Coborg: Turning Enterprise AI into Real Business Value

Niet alle taken zijn gelijk. Sommige zijn repetitief, gestructureerd en vragen weinig interpretatie. Dat zijn precies de taken waar AI duidelijke versnelling kan brengen. Andere taken vragen nuance, context of hebben een grote impact op beslissingen. Daar blijft menselijk toezicht niet alleen nodig, maar ook strategisch. Een goede samenwerking tussen mensen en intelligente systemen begint bij dat onderscheid, weten wat iedereen het best doet.

Bij Inetum ontwikkelden we bijvoorbeeld een oplossing voor een telecomoperator die werkt met intelligente agents. Die agents brengen vanaf het eerste contact de projectscope in kaart, samen met de businessuitdaging, de beschikbare data en de KPIs. Die informatie wordt meteen omgezet in een gestructureerde beoordeling van haalbaarheid, benodigde inspanning en verwacht rendement. AI versnelt het voorbereidende werk, terwijl mensen verantwoordelijk blijven voor de strategische keuzes rond prioriteiten, investeringen en het finale ontwerp.

Dit punt is cruciaal omdat het een hardnekkig idee doorprikt dat vaak terugkomt in AI gesprekken: de verwachting dat AI perfect moet zijn. Jarenlang zijn AI systemen bekeken alsof het klassieke software zijn, met de aanname dat ze altijd een eenduidig en correct antwoord geven. In werkelijkheid werken deze systemen volgens een heel andere logica. Fouten zijn geen simpele bugs die je wegwerkt met een patch. Ze ontstaan omdat AI vertrekt van waarschijnlijkheden, aannames en onvolledige informatie. Afwijkingen horen erbij. Een minder precies antwoord, een hallucinatie of een verkeerde conclusie zijn geen uitzonderingen, maar een natuurlijk gevolg van hoe dit soort systemen functioneren.

De gevolgen zijn duidelijk. Een hallucinatie in een systeem dat producten aanbeveelt leidt misschien tot maximum een mindere klantbeleving. In financiële risicoanalyse kan zo’n fout echter wél tot verkeerde beslissingen leiden. Hoeveel fouten aanvaardbaar zijn, hangt af van het proces, maar risico is er altijd.

Die realiteit ontkennen helpt niet. Wat wel telt, is AI systemen zo ontwerpen dat ze dit risico erkennen, het maximaal beperken, zichtbaar maken wanneer het zich voordoet en de impact op de business onder controle houden. In implementaties die volgens die principes zijn opgezet, kan het aantal hallucinaties in kritische outputs tot 70 procent worden teruggedrongen.

Dit brengt een nieuwe verantwoordelijkheid met zich mee voor elke technologiepartner die het meent met enterprise AI. Een verantwoordelijkheid die verder gaat dan het uitrollen van krachtige modellen of aantrekkelijke interfaces. In een bedrijfscontext volstaat het niet dat AI output er “juist” uitziet. Systemen moeten uitlegbaar zijn, controleerbaar en compliant met zowel regelgevende als operationele kaders. Vertrouwen is hier geen nice to have, maar een absolute voorwaarde voor adoptie. Volgens IBM noemt 45 procent van de bedrijfsleiders zorgen rond accuraatheid of databias als grootste drempel voor het inzetten van AI.

Wat adoptie afremt, is dus niet de technologische complexiteit. Het is het gebrek aan vertrouwen in de resultaten. Dat wantrouwen is vaak het gevolg van eerdere ervaringen met modellen die getraind waren op data van lage kwaliteit, of die onvoldoende gevalideerd werden vóór ze in gebruik gingen.

Zelfs wanneer vertrouwen en controlemechanismen op orde zijn, duikt vaak nog een andere hindernis op. En die komt meestal te laat in beeld: de maturiteit van de data.  Maandenlang worden organisaties aangezet om use cases te versnellen, licenties aan te kopen en hun AI‑ambities te tonen. Maar tussen aankoop en echte impact zit een veel minder zichtbare, en veel intensievere realiteit: het klaarzetten van de datafundamenten. Bronnen opschonen, structuren aanbrengen, kwaliteit valideren, systemen koppelen en zorgen voor consistente data. Nog vóór een AI‑model betrouwbaar kan werken, gaat daar vaak 60 tot 80 procent van de totale inspanning naartoe.

Dat basiswerk haalt zelden de voorpagina, maar het bepaalt alles wat volgt. Tegelijk is het een van de grootste spanningsvelden vandaag voor CFOs, CIOs en data leaders. Veel organisaties hebben al geïnvesteerd in AI‑capaciteiten die ze niet ten volle kunnen benutten, eenvoudigweg omdat hun dataplatformen er nog niet klaar voor zijn. Het resultaat is onderbenutte investeringen, frustratie bij teams én in de rest van de business, en extra druk op IT. Effectief schalen draait niet om sneller gaan. Het draait om beter voorbereid zijn.

