Andreea Pleşea, PhD, COO en mede-oprichter van Druid AI – Interviewreeks

Andreea Pleşea, PhD, COO en mede-oprichter van Druid AI, is een technologische leidinggevende en ondernemer met bijna twee decennia ervaring op het gebied van software‑engineering, enterprise‑technologie, kunstmatige intelligentie, operaties en klantensucces. Sinds de mede-oprichting van Druid AI heeft zij verschillende senior leiderschapsrollen binnen de organisatie bekleed, waaronder Chief Operating Officer, Chief Revenue Officer en Chief Customer Success Officer, waardoor zij ervaring heeft opgedaan zowel aan de technische als commerciële kant van het opschalen van een enterprise‑softwarebedrijf. Voor Druid AI heeft Pleşea bijna een decennium bij TotalSoft gewerkt, waar zij van .NET‑programmeur opstapte tot Software Development Manager en uiteindelijk Charisma Business Applications Director werd, met verantwoordelijkheid voor productontwikkeling, implementatie, technische ondersteuning, solution architecture en P&L‑verantwoordelijkheden. Haar academische achtergrond omvat ook AI‑onderzoek aan de Universiteit van Rome Tor Vergata, waar zij samenwerkte met de Artificial Intelligence Research Group van de universiteit aan technologie voor het extraheren en structureren van informatie uit ongestructureerde data. Zij zit ook in de Raad van Adviseurs van Women in Tech Romania.

Druid AI is een enterprise‑AI‑bedrijf dat zich richt op het bouwen en orkestreren van AI‑agenten die complexe bedrijfsprocessen binnen organisaties kunnen automatiseren. Het platform combineert natural language understanding, generatieve AI, retrieval‑augmented generation (RAG), enterprise‑integraties, workflow‑automatisering, analytics en governance, waarbij Druid Conductor meerdere gespecialiseerde agenten en systemen coördineert om zakelijke resultaten te behalen. Organisaties kunnen Druid‑agenten verbinden met systemen zoals enterprise resource planning (ERP), customer relationship management (CRM), IT service management (ITSM) en HR‑platformen, terwijl de technologie wordt ingezet in cloud‑, hybride-, on‑premise‑ of air‑gapped‑omgevingen. Het bedrijf stelt dat haar technologie door meer dan 300 enterprise‑klanten wordt gebruikt en wordt ondersteund door meer dan 200 wereldwijde partners, met toepassingen in onder meer medewerkerondersteuning, klantenservice, gezondheidszorg, hoger onderwijs en shared services.

U heeft Druid AI in 2018 in Boekarest mede-opgericht na bijna een decennium bij TotalSoft, waar u van .NET‑ontwikkeling doorgroeide naar senior technologie‑ en business‑leiderschap. Wat overtuigde u destijds dat conversational AI een kernlaag van enterprise‑technologie kon worden, en hoe is die oorspronkelijke visie geëvolueerd nu Druid zich heeft ontwikkeld naar agentic AI? 

De convergentie van twee verschillende paden – academische strengheid en frontlinie‑enterprise‑pijn – vormde mijn denkproces tijdens mijn PhD. Het was echter pas toen Liviu Dragan, een buitengewoon visionaire leider, met het idee kwam om Druid AI op te richten, dat ik besefte hoe mijn onderzoek eindelijk in de praktijk kon worden toegepast.

Tussen 2008 en 2011 richtte mijn PhD‑onderzoek zich op autonome AI‑agenten die communiceren via semantische webtechnologieën en ontologieën, waarbij werd onderzocht hoe intelligente systemen traditionele enterprise‑software konden vervangen of er bovenop konden opereren. Kort daarna stelde mijn werk in enterprise‑technologieleiderschap me bloot aan een schrijnende realiteit: we vroegen medewerkers om onhoudbare complexiteit te beheren.

