Victor Coimbra, technisch directeur en managing partner bij Artefact – interviewreeks

Victor Coimbra is technisch directeur en managing partner bij Artefact, waar hij leiding geeft aan AI-, datawetenschaps- en engineeringactiviteiten in heel Noord- en Zuid-Amerika. In zijn loopbaan combineert hij ervaring met bedrijfsstrategie bij Bain en Accenture met praktische leiding over de ontwikkeling van AI- en machineleersystemen in complexe bedrijfsomgevingen. Hij richt zich erop organisaties te helpen hun technische mogelijkheden te verbinden met meetbare bedrijfsresultaten, waaronder de architectuur, governance en operationele modellen die nodig zijn om AI op te schalen.

Artefact is een wereldwijd adviesbureau voor data en AI dat bedrijven helpt strategieën te ontwikkelen, dataplatforms te bouwen, AI-oplossingen in te zetten en organisatieverandering te begeleiden. Het is actief in sectoren als financiële dienstverlening, gezondheidszorg, maakindustrie en detailhandel. In aanloop naar de Adopt AI Summit, die op 3 en 4 december 2026 plaatsvindt in het Grand Palais in Parijs, bespreekt Coimbra hoe bedrijven verder kunnen komen dan pilots, teams kunnen samenstellen waarin mensen en AI-agenten samenwerken en de waarde van AI in productieomgevingen kunnen meten.

Je loopbaan bracht je van bedrijfsstrategie bij Accenture naar het leiden van AI-, datawetenschaps- en engineeringteams bij Artefact in heel Noord- en Zuid-Amerika. Hoe heeft de combinatie van strategisch advieswerk en praktische technische leiding je aanpak gevormd om bedrijven te helpen AI-investeringen om te zetten in meetbare bedrijfsresultaten?

Ik heb geleerd om AI-strategie altijd te verbinden met de uitvoering. Mijn strategiewerk bij Bain en Accenture liet me zien dat bestuurders overstag gaan voor een verandering in een post op de winst-en-verliesrekening. Door mijn ervaring met engineering leerde ik dat tussen de presentatie en de productieomgeving veel van die waarde verloren kan gaan.

Tegenwoordig draait AI minder om technologie en meer om het opbouwen van een verdedigingswal rond de kernactiviteiten van je bedrijf. De belangrijkste vraag is hoe je individuele productiviteit omzet in gezamenlijke bedrijfswaarde, met een daadwerkelijk gedeeld cognitief vermogen binnen het hele bedrijf.

Daarvoor zijn zowel strategie als uitvoering nodig, en ik heb veel geleerd door beide te doen.

Ondanks aanzienlijke investeringen in kunstmatige intelligentie hebben veel organisaties nog steeds moeite om verder te komen dan succesvolle pilotprojecten. Wat zijn volgens jou de meest voorkomende obstakels die ervoor zorgen dat AI-initiatieven van bedrijven niet in productie worden genomen, en wat onderscheidt bedrijven die hun toepassingen wel succesvol opschalen?

Ik zie vaak dat pilots vastlopen omdat AI wordt toegevoegd aan een organisatie die uitsluitend voor mensen is ontworpen. De technologie werkt doorgaans. Wat vaak nog niet is geregeld, is de taakverdeling: welke taken zijn voor agenten, welke blijven bij mensen, wie controleert het werk en wie is verantwoordelijk voor het resultaat.

Daarnaast zijn er meestal 3 zaken die opschaling vertragen: tokenkosten die door gebruiksafhankelijke prijzen explosief stijgen, beveiliging en governance, en een adoptie die nooit leidt tot daadwerkelijk gebruik.

De bedrijven die ik succesvol zie opschalen, beschouwen AI als een herontwerp van de organisatie. Ze verdelen de uitvoering in 2 lussen. In de binnenste lus voeren agenten het werk van begin tot eind uit: code schrijven, bouwen, testen, indienen en beoordelen. In de buitenste lus bepalen mensen de bedoeling, controleren ze het resultaat en bewaken ze de kosten en kwaliteit. Vervolgens bouwen ze één onderliggend platform dat ze voor elke toepassing opnieuw gebruiken.

Je hebt geschreven over hoe belangrijk het is een AI-native organisatie op te bouwen, in plaats van simpelweg chatbots en copilots aan bestaande systemen toe te voegen. Welke fundamentele veranderingen in de technologische architectuur van bedrijven zijn nodig om deze overgang mogelijk te maken, en op welke gebieden investeren bedrijven momenteel te weinig?

