Andrej Jonovic, CEO van XBP Global – interviewreeks

Andrej Jonovic is de CEO van XBP Global, een multinational op het gebied van technologie en dienstverlening die zich richt op bedrijfskritische workflows voor ondernemingen. XBP Global past agentische AI toe in gereguleerde omgevingen, waaronder de gezondheidszorg, de publieke sector en de financiële dienstverlening, waar precisie, beveiliging, datasoevereiniteit en controleerbaarheid essentieel zijn. In dit interview bespreekt Jonovic adaptieve procesorkestratie, open-weightmodellen, intelligente documentverwerking, menselijke beoordeling en wat ervoor nodig is om AI om te zetten van een technische mogelijkheid in meetbare operationele resultaten.

U begon uw carrière als advocaat op het gebied van transacties, voordat u overstapte naar fusies en overnames en bedrijfstransformaties, en uiteindelijk leiding ging geven aan XBP Global. Hoe heeft die achtergrond uw kijk beïnvloed op governance, commercieel risico en de organisatorische impact van de inzet van kunstmatige intelligentie in bedrijfskritische workflows?

Ik bekijk AI doorgaans eerst vanuit het oogpunt van het bedrijfsmodel. Als je uit de wereld van transacties en transformatie komt, raak je gewend om je af te vragen of de structuur ook standhoudt zodra je de presentatie achter je laat en met de uitvoering begint.

Dat wordt bij AI heel belangrijk, omdat een model op zichzelf uitzonderlijk goed kan presteren en toch operationeel een slecht resultaat kan opleveren. In de gezondheidszorg, de publieke sector en het bankwezen zijn nauwkeurige verwerking, naleving van regelgeving en controleerbaarheid onmisbaar. Je moet weten waar de gegevens staan, wat het systeem mag doen, hoe beslissingen worden beheerst en hoe de kosten eruitzien wanneer je de workflow op grote schaal uitvoert.

Governance moet in die architectuur worden ingebouwd. Ik wil weten waar het model draait, welke informatie de grenzen van de onderneming overschrijdt, wat in het auditspoor wordt vastgelegd en wat er gebeurt wanneer de workflow uitkomt bij een beslissing waarvoor een ander niveau van controle nodig is.

Daar heeft mijn achtergrond waarschijnlijk de grootste invloed. Ik ben over het algemeen minder geïnteresseerd in wat de technologie kan tijdens een gecontroleerde demonstratie. Ik wil weten of je haar in een bedrijfskritisch proces kunt inzetten en erop kunt vertrouwen.

XBP Global omschrijft agentische AI als een ontwikkeling die verder gaat dan conventionele automatisering op basis van regels en robotgestuurde procesautomatisering. Wat verandert er technisch wanneer een workflow niet langer vooraf vastgelegde instructies volgt, maar gebruikmaakt van AI-agenten die gevolgtrekkingen kunnen maken, beslissingen kunnen nemen en meerdere taken kunnen coördineren?

De architectuur wordt veel adaptiever.

Traditionele workflowautomatisering is deterministisch. Je hebt regels, weet wat de volgende stap is en bouwt meer logica in naarmate het proces complexer wordt. Dat werkt heel goed voor voorspelbaar werk. Het wordt lastig wanneer het aantal regels enorm groot wordt of het proces sneller verandert dan het systeem kan worden aangepast.

Wat we nu doen, is adaptieve procesorkestratie. Je kunt deterministische regelengines behouden waar precisie en naleving dat vereisen, en vervolgens intelligente modellen introduceren in die delen van de workflow waar gevolgtrekkingen waarde toevoegen. Agenten kunnen taken coördineren, informatie raadplegen en de volgende actie kiezen, zonder dat iemand elke mogelijke route door het proces hard hoeft te coderen.

Een andere verandering is dat het onderliggende model makkelijker vervangbaar wordt. We zien dat open-weightmodellen van enterprise-niveau zich zeer snel verbeteren. Als de pijplijn goed is ontworpen, kun je een krachtiger model integreren naarmate het ecosysteem zich ontwikkelt, zonder dat je het volledige operationele proces eromheen opnieuw hoeft op te bouwen.

Ik denk daarom dat de workflow zelf steeds meer de belangrijkste technische asset wordt: de orkestratie, domeinkennis, beheersmaatregelen en gegevens rond het model.

Veel bedrijven experimenteren met AI, maar hebben moeite om van pilots over te stappen naar productie. Welke architectonische of organisatorische belemmeringen staan ondernemingen het vaakst in de weg wanneer ze agentische workflows op grote schaal willen inzetten? 

Klanten zijn de experimenteerfase voorbij. Ze hebben de demo’s gezien en zeer ambitieuze beloften over het rendement op hun investering gehoord. Op een gegeven moment moet iemand de technologie in een echt proces toepassen en ervoor zorgen dat die werkt.