Het voltooien van een enkele routinetaak betekende weten welke applicatie te openen, waar de data zich bevond, welke beleidsregel van toepassing was en wie de volgende stap bezat. Ondertussen werd berichtenverkeer buiten het kantoor de dominante interface voor menselijke interactie.

Toen we Druid AI in 2018 oprichtten, was onze visie eenvoudig maar ambitieus: elke medewerker en klant een virtuele assistent geven die het werk over de gehele onderneming kan orkestreren.

Bijna een decennium later is die kernvisie niet veranderd – de technologie heeft gewoon ingehaald. Conversational AI draaide voornamelijk om intentherkenning, retrieval en het activeren van statische scripts. Agentic AI verschuift de grens van delegatie. Moderne agenten beoordelen doelen, werken samen met gespecialiseerde sub‑agenten, navigeren door verschillende systemen en voeren complexe, meer‑staps workflows autonoom uit.

Voor ons is de huidige agentic‑revolutie geen strategische afwijzing van conversational AI. Het is de natuurlijke realisatie van onze oprichtings‑thesis: enterprise‑technologie moet eenvoudiger worden voor mensen om hen te helpen het werk te doen, zelfs terwijl de orkestratie achter de schermen oneindig verfijnder wordt.

Een groot deel van de AI‑industrie heeft zich geconcentreerd op het bouwen van steeds krachtigere foundation‑modellen, terwijl Druid AI zich richt op het verbinden van verschillende modellen met enterprise‑data, -systemen en -workflows. Naarmate modellen steeds meer onderling uitwisselbaar worden, gelooft u dat orkestratie een belangrijker concurrentievoordeel zal worden dan het onderliggende model zelf?

Bij Druid AI is onze kernmissie simpel: het buitengewone uit elke menselijke interactie halen door het werk efficiënt te voltooien. Maar naarmate de markt volwassen wordt, verschuift de sleutel tot het leveren van die waarde weg van de onderliggende technologische stack.

We zien een klassiek patroon in enterprise‑tech: mogelijkheden die ooit vroege differentiatoren waren, worden snel een commodity. Vandaag zijn foundation‑modellen voor elke speler toegankelijk. Enterprises zullen onvermijdelijk een hybride matrix van modellen inzetten die zijn gekozen op basis van specifieke prestaties, kosten, beveiliging of regelgevende eisen. Naarmate intelligentie een commodity wordt, verschuift het strategische slagveld hoger in de stack.

Vandaag zijn de moeilijkste problemen in enterprise AI gerelateerd aan de uitvoeringscontext: governance en toegang (welke data mag de AI aanraken en onder welke beleidsregels), agentic routing (welke gespecialiseerde agent een bepaalde taak moet afhandelen), systeemintegratie (hoe coördineren meerdere transactionele systemen veilig), autonomie versus controle (wanneer mag een agent zelfstandig handelen en wanneer is menselijke goedkeuring vereist), auditability (als een workflow faalt, kunt u dan de besluitvormingsketen stap voor stap reconstrueren).

Daarom is orkestratie de ultieme strategische hefboom geworden. Modellen leveren intelligentie, maar enterprises hebben betrouwbare uitvoering nodig.

Druid AI is gebouwd om die definitieve controle‑ en orkestratielaag te vormen. Het verbindt verschillende modellen veilig over enterprise‑data, workflows en mensen. Cruciaal is dat het het referentiekader biedt om de effectiviteit van uitvoering te meten en echte bedrijfsresultaten te evalueren.

Op de lange termijn zal de winnende vraag niet zijn: “Welk model gebruikt u?” Het zal zijn: “Hoe effectief kunt u ruwe intelligentie omzetten in voltooid werk voor uw medewerkers en klanten?”

Druid Conductor kan meerdere gespecialiseerde agenten coördineren op het gebied van kennisretrieval, beslissingslogica en systeemacties. Wat wordt technisch moeilijk wanneer een enterprise overstapt van één AI‑assistant die vragen beantwoordt naar meerdere agenten die zelfstandig meer‑staps bedrijfsprocessen kunnen uitvoeren?

