Van AI-pilots naar productie: lessen van de AI Expo

Sophie Jansen · 2026-02-05

De tweede dag van de AI & Big Data Expo in Londen liet een markt in duidelijke transitie zien. De eerste opwinding over generatieve modellen ebt weg. Bedrijfsleiders worstelen nu met de praktische uitdaging: hoe passen we deze tools in onze bestaande systemen? De sessies gingen minder over grote taalmodellen en meer over de infrastructuur die je nodig hebt: data lineage, observability en compliance. Het voelt een beetje alsof we van de hype-fase naar de realiteitsfase gaan. Iedereen heeft de mogelijkheden gezien, maar nu komt het erop aan om het echt werkend te krijgen. En dat blijkt nog een hele klus. ### Data volwassenheid bepaalt je succes De betrouwbaarheid van AI staat of valt met de kwaliteit van je data. DP Indetkar van Northern Trust waarschuwde voor het gevaar van AI als een 'B-film robot'. Dat gebeurt wanneer algoritmes falen door slechte input. Hij benadrukte dat analytische volwassenheid vooraf moet gaan aan AI-adoptie. Automatische besluitvorming versterkt fouten in plaats van ze te verminderen als je data-strategie niet op orde is. Eric Bobek van Just Eat ondersteunde dit beeld. Hij legde uit hoe data en machine learning beslissingen sturen op globaal niveau. Investeringen in AI-lagen zijn weggegooid geld als je data-fundament gefragmenteerd blijft. Mohsen Ghasempour van Kingfisher wees op de noodzaak om ruwe data om te zetten in real-time bruikbare inzichten. Retail- en logistieke bedrijven moeten de vertraging tussen dataverzameling en inzicht verkorten om rendement te zien.  ### Schalen in gereguleerde omgevingen Sectoren als financiën, gezondheidszorg en recht hebben bijna nul tolerantie voor fouten. Pascal Hetzscholdt van Wiley sprak deze sectoren direct aan. Hij stelde dat verantwoorde AI in wetenschap, financiën en recht draait om nauwkeurigheid, toeschrijving en integriteit. Bedrijfssystemen in deze velden hebben audittrails nodig. Reputatieschade of boetes maken 'black box'-implementaties onmogelijk. Konstantina Kapetanidi van Visa schetste de moeilijkheden bij het bouwen van meertalige, schaalbare generatieve AI-toepassingen. Modellen worden actieve agenten die taken uitvoeren, niet alleen tekst genereren. Een model toegang geven tot tools – zoals een database bevragen – creëert beveiligingsrisico's die grondige testing vereisen. Parinita Kothari van Lloyds Banking Group detailleerde de eisen voor het implementeren, schalen, monitoren en onderhouden van AI-systemen. Kothari daagde de 'implementeer-en-vergeet'-mentaliteit uit. AI-modellen hebben continue monitoring nodig, net als traditionele software-infrastructuur.  ### De veranderende workflow van ontwikkelaars AI verandert natuurlijk fundamenteel hoe code wordt geschreven. Een panel met sprekers van Valae, Charles River Labs en Knight Frank onderzocht hoe AI-copilots softwarecreatie hervormen. Deze tools versnellen codegeneratie, maar dwingen ontwikkelaars ook meer te focussen op review en architectuur. Deze verandering vraagt om nieuwe vaardigheden. Een panel met vertegenwoordigers van Microsoft, Lloyds en Mastercard besprak de tools en mindsets die toekomstige AI-ontwikkelaars nodig hebben. Er bestaat een kloof tussen huidige workforce-capaciteiten en de behoeften van een AI-augmented omgeving. Executives moeten trainingsprogramma's plannen die ervoor zorgen dat ontwikkelaars AI-gegenereerde code voldoende valideren. Dr. Gurpinder Dhillon van Senzing en Alexis Ego van Retool presenteerden low-code en no-code strategieën. Ego beschreef hoe AI met low-code platforms kan worden gebruikt om productieklare interne apps te maken. Deze methode wil de achterstand in interne tooling-verzoeken verminderen. Dhillon betoogde dat deze strategieën ontwikkeling versnellen zonder kwaliteit te verliezen. Voor de C-suite suggereert dit goedkopere interne softwarelevering als governance-protocollen intact blijven. ### Workforce-capaciteit en specifiek nut De bredere workforce begint te werken met 'digitale collega's'. Austin Braham van EverWorker legde uit hoe agents workforce-modellen hervormen. Deze terminologie impliceert een verschuiving van passieve software naar actieve deelnemers. Businessleiders moeten protocollen voor mens-machine-interactie opnieuw evalueren. Paul Airey van Anthony Nolan gaf een voorbeeld van AI die letterlijk levensveranderende resultaten oplevert. Het toont aan dat wanneer de fundamenten goed zijn, de impact enorm kan zijn. Wat me het meest bijbleef? Het gaat niet meer om wat AI kan, maar om hoe we het betrouwbaar en schaalbaar maken. De magie zit 'm niet in de modellen zelf, maar in hoe we ze in onze organisaties inbedden. Dat is waar de echte uitdaging – en kans – ligt voor professionals die met AI-websites en -platforms werken. - Zorg eerst voor een solide data-fundament - Plan voor continue monitoring en onderhoud - Investeer in training voor je ontwikkelaars - Evalueer mens-machine interactie protocollen Zoals een spreker het samenvatte: 'We bouwen geen prototypes meer, we bouwen productiesystemen.' En dat vraagt om een andere manier van denken – en doen.