Het organisatiemodel voor AI-native engineering

Software maken wordt goedkoper. Het voordeel verschuift naar organisaties die beter beslissen en resultaten veilig valideren.

Kernpunten voor bestuurders

  • Nu AI softwareproductie goedkoper maakt, vereist concurrentievoordeel een ander organisatiemodel. Organisaties die de werkwijze van teams herontwerpen, in plaats van alleen AI-assistenten in te zetten, hebben meer kans op blijvende winst.

  • AI-native engineering vraagt om twee aanvullende vermogens: applicatieteams die dicht bij klanten en problemen blijven, en platform- of "harness"-teams die gedeelde context, waarborgen, evaluaties en governance bieden om mensen en AI-agents veilig op schaal te laten werken.

  • Technologieleiders verleggen hun aandacht van capaciteitsbeheer naar het ontwerp van het ontwikkel- en leveringssysteem. Leiders moeten vier keuzes expliciet maken: waarvoor applicatieteams verantwoordelijk zijn, welke context en controles worden gedeeld, waar agents menselijke goedkeuring nodig hebben en hoe gevalideerd leren en klantwaarde worden gemeten.

In het oude model was implementatiecapaciteit het grootste knelpunt

Veel moderne engineeringpraktijken ontstonden in een wereld waarin software maken duur was. De centrale vraag was: hoe kunnen meer teams voorspelbaarder meer software leveren? Dat uitgangspunt bepaalde hoe organisaties teams inrichtten, platforms financierden en levering maten. Opschalen betekende vaak meer mensen aannemen. Succes werd veelal uitgedrukt in de hoeveelheid werk die het systeem verwerkte.

AI verandert dat uitgangspunt. Volgens ons is AI-native engineering geen traditionele engineering met betere tools. Het vereist een ander organisatiemodel: kleinere applicatieteams dicht bij klantproblemen, ondersteund door platform- of "harness"-teams. Met "harness" bedoelen we de gecontroleerde werkomgeving die mensen en agents de context, tools, rechten, feedbacklussen en grenzen biedt om AI veilig op schaal te gebruiken.

Voor technologie- en dataleiders is dit belangrijk: individuele productiviteitswinst alleen leidt niet tot veilige, organisatiebrede adoptie. Zonder doordacht organisatiemodel dreigen versnipperde tools, dubbele patronen, onduidelijke verantwoordelijkheden, ongecontroleerde blootstelling van data en wisselende kwaliteit.

Bedrijven moeten hun vraag verleggen van "Hoe helpen we engineers AI te gebruiken?" naar "Hoe herontwerpen we het engineeringsysteem zodat mensen en agents veilig waarde kunnen creëren op de schaal van de hele onderneming?"

Als productie goedkoper wordt, worden beslissingen belangrijker

Met AI kunnen engineers meer ideeën verkennen, sneller prototypes maken en meer benaderingen testen. Meer output levert echter niet vanzelf meer waarde op. Zonder goed oordeelsvermogen, relevante context en effectieve evaluatie kan de hoeveelheid werk sneller groeien dan het vermogen om te bepalen wat betrouwbaar, inzetbaar of leerzaam is.

AI kan codegeneratie en experimenten goedkoper maken. Of de totale softwarekosten dalen, hangt af van het werk dat nodig blijft voor beoordeling, integratie, beheer, onderhoud en herstel.

We verwachten dat onderscheidend vermogen in engineering steeds meer afhangt van vier vaardigheden:

  • Bepalen wat er gebouwd moet worden, hoe dat moet gebeuren en hoe die keuzes worden vastgelegd.

  • Mensen en AI-systemen verankeren in de juiste organisatiekennis.

  • Veilig opschalen met gedeelde platforms, controles en evaluatie.

  • Architecturen ontwerpen die nieuwe tools en componenten kunnen opnemen zonder telkens ontwricht te raken.

De schaarste verschuift dus van output produceren naar het rendement ervan verhogen: het juiste werk kiezen, dat in context verankeren, testen of het werkt en weten wat niet moet worden uitgebracht.

Als experimenteren goedkoper wordt, wordt ook besluitregistratie waardevoller. Organisaties moeten weten wat is geprobeerd, wat mislukte, wat is geleerd en waarom de ene route boven de andere werd gekozen.

Engineeringsystemen moeten gericht zijn op snelle validatie, veilige iteratie en vastgelegde inzichten, niet alleen op leversnelheid. Dit verandert zowel de rol van engineers als het team om hen heen.

Engineers regisseren een groter deel van het systeem

Voor engineers gaat het niet zozeer om minder bouwen, maar om meer vormgeven, evalueren en regisseren wat er wordt gebouwd.

