Jason Wojahn, CEO van KMS Technology – interviewreeks

Jason Wojahn is CEO van KMS Technology en heeft ongeveer drie decennia ervaring met het opbouwen en opschalen van bedrijven die technologiediensten leveren aan grote organisaties. Hij was medeoprichter en leidinggevende van Thirdera, voordat het bedrijf werd overgenomen door Cognizant. Daarvoor gaf hij leiding aan de wereldwijde ServiceNow-activiteiten van Accenture en bekleedde hij leidinggevende functies bij Cloud Sherpas en IBM Global Services. Zijn werk richt zich op bedrijfstransformatie, bedrijfsmodellen en het omzetten van vooruitgang op het gebied van AI in meetbare bedrijfsresultaten.

KMS Technology is een bedrijf voor digitale engineering, data en AI dat organisaties helpt software te ontwikkelen, applicaties te moderniseren, hun datafundament te versterken en AI in productie te nemen. De diensten omvatten technisch advies, productontwikkeling, data-engineering en intelligente workflowautomatisering. In dit interview bespreekt Wojahn de ‘uitvoeringseconomie’, de kloof tussen AI-pilots en productie, de beslissingsbevoegdheid van agents en hoe bedrijven hun vooruitgang kunnen meten aan de hand van end-to-endresultaten.

Je hebt drie decennia besteed aan het opbouwen en opschalen van technologieorganisaties voor grote bedrijven: van de groei van Navigis en het leiden van de wereldwijde ServiceNow-activiteiten van Accenture tot het opbouwen van Thirdera en je huidige functie als CEO van KMS Technology. Hoe hebben die ervaringen je kijk op bedrijfstransformatie gevormd, en wat sprak je aan in de uitdaging om organisaties te helpen AI-native te worden?

Ik begon bij IBM Global Services, waar ik verantwoordelijk was voor de dienstverlening aan grote zakelijke klanten. Daarna volgden Navigis, Cloud Sherpas, Accenture, Thirdera en Cognizant; vrijwel mijn hele loopbaan speelde zich af binnen het ServiceNow-ecosysteem.

Dit patroon bleef ik zien. Iedere nieuwe platformgolf beloofde transformatie, maar de technologie bepaalde zelden wie er won. De winnaars waren de bedrijven die veranderden hoe het werk daadwerkelijk door de organisatie stroomde.

In mijn jaren bij ServiceNow leerde ik dat de waarde in workflows zit, niet in dashboards. Bedrijfssoftware werd dertig jaar lang steeds beter in het laten zien wat er gebeurde. Veel minder goed was die software in het daadwerkelijk oplossen ervan. Mensen vulden dat gat op. Ze werden het onbetaalde integratieteam en verplaatsten werk van het ene systeem naar het andere.

AI verandert dat. Intelligentie wordt steeds overvloediger. Wat nu schaars is, is het vermogen om die om te zetten in gecoördineerde actie. Daarom ben ik bij KMS terechtgekomen: vanwege de diepgaande expertise in engineering waarmee systemen kunnen worden gebouwd die het werk uitvoeren in plaats van het alleen bij te houden, en de kans om AI-native te worden in plaats van AI alleen in te zetten als hulpmiddel.

Veel grote organisaties hebben met succes laten zien wat AI kan betekenen in pilotprogramma’s, maar slagen er niet in die vroege successen om te zetten in waarde op productieschaal. Op welke obstakels stuiten organisaties het vaakst wanneer ze verder willen gaan dan experimenteren, en waarom komen die uitdagingen vaak pas aan het licht nadat de technologie zich heeft bewezen?

Een pilot bewijst dat het model werkt. Productie bewijst dat de organisatie werkt.

Dat zijn heel verschillende tests. Een pilot gebruikt schone, zorgvuldig geselecteerde data, een gemotiveerde sponsor en een klein team dat om elke tekortkoming heen werkt. De pilot is zo opgezet dat de moeilijke onderdelen worden vermeden.

In productie kun je die niet vermijden. De agent moet nu toegang krijgen tot vijf systemen in plaats van één. Iemand moet verantwoordelijkheid nemen voor het resultaat als er iets misgaat, bepalen wat de agent mag goedkeuren en de kosten dragen om de agent dagelijks te laten draaien.