De verschuiving van eenvoudige conversational interfaces naar multi‑agent‑architecturen verandert fundamenteel de technische uitdaging. U stopt met het beheren van een lineair gesprek en begint een gedistribueerd besluit‑en‑uitvoeringssysteem te beheren.

Met één Q&A‑assistant zijn de kernobstakels intentherkenning, retrieval en responsgeneratie met een hoog nauwkeurigheidsniveau. Multi‑agent‑ecosystemen introduceren een geheel andere klasse van gedistribueerde systemen en vragen:

1. Welke agent heeft de autoriteit om te handelen, en hoe voorkomt u domein‑drift?
2. Hoe wordt de status behouden wanneer verantwoordelijkheidsoverdrachten tussen agenten plaatsvinden?
3. Hoe worden tegenstrijdige beslissingen tussen gespecialiseerde agenten verzoend?
4. Hoe erven sub‑agenten dynamisch en veilig toegangsrechten?

Deze uitdagingen nemen toe wanneer ze worden toegepast op real‑world enterprise‑infrastructuur. Een enkele workflow kan zich uitstrekken over een CRM, ERP, identiteitsbeheerplatform, ticketingsysteem en legacy‑databases. Elk opereert onder een eigen bedrijfslogica en faalmodi, maar uiteindelijk moet de conductor‑agent het werk correct afronden.

Als stap vier van een zes‑stappenproces faalt nadat drie systemen al transactionele wijzigingen hebben uitgevoerd, valt een eenvoudige agentic‑pipeline uiteen. De orkestratielaag kan niet simpelweg een generieke foutmelding geven. Ze moet de status beheren, indien nodig rollbacks uitvoeren, bepalen of er een alternatieve route bestaat, of op een elegante manier escaleren naar een mens‑in‑de‑lus‑interventie.

Echte enterprise‑orkestratie is state‑management, transactionele consistentie, observability, beleids‑handhaving en fail‑safe autonomie. Het doel van deze onderliggende complexiteit is eenvoud: een enkele, frictieloze interactie leveren waarbij complexe multi‑systeemtaken simpelweg worden uitgevoerd.

Druid AI heeft nu meer dan één miljard gesprekken mogelijk gemaakt via duizenden uitgerolde agenten. Wat heeft u op die schaal geleerd over enterprise AI dat onmogelijk te leren zou zijn geweest uit pilots of gecontroleerde demonstraties?

Productie leert je snel bescheidenheid.

Een pilot is normaal gesproken een relatief gecontroleerde omgeving. De use case is gedefinieerd, de data is redelijk schoon, de gebruikers zijn bekend en er is meestal een projectteam dat nauwlettend toeziet.

Productie gedraagt zich helemaal niet zo. Mensen stellen dezelfde vraag op twintig verschillende manieren. Ze veranderen van mening halverwege een gesprek. Ze geven onvolledige informatie. Ze schakelen van taal of onderwerp. Ze interageren op onverwachte momenten. Beleidsregels veranderen. API’s falen. Backend‑systemen vertragen. Nieuwe randgevallen verschijnen die niemand in het oorspronkelijke ontwerp had meegenomen. Eén ding is zeker: de verwachting van gebruikers is om een taak effectief, naadloos en op een natuurlijke manier te laten voltooien. Of het nu tekst is, maar vooral spraak, moet het gesprek natuurlijk verlopen, zonder latentie; het moet tot op zekere hoogte empathisch klinken, en de taak uitvoeren terwijl het de beste opties en vervolgstappen voorstelt, of uitzonderingen en loops menselijk behandelt wanneer nodig.

Een deel van de meest waardevolle automatisering komt voort uit het uitzonderlijk goed uitvoeren van relatief alledaagse taken, en dat honderden duizenden keren: een medewerkervraag beantwoorden, een account controleren, een afspraak verzetten, een IT‑verzoek oplossen, of de juiste informatie uit een enterprise‑systeem ophalen. Dat heeft onze kijk op AI‑waarde veranderd.

