Scott Ernst, CEO van Vyond – Interviewreeks

Je hebt technologiebedrijven herhaaldelijk door ingrijpende veranderingen geleid: je hielp Compete vanaf de beginfase groeien tot aan de overname, begeleidde Macromill bij de beursgang en gaf Drift later een nieuwe positionering rond AI, voordat Salesloft het bedrijf overnam. Nu je bij Vyond aan het roer staat, tijdens opnieuw een grote technologische verschuiving, welke lessen uit die ervaringen bepalen hoe je de AI-era tegemoet treedt?

Wat ik bij al die veranderingen heb gezien, is dat de technologische verschuiving zelden het moeilijkste is. Het moeilijkste is een organisatie als één geheel in beweging krijgen zodra die verschuiving onmiskenbaar is. Bij Compete draaide de les om discipline: een categorieleider opbouwen vanuit een kleine basis vereist een onverminderde focus op de paar zaken die het bedrijf daadwerkelijk vooruithelpen, in plaats van elke kans na te jagen. Bij Macromill leerde ik door het bedrijf wereldwijd op te schalen en naar de beurs te brengen dat groei zonder operationele discipline uiteindelijk spaak loopt… Je hebt rapportages, prognoses en goed bestuur nodig om net zo snel op te schalen als het bedrijf groeit.

Drift sluit het meest direct aan bij wat er nu gebeurt. Toen ChatGPT werd gelanceerd, hadden we al een eigen, gepatenteerd AI-product ontwikkeld en was onze eerste ingeving om dat te beschermen. In plaats daarvan namen we het moeilijkere besluit om ons open te stellen en het hele bedrijf opnieuw rond generatieve AI te positioneren, omdat we geloofden dat de markt zich sneller ontwikkelde dan onze voorsprong te verdedigen viel. Dat was geen productbeslissing, maar een leiderschapsbeslissing over overtuiging en timing.

De les die ik bij Vyond heb meegenomen, is dat tijdens een echte platformverschuiving niet de meest voorzichtige of de meest roekeloze bedrijven winnen. Het zijn de bedrijven die hun hele organisatie snel achter een helder standpunt scharen en vervolgens met grote urgentie aan de slag gaan. Dat is precies het proces dat we nu doorlopen: begrijpen wat er vandaag werkelijk speelt, een overtuigde visie vormen op de richting waarin de markt zich ontwikkelt en het hele bedrijf dezelfde kant op krijgen voordat de kans voorbij is.

Generatieve AI heeft het voor bedrijven veel eenvoudiger gemaakt om content te produceren, maar je hebt betoogd dat de grotere uitdaging nu ligt in het operationaliseren van kennis. Wat betekent dat in de praktijk, en waarom denk je dat het genereren van content op zichzelf maar een klein deel van het probleem oplost?

Generatieve AI heeft het grootste knelpunt bij het maken van content weggenomen: vroeger had je daarvoor een specialist, een productieproces en flink wat doorlooptijd nodig. Nu kan vrijwel iedereen binnen een organisatie binnen enkele minuten iets produceren. Dat is een echte doorbraak, maar het betekent ook dat alle afdelingen — van marketing, HR, verkoop en IT tot L&D — nu zelfstandig content maken, vaak over dezelfde onderliggende kennis, met verschillende tools en zonder gedeeld systeem als centrale bron.

Kennis operationaliseren draait minder om het genereren van meer content en meer om ervoor zorgen dat mensen de juiste informatie kunnen vinden en gebruiken. Het gaat erom te weten waar de betrouwbare, actuele versie van iets staat, wie ervoor verantwoordelijk is, of deze is goedgekeurd en hoe de informatie terechtkomt in de werkprocessen waarin mensen die daadwerkelijk nodig hebben: het LMS, het CRM, de checklist voor onboarding en het complianceoverzicht. Zonder die laag ontstaat wat ik communicatiechaos zou noemen: content wordt dubbel gemaakt, de merkstandaarden verwateren, teams doen werk over dat al bestaat en niemand kan met zekerheid zeggen welke versie de juiste is. Veel van die chaos begint al eerder dan mensen denken, nog voordat er ook maar één middel is gemaakt: op het moment dat niemand daadwerkelijk heeft bevestigd wie de doelgroep is, wat het doel is of op welk bronmateriaal het verzoek gebaseerd had moeten zijn.

