Ondernemings-AI heeft een plafond bereikt. Planning is hoe het doorbreekt.

De eerste golf van ondernemings-AI gaf teams copilots die de productiviteit binnen individuele functies optimaliseerden. De volgende golf loopt nu tegen een coördinatieprobleem aan: de belangrijkste zakelijke beslissingen omvatten financiën, operaties, supply chain en strategie, terwijl de meeste AI-systemen nog steeds binnen één functie opereren.

Volgens onderzoek van McKinsey naar AI-maturiteit noemt slechts één procent van de leiders hun bedrijven “volwassen” op het spectrum van implementatie, wat betekent dat AI volledig geïntegreerd is in workflows en aanzienlijke zakelijke resultaten oplevert. De overige 99 procent hebben AI geïmplementeerd, maar hebben nog niet veel te laten zien op ondernemingsniveau.

De reden is structureel. Deze AI-systemen hebben een plek nodig om te coördineren, en planning is de natuurlijke plek. Planning is waar financiële veronderstellingen, vraagsignalen, operationele beperkingen en strategische doelen al convergeren. Het opbouwen van AI in die laag verandert het van een periodieke oefening in de verbindende stof van de onderneming.

Dit is het plafond dat veel ondernemingen nu ontdekken met eerste-generatie AI-implementaties. Terwijl copilots de taakefficiëntie binnen individuele teams verbeterden, losten de meeste organisaties nooit het moeilijkere probleem op dat eronder lag: hoe beslissingen coördineren over de onderneming in real-time. Een snellere forecasting-workflow breekt nog steeds als supply chain-veronderstellingen, operationele beperkingen en financiële prioriteiten los van elkaar blijven.

De Architectuur van de Ondernemings-AI Coördinatiekloof

Drie structurele verschuivingen moeten plaatsvinden om dat te laten werken.

1. Ondernemings-AI moet functionele silo’s ontvluchten

Een copilot ingebed in financiën kan een forecastvariatie samenvatten en uitleggen wat er is veranderd in de P&L. Het kan geen real-time vraagsignaal uit operaties trekken, een bijgewerkte leveranciersrisicobeoordeling meenemen en dat terugvoeren in een herziene forecast die de CFO en de COO tegelijkertijd bekijken. Dat is het structurele plafond dat ondernemings-AI vandaag raakt, en dat is waarom function-by-function-implementaties sterke individuele productiviteitscijfers en zwakke ondernemingsresultaten opleveren.

Onder die breuk ligt een contextprobleem. Elke functie van AI werkt op de gegevens die de functie bezit, in de systemen die de functie gebruikt, met de veronderstellingen die de functie maakt – en er is geen gedeelde laag waar die visies samenkomen in één beeld van wat de onderneming gelooft.

Dit creëert wat veel ondernemingen nu ervaren als een ‘AI-coördinatiekloof’: systemen die in staat zijn om inzichten onafhankelijk te genereren, maar niet in staat zijn om beslissingen over de onderneming snel genoeg voor live-omstandigheden te coördineren.

Het doorbreken van dat plafond betekent het verbinden van de agenten via een gedeelde operationele context gebouwd op gemeenschappelijke gegevensmodellen, gedeelde bedrijfslogica en ontologieën die hen toelaten om beslissingen consistent over functies heen te interpreteren.

Met die basis op zijn plaats, kan een vraagagent een signaal observeren, een supply chain-agent een sourcingsimulatie ertegen uitvoeren en een financieel agent de forecast op basis van beide vernieuwen. De CFO ziet één geünificeerd aanbeveling gebouwd op hetzelfde beeld van de realiteit waar de rest van de onderneming op werkt.

2. Continue planning wordt de coördinatielaag van ondernemings-AI

Continue planning bovenop die operationele context verandert gecoördineerde agenten in echte zakelijke resultaten. Dat betekent dat planning ophoudt een kwartaaloeefening te zijn en begint te werken als een live-systeem, met scenario’s die tegen de doelen van de onderneming bewegen als omstandigheden veranderen, in plaats van te wachten tot de volgende cyclus om bij te blijven. Wanneer een veronderstelling verandert, zijn de alternatieven al gemodelleerd en getest, zodat leiderschap met haalbare paden naar de beslissing gaat in plaats van één forecast die opnieuw moet worden opgebouwd onder deadline.

