Bedrijfs-AI heeft cumulatieve context nodig voordat het aanspraak kan maken op autonomie

Stel je voor: het is maandagochtend, een paar uur voor de kwartaalprognosevergadering. Een financieel directeur vraagt een AI-agent: ‘Waarom is de brutomarge gedaald? Welke aannames moeten worden aangepast? En wat moet het bedrijf hierna doen?’ Binnen enkele seconden haalt de agent informatie uit meerdere systemen, brengt hij een handvol oorzaken in kaart en adviseert hij om de discretionaire uitgaven te verlagen of het aannameplan opnieuw te bekijken. Het antwoord is helder, gedetailleerd en aannemelijk. Er lijkt niets duidelijk mis mee.

Juist dat maakt het zo gevaarlijk. 

Bij nader onderzoek blijken verschillende belangrijke details te ontbreken. De agent gebruikte de verkeerde versie van de prognose. Een goedgekeurde boekhoudkundige correctie uit het vorige kwartaal was hem ontgaan. Ook hield hij er geen rekening mee dat in één regio andere bedrijfsregels gelden. De onderliggende gegevens waren niet per se onjuist; de agent wist eenvoudigweg niet hoe de organisatie die gegevens interpreteerde of hoe de verschillende onderdelen met elkaar samenhingen. Het probleem is niet iets wat je eenvoudig kunt oplossen door een ander model te kiezen. Het probleem is dat het model dit bedrijf niet kent. 

Bij een groot deel van de ontwikkeling van AI voor bedrijven lag de nadruk op modelcapaciteiten en de autonomie van agents. Maar een model kan pas tot een betrouwbare, bedrijfsspecifieke conclusie komen als het begrijpt hoe de organisatie haar cijfers definieert en hoe die samenhangen met de manier waarop het bedrijf werkt. 

De ontbrekende laag is cumulatieve bedrijfscontext: het volgens governancekaders geborgde inzicht in wat bedrijfsgegevens betekenen, met inbegrip van hun definities, onderlinge verbanden, aannames, berekeningen, werkprocessen, uitzonderingen en de beslissingen die zich daar in de loop van de tijd omheen opstapelen.

Die context ontwikkelt zich tijdens planning, prognoses, scenariomodellering, variantieanalyses, correcties, feedback, afsluitingsactiviteiten en goedgekeurde besluitvorming. Zonder die context lopen organisaties het risico AI meer verantwoordelijkheid te geven zonder dat ze AI voldoende inzicht in het bedrijf geven om die verantwoordelijkheid betrouwbaar te dragen. 

AI-capaciteiten ontwikkelen zich sneller dan de gereedheid van bedrijven

Volgens de AI Index 2026 van Stanford gebruikte 88% van de ondervraagde organisaties AI in 2025, maar bleef het gebruik van agents in vrijwel alle bedrijfsfuncties beperkt tot een eencijferig percentage. 

Deze statistieken laten zien dat bedrijven toegang hebben tot AI-capaciteiten, maar dat veel bedrijven er nog niet klaar voor zijn om AI belangrijke werkzaamheden te laten uitvoeren. Leiders weten dat ze AI moeten inzetten bij hun ontwikkeling, maar moeten nog bepalen of ze wel op het juiste niveau van het probleem bouwen.

Een model kan gegevens lezen zonder het bedrijf te begrijpen

Foundationmodellen zijn goed in patroonherkenning, synthese, interactie in natuurlijke taal en het verkennen van grote datasets. Dat zijn belangrijke ontwikkelingen, maar het model zelf onderscheidt zich steeds minder. 

De grotere uitdaging voor bedrijven is AI leren wat de informatie van een bedrijf betekent en, nog belangrijker, hoe die wordt gebruikt bij besluitvorming en analyse.

In veel gesprekken over AI-governance ligt de nadruk op schone gegevens. Dat is een noodzakelijke stap, maar niet voldoende om AI op grote schaal binnen bedrijven in te voeren. Twee schone datasets kunnen nog steeds verschillende definities, perioden en bedrijfsregels hanteren. 

Uit IBM’s CEO Study 2025 bleek dat 25% van de AI-initiatieven het verwachte rendement op investering opleverde en dat slechts 16% op bedrijfsbrede schaal werd uitgerold. Dat patroon past bij een grotere implementatie-uitdaging: toegang tot modellen en gegevens garandeert niet dat een AI-systeem de organisatieregels kan afstemmen die bepalen hoe informatie moet worden gebruikt.

Betere modellen zijn eenvoudig aan te schaffen. Inzicht in een specifiek bedrijf moet worden opgebouwd. 

Context ophalen is niet hetzelfde als cumulatieve context

Veel van wat in de context van AI voor bedrijven context wordt genoemd, wordt nog steeds opgehaald op het moment dat iemand een verzoek indient. Het systeem zoekt een relevant document, gegevensrecord of datapunt op en gebruikt dat om een antwoord te genereren. Bij de volgende vraag begint het weer opnieuw. 

Informatie ophalen is nuttig, maar op zichzelf leidt het niet tot een cumulatief organisatiegeheugen. Er blijft weinig behouden, waardoor de AI het bedrijf bij elke nieuwe interactie weer als een vreemde kan benaderen.

Het is alsof je elke ochtend een briljante nieuwe analist inwerkt. Die analist begrijpt financiën en weet hoe die een dataset moet doorlichten, maar moet nog steeds leren hoe dit specifieke bedrijf zijn kengetallen definieert, welke prognose leidend is, waarom een uitzondering is goedgekeurd en welke aannames steeds weer onjuist blijken.