Contentgeneratie beantwoordt de vraag: ‘Kunnen we dit snel maken?’, een reëel probleem dat AI grotendeels heeft opgelost. Kennis operationaliseren beantwoordt de vraag: ‘Kan de juiste persoon op het moment dat die de informatie nodig heeft de juiste, betrouwbare versie vinden in de tool die diegene al gebruikt?’ Dat tweede probleem is groter, structureler en in de hele sector nog lang niet opgelost. Daar ligt de kans die voor ons ligt.

Bedrijven verzamelen enorme hoeveelheden documenten, gegevens, door AI gegenereerde samenvattingen en institutionele kennis. Waar ziet u de grootste kloof tussen toegang hebben tot die informatie en die daadwerkelijk zo overbrengen dat medewerkers haar kunnen begrijpen en ernaar kunnen handelen?

De kloof zit niet in de toegang… de meeste bedrijven hebben al meer informatie dan één persoon kan verwerken. Het gaat om omzetting en vertrouwen. Kennis zit opgeslagen in omvangrijke, statische formaten, zoals pdf’s, presentaties, wiki’s en beleidsdocumenten, die zijn gemaakt om te worden opgeslagen en doorzocht, niet om snel te worden begrepen. Om die informatie om te zetten in iets wat iemand daadwerkelijk kan opnemen en waarop diegene kan handelen, is een transformatie nodig waarin de meeste organisaties niet structureel investeren.

Ik zag dit duidelijk terug in een gesprek met de vicepresident marketingtechnologie voor grote ondernemingen van een klant bij een technologiebedrijf uit de Fortune 100. Zijn probleem was niet een gebrek aan informatie. Het was dat verschillende onderdelen van een zeer grote organisatie dezelfde communicatieproblemen op geïsoleerde, onderling inconsistente manieren aanpakten. Daardoor bereikte kennis die ergens binnen het bedrijf aanwezig was, nooit betrouwbaar de mensen die haar nodig hadden, in een vorm die ze konden gebruiken. Zoals hij het verwoordde: in een bedrijf van die omvang communiceren de linkerhand en de rechterhand simpelweg niet met elkaar.

Dat is de werkelijke kloof: bedrijven beschikken over meer dan genoeg gegevens, maar hebben te weinig inzicht. De oplossing is niet meer content of meer opslagruimte, maar een discipline en, in toenemende mate, een systeem om ruwe, institutionele kennis om te zetten in heldere, visuele en betrouwbare communicatie en die te laten doorstromen naar de werkprocessen waarin daadwerkelijk beslissingen worden genomen.

Naarmate AI-agenten zelfstandig bedrijfskennis kunnen omzetten in trainingsmateriaal, salesondersteuning, communicatie over compliance of interne communicatie, wat moet onder menselijke controle blijven en waar kunnen bedrijven agenten veilig zelfstandig laten werken?

Mijn algemene regel is dat agenten het uitvoerende werk voor hun rekening nemen en mensen het oordeel vellen, vooral wanneer een fout ernstige gevolgen kan hebben. Bij werkzaamheden met geringere risico’s, een groot volume en een repetitief karakter — zoals eerste versies opstellen, kennis in een nieuw formaat gieten, bestaande goedgekeurde content aanpassen voor een nieuwe taal of regio, of een trainingsmodule bijwerken wanneer een brondocument verandert — kunnen en moeten agenten met veel autonomie werken. Dit is precies het soort werk dat tegenwoordig enorm veel tijd opslokt, terwijl het strategisch gezien maar weinig waarde oplevert.

Menselijke controle moet stevig blijven waar de content juridische, regelgevende, veiligheids- of merkrisico’s met zich meebrengt. In die gevallen moet een mens de laatste controle uitvoeren voordat iets wordt gepubliceerd, en moet het onderliggende bronmateriaal volledig traceerbaar zijn.

We zagen dit rechtstreeks gebeuren bij een klant in de defensiesector. Vanwege de gevoeligheid van hun werk wilde het beveiligingsteam aanvankelijk helemaal geen toestemming geven voor het gebruik van AI in hun werkproces. De oplossing was niet om de agent meer autonomie te geven, maar om de juiste waarborgen in te bouwen: een overeenkomst op maat die garandeerde dat hun gegevens nooit zouden worden gebruikt om externe modellen te trainen, en duidelijke controlepunten waarbij hun eigen teams de goedkeuring in handen hielden. Dat is het model dat ik als algemene regel zou willen toepassen: de autonomie van een agent neemt toe naarmate een taak beter omkeerbaar en minder risicovol is, en de menselijke controle neemt toe naarmate er meer vertrouwen, compliance of merkrisico op het spel staat.

