Michael Majster, Partner bij Arthur D. Little – Interviewreeks

Michael Majster, Partner bij Arthur D. Little, is een ervaren strategie- en technologieconsultant met diepgaande expertise in digitale transformatie, IT-strategie en innovatiegedreven groei. Gevestigd in Brussel en werkend in de Benelux-regio, brengt hij meer dan twee decennia ervaring mee in het adviseren van CIO’s en senior executives over het leiden van grootschalige veranderingen en het behalen van meetbare bedrijfsresultaten. Voordat hij bij Arthur D. Little kwam, werkte hij 16 jaar bij Accenture, waar hij senior leiderschapsrollen bekleedde, waaronder Managing Director voor Technology Resources in Frankrijk en de Benelux, en sterke sectorale expertise ontwikkelde in energie, nutsbedrijven, chemie en natuurlijke hulpbronnen.

Arthur D. Little is een van de oudste managementconsultancybureaus ter wereld, opgericht meer dan 135 jaar geleden en breed erkend voor zijn focus op innovatie, strategie en technologiegedreven transformatie. Het bedrijf werkt met wereldwijde organisaties om complexe bedrijfsuitdagingen op te lossen, door strategische inzichten te combineren met diepgaande branche-expertise om gebieden zoals digitale transformatie, innovatiemanagement en operationele verbetering te ondersteunen. Met een sterke nadruk op het overbruggen van strategie, technologie en uitvoering, heeft Arthur D. Little een reputatie opgebouwd voor het helpen van klanten bij het ontwikkelen van doorbraakinnovaties en het aanpassen aan snel evoluerende marktdynamiek.

U hebt meer dan 16 jaar bij Accenture gewerkt, uiteindelijk leidde u technologie en resources in BeNeLux en Frankrijk, voordat u Partner werd bij Arthur D. Little. Hoe heeft die reis uw perspectief gevormd op wat het echt kost voor organisaties om van AI-experimenten over te gaan naar grootschalige operationele transformatie?

Tijdens mijn tijd bij Accenture zag ik het bedrijf uitgroeien van 30.000 tot meer dan 500.000 medewerkers. Ik heb zelf meegemaakt hoe IT-levering kan worden geïndustrialiseerd tot een extreme mate om grootschalige transformaties voor CIO’s te ondersteunen.

In de loop der jaren is IT echter steeds meer een kernonderdeel van het bedrijf geworden, waardoor organisaties de noodzaak voelen om af te stappen van de behandeling ervan als een commodity.

Toen ik naar Arthur D. Little verhuisde, wilde ik onderzoeken hoe deze strategische transformaties van de kern van het bedrijf van binnenuit konden worden aangepakt, hoe maatwerkoplossingen in plaats van gestandaardiseerde platforms beter zouden kunnen differentiëren en hoe gezamenlijke aansprakelijkheid van de hele ExCo organisaties zou kunnen helpen een stap te zetten in waardecreatie.

In uw recente zienswijze, Het gaat niet om de agenten, maar om het systeem, betoogt u dat multi-agent AI minder over technologie gaat en meer over verandering van het operationele model. Waarom denkt u dat zoveel organisaties AI nog steeds voornamelijk benaderen als een toolingprobleem?

Organisaties benaderen AI als een toolingprobleem omdat het past in bestaande structuren, budgetten en eigendom, en de complexiteit van cross-functionele verandering vermijdt. Dit maakt snelle pilots en zichtbare vooruitgang mogelijk, maar resulteert vaak in initiatieven die niet kunnen worden geschaald of die geen meetbaar rendement opleveren. Veel leiders vertrouwen ook op legacy software-mentaliteiten, waarbij wordt aangenomen dat AI kan worden geïmplementeerd zoals traditionele IT-systemen, in plaats van dat het een herontwerp van workflows en beslissingen vereist. Tegelijkertijd is de verantwoordelijkheid voor verandering van het operationele model vaag en moeilijker te beheren, waardoor technologiegedreven initiatieven aantrekkelijker worden. Als gevolg daarvan kiezen bedrijven voor tools omdat het gemakkelijker en veiliger is dan de diepere transformatie te confronteren die nodig is om de volledige waarde van AI te ontsluiten.