Daar wordt de architectuur ingewikkeld. Een productie-workflow moet aansluiten op de omgeving die het bedrijf al heeft. Gevoelige informatie moet mogelijk in een private cloud of op locatie blijven. Bestaande systemen moeten nog steeds toegankelijk zijn. Er moet aan de wettelijke vereisten worden voldaan. Ook moet het kostenplaatje haalbaar blijven bij volumes op ondernemingsschaal.

Onlangs hebben we een opdracht binnengehaald rond de onderhoudscyclus van de wereldwijde vloot van een luchtvaartmaatschappij. Elk onderhoudsitem wordt omgezet in vectoren en opgeslagen in een private vectordatabase in de private cloud van de klant. De agentische infrastructuur beheert de toegang tot die informatie en ondersteunt de reconstructie van de dossiers wanneer vliegtuigen uit lease gaan of worden verkocht.

Dat is een heel ander vraagstuk dan aantonen dat een model een vraag over een vliegtuigdossier kan beantwoorden. Je hebt te maken met een volledige operationele omgeving, met gegevensbeheer en een proces dat herhaaldelijk moet werken.

Organisatorisch zit het verschil meestal in het eigenaarschap. Iemand moet het proces goed genoeg begrijpen om te bepalen wat productie in de praktijk inhoudt. Zonder die operationele discipline kan de pilot nog heel lang indrukwekkend blijven zonder daadwerkelijk nuttig te worden.

XBP Global combineert automatisering met menselijk toezicht, vooral bij beslissingen met grote gevolgen. Hoe bepaalt u welke beslissingen een AI-systeem zelfstandig kan uitvoeren en wanneer menselijke beoordeling deel moet blijven uitmaken van het proces? 

We richten de menselijke rol in rond de beoordeling.

In een proces met grote gevolgen kan doorgaans een groot deel van het werk met een hoge mate van vertrouwen door de pijplijn worden afgehandeld. Daarnaast zijn er uitzonderingsgevallen waarin de informatie onvolledig is, de omstandigheden ongebruikelijk zijn of de gevolgen van een verkeerd antwoord te groot zijn.

Wanneer de pijplijn zo’n geval tegenkomt, stuurt die de transactie door naar een vakexpert. Die lost het op, waarna het oordeel kan worden teruggekoppeld aan het systeem zodat het model zich verder blijft verbeteren.

Ik vind die terugkoppellus belangrijk. Menselijk toezicht heeft meer waarde wanneer het het proces in de loop der tijd verbetert. De expert brengt domeinkennis in bij de gevallen waarin het model die nog nodig heeft.

De grens voor autonomie hangt ook sterk af van de omgeving. De beoordeling van zorgclaims, overheidsregistraties en gereguleerde financiële processen stelt andere eisen dan een interne taak met beperkte gevolgen. Het aanvaardbare betrouwbaarheidsniveau moet overeenkomen met de daadwerkelijke gevolgen van de beslissing zodra het systeem die uitvoert.

Uw klanten zijn actief in gereguleerde sectoren en de publieke sector, waar datasoevereiniteit, beveiliging en controleerbaarheid essentieel zijn. Hoe kunnen organisaties grote taalmodellen inzetten in beveiligde omgevingen zonder afbreuk te doen aan de mogelijkheden die deze systemen nuttig maken? 

Modellen met open gewichten veranderen het antwoord op die vraag aanzienlijk.

Lange tijd werd aangenomen dat de beste modelprestaties alleen mogelijk waren door informatie naar de omgeving van een andere partij te sturen. Dat levert een duidelijk probleem op wanneer de gegevens binnen de grenzen van de onderneming moeten blijven.

We kunnen nu modellen met open gewichten van ondernemingskwaliteit opnemen in operationele AI-agentpijplijnen, terwijl de gegevens binnen de omgeving van de klant blijven. Afhankelijk van de vereisten kan dat gaan om een private cloud of infrastructuur op locatie. Zo profiteert u nog steeds van de vooruitgang in het bredere model-ecosysteem, terwijl de organisatie de nodige controle over datasoevereiniteit behoudt.

Ook de architectuur moet kunnen veranderen. Er is geen reden om aan te nemen dat het model van vandaag voor een specifieke taak het beste model blijft. Onze trainingsprotocollen zijn zo ontworpen dat we snel nieuwe modellen in een bestaande pijplijn kunnen integreren.

Voor klanten in gereguleerde sectoren is die flexibiliteit bijzonder waardevol: het proces kan zich blijven verbeteren terwijl de gegevens binnen de afgesproken grenzen blijven. Zo kunt u ook beginnen te voldoen aan vereisten zoals de EU AI Act, zonder compliance te behandelen als iets wat pas wordt toegevoegd nadat de technologie al is ingezet.