Merkbeheer wordt een stuk ingewikkelder wanneer duizenden stukken content automatisch kunnen worden gegenereerd. Welke technische en organisatorische waarborgen hebben bedrijven nodig om ervoor te zorgen dat door AI gegenereerde communicatie accuraat en consistent blijft en aansluit bij het bedrijfsbeleid?

Technisch gezien zijn de belangrijkste waarborgen de maatregelen die ervoor zorgen dat door AI gegenereerde output is gebaseerd op het eigen goedgekeurde bronmateriaal en de huisstijl van een bedrijf, in plaats van het systeem vrijuit te laten genereren. Stijlgidsen, merkelementen en aanpassingsregels moeten door het platform zelf worden afgedwongen; gebruikers mogen er niet zelf aan hoeven denken. Dat betekent dat het goedgekeurde logo, de kleuren, sjablonen en referentiebeelden in het platform zelf moeten staan, zodat elk gegenereerd stuk content op dezelfde bron teruggrijpt en niet op de versie die die week toevallig op iemands bureaublad staat. Versiebeheer en audittrails zijn net zo belangrijk: als content wordt gegenereerd, bewerkt of goedgekeurd, moet een bedrijf kunnen nagaan wie erom heeft gevraagd, uit welke bron de content afkomstig is en wie de goedkeuring heeft gegeven. Ook moeten reviewers en andere betrokkenen — niet alleen degene die de tool bedient — binnen datzelfde werkproces opmerkingen kunnen plaatsen en hun goedkeuring kunnen geven. Zo vindt de goedkeuring niet plaats in een afzonderlijke e-mailwisseling die precies de audittrail doorbreekt die je probeert op te bouwen.

Organisatorisch draait de waarborg om duidelijk eigenaarschap. De bedrijven waarmee we werken en die dit goed beheren, zijn afgestapt van een aanpak waarbij elk team zelfstandig zijn eigen tools en processen invoert. In plaats daarvan behandelen ze hun communicatieplatform zoals ze een systeem van registratie zouden behandelen: de toegang wordt bewust verleend, het gebruik wordt op geaggregeerd niveau gemonitord en een kleine beheerfunctie is verantwoordelijk voor de normen waaraan iedereen zich houdt. We hebben gezien dat grote organisaties expliciet beoordelen of een platform hun bedrijfsbrede standaard kan worden, precies om deze reden: het is de enige manier om op grote schaal consistentie te bereiken, in plaats van duizenden afzonderlijk ‘goed genoeg’ bevonden stukken content die onderling niet overeenkomen.

Het onderliggende principe is hetzelfde als altijd bij merkbeheer: alleen wordt het nu op veel grotere schaal en met veel hogere snelheid toegepast. Dat betekent dat de waarborgen in het systeem zelf moeten zijn ingebouwd, in plaats van achteraf te worden afgedwongen.

Hallucinaties zijn zorgwekkend in een chatbot, maar kunnen veel ernstiger gevolgen hebben wanneer onjuiste informatie wordt verwerkt in een gezaghebbend ogende trainings- of compliancetrainingvideo. Hoe moeten bedrijven nadenken over de verankering in bronnen, verificatie en herkomst nu AI-gegenereerde communicatie steeds meer wordt geautomatiseerd?

Je hebt gelijk dat er hier meer op het spel staat. Een verzonnen antwoord in een chatvenster wordt op dat moment in twijfel getrokken. Een verzonnen feit in een verzorgde, professioneel geproduceerde compliancetrainingvideo straalt zoveel gezag uit dat mensen het minder snel in twijfel trekken. Dat is precies het tegenovergestelde van wat wenselijk is: juist hier moet de controle het strengst zijn.

Het eerste uitgangspunt moet zijn dat AI-gegenereerde communicatie wordt verankerd in bronnen: de communicatie moet beperkt blijven tot het materiaal dat een bedrijf daadwerkelijk aanlevert — de eigen documenten, het eigen beleid en de eigen goedgekeurde gegevens — en niet gebaseerd zijn op de algemene kennis van het model.

Het tweede uitgangspunt is herleidbaarheid: elk gegenereerd onderdeel moet terug te voeren zijn op de specifieke bron waarop het is gebaseerd. Zo kun je, als er iets niet klopt, precies achterhalen waar het vandaan komt en de fout bij de bron herstellen, in plaats van alleen de uitvoer aan te passen.