De tweede les is dat live‑gang slechts het begin is van een leer‑cyclus. U moet zien wat gebruikers vragen, welke intenties groeien, waar gesprekken falen, waar mensen escaleren, en soms waar het onderliggende bedrijfsproces zelf moet veranderen.

En misschien is de belangrijkste les dat vertrouwen operationeel is, aangezien enterprises AI vertrouwen omdat deze na verloop van tijd voorspelbaar functioneert, uitzonderingen correct worden afgehandeld, beslissingen zichtbaar zijn en de organisatie de controle behoudt.

Druid’s productiedata suggereert dat een relatief klein aantal workflows verantwoordelijk is voor een groot deel van het daadwerkelijke enterprise‑AI‑gebruik. Duidt dit erop dat bedrijven aanvankelijk AI‑investeringen moeten richten op een handvol high‑volume workflows in plaats van een brede enterprise‑brede transformatie te proberen?

Een van de duidelijkste patronen in onze productiedata is dat de vraag zich concentreert. In de financiële dienstverlening bijvoorbeeld, verklaren drie workflow‑categorieën ongeveer 90 % van het productieverbruik. In het hoger onderwijs is de concentratie nog hoger. Dat geeft ons een belangrijk inzicht in hoe bedrijven AI‑transformatie moeten benaderen. We hebben deze inzichten geanalyseerd en benchmark‑rapporten opgesteld voor hoger onderwijs, gezondheidszorg en bankwezen, waarmee onze partners en klanten de processen kunnen identificeren die efficiëntie stimuleren en kunnen voorspellen hoe mensen met agenten zullen interageren.

Er is een verleiding, vooral op bestuursniveau, om te beginnen met een zeer brede vraag: “U MOET AI gebruiken of we blijven achter.” Het operationele team moet dan worstelen met het identificeren van de juiste taken die agenten kunnen uitvoeren, terwijl ze ook bang zijn hun eigen baan te verliezen. Dus, wat is de juiste balans en hoe kunnen ze de juiste AI‑agent inhuren om de taak SAMEN met hen te doen, terwijl ze de KPI’s maximaliseren die het bestuur verwacht?

Begin daar waar er potentieel is om omzet te verhogen en/of kosten te verlagen, zaken die mensen meestal herhaaldelijk uitvoeren. Als duizenden klanten, medewerkers, studenten of patiënten steeds weer hetzelfde resultaat proberen te bereiken, heeft u een meetbare basislijn en een sterke kans om waarde aan te tonen.

Maar er is een belangrijk onderscheid: begin smal, ontwerp breed.

De eerste use cases kunnen geconcentreerd zijn. Het platform eronder moet in staat zijn om uit te breiden over de hele enterprise. U bewijst de economische haalbaarheid, het governance‑model, integraties en menselijke escalatiemechanismen met een handvol betekenisvolle workflows. Vervolgens breidt u uit naar aangrenzende processen met behulp van de opgedane kennis.

Volume mag niet het enige criterium zijn. Een workflow met lage frequentie kan nog steeds enorm waardevol zijn als elke succesvolle oplossing een aanzienlijke financiële of operationele impact heeft.

Naarmate enterprises steeds meer focussen op succesvolle oplossing in plaats van simpelweg het percentage interacties zonder mens te maximaliseren, hoe moeten organisaties bepalen welke beslissingen een AI‑agent autonoom kan nemen en waar menselijke escalatie verplicht moet blijven?

Druid AI heeft een evaluatiekader ontwikkeld dat 26 criteria omvat en een objectieve beoordeling van de agentic‑orkestratie garandeert, van de bouw tot de uitvoering van het werk.