Daarom komen deze uitdagingen pas aan het licht nadat de technologie zich heeft bewezen. Het waren nooit technologieproblemen. Het zijn problemen rond data, integratie, eigenaarschap en bevoegdheden, en de pilot was zo opgezet dat al die problemen konden worden omzeild.

De oplossing is om pilots niet langer als demo’s te behandelen. Beschouw de pilot als de eerste fase van de productiegang. Kies een belangrijke workflow, koppel die aan de echte systemen, wijs een verantwoordelijke aan en bepaal vanaf dag één waarover de agent mag beslissen. Het duurt langer om te beginnen, maar opschalen gaat veel sneller.

Je hebt een verschuiving naar een ‘uitvoeringseconomie’ beschreven, waarin concurrentievoordeel steeds meer afhangt van het vermogen van een organisatie om intelligentie om te zetten in gecoördineerde actie. Wat betekent dat concept in de praktijk, en hoe verandert het de manier waarop grote organisaties hun AI-investeringen moeten benaderen?

Elk stuk werk doorloopt dezelfde keten: informatie, inzicht, besluitvorming en uitvoering.

Bedrijfssoftware richtte zich decennialang op de eerste twee stappen, en AI verbetert de eerste drie in hoog tempo. De meeste organisaties lopen nog vast bij de uitvoering, en juist daar verschuift het concurrentievoordeel naartoe.

In de praktijk betekent de uitvoeringseconomie dat intelligentie niet langer de schaarse hulpbron is. Dingen gedaan krijgen is dat wel. Twee bedrijven kunnen over dezelfde modellen, dezelfde data en dezelfde inzichten beschikken. De winnaar is het bedrijf dat die inzichten omzet in gecoördineerde actie, met duidelijke bevoegdheden en een controleerbaar auditspoor.

Dat verandert de manier waarop je investeert. De meeste AI-budgetten worden tegenwoordig besteed aan tools: copilots, assistenten en betere zoekfuncties. Daarmee werken individuele medewerkers sneller. Maar een voorstel dat AI in tien minuten opstelt, kan nog steeds drie dagen op goedkeuring wachten. Snellere taken leveren niet automatisch sneller resultaat op.

Investeer dus in workflows, niet in tools, en begin met een andere vraag. Niet: ‘Hoe maken we deze medewerker 20% productiever?’ Maar: ‘Voor welk werk is menselijke coördinatie voortaan niet meer nodig?’

Nu AI zich ontwikkelt van ondersteuning van medewerkers bij afzonderlijke taken naar het zelfstandig uitvoeren van complete workflows, hoe moeten organisaties dan hun bestaande processen, besluitvormingsstructuren en verantwoordingsmodellen herzien?

De meeste bedrijfsprocessen zijn ingericht rond menselijke beperkingen. Informatie verspreidde zich langzaam, dus introduceerden we vergaderingen. Besluiten vereisten toezicht, dus bouwden we goedkeuringsketens op. Veel van wat we een proces noemen, bestaat in feite uit overdrachten tussen mensen.

Automatiseer je de processen zoals ze nu zijn, dan automatiseer je het organigram. Je krijgt snellere overdrachten, maar niet minder overdrachten.

De herziening begint bij besluiten, niet bij taken. Breng voor elke workflow de besluiten daarbinnen in kaart. Wat kan een agent aanbevelen? Waarover kan die beslissen? Wat kan die zelfstandig uitvoeren? Wanneer moet een mens ingrijpen?

Bevoegdheden horen bij besluiten, niet bij complete workflows. Een agent kan volledig worden vertrouwd met het afstemmen van een factuur, maar toch voor elke betaling boven een vastgestelde limiet goedkeuring van een mens nodig hebben.

Verantwoordingsplicht verdwijnt niet. Die wordt juist duidelijker. Mensen en agents zijn samen verantwoordelijk voor de uitvoering: agents voeren het werk uit, terwijl mensen de bevoegdheden vastleggen, uitzonderingen afhandelen en verantwoordelijkheid dragen voor het resultaat. Elke agent moet een aangewezen eigenaar hebben, en elke handeling moet traceerbaar en, waar mogelijk, omkeerbaar zijn.