Een AI-native bedrijf draait op een platform, dat bestaat uit 4 lagen: Harness, Context, Model en Infra. In Harness komen mensen en agenten samen en werken ze; het is de volledige applicatie rondom het model. Context bepaalt wat agenten weten en welke bevoegdheden ze hebben. Model regelt hoe modellen tegen de juiste kosten toegankelijk worden gemaakt, gerouteerd en beheerd. Infra is de omgeving waarin ze daadwerkelijk draaien en bepaalt wie de sleutels in handen heeft.

Het is logisch dat de meeste aandacht uitgaat naar de zichtbare 20%: copilots en chattools. In de verborgen 80% vindt het meeste engineeringwerk plaats en worden de kosten, beveiliging en controle bepaald.

Mijn advies is eenvoudig. Koop algemene harnesses en bouw de branchespecifieke varianten zelf. Huur modellen en infrastructuur in en experimenteer ermee, want die veranderen elk kwartaal. En houd je context volledig in eigen beheer. Dat is de laag die echt van jou is en waarin ik de grootste kans zie om meer te investeren.

Nu AI zich ontwikkelt van hulpmiddel voor werknemers tot technologie die zelfstandig complexe workflows uitvoert, hoe moeten organisaties bepalen welke processen geschikt zijn voor automatisering door AI-agenten? Welke technische en operationele waarborgen moeten zijn ingesteld voordat AI-agenten meer beslissingsbevoegdheid krijgen?

Zoals ik het zie, zijn agenten erg goed in werk dat terugkijkt, terwijl mensen goed zijn in werk dat vooruitkijkt. Agenten blinken uit in alles wat op bestaande informatie is gebaseerd, zoals analyses, programmeren, testen, documentatie en afstemming. Mensen nemen taken op zich waarvoor creativiteit nodig is, en creativiteit is per definitie toekomstgericht: smaak, visie, planning, beslissingen nemen en beoordelen of een resultaat daadwerkelijk goed is.

In de praktijk komt dat neer op de 2 lussen. Agenten voeren het werk in de binnenste lus uit. Mensen houden de buitenste lus in handen: de bedoeling bepalen, controleren en bewaken.

De waarborgen zijn ingebouwd in het ontwerp, niet op basis van prompts. We gebruiken 6 lagen in het agentkader: taakregistratie, geheugen, een beveiligde werkruimte met een afgeschermde uitvoeringsomgeving en toegangsrechten, een werkcyclus met controlepunten en verduidelijkingsvragen, routering naar modellen en vangrails die bepalen wat een agent niet zelfstandig mag doen, zoals menselijke goedkeuring, beleidscontroles en maatregelen voor de bescherming van persoonsgegevens. De autonomie neemt vervolgens toe naarmate de agent zich bewijst, net als bij een nieuwe medewerker.

U hebt AI-agenten beschreven als teamgenoten in plaats van als conventionele softwaretools. Hoe verandert die kijk de manier waarop organisaties teams moeten samenstellen, verantwoordelijkheden moeten toewijzen en medewerkers moeten opleiden om samen te werken met steeds autonomere AI-systemen?

We bevinden ons al in de hybride organisatie. De vraag die ik nu het belangrijkst vind, is hoe we de arbeidskrachten verdelen tussen mensen en agenten. Ik denk dat dit de sleutel is tot opschaling.

In een hybride team geeft het organigram de cognitieve capaciteit weer, niet het aantal medewerkers. Een typische verdeling die ik zie in een volwassen technologieteam is 15% werk dat alleen door mensen wordt gedaan, 25% werk met ondersteuning en 60% werk dat door agenten wordt uitgevoerd. Het hoofd IT bepaalt de doelstellingen, verdeelt de capaciteit en is verantwoordelijk voor de resultaten en de kosten. Een senior ontwikkelaar controleert het werk van agenten en bepaalt de architectuur. Een orkestratie-agent verdeelt taken en rapporteert de kosten, en een beoordelingsagent controleert elke oplevering.

De winst stapelt zich op in 3 stappen. Medewerkers met AI-ondersteuning leveren ongeveer 5x zoveel. Agenten die als synthetische medewerkers end-to-endwerk uitvoeren, leveren ongeveer 10x zoveel. Door beide als één personeelsbestand aan te sturen, ontstaat volgens mij het potentieel voor 1000x groei.