Vanuit dat perspectief speelt Coborg een verbindende rol. Het brengt onderdelen samen die in organisaties te vaak los van elkaar worden aangestuurd. Enerzijds helpt het om scherp te kiezen in use cases, op basis van impact, haalbaarheid en strategische relevantie, niet louter omdat ze nieuw of technisch interessant zijn. Anderzijds werkt Coborg met een modulaire architectuur die naast bestaande systemen kan functioneren, zonder vanaf dag één voor ingrijpende veranderingen te zorgen.

Daarnaast bundelt Coborg alle essentiële bouwstenen om AI effectief in de praktijk te brengen. Denk aan de samenwerking tussen meerdere LLM’s, geautomatiseerd beheer van de volledige data lifecycle, natuurlijke taalinterfaces en versnellers waarmee agents en concrete use cases binnen enkele weken uitgerold kunnen worden. Zo blijft het traject weg van eindeloze iteraties en wordt er sneller echte waarde gerealiseerd.

De doorslaggevende factor is uiteindelijk geen architectuur, maar mensen. AI transformaties lopen vaak vast wanneer ze worden gepositioneerd als vervanging of als een opgelegde technologie. Echte adoptie ontstaat pas wanneer teams begrijpen wat er verandert, wat er van hen verwacht wordt en hoe deze tools hun dagelijkse werk ondersteunen. Naast het bouwen van oplossingen moeten organisaties daarom investeren in een gedeelde taal, rolgerichte opleidingen en operationeel vertrouwen. Alleen zo wordt AI gezien als een praktische assistent die helpt in het werk, en niet als een “black box” die losstaat van de business.

Adoptiecijfers tonen duidelijk waarom dit zo belangrijk is. Slechts een kleine (5%) groep gebruikers benut AI tools zoals Copilot echt optimaal. De meesten gebruiken ze sporadisch of haken na verloop van tijd af. Dat ligt meestal niet aan gebruiksvriendelijkheid, maar aan de context. Mensen nemen tools pas echt in gebruik wanneer ze duidelijke problemen oplossen, wanneer ze de output vertrouwen en wanneer ze logisch passen binnen bestaande workflows.

Dat is precies waar Coborg voor staat. Echte verandering ontstaat wanneer organisaties mensen en AI beter laten samenwerken. “Beter” betekent meer focus, sterker oordeelsvermogen en minder incidenten. AI versnelt, analyseert, doet voorstellen en automatiseert waar snelheid en schaal belangrijk zijn. Tegelijk blijven mensen verantwoordelijk voor context, toezicht, verantwoordelijkheid en beslissingen. AI beslist niet in de plaats van mensen, maar helpt hen om sneller en beter beslissingen te nemen.

“Beter” betekent ook dat data evolueert van een structureel probleem naar een goed beheerd strategisch asset. Het betekent dat time to value telt. Organisaties kunnen niet jaren wachten op resultaat, maar kunnen zich evenmin shortcuts permitteren die het vertrouwen of de duurzaamheid ondergraven.

Die aanpak zie je terug in concrete operationele processen. Automatisering creëert pas waarde wanneer ze ingebed is in echte workflows. In de retailsector realiseerde Inetum bijvoorbeeld oplossingen voor online catalogusbeheer. Een lokale operator detecteert een product zonder afbeelding op basis van beschrijving of artikelcode. De applicatie begeleidt het nemen van de foto, met duidelijke richtlijnen voor kadrering, contrast en belichting. AI genereert meteen een propere, gestandaardiseerde versie voor professioneel gebruik. Vervolgens doorloopt het beeld een interne validatiestroom, waarbij de data eigenaar het resultaat kan controleren en goedkeuren. De machine versnelt de uitvoering en haalt repetitief werk weg. Mensen behouden de controle over kwaliteit en finale beslissingen.

In een markt die overloopt van AI beloftes kiest Coborg bewust voor een meer volwassen en pragmatische koers. Geen magie, geen illusie van totale automatisering of foutloze intelligentie. Wel een realistischer uitgangspunt, en net daarom waardevoller. AI werkt alleen wanneer het afgestemd is op de business, steunt op betrouwbare data, wordt ingezet met duidelijke governance en gedragen wordt door de mensen die ermee werken. 

De vraag is vandaag dan ook niet langer of we moeten kiezen tussen mensen of AI.

De echte vraag is hoe we organisaties bouwen waarin mensen en AI elkaar versterken.