Leiderschap verschuift van het coördineren van werk naar het ontwerpen van de systemen die dat werk uitvoeren.

Bij KMS Technology richt u zich op de transformatie van traditionele digitale engineering naar bedrijfsuitvoering waarin AI vanaf de basis is geïntegreerd. Hoe ziet die transformatie er intern uit, en hoe pakt KMS de integratie van AI, dataplatforms en intelligente workfloworkestratie aan om meetbare bedrijfsresultaten te realiseren?

We passen diezelfde denkwijze eerst op onszelf toe. KMS is groot geworden als bedrijf voor digitale engineering. Onze volgende fase draait om bedrijfsuitvoering waarin AI vanaf de basis is geïntegreerd: bouwen, moderniseren en beheren, waarbij mensen en agents samen verantwoordelijk zijn voor de uitvoering. De resultaten zijn zichtbaar in tijd en inspanning:

Bouwen. Evergreen Telehealth wilde een telezorgplatform bouwen op basis van agentische AI en de FHIR-standaard voor zorggegevens, maar op de markt bestond niets vergelijkbaars. Met AI als uitgangspunt en Claude geïntegreerd in alle fasen — van het vaststellen van de eisen en het ontwerp tot de bouw en het testen — brachten ons team en de technici van Evergreen het kernplatform in 75 werkdagen van concept naar productie. Dat omvatte drie apps (web, iOS en Android), vier actieve integraties (EHR, identiteitsverificatie, betalingen en apotheek) en twee agents in productie. Mensen stuurden het proces aan en AI versnelde het. Agents stelden gebruikersverhalen op, genereerden code en voerden tests uit. De technici waren verantwoordelijk voor de architectuur, de toewijzing van klinische gegevens en elke belangrijke beslissing.

Moderniseren. Een ander voorbeeld: een softwarebedrijf in de maritieme sector moest een platform vervangen dat het al meer dan 20 jaar lokaal beheerde. Het kon een langdurige, traditionele herbouw niet verantwoorden voordat investeerders vooruitgang zagen. Daarom voerden we een agentgestuurd bouwtraject uit met een vaste looptijd van zes weken. De eisen van de klant werden als context ingeladen, zodat de agents het systeem volgens de specificaties bouwden in plaats van alleen code te genereren. Het team leverde ongeveer 35 tot 45 procent van de MVP-omvang op in circa 800 teamuren, tegenover een oorspronkelijke raming van 6.000 tot 8.000 uur. Agents schreven de code en meer dan 5.000 unit tests. De technici stelden de kaders vast en beoordeelden de kwaliteit.

Beheren. Sindsdien heeft Evergreen de agentarchitectuur uitgebreid naar het hele bedrijf, met toezichthoudende agents die het systeem monitoren en mensen die betrokken blijven om het te beoordelen en problemen op te lossen.

We schrijven niet alleen sneller code. We veranderen hoeveel werk een team kan uitvoeren.

In alle drie de gevallen zijn mensen en agents samen verantwoordelijk voor de uitvoering. Agents voeren het herhaalbare werk uit. Onze technici en de teams van onze klanten zijn verantwoordelijk voor de besluiten, de uitzonderingen en het resultaat.

Dankzij diezelfde verschuiving kunnen we meer slagkracht creëren bij de uitvoering. Dat is het verschil tussen AI-native dienstverlening en dienstverlening met AI-ondersteuning.

Bedrijfsbrede AI-systemen zijn steeds meer afhankelijk van toegang tot informatie in versnipperde oudere applicaties, cloudplatforms en dataomgevingen. Hoe groot is de uitdaging om deze systemen met elkaar te verbinden, en welke architecturale basis moeten organisaties leggen voordat ze AI-gestuurde workflows op grote schaal inzetten?

Dat is de grootste uitdaging. De meeste bedrijven hebben geen AI-probleem. Ze hebben een versnipperingsprobleem dat door AI onmogelijk te negeren is geworden.

Kijk hoe het werk vandaag wordt gedaan. Iemand zoekt informatie op in de ene applicatie, vraagt goedkeuring aan in een andere en kopieert het resultaat naar een derde. Mensen vormen de integratielaag. Een agent kan dat werk niet uitvoeren zonder toegang tot die systemen, inzicht in de context en de juiste bevoegdheden.