AI-gegenereerde software maakt engineers niet overbodig. Mensen die systeembeperkingen begrijpen, interfaces definiëren, evaluaties ontwerpen en werk tussen mensen en agents coördineren, worden juist belangrijker. Engineers die technische diepgang combineren met oordeelsvermogen, productinzicht en evaluatievaardigheden creëren vaak meer waarde dan engineers die alleen losse componenten implementeren.

AI versterkt de leercyclus tussen product en engineering

Van oudsher bepaalden productteams wat er gebouwd moest worden en engineeringteams hoe. Tegenwoordig brengen veel organisaties product, ontwerp en engineering samen. AI verandert vooral wat er binnen dat team gebeurt: goedkopere prototypes maken het mogelijk om ideeën binnen één cyclus van probleemdefinitie naar implementatie en evaluatie te brengen. Teams kunnen meer opties testen, zwakke ideeën eerder afwijzen en gevalideerde ideeën verder richting productie brengen.

Dit bevordert kleine, multidisciplinaire teams waarin product-, ontwerp-, engineering- en domeinspecialisten in één leercyclus samenwerken. Productinhoudelijk en technisch oordeelsvermogen vallen niet samen in één rol, maar moeten nauwer op elkaar aansluiten. Productleiders hebben genoeg technische kennis nodig om prototypes te maken en opties te evalueren. Engineers hebben genoeg klant- en bedrijfscontext nodig om het probleem mede te definiëren, niet alleen een vooraf bepaalde oplossing uit te voeren.

Organisatiecontext wordt een strategisch bezit

Engineeringorganisaties beschouwden code traditioneel als een van hun belangrijkste bezittingen. Nu code makkelijker te genereren is, ligt meer blijvende waarde in de achterliggende context: domeinkennis, klantinzicht, operationele ervaring, eigen data, evaluatiedatasets, machineleesbaar beleid en de geschiedenis van architectuurbesluiten die verklaart waarom systemen zo werken.

Codebases zijn mede belangrijk omdat ze moeizaam verworven bedrijfs- en klantkennis bevatten. AI verandert de inspanning die codeproductie kost, maar neemt het werk om die kennis op te bouwen niet weg. Organisaties moeten dus verder kijken dan codevolume en investeren in middelen waarvan de waarde groeit: goed beheerde eigen data, bruikbare kennissystemen, diepgaand klantinzicht en heldere besluitregistratie.

Voor CIO's en CDO's betekent dit dat informatiearchitectuur en datagovernance centraal staan in engineeringprestaties. AI-agents kunnen alleen context gebruiken waartoe ze toegang mogen hebben en die ze kunnen interpreteren. Versnipperde kennis, onduidelijk data-eigenaarschap en inconsistente rechten worden zo knelpunten voor engineering, niet alleen problemen van informatiebeheer.

Zodra context deel uitmaakt van het productiesysteem, kan die geen passieve documentatie blijven. Context wordt een platformvoorziening.

Organiseer AI-ontwikkeling federatief: lokale teams, gedeelde waarborgen

Zodra context, evaluatie en governance deel uitmaken van het productiesysteem, kan AI-ontwikkeling niet volledig aan afzonderlijke teams worden overgelaten. Maar centralisatie mag ook niet zo ver gaan dat teams het contact met echte klantproblemen verliezen.

Een federatief model brengt die behoeften in balans. Autonome applicatieteams blijven dicht bij het probleem. Gedeelde platform- en harnessvoorzieningen ondersteunen hen met herbruikbare tools, gecontroleerde contexttoegang, evaluatiepatronen, rechten en governance. Dit werkt alleen bij helder eigenaarschap: applicatieteams zijn verantwoordelijk voor de workflow en het resultaat; harnessteams bieden gedeelde voorzieningen om veilig te werken; risicobeheer, beveiliging en governance houden onafhankelijk toezicht.

Applicatieteams en domeinexperts moeten taakspecifieke evaluatiegevallen en acceptatienormen bepalen. Het harnessteam moet de evaluatie-infrastructuur, gedeelde controles en rapportages bieden om die evaluaties consistent uit te voeren.