Opleiding volgt dezelfde logica. Mensen leren een agent te instrueren zoals een junior engineer, met gestructureerde context en duidelijke resultaten, en hun tijd te besteden aan inzicht, planning en besluitvorming.

Enterprise-AI-systemen zijn sterk afhankelijk van een betrouwbare data-infrastructuur, maar veel organisaties blijven worstelen met versnipperde data, inconsistente governance en verouderde technologie. Welke fundamentele capaciteiten moeten bedrijven prioriteit geven bij de voorbereiding van hun dataplatforms op agentische AI, en hoe kunnen ze moderniseren zonder bestaande activiteiten te verstoren?

Richt je dataplatform in voor een nieuw type gebruiker: agenten. Als een dashboard een verkeerd getal toont, zal een mens dat in twijfel trekken. Een agent handelt op basis van een verkeerd getal, en doet dat op grote schaal.

Geef 4 capaciteiten prioriteit. Gedeelde bedrijfsdefinities, zodat elke agent en elk team hetzelfde bedoelt met “actieve klant”. Een integratiegateway met authenticatie en standaardprotocollen zoals MCP, zodat agenten toegang krijgen tot data met de machtigingen van de rol namens welke ze handelen. Inzicht in kwaliteit en gegevensherkomst. En ongestructureerde data behandelen als een volwaardige asset, omdat contracten, tickets en notulen van vergaderingen de meeste echte kennis bevatten.

Moderniseer zonder verstoringen door eerst een schil om verouderde systemen heen te bouwen en vervolgens per toepassing te migreren. Agenten veranderen ook hier de kostenstructuur. Migratiepijplijnen met meerdere agenten moderniseren nu in enkele maanden honderdduizenden regels verouderde code, waarbij mensen de architectuur bepalen.

Naast toegang tot gestructureerde data hebben AI-agenten steeds meer inzicht nodig in institutionele kennis, bedrijfsprocessen en de context van de organisatie. Hoe kunnen ondernemingen deze kennis effectief vastleggen en integreren in hun AI-systemen, en welke risico’s ontstaan wanneer agenten zonder voldoende bedrijfscontext werken?

Context maakt van een model een collega. Tools begrijpen taken, agenten begrijpen context. Je vraagt een junior engineer niet om aan het werk te gaan zonder het doel, de randvoorwaarden en de criteria voor goed werk uit te leggen; voor een agent geldt precies hetzelfde.

Leg kennis vast in het werk zelf, in plaats van in omvangrijke documentatieprojecten die moeilijk actueel te houden zijn. Elke vergadering, elk ticket, elk besluit en elke correctie voedt een contextlaag die bestanden, tabellen, vectoren en een relatieschema combineert. Na elke afgeronde taak wordt informatie teruggeschreven naar het geheugen, zodat de organisatie bij elke oplevering leert. Ook de context zelf vereist governance: evaluaties, toegangsrechten en kostenbeheersing.

Zonder context lopen agenten op een paar voorspelbare manieren vast. Ze volgen de geschreven regel, maar missen de ongeschreven regel die iedereen kent. Ze halen de verkeerde informatie op en geven met volle overtuiging antwoord. Ze werken met de feiten van het vorige kwartaal. En een contextlaag zonder strikte toegangsrechten kan gevoelige data in gevaar brengen.

Veel bedrijven meten AI-succes aan de hand van productiviteitsverbeteringen, adoptiepercentages of het aantal gestarte proefprojecten. Welke meetwaarden moeten CIO’s en bedrijfsleiders gebruiken om het daadwerkelijke rendement op AI-investeringen te beoordelen, vooral wanneer ze rekening houden met infrastructuurkosten, doorlopend onderhoud en de operationele complexiteit van autonome agenten?

Meet de prestaties van het hybride personeelsbestand, niet van de tool. Adoptie is slechts het eerste van 4 niveaus en wordt altijd afgezet tegen een uitgangswaarde van vóór de invoering. Bij adoptie gaat het om de vraag of mensen de tool gebruiken. Bij productiviteit gaat het erom of we sneller leveren: doorlooptijd, verwerkingscapaciteit en oplostijd. Bij kwaliteit gaat het erom of de resultaten beter zijn: defecten die aan controles ontsnappen, het faalpercentage van wijzigingen en herstelwerk. Bij waarde en kosten gaat het erom of het de moeite waard is: vrijgespeelde capaciteit, time-to-market en de totale kosten per taak.

