Sohrab Hosseini, mede-oprichter van orq.ai – Interviewreeks

Sohrab Hosseini, mede-oprichter van orq.ai, is een technologie-leider en ondernemer gevestigd in de regio Amsterdam met diepe ervaring in SaaS, grote schaal systemen en toegepaste AI. Sinds de oprichting van orq.ai in 2022, heeft hij zich gericht op het bouwen van praktische infrastructuur die teams helpt om grote taalmodellen van experimenten naar betrouwbare productiegebruik te verplaatsen. Zijn achtergrond omvat senior leiderschapsrollen als COO en CTO bij Neocles, CTO van Future Technology bij Transdev, waar hij werkte aan autonome routing en vlootbeheer, en COO bij TradeYourTrip. Daarnaast is hij actief als adviseur en engel-investeerder, waarbij hij startende AI-bedrijven ondersteunt met productrichting, technisch oordeel en uitvoeringsstrategie.

orq.ai is een generatieve AI-samenwerkings- en LLMOps-platform dat is gebouwd om organisaties te helpen bij het ontwerpen, exploiteren en schalen van AI-geactiveerde producten en agenten in echte wereldomgevingen. Het platform biedt promptbeheer, experimenten, feedbackverzameling en real-time zichtbaarheid van prestaties en kosten in één werkruimte, terwijl het compatibel blijft met alle grote taalmodellen. Door technische en niet-technische teams samen te laten werken, helpt orq.ai bedrijven bij het verkorten van release-cycli, het verbeteren van governance en transparantie, en het verminderen van de complexiteit en kosten van het uitvoeren van AI-systemen in productie.

U hebt senior technische en operationele rollen gehad in autonome systemen, vlootbeheertechnologie en SaaS-platforms voordat u Orq.ai oprichtte — hoe heeft die carrièrepad uw beslissing beïnvloed om een ondernemingsgraad controlelaag voor AI-agenten te bouwen in 2022?

Onze achtergronden zijn altijd gericht op het leiden van engineersteams en het focussen op enablement-platforms; dingen zoals cloud, DevOps en data-enablement, vooral tijdens onze tijd als technologie-consultants. Toen de generatieve AI-boom begon, vroegen mijn mede-oprichter en ik ons af: wat voor enablement zullen ondernemingen nodig hebben om niet alleen AI te bouwen, maar om het ook goed te controleren?

We zagen dat de echte behoefte was aan een ondernemingsgraad controlelaag voor AI-agenten. Dit leidde ons ertoe om Orq.ai te bouwen.

Toen u Orq.ai voor het eerst lanceerde, wat zag u in de markt dat u ervan overtuigde dat de echte bottleneck niet de kwaliteit van het model was, maar de onmogelijkheid om agente-systemen van demos naar betrouwbare productie over te zetten?

We hebben altijd geloofd dat wanneer u innovatieve software bouwt, u moet bouwen voor de toekomst. Vanaf het begin gingen we ervan uit dat grote taalmodellen gewoon steeds beter en slimmer zouden worden over tijd. De echte uitdaging die we zagen, was niet de kwaliteit van het model zelf, maar alle controle-, governance- en levenscyclusbeheerproblemen die optreden wanneer u probeert van een demo naar een echte productieomgeving over te stappen.

Met andere woorden, zelfs als modellen verbeteren, is de echte waarde voor onze klanten (en voor ons) ervoor zorgen dat deze systemen daadwerkelijk betrouwbaar in productie draaien. En dat is echt waar we ons op hebben gericht.

De meeste teams kunnen indrukwekkende prototypes bouwen, maar worstelen met runtime-orchestratie, governance en monitoring. In uw mening, wat is het enige grootste breukpunt wanneer engineersteams proberen om te schalen van een proof-of-concept-omgeving naar een live productie-agent?

Het grootste breukpunt is dat teams vaak denken dat het een recht, lineair pad is van het beginnen met het bouwen van een agent tot het hebben van een afgewerkt product. In werkelijkheid is het een zeer iteratief proces.

U past voortdurend uw veronderstellingen aan, test ze, verplaatst ze naar productie en monitort dan wat er gebeurt in de echte wereld. U vindt randgevallen en begint dan die cyclus opnieuw.