Gebied

Applicatieteam

Harnessteam

Risicobeheer, beveiliging en governance

Product en resultaat

Kiest probleem, workflow, gebruikerservaring en succescriteria; is verantwoordelijk voor klant- en bedrijfsresultaten

Biedt herbruikbare patronen, tools en telemetrie

Stelt grenzen waar de toepassing wezenlijke risico's oplevert

Context en toegang

Bepaalt welke informatie en acties de workflow nodig heeft

Biedt contextinterfaces, agentidentiteit en toolrechten

Keurt toegang tot gevoelige data en controlegrenzen goed

Evaluatie en vrijgave

Bepaalt acceptatiecriteria en beoordeelt resultaten

Onderhoudt evaluatiesuites, auditlogs en goedgekeurde uitrolroutes

Keurt risicovolle toepassingen, uitzonderingen en wezenlijke wijzigingen goed

Financiering en verantwoording

Krijgt financiering voor en legt verantwoording af over het applicatieresultaat

Wordt gefinancierd als gedeelde voorziening en beoordeeld op hergebruik, dekking en tijd tot veilige productie

Is verantwoordelijk voor onafhankelijk toezicht en besluiten over beheersmaatregelen

Werkritme en leren

Werkt iteratief met domeinexperts en beoordeelt resultaten, ingrepen en incidenten

Zet inzichten om in nieuwe tests, controles en herbruikbare voorzieningen

Beoordeelt incidenten en wijzigingen op afgesproken goedkeuringsmomenten

Dit verandert ook hoe leiders over teamgrootte moeten denken. Kleinere teams die meer software produceren zijn geen doel op zich. Het doel is menselijk oordeelsvermogen in te zetten waar het de meeste waarde heeft: dicht bij het probleem in applicatieteams, en in de gedeelde voorzieningen waarmee die teams snel werken zonder de controle te verliezen.

Het platform wordt een harness voor mensen en agents

Nu applicatieteams kleiner worden en meer AI gebruiken, hebben organisaties sterkere gedeelde voorzieningen nodig om veilig, consistent en verantwoord te blijven leveren.

Platformengineering richtte zich vooral op de productiviteit van ontwikkelaars, met mensen als voornaamste gebruikers. Een AI-native platform moet zowel mensen als agents ondersteunen.

Een agent gebruikt een ontwikkelaarsplatform anders dan een mens. Hij heeft machinetoegankelijke instructies en tools nodig, expliciete rechten en betrouwbare manieren om zijn werk te evalueren. Het harness moet ook rekening houden met waarneembaarheid, beveiliging, compliance en kennisbeheer. Het doel is autonomie bruikbaar te maken binnen duidelijke, afdwingbare grenzen.

Een concreet voorbeeld: AI-ondersteuning bij een bank onder toezicht

Neem een bank die een AI-ondersteunde workflow invoert voor vragen over betwiste kaartbetalingen. Het applicatieteam begint met een beperkte taak: de zaak classificeren, het geldende beleid ophalen en een antwoord opstellen voor een klantenservicemedewerker. Het team is verantwoordelijk voor de workflow, gebruikerservaring, escalatiedrempels en succescriteria. Het bepaalt niet het beleid voor naleving van regelgeving en verleent de agent geen nieuwe rechten.

Agents kunnen hierbij de implementatie ondersteunen, taakspecifieke tests uitvoeren en een release voorbereiden. Mensen keuren de ingebruikname nog steeds goed. De resultaten in productie vormen de basis voor verdere evaluatie en ontwikkeling. Controles tijdens de uitvoering staan daar los van: een klantenservice-agent mag alleen goedgekeurde tools en data gebruiken, binnen vastgelegde rechten en escalatieroutes.

  • Context: de agent heeft toegang tot de huidige zaak, de minimaal benodigde klantgegevens, goedgekeurde product- en klachtenprocedures en machineleesbare escalatieregels. Hij heeft geen toegang tot onbewerkte betaal- of authenticatiegegevens of klantdossiers die niets met de zaak te maken hebben, en mag geen gegevens wegschrijven naar het zaakbeheersysteem.

  • Evaluatie: vóór vrijgave moet een testsuite met representatieve historische zaken en door experts gelabelde randgevallen slagen voor controles op de nauwkeurigheid van classificaties, naleving van beleid, gepast afzien van een antwoord, het lekken van persoonsgegevens en de juiste escalatie van klachten of financieel gevoelige zaken.

  • Goedkeuring: het applicatieteam is verantwoordelijk voor de productbeslissing. Risicobeheer, beveiliging en compliance keuren de datatoegang, beleidsvertaling en uitrolroute goed. Een klantenservicemedewerker keurt elk uitgaand bericht goed. Beslissingen over geld of rechten van klanten vallen buiten de autonomie van de agent.

  • Harnessregistratie: elke uitvoering legt de agentidentiteit, modelversie, opgehaalde context en bronnen, aangeroepen tools, beleidscontroles, evaluatieresultaten, menselijke aanpassingen of ingrepen en incidenten vast. Het team zet wat werkt om in herbruikbare contextinterfaces, evaluatiegevallen, sjablonen voor toegangsrechten en goedgekeurde uitrolroutes. Fouten en ingrepen leiden tot nieuwe tests en verbeteringen in de workflow.

