Enterprise AI opschalen: Vermijd deze cruciale fouten

Lisa Visser · 2026-01-28

Het bouwen van een AI-website of het implementeren van enterprise AI klinkt vaak eenvoudiger dan het is. Veel organisaties beginnen vol enthousiasme, maar lopen al snel vast. Waarom? Omdat ze dezelfde valkuilen tegenkomen. Franny Hsiao, EMEA Leader of AI Architects bij Salesforce, ziet het dagelijks. Ze vertelt waarom zoveel AI-initiatieven stranden en hoe je systemen bouwt die wél in de echte wereld overleven. Het gaat veel verder dan alleen het kiezen van het juiste model. ### Het 'pristine island' probleem De meeste mislukkingen ontstaan in de omgeving waar de AI wordt gebouwd. Pilots beginnen vaak in gecontroleerde omgevingen. Dat geeft een vals gevoel van veiligheid. Maar wanneer ze geconfronteerd worden met de schaal van een heel bedrijf, storten ze in. Hsiao legt uit: "De meest voorkomende architectuurfout die AI-pilots tegenhoudt, is het niet vanaf het begin bouwen van een productieklare data-infrastructuur met ingebouwd end-to-end governance." Pilots starten begrijpelijkerwijs op 'pristine islands'. Kleine, gecureerde datasets en vereenvoudigde workflows. Maar dat negeert de rommelige realiteit van enterprise data. Denk aan complexe integratie, normalisatie en transformatie die nodig is voor echte volumes en variabiliteit. Wanneer bedrijven deze op eilandjes gebaseerde pilots proberen op te schalen zonder de onderliggende data-rommel aan te pakken, breken de systemen. Hsiao waarschuwt: "De resulterende datalacunes en prestatieproblemen maken de AI-systemen onbruikbaar – en belangrijker, onbetrouwbaar." De bedrijven die deze kloof succesvol overbruggen, zijn volgens Hsiao degene die "end-to-end observability en guardrails in de hele levenscyclus bakken." Deze aanpak biedt "zichtbaarheid en controle over hoe effectief de AI-systemen zijn en hoe gebruikers de nieuwe technologie omarmen." ### Engineering voor waargenomen responsiviteit Bedrijven die grote redeneermodellen inzetten, staan voor een dilemma. Diepe 'denk'-capaciteit versus de geduld van de gebruiker. Zware berekeningen creëren latentie. Salesforce pakt dit aan door te focussen op "waargenomen responsiviteit via Agentforce Streaming," aldus Hsiao. "Hiermee kunnen we AI-gegenereerde reacties progressief afleveren, zelfs terwijl de reasoning engine zware berekeningen op de achtergrond uitvoert." Transparantie speelt ook een functionele rol bij het managen van gebruikersverwachtingen. Hsiao licht toe hoe design als vertrouwensmechanisme werkt: "Door voortgangsindicatoren te tonen die de redeneerstappen of gebruikte tools laten zien, houden we gebruikers niet alleen betrokken; we verbeteren de waargenomen responsiviteit en bouwen vertrouwen op." ### Offline intelligentie aan de edge Voor sectoren met veldoperaties, zoals nutsbedrijven of logistiek, is continue cloud-connectiviteit vaak onhaalbaar. "Voor veel van onze enterprise klanten is de grootste praktische drijfveer offline functionaliteit," stelt Hsiao. Ze benadrukt de verschuiving naar on-device intelligentie, vooral in field services. De workflow moet doorgaan, ongeacht de signaalsterkte. Een monteur kan offline een foto maken van een defect onderdeel. Een on-device LLM kan dan het asset of de fout identificeren en direct stapsgewijze oplossingen bieden vanuit een gecachete kennisbank. Dit zijn de belangrijkste lessen om te onthouden: - Begin nooit zonder een robuuste data-infrastructuur - Focus op waargenomen snelheid, niet alleen op technische snelheid - Plan voor offline scenario's vanaf dag één - Transparantie is niet alleen leuk, het is functioneel Het bouwen van schaalbare enterprise AI gaat over meer dan technologie. Het gaat over het begrijpen van de menselijke kant, de bedrijfsprocessen en de vaak rommelige realiteit van data. Door deze fouten te vermijden, bouw je niet alleen een betere AI – je bouwt een AI die mensen daadwerkelijk willen en kunnen gebruiken.