De uitdaging is dat het niet alleen een eenmalige inspanning is; het is een continue cyclus van verfijning. En om daarop voort te bouwen, is het niet alleen dat het iteratief is, maar ook dat er vaak onvoldoende tooling of scaffolding aanwezig is om dat proces soepel te ondersteunen.

U hebt een manier nodig voor domeinexperts, productmanagers en engineers om samen te werken zonder silo’s of dure overdrachten te creëren die veel tijd verspillen. Dus dat is een ander groot stuk van de puzzel: ervoor zorgen dat al deze stakeholders efficiënt samen kunnen itereren. En dat is iets wat we echt hebben geprobeerd op te lossen.

Orq.ai positioneert zichzelf als een geïntegreerde controlelaag die experimenten, evaluatie, observatie en runtime omvat. Waarom geloofde u dat een eind-tot-eind-architectuur essentieel was, in plaats van geïsoleerde tools zoals veel puntoplossingen?

Wanneer u begint, is het natuurlijk om een enkel tool te kiezen dat uw grootste pijnlijkste punt op dat moment oplost, vaak is dat observatie. Maar als uw team evolueert, raakt u de volgende bottleneck en voegt u een andere tool toe, bijvoorbeeld een AI-gateway. Voordat u het weet, hebt u vijf tot zeven verschillende tools in uw landschap. Gegevens worden gefragmenteerd, mensen verliezen zichtbaarheid en u verspilt middelen alleen al door al deze integraties te onderhouden. U verliest dat geïntegreerde zicht over uw levenscyclus.

We geloofden dat, aangezien agent-gedreven ondernemingen ontstaan, u echt die eind-tot-eind-architectuur nodig hebt. U hebt een geïntegreerd zicht nodig op wat al uw agenten doen binnen de organisatie, niet alleen gefragmenteerde puntoplossingen. Daarom zagen we geen andere manier dan om die grote delen van de workflow in een geïntegreerd platform op te nemen.

Met de nieuwe Agent Studio en het opnieuw ontworpen runtime, welke grote pijnlijke punten probeerde u op te lossen op basis van feedback van vroege klanten in Europa en de VS?

Wat we zagen, was dat teams allerlei open-source bibliotheken gebruikten om hun agenten te bouwen, zelfs als de daadwerkelijke architectuur van een agent vrij schoon en eenvoudig kan zijn. Ze eindigden met opgeblazen bibliotheken, veel overhead en een grote leercurve, alleen maar om eenvoudige agenten uit te voeren. Met Orq wilden we die last afwentelen.

In plaats van zich zorgen te maken over de architectuur, de compute, de autoscaling, alle infrastructuur, kunnen teams zich nu concentreren op het configureren van hun agenten en hen de juiste tools en API’s geven. Wij doen het zware werk, zodat zij zich kunnen concentreren op het bouwen van hun daadwerkelijke use-cases. En daarbovenop, omdat we de hele levenscyclus ondersteunen, hebben we gespecialiseerde werkbanken gebouwd die u echt laten testen op grote schaal.

Daarmee kunt u randgevallen sneller vinden en uw agenten effectiever verharden. Het gaat erom teams de tools te geven, niet alleen om agenten gemakkelijk te bouwen, maar om ze ook te verfijnen en te versterken in real-world scenario’s, zonder alle extra rompslomp.

Hoe beïnvloeden de GDPR en de EU AI-wet de manier waarop ondernemingen agenten ontwerpen, monitoren en implementeren — en hoe past Orq.ai zich aan?

Het is niet zo dat deze vereisten plotseling worden aangescherpt, ze zijn gewoon onderdeel van de wet, en onze klanten moeten zich daaraan houden. Wat we doen, is ervoor zorgen dat we teams gedurende de hele levenscyclus de juiste tools, evaluatoren en richtlijnen geven, zodat ze vanaf dag één compliance kunnen inbouwen.

We zorgen ervoor dat gegevensresidencie, gegevensprivaciteit, al dat soort dingen, vanaf het begin zijn ingebouwd. En met de geopolitieke spanningen en de drang naar tech- en AI-soevereiniteit in Europa, hebben we een grote vraag gezien naar dat soort dingen. Aangezien we volledig on-premises kunnen draaien en ondernemingen helpen hun afhankelijkheid te verminderen, zijn we in een goede positie om hen te helpen hun eigen lot te bepalen.