Zo krijgt de agent handelingsruimte, maar alleen via goedgekeurde context en tools. Elke belangrijke grens levert bewijs op dat kan worden beoordeeld en hergebruikt. Mensen blijven verantwoordelijk voor de beslissingen die ertoe doen. Gaandeweg kan de bank praktijkgevallen gebruiken — wat de agent goed deed, waar mensen ingrepen en waar hij faalde — om de workflow te verbeteren en te bepalen of zijn takenpakket kan groeien. Zo zien begrensde autonomie en gevalideerd leren er in de praktijk uit.

Die taakverdeling komt terug in de systemen en controles die het harnessteam beheert. Harnessteams kunnen verantwoordelijk zijn voor:

  • Agentidentiteit: service-identiteiten uitgeven, eigenaarschap en omgeving vastleggen en de model-, prompt- en toolversies per agent bijhouden.

  • Toolrechten: lees- en schrijfrechten, grenzen aan datatoegang, gebruikslimieten, goedkeuringsmomenten en standaardweigering voor agentacties vastleggen.

  • Contextinterfaces: goedgekeurde kennis en data ontsluiten via interfaces met versiebeheer en rechtencontrole, met duidelijke herkomst en actualiteit.

  • Evaluatiesuites: representatieve voorbeelden, randgevallen, veiligheids- en beveiligingstests, regressietests en vrijgavedrempels onderhouden.

  • Auditlogs en waarneembaarheid: agentidentiteit, opgehaalde context, aangeroepen tools, uitvoer, goedkeuringen, menselijke ingrepen, fouten en incidenten vastleggen, met passende bewaartermijnen en toegangscontroles.

  • Goedgekeurde uitrolroutes: sandbox-, schaduw-, gefaseerde en productieroutes bieden met automatische controles, terugdraaimechanismen en wijzigingsbeheer.

Harnessteams zijn geen nieuwe naam voor alle bestaande platformfuncties. Teams voor machinelearningbeheer, beveiliging, governance en platforms houden hun eigen verantwoordelijkheden. Het harnessteam koppelt die controles aan hoe applicatieteams AI-workflows bouwen en beheren: rechten en goedkeuringsmomenten voor beleid, beheerde interfaces voor context, testsuites voor evaluatie en logs die agentgedrag controleerbaar en herbruikbaar maken.

Schema van het organisatiemodel voor AI-native engineering, met applicatieteams die worden ondersteund door een gedeeld platform en harness.

Personeelsbeleid, leiderschap en meetmethoden moeten veranderen

Als engineering zich opsplitst in applicatieontwikkeling en gedeelde ondersteuning, moeten personeelsbeleid, leiderschap en meetmethoden meegroeien.

Applicatieteams hebben productkennis, technische expertise en domeinkennis nodig, dicht bij het probleem. Platform- en harnessteams hebben mensen nodig die de gedeelde omgeving kunnen ontwerpen en beheren om mensen en agents op schaal te ondersteunen.

Technologieleiders worden ontwerpers van het ontwikkel- en leveringssysteem

De uitdaging voor CTO's, CDO's en CIO's is te bepalen wat ze centraal faciliteren en wat ze aan afzonderlijke teams overlaten.

Applicatieteams moeten snel kunnen werken en dicht bij klanten blijven. Ze zouden voorzieningen als veilige datatoegang, waarneembaarheid, evaluatie en governance niet opnieuw hoeven opzetten.

In een AI-native organisatie moeten technologieleiders hun aandacht deels verleggen van capaciteitsbeheer naar het ontwerp van het ontwikkel- en leveringssysteem. Dat houdt in:

  • mensen werven en opleiden met nadruk op oordeelsvermogen en goede besluitvorming;

  • investeren in gedeelde AI-platforms, evaluaties, waarborgen, goedgekeurde routes, kennisstromen en toegangspatronen;

  • grenzen vastleggen voor agents, mensen en gecombineerde workflows;

  • gevalideerd leren, betrouwbaarheid, klantimpact en veilig hergebruik meten; en

  • de technologie goed genoeg blijven volgen om te zien waar AI de kosten en baten van softwareontwikkeling echt verandert.

Een goed ingericht systeem helpt teams passende context te vinden, AI-werk te testen, bewezen patronen te hergebruiken en te herkennen waar menselijke goedkeuring nodig blijft.