Daarom is de basis belangrijker dan het model. Vier onderdelen komen eerst:

• een moderne data-architectuur die agents voorziet van betrouwbare context
• een integratielaag waarmee agents in verschillende systemen kunnen handelen, in plaats van er alleen gegevens uit te lezen
• identiteit en bevoegdheden die zijn ingericht voor agents, en niet alleen voor mensen
• monitoring, zodat je kunt zien wat elke agent heeft gedaan en waarom

Ook de technologiestack wordt compacter. Dataplatforms krijgen een operationele rol, workflowplatforms worden intelligent en applicaties worden headless. Als de workflow de hele stack kan doorkruisen, waarom zou de gebruiker dat dan moeten doen?

Wacht niet op de perfecte architectuur. Kies één belangrijke workflow en moderniseer alles wat ermee te maken heeft. Pak daarna de volgende aan.

Wanneer AI-agenten beslissingen gaan nemen en acties uitvoeren binnen bedrijfsprocessen, worden vragen over governance, verantwoording en menselijk toezicht steeds belangrijker. Hoe moeten ondernemingen bepalen welke beslissingen ze aan AI kunnen delegeren en welke onder menselijk toezicht moeten blijven?

Ik zou beginnen met een andere vraag. Niet: ‘Kan AI dit?’ Het antwoord is steeds vaker ja. De betere vraag is: ‘Wie heeft AI toestemming gegeven om te handelen?’

Capaciteiten en toegang betekenen niet dat er bevoegdheid is. Als een agent een terugbetaling kan goedkeuren, een productieschema kan wijzigen of uitgaven kan vastleggen, moet iemand de grenzen bepalen.

Een praktische toets is de kosten-batenafweging en de omkeerbaarheid. Een beslissing die vaak voorkomt, op regels is gebaseerd en gemakkelijk ongedaan kan worden gemaakt, leent zich goed voor delegatie. Een beslissing met grote gevolgen, die onomkeerbaar is of de relatie met een klant bepaalt, moet door een mens worden genomen.

Delegatie moet je ook verdienen. Begin met agenten die aanbevelingen doen en een mens die goedkeuring geeft. Naarmate er meer bewijs is, kan die persoon overgaan van het goedkeuren van elke actie naar het toezicht houden op het systeem en het afhandelen van uitzonderingen.

Het doel is niet om bij elke stap een mens te betrekken, maar om mensen op de juiste momenten in te schakelen. Data biedt context. Modellen redeneren. Agenten voeren uit. Mensen bepalen de bevoegdheden en dragen de verantwoordelijkheid voor de gevolgen.

U hebt leidinggegeven aan grote enterpriseplatformbedrijven bij Accenture en Cognizant, waar het opschalen van activiteiten vereiste dat technologie, mensen en processen binnen wereldwijde organisaties op elkaar werden afgestemd. Welke lessen uit die ervaringen zijn relevant voor de AI-transformaties van vandaag, met name wanneer weerstand binnen de organisatie of verouderde bedrijfsmodellen grotere obstakels vormen dan de technologie zelf?

Integratie heeft me meer geleerd dan wat ook. Bij Cloud Sherpas, daarna Accenture en later Cognizant heb ik jarenlang organisaties samengebracht. Verschillende culturen, leveringsmodellen, prikkels en regio’s moesten allemaal als één platformbedrijf functioneren.

De technologie was zelden de beperkende factor. Dat was het bedrijfsmodel.

Drie lessen zijn rechtstreeks van toepassing op AI-transformatie.

Ten eerste is weerstand meestal rationeel. Mensen beschermen waarop ze worden beoordeeld. Introduceer agenten terwijl teams nog steeds worden afgerekend op uren, personeelsaantallen en activiteiten, en je krijgt naleving, geen verandering. Pas de maatstaven aan en het gedrag volgt.

Ten tweede moeten beslissingsbevoegdheden expliciet worden vastgelegd. Bij elke integratie gingen de moeilijkste gesprekken over wie waarover beslist. Door AI wordt die vraag onvermijdelijk, omdat sommige beslissers geen mensen meer zijn.