Als een actie omkeerbaar is, relatief weinig risico met zich meebrengt, wordt beheerst door duidelijke regels en wordt ondersteund door betrouwbare informatie, dan is er een sterk argument voor autonomie. Het verzetten van een afspraak met vooraf gedefinieerde parameters is heel anders dan het nemen van een klinische beslissing en lijkt simpel. Maar er moeten veel elementen in overweging worden genomen om het effectief uit te voeren: bijvoorbeeld als arts B een lege tijdslot heeft, maar die wil reserveren, mag de AI‑agent de afspraak van een patiënt niet in dat slot verzetten alleen omdat de taak is om de agenda‑dekking van de arts te maximaliseren.

Er zijn verschillende dimensies die ik zou bekijken: de financiële of menselijke consequentie van een fout, of de actie omkeerbaar is, de volledigheid en kwaliteit van de beschikbare informatie, regelgevingseisen, en of echte menselijke beoordeling of empathie vereist is. Vervolgens ontwerpt u escalatie bewust.

Hier denk ik dat vroegere benaderingen van AI‑automatisering te simplistisch waren. Het doel werd “zo veel interacties mogelijk inperken zonder een mens te betrekken.” Maar in veel processen is escalatie juist de juiste uitkomst.

Daarom denk ik liever in termen van beheerde oplossing in plaats van pure containment.

Het doel is dat AI autonoom het werk oplost dat het moet oplossen, de situaties herkent waarin het niet moet handelen, en een persoon in het proces brengt met de relevante context al beschikbaar.

Zodra AI‑agenten gevoelige informatie kunnen ophalen, enterprise‑systemen kunnen bijwerken en real‑world acties kunnen initiëren, worden observability en governance veel consequentialer. Wat moeten bedrijven kunnen auditen over de redenering, data‑toegang en acties van een agent voordat ze haar vertrouwen met mission‑critical workflows?

Volgens de richtlijnen van Gartner heeft DRUID een ingebouwd evaluatiekader dat agenten analyseert vanuit 5 perspectieven: fouttolerantie, risico, compliance, observability en afwijking. Onder deze categorieën hebben we in totaal 26 componenten. Elk heeft een definitie, een artefact dat u kunt openen, en een meetwaarde.

Bij het evalueren van een agent moet het platform de volledige keten kunnen reconstrueren van de oorspronkelijke gebruikersaanvraag tot de uiteindelijke actie. Dat betekent weten welke agent de aanvraag heeft afgehandeld, welk model werd gebruikt, welke context het model ontving, welke enterprise‑informatie werd opgehaald, welke bedrijfsregels of beleidsregels werden toegepast, waarom een bepaalde route of actie werd gekozen en precies wat er in de onderliggende systemen is veranderd. Tientallen auditbare interacties worden bijgehouden, geanalyseerd en gemeten.

Identiteit is even belangrijk. Een AI‑agent mag nooit een omweg worden rond enterprise‑toegangscontrole. U moet weten wie de aanvraag heeft gestart, wat die persoon mag zien of doen, en of de agent zich precies binnen die grenzen heeft bevonden.

Bij multi‑agent‑architecturen wordt traceerbaarheid nog belangrijker. Welke agent delegde aan een andere agent? Welke informatie overschreed die grens? Waar kwam de beslissing vandaan? Welke component voerde de actie daadwerkelijk uit? En er is operationeel bewijs: tijdstempels, confidence‑signalen, uitvoerresultaten, uitzonderingen, escalatie‑events en de mogelijkheid om te begrijpen of te herhalen wat er gebeurde.

Dit is een van de grootste veranderingen nu we van conversational naar agentic AI gaan.

Wanneer AI alleen een vraag beantwoordt, is observability nuttig. Wanneer AI een klantrecord kan wijzigen, een betaling kan triggeren, meerdere recordsystemen kan bijwerken, of een bedrijfsproces kan initiëren, wordt observability onderdeel van de controle‑architectuur.

U heeft een ongewoon breed scala aan rollen bij Druid AI vervuld, variërend van ontwikkeling, operaties, omzet tot klantensucces. Hoe heeft het direct werken met klanten uw visie gevormd over waarom sommige enterprise‑AI‑implementaties meetbare waarde genereren terwijl andere blijven hangen in pilot‑modus?