Het conflict tussen de VS en Iran test dit in real-time. Multinationale ondernemingen met blootstelling absorberen meerdere signalen tegelijk – olie- en energyprijzen bewegen, scheepvaartroutes door de Straat van Hormuz herprijsen risico’s, leverancierslevertijden rekken. En leiderschap moet binnen enkele dagen beslissen wat ze eraan moeten doen. Energiehedging, omleiding en contractonderhandelingen moeten allemaal tegen elkaar worden geëvalueerd in dat venster. Een planningsysteem dat continu werkt en scenario’s test terwijl de situatie verandert, is de enige manier om een betrouwbaar antwoord te produceren om op te handelen.

Dit is wat doelgerichte AI in de praktijk lijkt. Agenten werken naar de doelen die leiderschap heeft ingesteld, en ze signaleren de trade-off wanneer het bereiken van de ene betekent dat de andere moet worden opgegeven. Een systeem kan honderd alternatieven in real-time modelleren en leiderschap nog steeds laten steken op welke te kiezen. De planningslaag is waar de doelen en de trade-offs al wonen. Dat is het verschil tussen een multi-agentensysteem dat werkt in productie en een dat werkt in een demo.

De urgentie rond deze verschuiving neemt toe. Gartner voorspelt dat meer dan 40 procent van de agentic AI-projecten zal worden geannuleerd tegen het einde van 2027 vanwege escalerende kosten, zwakke zakelijke waarde of onvoldoende risicobeheersing. Veel van die mislukkingen zullen terug te voeren zijn op coördinatie- en governanceproblemen in plaats van alleen modelcapaciteit.

3. Ondernemingsgovernance kan niet later worden aangebracht

Een continue planningslaag concentreert echte beslissingsbevoegdheid in een gecoördineerd AI-systeem, wat de reden is waarom governance deel moet uitmaken van de architectuur vanaf het begin. Dit is de zorg die veel CFO’s en CIO’s als eerste naar voren brengen wanneer het gesprek gaat over het implementeren van AI, en het weerspiegelt een verdedigbare positie. Autonome systemen horen niet thuis in beslissingsworkflows zonder auditeerbaarheid, uitlegbaarheid en duidelijke beleidsgrenzen.

In implementaties die echt werken, kan elke actie die een agent uitvoert worden herleid tot de inputs, de logica en het beleid erachter. Elke aanbeveling komt met de veronderstellingen die een financieel leider, een auditor of een bestuurslid nodig heeft om het te betwisten op de merites.

Traceerbaarheid is wat menselijke toezicht mogelijk maakt. De CFO, de controller en de leiders die verantwoordelijk zijn voor het resultaat, kunnen alleen aanbevelingen bekijken, veronderstellingen betwisten en actie autoriseren als ze kunnen zien hoe het systeem daar kwam. Agenten behandelen snelheid en breedte, en mensen houden het oordeel. Een leider die het systeem kan zien vangen van een variatie, de veronderstellingen erachter zien en de aanbeveling betwisten voordat deze wordt uitgevoerd, zal meer autoriteit aan het systeem geven over tijd. Een leider die een black-boxantwoord met geen traceerbare logica krijgt, zal weigeren om op het systeem te vertrouwen, en de autoriteit van de agent neemt af. De bedrijven die governance in de architectuur opnemen, krijgen de eerste soort implementatie. Degenen die het later aanbrengen, krijgen de tweede.

Het Decennium dat Komt Behoort tot de Infrastructuur Bouwers

Tien jaar van nu zullen de verschillen tussen bedrijven die planning hebben gemaakt tot de verbindende laag voor hun AI en bedrijven die dat niet hebben gedaan, onmiskenbaar zijn.

Het onglamoureuze werk – gegevens verbinden, workflows integreren, governance vanaf het begin inbedden – is wat bepaalt aan welke kant een bedrijf terechtkomt.

De winnaars in ondernemings-AI zullen niet de bedrijven zijn met de meeste agenten. Ze zullen de bedrijven zijn die de infrastructuur hebben gebouwd die in staat is om hen te coördineren.