Huidige engineeringmetrics vertellen maar een deel van het verhaal

Veel engineeringmetrics stammen uit een tijd waarin softwareproductie een belangrijk knelpunt was. Velocity, storypoints, doorvoer en uitrolfrequentie blijven nuttige operationele signalen, maar zeggen op zichzelf minder naarmate AI softwareproductie minder arbeidsintensief maakt.

Een team kan meer code genereren en meer experimenteren, maar toch slechte beslissingen nemen, onnodige complexiteit creëren of risico's vergroten.

Technologieleiders moeten dus verder kijken dan hoeveel software wordt geproduceerd of hoe breed AI-tools worden gebruikt. Ze moeten weten of AI de organisatie helpt sneller te leren, klantresultaten te verbeteren en betrouwbaar binnen afgesproken grenzen te werken.

Nuttige maatstaven voor applicatieteams zijn bijvoorbeeld:

  • tijd tot gevalideerde inzichten;

  • verbetering van klantresultaten;

  • geleverde bedrijfswaarde;

  • adoptie en gedragsverandering; en

  • het tempo waarin experimenten tot onderbouwde beslissingen leiden.

De tijd tot gevalideerde inzichten loopt van de start van een experiment tot er genoeg bewijs is voor een beslissing. Een team dat maandag begint, woensdag uitrolt en vrijdag een onderbouwd besluit neemt, heeft een leercyclus van één week, geen leveringscyclus van twee dagen.

Nuttige maatstaven voor platform- en harnessteams zijn bijvoorbeeld:

  • hergebruik van goedgekeurde AI-patronen;

  • dekking en effectiviteit van evaluaties;

  • AI-gerelateerde incidenten en herstelwerk;

  • tijd van idee tot veilige productie;

  • waarneembaarheid van agentacties; en

  • gereedheid voor audits en compliancecontroles.

Bijbehorende kostenmetingen moeten per succesvol resultaat modelgebruik, menselijke beoordeling, mislukte pogingen, herstelwerk en operationele ondersteuning meenemen.

Ook deze maatstaven vereisen heldere definities, nulmetingen en evaluatiemethoden. Het doel is niet de ene universele scorekaart door een andere te vervangen, maar te meten of het ontwikkel- en leveringssysteem betrouwbare resultaten oplevert.

Zelfs dit model kan tijdelijk zijn

Het applicatie- en harnessmodel is één antwoord op de huidige fase van AI-native engineering. Het is geen definitieve eindtoestand.

Verschillende ontwikkelingen kunnen de basiseenheid van engineeringwerk opnieuw veranderen:

  • agents die complete workflows voor hun rekening nemen;

  • software die soms tijdelijk wordt gebruikt in plaats van jarenlang onderhouden;

  • gebruikers die van applicatie-interfaces overstappen op agentgestuurde ervaringen;

  • basismodellen die meer platformfuncties overnemen; en

  • regelgeving die controleerbaarheid en verantwoording tot de belangrijkste randvoorwaarden voor engineering maakt.

Dit zijn mogelijkheden, geen vaststaande uitkomsten. Als ze werkelijkheid worden, kan zelfs het onderscheid tussen applicatie- en platformteams te beperkt blijken.

Organisaties die hun organisatiemodel als aanpasbaar beschouwen, zijn het best voorbereid op die onzekerheid. Ze richten zich in rond heldere principes, goede context, begrensde autonomie en snel leren, niet rond vaste teamstructuren of toolkeuzes.

Betrouwbare vooruitgang is de nieuwe norm voor uitmuntende engineering

AI maakt engineeringsystemen niet minder belangrijk. Goed systeemontwerp wordt er juist waardevoller door.

Nu softwareproductie goedkoper wordt, verschuift het voordeel naar organisaties die beter beslissen, bruikbare context opbouwen en veilig werken. AI-native engineering houdt meer in dan AI-tools gebruiken. Het vraagt om herinrichting rond nieuwe randvoorwaarden: besluitkwaliteit, gedeelde context, begrensde autonomie en snel leren.

Technologieleiders kunnen beginnen met vier expliciete keuzes:

  1. Welke klant- en productbeslissingen moeten dicht bij applicatieteams blijven?

  2. Welke context, controles en evaluatievoorzieningen moeten worden gedeeld?

  3. Waar mogen agents autonoom handelen en waar is menselijke goedkeuring nodig?

  4. Welke maatstaven tonen gevalideerd leren, klantwaarde en veilig werken aan?

De antwoorden bepalen de waarde van AI-adoptie sterker dan het aantal assistenten dat een organisatie inzet.

Auteurs

Abbie Manning, Saurabh Singh