Ondernemingen vragen steeds vaker om soevereine architectuur en hybride/on-premises implementaties. Wat zegt deze verschuiving u over de richting waarin de ondernemings-AI-infrastructuur gaat?

Elke onderneming en elk use-case houden afwegingen in. Het is een kwestie van hoe gereed het moet zijn versus hoe veilig en on-premises het moet zijn. We ondersteunen elk type langs dat spectrum. Maar wat we zien, is een sterke focus op soevereiniteit en gegevensresidencie op modelniveau.

Klanten willen duidelijkheid over waar hun gegevens wonen en de mogelijkheid om hun afhankelijkheid van grote cloudproviders te verminderen. Dankzij onze AI-gateway, die over alle grote cloudplatforms en on-premises draait, kunnen teams gemakkelijk die afwegingen maken op basis van use-cases. Ze krijgen de flexibiliteit om de controle te houden en naadloos tussen omgevingen te schakelen.

We zien een enorme vraag van grotere ondernemingen en overheidsinstellingen.

Hoe ziet u de evolutie van multi-agent workflows, veiligheidsrichtlijnen en geavanceerdere redeneersystemen als ondernemingen van experimenten naar echte agent-industrialisatie in 2026 gaan?

Naarmate het gebruik van agenten echt industrialiseert, zien we nieuwe soorten problemen ontstaan, vooral met multi-agent-opstellingen. U kunt tientallen of zelfs honderden agenten hebben die op elk moment in uw organisatie rondlopen, net als werknemers.

De vraag is: hoe controleert u ze allemaal wanneer u een multidimensionaal set van problemen heeft, zoals kosten, gegevenskwaliteit, gegevensresidencie, correctheid, hallucinatie-metrieken enzovoort? U hebt een nieuwe governance-laag nodig om dat aan te pakken, en u hebt veiligheidsrichtlijnen nodig die top-down kunnen worden geïmplementeerd.

U hebt ook top-down zichtbaarheid en nieuwe aggregatielagen nodig, zodat uw CFO, COO, CISO kan zien wat er gebeurt en kan ingrijpen met actiegerichte inzichten. We denken echt dat in 2026 dit hele “agent-afdeling”-concept en de technologie om het te ondersteunen een veel heter onderwerp zal worden.

Agent-drift, kwaliteitsregressie en onduidelijke gegevensstromen zijn terugkerende problemen in productie-AI. Hoe lost Orq.ai’s controlelaag deze langdurige gaten in versiebeheer, evaluatie en continue monitoring op?

Elke agent heeft echt zijn eigen set van evaluaties nodig. Deze evaluaties definiëren wat goed en fout is voor dat specifieke scenario. Door tijd te besteden aan het opzetten van deze evaluatiesets, kunnen teams beter offline-experimenten doen om te zien hoe dingen zich gedragen voordat ze live gaan. En door deze evaluaties online te monitoren, kunt u zien wanneer modellen afwijken of wanneer agent-gedrag verandert over tijd. Zo hebt u een consistente set van kwaliteitsmetrieken tijdens offline-tests, online-monitoring en richtlijnen.

Kijkend naar de toekomst, wat denkt u dat de volgende generatie ondernemingsgraad AI-agenten zal definiëren — en hoe positioneert Orq.ai zich om het standaard operationele platform voor die wereld te worden?

Kijkend naar de toekomst, denk ik dat wat de volgende generatie ondernemings-AI-agenten zal definiëren, is dat elke leverancier zijn eigen agenten zal bieden. In grotere ondernemingen zal het een breed landschap zijn van eerste- en derdepartij-agenten die allemaal samenwerken en elkaar aanroepen.

Het zal niet alleen één type agent of één leverancier zijn; het is een heel ecosysteem dat governance en compliance nodig heeft. En dat is waar Orq.ai binnenkomt. We positioneren onszelf als de agent-controle-toren die verschillende lagen in de organisatie het juiste geaggregeerde zicht en actiegerichte inzichten geeft om op elk moment in te grijpen.

Of het nu gaat om het bouwen, schalen, exploiteren of zelfs afbouwen van agenten, verschillende functies zullen verschillende zichten op dat landschap nodig hebben. En we zullen de go-to-leverancier zijn voor die capaciteit.

Thank you voor het geweldige interview, lezers die meer willen leren, moeten bezoeken orq.ai.