Een aanzienlijk deel van de informatie binnen ondernemingen zit nog altijd opgesloten in documenten, afbeeldingen, verouderde systemen en fysieke dossiers. Hoe ontwikkelt intelligente documentverwerking zich, en welke rol speelt die bij het omzetten van gefragmenteerde gegevens in informatie die AI-agenten betrouwbaar kunnen gebruiken?

Ik denk dat intelligente documentverwerking steeds meer deel uitmaakt van de infrastructuur voor AI-agentprocessen.

Historisch gezien was veel documentverwerking gebaseerd op sjablonen. U wist hoe het document eruitzag, welk veld u nodig had en het systeem haalde dat eruit. Informatie binnen ondernemingen is zelden zo overzichtelijk. Alleen al in de zorg kunnen onder meer EOB’s, complexe correspondentie, claimgegevens en dossiers voorkomen die in verschillende formaten binnenkomen.

De nieuwere aanpak houdt veel meer rekening met de context. U kunt ongestructureerde informatie verwerken, bepalen wat relevant is en die omzetten in gestructureerde uitvoer die vervolgsystemen daadwerkelijk kunnen gebruiken. Dat is belangrijk, want een agent kan werkzaamheden niet betrouwbaar coördineren als de onderliggende informatie onvolledig of verkeerd geïnterpreteerd is.

Ook de schaal verandert de aard van het probleem. We beheren omgevingen waarin enorme hoeveelheden afbeeldingen, claims, betalingstransacties en andere documenten worden verwerkt. Op die schaal kan een klein verschil in de kwaliteit van gegevensextractie een groot operationeel probleem worden.

IDP staat dus steeds vaker aan het begin van de intelligente workflow. Het zet gefragmenteerde informatie om in bruikbare gegevens, biedt het volgende deel van het proces betrouwbare input om mee aan de slag te gaan en vormt de basis voor verdere automatisering later in de keten.

XBP Global heeft gesproken over het migreren van verouderde, op regels gebaseerde processen naar AI-agentpijplijnen en het bereiken van een hoger percentage oplossingen in één keer. Wat moet een AI-systeem weten over de processen, uitzonderingen en institutionele kennis van een organisatie voordat het betrouwbare resultaten kan opleveren?

Veel institutionele kennis is nooit vastgelegd in een helder procesdocument.

Het zit verscholen in oude systemen, regelsets en het beoordelingsvermogen van mensen die het proces al jaren uitvoeren. Zij weten welke informatie ertoe doet, welke regel in een bepaalde situatie van toepassing is en wat er verderop in het proces gebeurt als de verkeerde beslissing wordt genomen.

Wanneer je dat werk migreert, moet je die operationele kennis behouden. In onze wereld betekent dat vaak dat je deterministische logica combineert met AI, in plaats van ervan uit te gaan dat alle regels meteen moeten verdwijnen. In gereguleerde workflows zijn er onderdelen waarvoor een regelengine bijzonder nuttig is, omdat de vereisten precies zijn. Andere onderdelen kan een intelligent model veel effectiever afhandelen, juist doordat het met variatie kan omgaan.

Domeinexpertise laat zien waar elk van beide het best tot zijn recht komt.

Daarom kun je het oplossen in één keer ook niet alleen beoordelen aan de hand van een modelscore. De workflow moet een resultaat opleveren dat de volgende stap in het proces doorstaat. Als er verderop alsnog een escalatie nodig is, heb je het probleem verplaatst in plaats van opgelost.

Het systeem moet het proces goed genoeg begrijpen om te weten hoe een geslaagde transactie er van begin tot eind uitziet.

XBP Global past automatisering niet alleen toe op de activiteiten voor klanten, maar ook op de eigen transitie naar een bedrijfsmodel waarin AI centraal staat. Wat hebt u geleerd van het gebruik van uw bedrijf als interne testomgeving, en hoe brengt u productiviteitsverbeteringen in balans met de ontwikkeling van medewerkers en verandermanagement?

We zijn behoorlijk voortvarend te werk gegaan met de interne toepassing, omdat je volgens mij heel snel leert wanneer je eigen bedrijfsresultaten op het spel staan.

Van onze inspanningen om automatisering met AI als uitgangspunt in te voeren, wordt nu verwacht dat ze jaarlijks $65 miljoen tot $75 miljoen aan geannualiseerde operationele efficiëntiewinst opleveren. Voor 2026 wordt een voordeel van ongeveer $35 miljoen verwacht. De omzet per medewerker bedroeg in het tweede kwartaal ongeveer $89.000, tegenover circa $82.000 in het voorgaande kwartaal, en we verwachten dat dit bedrag tegen het einde van het jaar bijna $100.000 zal bedragen.