Een meetwaarde die gemakkelijk over het hoofd wordt gezien, is hoe de cognitieve capaciteit tussen mensen en agenten verschuift, per team. Vrijgekomen menskracht moet bewust worden ingezet voor toekomstgericht werk. Anders gaat een deel van de winst verloren.

Wat de kosten betreft: de prijsstelling verschuift van vaste tarieven naar betaling op basis van gebruik, waardoor rekeningen moeilijker te voorspellen kunnen zijn. Daarom horen routering van modellen en FinOps vanaf dag één bij het platform. Behandel AI-uitgaven net als cloudkosten: maak ze inzichtelijk, wijs ze toe aan een team en koppel ze aan de geleverde waarde.

Artefact werkt met bedrijven in uiteenlopende sectoren, waaronder financiële dienstverlening, gezondheidszorg, industrie en detailhandel, waar de invoering van AI telkens andere uitdagingen met zich meebrengt. Welke lessen komen naar voren uit toepassingen in de praktijk binnen deze sectoren, en hoe kunnen organisaties innovatie in evenwicht brengen met naleving van regelgeving, betrouwbaarheid en menselijk toezicht?

Elke sector staat voor dezelfde vraag: hoe verdelen we het werk tussen mensen en agents? Wat verschilt, is hoeveel van de buitenste regelkring door mensen moet worden uitgevoerd. In de detailhandel en consumentengoederensector zijn fouten goedkoop, dus nemen agents sneller een groter deel van het werk over. In de industrie bepalen betrouwbaarheid en integratie met operationele systemen het tempo. In de financiële dienstverlening en gezondheidszorg moet elke beslissing uitlegbaar zijn, waardoor mensen langer een groter deel van de controle en besluitvorming voor hun rekening nemen.

Wat ik overal zie, is dat naleving van regelgeving het beste werkt als eigenschap van het platform, ingebouwd vanaf het begin. Wanneer waarborgen, auditlogboeken en goedkeuringen door mensen onderdeel zijn van de agentomgeving, profiteert elk nieuw gebruiksscenario daarvan. Komt naleving van regelgeving pas aan het eind aan bod, dan moet elk nieuw project dat gesprek opnieuw voeren.

Het toezicht moet in niveaus worden ingedeeld. Bij taken met een laag risico handelen agents zelfstandig; bij een gemiddeld risico worden ze alleen gecontroleerd als er een uitzondering optreedt; bij een hoog risico bereiden ze alleen de beslissing voor. De niveaus verschuiven naarmate het vertrouwen groeit.

Deze december vindt in Parijs de Adopt AI Summit van Artefact plaats. Daardoor worden gesprekken over AI-soevereiniteit, governance en industrieel concurrentievermogen steeds belangrijker. Hoe denkt u dat Europa’s aanpak van de invoering van AI de wereldwijde strategieën van bedrijven zal beïnvloeden, en welke ontwikkelingen zullen volgens u de volgende fase van AI in bedrijven de komende jaren bepalen?

Europa stelde al vroeg de vraag naar soevereiniteit, en ik denk dat die uitgroeit tot een wereldwijd ontwerpprincipe. Multinationals willen niet voor elke regelgeving een aparte architectuur, dus ontwerpen ze voor de strengste regels: beheer je eigen context, huur je modellen en houd zelf in de hand waar ze draaien en wie de sleutels beheert. De volgende kans voor Europa is om dezelfde energie te steken in de invoering van AI, want het concurrentievermogen zal afhangen van grootschalig gebruik.

De volgende fase is de hybride organisatie, en ik geloof dat dit de toekomst van werk is. Bedrijven zullen niet langer het aantal medewerkers tellen, maar een gedeelde cognitieve capaciteit van mensen en agents beheren. Agents nemen het grootste deel over van werk dat op het verleden is gericht: analyse, code en rapportage. Mensen richten zich op werk dat naar de toekomst kijkt: smaak, visie, planning en besluitvorming.

Ik denk dat de bedrijven die als eerste de verdeling van het werk goed regelen, de weg zullen wijzen. Dat is het gesprek dat ik in Parijs wil voeren om de komende jaren vorm te geven.

Bedankt voor het fijne interview. Lezers die meer willen weten over de invoering van AI in bedrijven, agentische workflows en datatransformatie, kunnen terecht bij Artefact.