Ten derde moet duidelijk zijn wat hetzelfde blijft. Mensen kunnen veranderingen beter verwerken als ze begrijpen waarom ze plaatsvinden en weten wat er niet verandert.

AI-transformatie is een verschuiving in het bedrijfsmodel waarbij toevallig ook technologie komt kijken. Leiders die het behandelen als de invoering van software, zullen teleurgesteld zijn.

Traditionele maatstaven voor AI-succes leggen vaak de nadruk op adoptiepercentages, productiviteitsverbeteringen en tijdsbesparing. Welke maatstaven moeten bestuurders vooropstellen om te bepalen of AI de uitvoering van bedrijfsactiviteiten daadwerkelijk verbetert, en hoe kunnen organisaties onderscheid maken tussen stapsgewijze efficiëntiewinst en betekenisvolle operationele transformatie?

Adoptie en tijdsbesparing zijn inputmaatstaven. Ze laten zien dat mensen de tool gebruiken, niet of het bedrijf sneller werkt.

Als een engineer twee uur bespaart, maar de release vervolgens nog een week op een beoordeling moet wachten, is er voor de klant niets veranderd. Taken sneller uitvoeren betekent niet dat resultaten sneller worden bereikt.

Ik zou drie soorten maatstaven vooropstellen:

• Tijd van behoefte tot resultaat: hoelang het duurt voordat een verzoek van begin tot eind tot een resultaat leidt.
• Waar het werk blijft wachten: hoelang beslissingen duren, hoeveel overdrachten er zijn en hoe lang werk in wachtrijen tussen teams blijft liggen.
• Werk zonder coördinatie: welk deel van een workflow verloopt zonder menselijke coördinatie, terwijl mensen zich richten op hun beoordelingsvermogen en uitzonderingen.

Koppel die maatstaven vervolgens aan de bedrijfsresultaten: kosten om klanten te bedienen, kwaliteit en omzet.

De toets voor transformatie is eenvoudig. Is de taak sneller uitgevoerd, of is de workflow anders ingericht? Stapsgewijze verbeteringen versnellen hetzelfde proces. Transformatie verwijdert stappen, overdrachten en goedkeuringen die niet langer nodig zijn.

Meet de tijd van behoefte tot resultaat. Zoek uit waar het werk blijft wachten. Verander wat het daar ophoudt.

Hoe verwacht u dat de relatie tussen AI, enterprise software en menselijke werknemers zich de komende drie tot vijf jaar zal ontwikkelen? Voorziet u een toekomst waarin AI-native systemen traditionele bedrijfsworkflows fundamenteel vervangen, en wat zouden bedrijfsleiders vandaag moeten doen om zich op die overgang voor te bereiden?

Dertig jaar lang vertelde bedrijfssoftware ons wat er gebeurde. In de komende drie tot vijf jaar zal die steeds vaker het werk doen.

Wat AI zal overnemen, is de coördinatie: achter dingen aan zitten, kopiëren, overdragen en opvolgen, wat het grootste deel van de dag van de meeste mensen in beslag neemt. Mensen gaan zich meer richten op oordeelsvorming, uitzonderingen, relaties en verantwoordelijkheid nemen voor resultaten. Dat is een betere inzet van menselijke expertise, maar daarvoor zijn nieuwe vaardigheden nodig, die leiders doelbewust moeten ontwikkelen.

Wat moeten leiders vandaag doen? Kies één belangrijke werkstroom en breng de beslissingen daarin in kaart. Zorg dat de onderliggende gegevens op orde zijn. Bepaal waarover de agent mag beslissen en wijs aan wie verantwoordelijk is voor het resultaat. Ga daarna verder met de volgende werkstroom.

Bedrijven die AI als hulpmiddel beschouwen, zullen efficiënter werken. Bedrijven die hun organisatie eromheen opnieuw inrichten, zullen er meer slagkracht door krijgen. AI is niet de strategie. De uitvoering is dat wel.

Bedankt voor het boeiende interview. Lezers die meer willen weten over bedrijfsuitvoering op basis van AI, intelligente werkstromen en de overgang van AI-pilots naar productie, kunnen terecht bij KMS Technology.