Cumulatieve context dient een ander doel. In plaats van bij elke prompt of planningscyclus opnieuw te beginnen, bouwt context zich in de loop van de tijd op. Elk onderzoek, scenario, elke correctie, goedkeuring en beslissing kan bijdragen aan een volgens governancekaders geborgd inzicht in de manier waarop de organisatie werkt. Zo kunnen latere cycli voortbouwen op wat eerdere cycli hebben vastgesteld, in plaats van bij elke prompt opnieuw dezelfde verbanden, logica en werkwijzen te ontdekken. 

Dat betekent niet dat alles voor onbepaalde tijd moet worden bewaard. Bruikbare context binnen een onderneming moet bewust worden afgebakend, kunnen worden gecorrigeerd, rekening houden met toegangsrechten en herleidbaar zijn tot de bron. Organisaties moeten bewaren wat belangrijk is en er tegelijk voor zorgen dat verouderde aannames, tijdelijke uitzonderingen en onjuiste interpretaties kunnen worden herkend en in de loop der tijd aangepast.

Vertrouwen wordt onder het model bepaald

Het model is het meest zichtbare onderdeel van een AI-systeem, maar bepaalt zelden of een onderneming op de uitkomst kan vertrouwen.

Een capabel model kan een afwijking onderzoeken, mogelijke verklaringen verkennen en een actie aanbevelen. Of een onderneming op die aanbeveling kan vertrouwen, hangt af van de architectuur rondom het model.

Gartner stelde vast dat organisaties die succesvolle AI-initiatieven rapporteerden tot vier keer zoveel investeren, als percentage van hun omzet, in fundamenten zoals datakwaliteit, governance, AI-vaardig talent en verandermanagement dan organisaties met slechte resultaten.

De contextlaag onder governance maakt deel uit van dat fundament en bevindt zich tussen bronsystemen, modellen en bedrijfsacties.

Ook hier moeten intelligentie en determinisme van elkaar worden onderscheiden. AI kan onderzoeken, concepten opstellen en aanbevelingen doen. Zodra een actie is beoordeeld en goedgekeurd, moet de uitvoering verlopen via gecontroleerde berekeningen, toegangscontroles, controles op het terugschrijven van gegevens en audittrails. De flexibiliteit die een model nuttig maakt voor verkenning, is niet altijd geschikt wanneer een wijziging in de bedrijfsvoering wordt doorgevoerd.

Een model kan aanbevelen wat er moet gebeuren. De architectuur eromheen, waaronder menselijke goedkeuring en systeemcontroles, bepaalt wat er mag gebeuren.

Beperkingen die agents nuttig maken

Agents worden sneller ingezet dan de bijbehorende beheersmaatregelen worden ingevoerd. KPMG stelde vast dat het aandeel organisaties dat ten minste enkele AI-agents inzet, steeg van 11% in het eerste kwartaal van 2025 naar 42% in het derde kwartaal. Gartner meldde echter dat slechts 13% van de organisaties er sterk mee instemde dat zij beschikten over de juiste governance-structuren voor agents.

Die kloof is belangrijk, omdat mogelijkheden en bevoegdheden afzonderlijke ontwerpbeslissingen zijn. Een systeem kan technisch gezien toegang hebben tot een database, een prognose aanpassen of een workflow starten. Dat betekent niet dat het die dingen zelfstandig mag doen.

Voordat organisaties betekenisvol werk delegeren, moeten ze drie beperkingen instellen.

• Zorg voor gedeelde betekenis

Definities, meetgegevens, hiërarchieën, boekhoudkundige kalenders en berekeningsregels moeten op elkaar worden afgestemd voordat een agent er consistent over kan redeneren.

Er mag niet van AI worden verwacht dat die stilzwijgend meningsverschillen oplost die de organisatie zelf niet heeft aangepakt. Zonder gedeelde betekenis kan AI tegenstrijdige definities als uitwisselbaar behandelen en een antwoord geven dat samenhangend is, maar operationeel niet klopt.

• Bepaal wat wordt meegenomen

Organisaties moeten bepalen welke correcties, goedkeuringen, beslissingen en uitkomsten als herbruikbare context worden vastgelegd. Ook hebben ze beleid nodig voor bewaartermijnen, toegang en correcties.

Bruikbaar geheugen wordt geselecteerd en beheerd, niet ongericht opgebouwd. Anders kan een verouderde aanname of een eenmalige uitzondering ongemerkt toekomstige aanbevelingen beïnvloeden.

• Scheid aanbevelingen van toezeggingen

Een analyse, een aanbeveling, een voorgestelde wijziging, uitvoering na menselijke goedkeuring en begrensde autonome uitvoering vertegenwoordigen verschillende bevoegdheidsniveaus. Agents moeten identiteiten en machtigingen hebben die bij elk niveau passen.

Bij de evaluatie moet ook de volledige actieketen worden meegenomen: welke informatie is opgehaald, welke context is gebruikt, welke tools zijn aangeroepen, wat is er veranderd en of die wijziging ongedaan kan worden gemaakt.

Wie alleen het uiteindelijke antwoord test, ziet de meeste manieren waarop een agentische workflow kan mislukken over het hoofd.

Capaciteit beschrijft wat een agent kan doen; governance bepaalt wat die mag doen.

Autonomie vereist meer dan capaciteit

In het openingsscenario rond de marge is snelheid alleen nuttig als het systeem ook weet welke prognose leidend is, welke uitzondering is goedgekeurd, welke actie het mag uitvoeren en wie eindverantwoordelijk blijft.

Ik geloof dat AI binnen ondernemingen pas vertrouwen zal winnen wanneer het de juiste context meeneemt en kan laten zien hoe het tot een ingrijpend resultaat is gekomen.

Organisaties moeten die context- en controlelaag opbouwen voordat ze de autonomie van agents uitbreiden. Het werk zal veranderen, maar de verantwoordingsplicht niet.