Dat zijn nuttige maatstaven, omdat ze laten zien of het bedrijfsmodel daadwerkelijk productiever wordt.

De gevolgen voor het personeelsbestand zijn reëel. Naar schatting zal het wereldwijde personeelsbestand tegen eind 2026 met ongeveer 20% zijn afgenomen, terwijl we overstappen op een productiever bedrijfsmodel. Bij verandermanagement moet je erkennen dat hogere productiviteit gevolgen heeft voor de personeelsbehoefte.

Tegelijkertijd moeten de mensen die binnen deze workflows blijven werken meer vaardigheden ontwikkelen. We hebben domeinexperts, architecten en operationele medewerkers nodig die werk kunnen structureren, resultaten kunnen beoordelen en verantwoordelijkheid kunnen nemen voor beslissingen met een grotere toegevoegde waarde.

Doordat we deze transformatie binnen ons eigen bedrijf doorvoeren, is het gesprek veel praktischer geworden. Je ziet al snel welke automatisering blijvende efficiëntiewinst oplevert en bij welke activiteit iemand AI alleen maar vaker gebruikt.

Bedrijfsbrede AI-projecten worden vaak aangeprezen met demonstraties in plaats van meetbare bedrijfsresultaten. Welke maatstaven moeten leidinggevenden gebruiken om een intelligente workflow te beoordelen, en hoe moeten ze rekening houden met nauwkeurigheid, uitzonderingen, verwerkingstijd, operationele kosten en risicobeperking?

Ik zou de workflow op twee niveaus meten.

Op operationeel niveau wil ik inzicht in de nauwkeurigheid, het percentage gevallen dat in één keer wordt opgelost, de verwerkingstijd, het aantal uitzonderingen en de kosten om het werk te verwerken. In een gereguleerde omgeving vind ik het ook belangrijk dat transacties controleerbaar zijn en dat de beheersmaatregelen ook bij grote volumes consequent standhouden.

Vervolgens wil ik zien of die verbeteringen ook tot uiting komen in de bedrijfsresultaten.

Bij XBP bedroeg onze aangepaste brutomarge in het tweede kwartaal 24,9%, het hoogste niveau tot nu toe, terwijl de omzet per medewerker steeg tot ongeveer $89.000. Ook verhoogden we onze doelstelling voor geannualiseerde operationele efficiëntiewinst naar $65 miljoen tot $75 miljoen, doordat we aanvullende mogelijkheden voor automatisering in kaart brachten.

Deze maatstaven vertellen je iets anders dan een benchmarkscore. Ze laten zien of de technologie de kostenstructuur van de bedrijfsvoering verandert.

Een workflow kan een uitstekende modelnauwkeurigheid hebben en toch een slechte implementatie zijn als de exploitatie te duur is of er te veel handmatig herstelwerk nodig is. Volgens mij moeten leidinggevenden het resultaat van begin tot eind volgen. De technologie moet een operationeel voordeel opleveren dat ergens meetbaar is.

Verwacht u dat agentische AI in de toekomst een laag blijft die aan bestaande bedrijfssystemen wordt toegevoegd, of wordt het de voornaamste orkestratielaag waarmee mensen, software, gegevens en bedrijfsprocessen op elkaar inwerken?

Ik denk dat steeds meer workflows agentisch zullen worden.

In bedrijven blijven systemen, gegevensopslagplaatsen en applicaties bestaan die specifieke functies vervullen. Wat verandert, is de manier waarop het werk tussen die onderdelen wordt verplaatst. Een agentische workflow kan informatie ophalen, tools coördineren, acties activeren en bepalen wanneer een transactie een andere vorm van interventie vereist.

Dat is nu al te zien in het voorbeeld van de luchtvaartmaatschappij. De onderhoudsgegevens staan in een private vectordatabase binnen de omgeving van de klant, terwijl de agentische laag regelt hoe die informatie tijdens de volledige onderhoudscyclus wordt geraadpleegd en gebruikt.

Ik verwacht dat dit soort orkestratie veel gebruikelijker zal worden.

De onderliggende modellen zullen blijven veranderen. Modellen met open gewichten verbeteren snel, en na de modellen die we vandaag gebruiken zal er een nieuwe generatie komen. Daardoor wordt de orkestratielaag steeds belangrijker, omdat ondernemingen iets duurzaams rond die modellen nodig hebben.

Als je de pijplijn opbouwt rond het proces, de domeinkennis, de beveiligingsvereisten en de beheersmaatregelen voor ondernemingen, kun je blijven profiteren van betere modellen zodra die beschikbaar komen. Daar zal volgens mij een groot deel van de waarde op lange termijn liggen.

Bedankt voor het geweldige interview. Lezers die meer willen weten, kunnen terecht bij XBP Global.