbeeld aan:

• een klantgesprek voorbereiden;
• een offerte analyseren;
• een projectupdate schrijven;
• een contract controleren;
• een marktanalyse uitvoeren;
• een vacaturetekst opstellen;
• een managementrapportage samenvatten.
• Een goede skill bevat niet alleen een prompt.

De skill beschrijft eigenlijk:
wat moet gebeuren → welke informatie is nodig → welke stappen moeten worden gevolgd → welke tools mogen worden gebruikt → hoe ziet een goed resultaat eruit?

Hier ontstaat een interessante ontwikkeling. Een medewerker kan zelf een skill ontwikkelen. Bijvoorbeeld: Mijn manier om een goede offerteanalyse te maken. Als die skill goed blijkt te werken, kan het team hem testen. Vervolgens kan hij worden gevalideerd en uiteindelijk beschikbaar worden gesteld aan de hele organisatie.

Zo ontstaat een beweging van:

persoonlijke skill → teamskill → afdelingsskill → organisatieskill

Daarmee wordt AI ineens ook een instrument voor kennismanagement.

De beste werkwijzen van medewerkers verdwijnen niet langer in persoonlijke documenten, hoofden of promptbibliotheken, maar kunnen worden omgezet in herbruikbare digitale capabilities.

 
Laag 3. Plugins: de AI-toolbox van een afdeling
De volgende laag kunnen we zien als een plugin- of capabilitylaag. Hierbij gebruiken we het begrip plugin breder dan alleen een technische connector. Een plugin is in deze architectuur een logisch pakket voor een bepaalde afdeling of functie.

Bijvoorbeeld sw Sales Plugin
Daarin kunnen zitten:

• sales-skills;
• sales-agents;
• instructies;
• templates;
• referentiedocumenten;
• toegang tot CRM;
• productinformatie;
• prijsinformatie;
• API's en connectors;
• policies en spelregels
  
  Hetzelfde principe kan worden toegepast op een HR Plugin, Finance Plugin, Operations Plugin, Management Plugin. Hiermee krijgt iedere afdeling als het ware zijn eigen AI-toolbox.

Dat heeft een belangrijk organisatorisch voordeel. Je hoeft niet één gigantische bedrijfs-AI te bouwen die alles kan. Je bouwt gespecialiseerde capabilitysets rondom herkenbare bedrijfsdomeinen.

 
Laag 4. Agents: van AI die antwoord geeft naar AI die werk uitvoert
Vanaf deze laag verandert het karakter van AI.

Een chatbot wacht op een vraag. Een agent krijgt een doel.

Microsoft beschrijft een agent bijvoorbeeld als een combinatie van een model, instructies en tools. Een agent kan informatie ophalen, tools aanroepen en meerdere stappen uitvoeren om een taak te voltooien.

Stel dat een accountmanager zegt:

"Bereid de kwartaalreview voor klant X voor."

Een Sales Agent kan vervolgens:

CRM-informatie ophalen
→ eerdere afspraken analyseren
→ openstaande offertes bekijken
→ financiële gegevens opvragen
→ recente correspondentie analyseren
→ risico's signaleren
→ groeikansen identificeren
→ een presentatie voorbereiden.

Wanneer nodig kan de Sales Agent andere gespecialiseerde agents inschakelen. Bijvoorbeeld:

Sales Agent
→ Finance Agent voor margeanalyse
→ Legal Agent voor contractvoorwaarden
→ Operations Agent voor levercapaciteit
→ terug naar Sales Agent

Zo ontstaat een netwerk van digitale specialisten.

Microsoft ondersteunt inmiddels ook verschillende multi-agent-orchestratiepatronen en maakt daarbij onderscheid tussen eenvoudige managed orchestration en complexere code-first patronen.

Voor een MKB-organisatie betekent dit dat je niet onmiddellijk tientallen autonome agents hoeft te bouwen. Begin met afgebakende processen. Maak agents gespecialiseerd en laat hun verantwoordelijkheden meegroeien met de volwassenheid van de organisatie.

 
Laag 5. Het Second Brain van de organisatie
Uiteindelijk ontstaat de interessantste laag.

Het Second Brain. Daarmee bedoelen we niet simpelweg één grote database waarin alle documenten worden opgeslagen. Een volwassen Second Brain verbindt:

kennis + geheugen + relaties + ervaringen + feedback + processen + resultaten

Hiermee verandert AI van een systeem dat bestaande kennis kan vinden naar een systeem waarmee een organisatie structureel kan leren. Stel bijvoorbeeld dat een Sales Agent honderden offertes ondersteunt.

De organisatie kan vervolgens analyseren:

Welke offertes winnen we?
Welke verliezen we?
Bij welke klanttypen?
Welke proposities werken?
Welke argumentatie werkt?

etc.

Daaruit ontstaan nieuwe inzichten. Die inzichten kunnen vervolgens worden verwerkt in bestaande skills. De verbeterde skills worden weer gebruikt door agents. Agents ondersteunen medewerkers.

En de resultaten daarvan vloeien opnieuw terug.

Zo ontstaat een vliegwiel:

Medewerker → Skills → Plugins → Agents → Second Brain → Inzichten → betere Skills → betere Agents → betere medewerkers

Dat is het verschil tussen AI gebruiken en een lerende organisatie bouwen.

 
Systeemarchitectuur

Dan komt de architectuurvraag. Op dit punt ontstaat een fundamentele keuze. Op welk technologisch softwarefundament bouw je dit?

Grofweg zijn er drie mogelijkheden:

Optie A: All-in op één ecosysteem
Bijvoorbeeld Microsoft.

Optie B: Volledig hybride / best-of-breed
Je combineert verschillende AI-platformen en modellen.

Optie C: Een gecontroleerde hybride architectuur
Je kiest één centraal enterprise-fundament, maar houdt de AI- en agentlaag bewust open.

Voor veel MKB-organisaties is vooral die derde optie interessant. Hierover schrijf ik later meer, aangezien bovenstaand vaak al een hersenkraker is.

Vergeet niet. Unieke merken werken, slim werken met AI doet versterken. 

Succes!