Veel ondernemingen experimenteren momenteel met agente AI, maar hebben moeite om te schalen. Wat zijn de meest voorkomende structurele belemmeringen die organisaties ervan weerhouden om verder te gaan dan pilots en in productie te gaan?

Organisaties hebben moeite om agente AI te schalen omdat ze zich richten op geïsoleerde use cases in plaats van het herontwerpen van eind-tot-eindprocessen met duidelijke eigendom. Operationele modellen worden vaak niet aangepast, met onduidelijke rollen, beslissingsrechten en onvoldoende integratie van mens-agent-samenwerking in dagelijkse workflows. Veel initiatieven missen ook sterke koppelingen met meetbare bedrijfsresultaten, waardoor ze in de pilotfase blijven steken zonder rendement te kunnen aantonen. Bovendien beperken gefragmenteerde gegevens en legacy-systemen de mogelijkheid van agenten om naadloos over functies te opereren. Ten slotte vertragen zwakke veranderingen en onopgeloste governancezorgen rond risico en betrouwbaarheid de adoptie en schaling verder.

U benadrukt dat orkestratie, en niet individuele agenten, de echte waarde vertegenwoordigt. Wat ziet effectieve orkestratie er in een echt ondernemingsmilieu eigenlijk uit?

Effectieve orkestratie houdt in dat AI wordt ontworpen rond eind-tot-eindbedrijfsprocessen, en niet rond individuele tools, met agenten die duidelijke rollen hebben in de volledige workflow. Meerdere agenten werken samen als een team dat intake, besluitvorming, uitvoering en toezicht afhandelt – gecoördineerd door een centrale orkestratielaag. Deze agenten zijn nauw geïntegreerd met ondernemingssystemen via API’s en gegevensbronnen, waardoor echte acties in plaats van alleen inzichten mogelijk worden. De orkestratielaag beheert ook taakvolgorde, uitzonderingen en escalatie naar mensen, waardoor een soepele en gecontroleerde uitvoering wordt gewaarborgd. Ten slotte zijn sterke governance, validatiemechanismen en feedbackloops ingebed om betrouwbaarheid en continue verbetering te waarborgen.

Terwijl organisaties workflows herontwerpen rond AI, hoe moeten beslissingsrechten evolueren tussen mensen en autonome systemen om zowel overautomatisering als bottlenecks te vermijden?

Beslissingsrechten moeten evolueren naar een risicogebaseerd model waarbij lage-risico, hoge-volumedecisies worden geautomatiseerd, terwijl hoge-impact- of onzekere gevallen onder menselijke controle blijven. Agenten moeten perceptie, analyse en uitvoering afhandelen, terwijl mensen zich richten op oordeel, uitzonderingen en het definiëren van correcte resultaten. Duidelijke escalatiepaden zijn essentieel zodat agenten weten wanneer ze beslissingen moeten doorspelen in plaats van hun autoriteit te overschrijden. Om bottlenecks te vermijden, moet menselijke betrokkenheid selectief zijn en zich richten op uitzonderingen in plaats van volledige toezicht op elke stap. Tegelijkertijd waarborgen sterke guardrails, validatiemechanismen en monitoring controle en voorkomen overautomatisering.

Een van uw belangrijkste punten is dat betrouwbaarheid eind-tot-eind moet worden geëngineerd. Wat zijn de grootste foutmodi die u vandaag ziet wanneer bedrijven multi-agent systemen implementeren zonder voldoende veiligheidsmaatregelen?

Een belangrijke foutmodus is foutpropagatie, waarbij kleine fouten van één agent door het systeem worden verspreid en versterkt. Een ander probleem is hallucinatie en valse vertrouwen, aangezien AI plausibele maar onjuiste uitvoer kan genereren zonder onzekerheid aan te geven. Organisaties hebben ook moeite wanneer te veel autonomie wordt gegeven aan agenten in hoge-impactbeslissingen zonder adequate validatie of goedkeuringspoorten. Zwakke uitzonderingsafhandeling verergert het probleem verder, aangezien agenten falen om onduidelijke of randgevallen te escaleren naar mensen. Over het algemeen treden fouten op omdat betrouwbaarheid niet over het volledige systeem van coördinatie, verificatie en toezicht is geëngineerd.