Het derde uitgangspunt is verificatie: controlepunten moeten onderdeel zijn van de workflow zelf, niet achteraf worden toegevoegd. Een menselijke controleur moet de tussenstappen kunnen bekijken, niet alleen de afgewerkte, verzorgde video, want juist die verzorgde afwerking maakt fouten moeilijker te ontdekken. In de praktijk betekent dit dat je een volledige opzet of een ruwe montage scène voor scène controleert voordat je een definitieve, duurdere versie laat renderen. Zo kun je een onjuist feit of een niet bij het merk passende claim ontdekken wanneer die nog goedkoop en eenvoudig te verhelpen is. Dit is een van de terreinen waarop bedrijven terecht voorzichtig zijn. Daarom zullen de platforms die hier het vertrouwen van bedrijven winnen niet de snelste zijn, maar de platforms die bronverankering, herleidbaarheid en controle structureel onderdeel maken van de werking van het systeem, in plaats van ze als optionele instelling aan te bieden

De vierde laag is doorlopende evaluatie, niet alleen een eindcontrole. Bij een agentisch systeem volstaat het niet om de voltooide video te controleren. We willen inzicht in de manier waarop de agent tot dat resultaat is gekomen. We houden de uitvoer van de agent en de beslissingen die hij onderweg neemt voortdurend in de gaten en controleren of die in lijn blijven met de brondocumenten, kennisbank en oorspronkelijke bedoeling van de klant. Zo kunnen we afwijkingen of uitvoer van mindere kwaliteit ontdekken terwijl een video nog wordt gegenereerd, in plaats van pas een probleem te ontdekken wanneer de video al af is.

AI-systemen worden steeds vaker rechtstreeks gekoppeld aan kennisbanken en bedrijfsprocessen van ondernemingen. Verwacht je dat de volgende generatie communicatieplatforms een schakel wordt tussen bedrijfsgegevens, AI-agenten en werknemers, in plaats van alleen hulpmiddelen voor het maken van content?

Ja, en ik denk dat die verschuiving al gaande is. Content maken was het eerste, meest voor de hand liggende probleem dat AI kon oplossen, omdat het de zichtbaarste bottleneck was. Maar zodra het maken van content niet langer de beperkende factor is, wordt de waardevolste positie die tussen de kennis van een bedrijf — het CRM, het LMS, de beleidssystemen en de interne wiki’s — en de mensen die die kennis nodig hebben in een vorm die ze daadwerkelijk kunnen gebruiken.

Dat is een wezenlijk andere rol dan die van een creatietool. Een creatietool wacht tot iemand een opdracht geeft. Een schakel tussen systemen bevindt zich in de workflows waarin kennis al aanwezig is, begrijpt wat er is veranderd en helpt de juiste informatie bij de juiste persoon te krijgen, zonder dat iemand daar elke keer zelf om hoeft te vragen.

We zien nu al de eerste tekenen dat bedrijven precies dit willen. Grote klanten vragen ons steeds minder vaak om een videotool voor één team te zijn. In plaats daarvan willen ze weten of we het standaardsysteem voor hun hele organisatie kunnen worden. Door bedrijfskennis om te zetten in communicatie kunnen ook medewerkers buiten het centrale creatieve team — zoals medewerkers van juridische zaken, compliance en regionale teams, en leidinggevenden op de werkvloer — bijdragen, zonder dat ze een volledige licentie of uitgebreide training nodig hebben.

De opkomst van open protocollen zoals MCP en A2A versnelt die verschuiving ook. MCP biedt AI-agenten een gestandaardiseerde manier om betrouwbare context op te halen uit de eigen tools en registratiesystemen van een bedrijf, terwijl A2A gespecialiseerde agenten van verschillende platforms laat samenwerken. In de praktijk betekent dit dat een platform als het onze niet elke workflow of elk bedrijfsgegeven in eigen beheer hoeft te hebben om nuttig te zijn. Het kan aansluiten op de systemen die een bedrijf al vertrouwt, waar zinvol samenwerken met andere agenten en zich richten op waar we het best in zijn: die context omzetten in communicatie die mensen daadwerkelijk kunnen begrijpen en waarop ze kunnen handelen. Dat is de verschuiving van content maken naar communicatie-infrastructuur, en ik verwacht dat de hele sector die richting opgaat.

Vyond ondersteunt al organisaties op het gebied van leren en ontwikkeling, HR, salesondersteuning, compliance en interne communicatie. Welke van deze gebieden zal volgens jou het ingrijpendst veranderen door agentische AI, en hoe zouden die workflows eruit kunnen zien wanneer agenten meer mogelijkheden krijgen?