Ik begon mijn carrière als ontwikkelaar, en net als veel engineers had ik aanvankelijk het instinct dat als de technologie goed genoeg was, de waarde evident zou moeten zijn. Klanten leren je heel snel dat enterprise‑technologie niet zo werkt.

Een technisch geavanceerde implementatie kan nog steeds weinig waarde opleveren als het zakelijke probleem niet belangrijk genoeg is, als de proces‑eigenaar afwezig is, als integratie als een bijzaak wordt behandeld of als niemand heeft afgesproken wat succes betekent. Klanten zijn uitstekend in het wegnemen van de technologische narratief. Ze geven niets om hoe elegant iets architecturaal is als het proces waarvoor ze verantwoordelijk zijn niet is verbeterd.

Wanneer we het hebben over implementaties op die schaal, is er een business‑owner met een echt probleem om op te lossen. Er is een meetbaar volume, kosten/inkomsten of frictie. De AI is verbonden met de systemen waar het werk daadwerkelijk plaatsvindt. En er is een plan voor adoptie en continue verbetering na de live‑gang. Pilots blijven vaak pilots omdat ze aantonen dat de technologie werkt zonder te bewijzen dat het operationele model werkt. Daarom trainen we, wanneer we een AI‑project ontwerpen, ons personeel en partners om eerst het werk te begrijpen, niet de klikken die gebruikers in de systemen doen. Het “werk” betekent het volledige proces, hoe ze uitzonderingen behandelen, wat de uitkomst is, hoe vaak uitzonderingen voorkomen, wat hen belemmert in productiviteitsverhoging, hoe lang het duurt en welke inspanning nodig is om een productiviteitsstijging te realiseren als het werk niet geautomatiseerd zou worden.

Mijn eigen loopbaan heeft zich verplaatst door technologie, operaties, sales, klantensucces en het opbouwen van een bedrijf, en ik zie die breedte nu als een van mijn grootste voordelen. Technologie leert je hoe iets werkt. Sales leert je waarom iemand ervoor zal betalen. Customer success leert je of het in de praktijk werkt. Operaties leert je of de organisatie het herhaaldelijk en op schaal kan leveren.

In veel opzichten heeft de evolutie van Druid AI hetzelfde pad gevolgd: van bewijzen dat conversational AI kan werken, tot bewijzen dat het waarde kan creëren, tot het bouwen van de infrastructuur die nodig is om intelligente agenten betrouwbaar te maken op enterprise‑schaal.

U bent ook betrokken geweest bij Women in Tech Romania terwijl u Druid tot een internationale AI‑bedrijf bouwde. Waar ziet u nog de grootste barrières voor vrouwen die AI‑bedrijven oprichten en leiden, en wat zou hun vertegenwoordiging op uitvoerend en oprichtersniveau aanzienlijk kunnen vergroten? 

Recente gegevens tonen een opvallende kloof in de Europese tech: slechts 5 % van de AI‑startups wordt opgericht of mede-opgericht door vrouwen, en slechts de helft van die oprichters heeft een PhD. Hoewel de statistieken schrijnend zijn, vereist het aanpakken van deze ongelijkheid dat we verder kijken dan traditionele narratieven over genderdiscriminatie.

In de kern is ondernemerschap een individuele zoektocht, gevormd door persoonlijkheid, risicotolerantie, persoonlijke prioriteiten en carrièrekeuzes. In plaats van dit alleen als een sociale barrière te zien, moeten we de praktische pijplijn onderzoeken waarlangs oprichters worden gevormd.

Hoewel meisjes statistisch minder aangetrokken worden tot technische disciplines in een vroeg stadium, ontstaat later in de loopbaan een veel belangrijkere en minder besproken barrière: blootstelling aan volledige bedrijfsbezit.