Bestuur wordt vaak behandeld als een conformiteitslaag in plaats van een ontwerpprincipe. Hoe moeten bedrijven bestuur opnieuw overwegen bij het opbouwen van AI-natieve operationele modellen?

Bestuur moet verschuiven van een post-hoc-conformiteitslaag naar een kernontwerpprincipe dat rechtstreeks in AI-workflows is ingebed. Dit betekent het integreren van guardrails, validatiestappen en goedkeuringspoorten op sleutelbeslissingspunten in plaats van controle toe te voegen na implementatie. Bedrijven moeten een risicogebaseerde aanpak aannemen, waarbij de niveaus van autonomie en menselijke toezicht afhankelijk zijn van de impact en onzekerheid van de beslissing. Duidelijke aansprakelijkheid en beslissingsrechten moeten worden gedefinieerd, waardoor agenten weten wanneer ze moeten handelen en wanneer ze moeten escaleren. Ten slotte zijn continue monitoring, feedbackloops en geëngineerde betrouwbaarheidsmechanismen essentieel om vertrouwen, prestaties en controle op schaal te behouden.

Uit uw werk als adviseur van CIO’s en CDO’s, wat onderscheidt organisaties die meetbaar rendement behalen met AI van die welke blijven steken in eeuwigdurende experimenten?

Organisaties die rendement behalen, richten zich op eind-tot-eindprocestransformatie in plaats van geïsoleerde AI-use cases. Ze koppelen initiatieven aan duidelijke financiële KPI’s en integreren AI in workflows, rollen en beslissingsstructuren. Ze investeren ook in veranderingen, adoptie en bestuur om ervoor te zorgen dat oplossingen effectief schalen. In tegenstelling tot organisaties die in experimenten blijven steken, lopen ze losse pilots, richten ze zich op tools in plaats van processen en ontbreken duidelijke eigendom en aansprakelijkheid. Als gevolg daarvan falen ze erin om AI om te zetten in meetbaar bedrijfsresultaat en blijven ze vastzitten in de pilotfase.

Terwijl multi-agent systemen complexer worden, hoe moeten organisaties nadenken over observabiliteit, monitoring en escalatie om vertrouwen in AI-gedreven beslissingen te behouden?

Organisaties moeten observabiliteit, monitoring en escalatie behandelen als kernsysteemelementen, niet als nasleep. Dit omvat het waarborgen van volledige traceerbaarheid via logging, audittrails en validatiecontroles, zodat beslissingen kunnen worden begrepen en geverifieerd. Monitoring moet zich niet alleen richten op prestaties, maar ook op resultaatkwaliteit, fouten en hoe problemen zich over agenten verspreiden. Duidelijke escalatieregels zijn nodig zodat agenten in hoge-risico- of onzekere situaties kunnen doorspelen naar mensen zonder bottlenecks te creëren. Uiteindelijk komt vertrouwen van systemen die transparant, meetbaar en ontworpen zijn voor menselijke toezicht van nature.

Als we vooruitkijken, hoe ziet u de evolutie van ondernemingsoperationele modellen over de komende 3 tot 5 jaar, terwijl multi-agent AI-systemen dieper worden geïntegreerd in kernbedrijfsprocessen?

Ondernemingsoperationele modellen zullen evolueren naar hybride mens-AI-werkkrachten, waarin agenten als digitale medewerkers zijn geïntegreerd in kernprocessen. Organisaties zullen verschuiven van functionele silo’s naar procesgerichte structuren met eind-tot-eind-eigendom en orkestratie over workflows. Besluitvorming zal meer dynamisch worden, met routine taken geautomatiseerd en mensen die zich richten op uitzonderingen en toezicht. Bestuur- en betrouwbaarheidsmechanismen zullen worden geïntegreerd in dagelijkse operaties in plaats van als afzonderlijke lagen te worden behandeld. Uiteindelijk zal concurrentievoordeel afhangen van hoe goed bedrijven hun operationele modellen herontwerpen rond AI, en niet alleen van de technologie zelf.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Arthur D. Little bezoeken.