Ik zou compliance en leren en ontwikkeling noemen als de twee gebieden waar de meeste verandering mogelijk is, juist omdat ze nu het meest te lijden hebben onder verouderde informatie. Compliance-training wordt doorgaans eenmalig opgezet en vervolgens slechts langzaam, jaarlijks of eens per twee jaar, bijgewerkt, terwijl beleid, regelgeving en risico’s voortdurend veranderen. Zodra agents betrouwbaar een beleidsdocument als bron kunnen volgen en begrijpen wat er is veranderd, kan compliancecontent veranderen van een periodiek productieproject in iets wat continu actueel wordt gehouden. Dat levert ondernemingen een daadwerkelijke risicoreductie op, en niet alleen meer efficiëntie. Dat betekent steeds vaker ook dat de content zelf een duidelijk, controleerbaar verslag moet bevatten waaruit blijkt dat AI is ingezet, aangezien toezichthouders en zakelijke inkopers dergelijke openbaarmaking steeds meer als standaardpraktijk verwachten, en niet als iets wat achteraf nog even wordt toegevoegd.

Bij L&D speelt iets vergelijkbaars, maar daar draait de kans om personalisatie en niet alleen om actualiteit: in plaats van één trainingsmodule voor een gemiddelde cursist kunnen agents helpen het tempo, de voorbeelden en zelfs de vorm af te stemmen op de functie en de persoon, terwijl ze zich baseren op hetzelfde goedgekeurde bronmateriaal en dezelfde normen voor instructieontwerp. Voor internationale organisaties betekent dat steeds vaker ook aanpassing van taal en stem, zodat dezelfde training werknemers op de productievloer in Brazilië of een verkoopteam in Japan bereikt in een vorm die echt lokaal aanvoelt, en niet alleen is ondertiteld.

Ook sales enablement en interne communicatie zullen veranderen, maar ik zou die verandering eerder omschrijven als meer snelheid en relevantie dan als een structurele transformatie… de juiste boodschap sneller bij de juiste medewerker of het juiste team krijgen, in een vorm die aansluit bij de manier waarop zij informatie daadwerkelijk tot zich nemen. De rode draad in al deze gebieden is dezelfde: agentische AI maakt ze niet alleen sneller, maar zorgt er ook voor dat ze actueel kunnen blijven op een manier die met de handmatige productiecycli van vandaag simpelweg niet realistisch is.

Als we verder vooruitkijken: hoe zou het de manier waarop organisaties mensen opleiden, kennis delen en uiteindelijk werken kunnen veranderen als ondernemingen in staat zijn om interne kennis voortdurend om te zetten in gepersonaliseerde, actuele communicatie voor iedere medewerker?

Als dat werkelijkheid wordt, en ik denk dat dat zal gebeuren, verandert het werkritme van een bedrijf, en niet alleen de opleidingsfunctie. De meeste organisaties communiceren tegenwoordig in vaste rondes: een jaarlijkse compliancecyclus, een kwartaalbijeenkomst voor het hele bedrijf en een welkomstpakket dat eenmalig wordt samengesteld en jarenlang opnieuw wordt gebruikt. Dat komt doordat communicatie van oudsher duur en tijdrovend is om te produceren, niet doordat het bedrijf zelf zo langzaam verandert.

In een wereld waarin kennis voortdurend wordt omgezet in gepersonaliseerde, actuele communicatie voor iedere medewerker, is training niet langer een eenmalige gebeurtenis, maar wordt die een constante, adaptieve stroom… iemand krijgt de update op het moment dat die relevant is, in de vorm en met de diepgang die bij diens functie passen, en niet maanden later in een vaste communicatieronde. Expertise blijft niet langer opgesloten bij de mensen die er toevallig over beschikken, maar wordt iets wat de organisatie systematisch kan verspreiden en actueel kan houden.

Uiteindelijk kom ik steeds weer uit bij tijd. Elke minuut die een organisatie tegenwoordig besteedt aan het zoeken naar de juiste informatie, het opnieuw maken van iets wat al bestaat of het corrigeren van een boodschap die verouderd of niet consistent is verstuurd, is een minuut die niet aan uitvoering wordt besteed. Als ondernemingen die kloof tussen kennis en begrip daadwerkelijk, voortdurend en op grote schaal kunnen dichten, zullen de organisaties die daarin vooroplopen niet alleen beter communiceren, maar ook simpelweg sneller handelen dan organisaties die nog steeds in vaste rondes werken.

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