Vrouwen blinken vaak uit als technische specialisten van wereldklasse en functionele leiders. Echter, minder vrouwen maken de overstap naar rollen met directe verantwoordelijkheid voor omzet, P&L‑beheer, commerciële besluitvorming en de overkoepelende bedrijfsstrategie. Dit zijn precies de operationele spieren die nodig zijn om een enterprise‑technologiebedrijf op te richten en te schalen.

Mijn eigen traject van software‑ontwikkeling tot CEO was geen rechte lijn, maar een reeks overgangen door leiderschap, operaties, commerciële uitvoering en uiteindelijk bedrijfsopbouw. In omgevingen zoals het Roemeense onderwijssysteem, waar praktische financiële educatie en ondernemerschapstraining ontbraken voor iedereen ongeacht het geslacht, was het leren navigeren van zakelijke risico’s een stapsgewijs proces van blootstelling.

Het overwinnen van deze kloof vereist ook het ontkrachten van een veelvoorkomend mythos: het idee dat technologisch leiderschap absolute meesterschap vereist voordat men naar voren treedt. In het tijdperk van snel evoluerende AI heeft niemand alle antwoorden. De bepalende leiderschapskenmerken van vandaag zijn nieuwsgierigheid, continu leren en het vertrouwen om complexe problemen aan te pakken voordat het resultaat gegarandeerd is.

Om meer vrouwen technologiebedrijven te zien leiden, moeten we de toegang tot commerciële netwerken verbreden, zichtbare rolmodellen promoten, en actief ervaren talent aanmoedigen om uit functionele silo’s te stappen, P&L‑verantwoordelijkheid te nemen en de risico’s van bedrijfsbezit te omarmen.

Vooruitkijkend, wat denkt u dat de enterprise‑AI‑platformen zal scheiden die diep verankerd raken in bedrijfsprocessen van de vele AI‑producten die uiteindelijk moeite hebben om verder te gaan dan experimentatie?

De scheidslijn zal zijn of ze van intelligentie naar betrouwbare uitvoering kunnen overgaan.

Het genereren van een indrukwekkende respons wordt al relatief eenvoudig. Betrouwbaar opereren binnen een grote enterprise is een ander verhaal.

De platformen die in bedrijfsprocessen verankerd raken, moeten veilig kunnen verbinden met bestaande systemen in plaats van bedrijven te vragen alles wat ze al gebruiken te vervangen. Ze moeten kunnen werken over verschillende modellen en technologieën.

Ze hebben orkestratie nodig die agenten, workflows en menselijke beslissingen kan coördineren. En ze hebben identiteit, governance, observability en controle nodig die in de architectuur zijn ingebouwd in plaats van later toegevoegd.

Maar er is een andere eis die naar mijn mening steeds meer experimenten van infrastructuur zal scheiden: betrouwbaarheid onder onvolmaakte omstandigheden. Een demonstratie laat zien wat een AI‑systeem kan doen wanneer alles werkt, maar een enterprise wil weten wat er gebeurt wanneer iets niet werkt.

Wat gebeurt er wanneer de data onvolledig is? Wanneer een API faalt? Wanneer twee beleidsregels conflicteren? Wanneer het vertrouwen laag is? Wanneer een gebruiker vraagt om iets waarvoor hij niet geautoriseerd is?

Als een agent 90 % van de tijd briljant presteert maar onvoorspelbaar gedrag vertoont in de resterende 10 %, kunt u hem geen verantwoordelijkheid geven voor een mission‑critical proces.

De afgelopen jaren was de dominante vraag: “Wat kan dit model doen?”

De enterprise‑vraag wordt: “Hoe kan ik dit werk effectief laten uitvoeren?”

De AI‑platformen die diep verankerd raken in organisaties, zullen die zijn die de tweede vraag overtuigend kunnen beantwoorden: technisch, operationeel en economisch. Dat is uiteindelijk de kans die wij zagen toen we Druid AI oprichtten: om intelligentie onderdeel te maken van de manier waarop werk zelf wordt gedaan.

Dank u voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Druid AI.