AI · 17 oktober 2026
Ook gepubliceerd in Deutsch
WeAreProject benadrukt noodzaak van fundamentele IT-transformatie voor kunstmatige intelligentie
Het voorbereiden van een organisatie op kunstmatige intelligentie vereist een fundamentele evolutie die verder gaat dan de traditionele fysieke infrastructuur. Het proces vereist een heroverweging van de gegevensbeheersing en de volledige levenscyclus van kunstmatige intelligentie, met een nadruk op prestaties, schaalbaarheid en governance. WeAreProject identificeert de cruciale componenten die nodig zijn om deze transformatie te voltooien en de infrastructuur toekomstbestendig te maken.
Kunstmatige intelligentie staat centraal in de strategische plannen van bedrijven, maar de aanpak verschilt aanzienlijk. Sommige organisaties concentreren zich op het bieden van veilige en beheerde toegang tot grote taalmodellen om de risico's van onbeheerde implementaties te beperken. Andere bedrijven richten zich op de opbouw van een infrastructuur die specifiek geschikt is voor kunstmatige intelligentie. Deze infrastructuur moet in staat zijn om op lange termijn gegevens, werkbelastingen, applicaties en intelligente agenten te ondersteunen, terwijl de IT-afdeling zich voorbereidt op de overgang naar steeds modernere en agentische modellen.
De onderscheidende factor is niet de omvang van het bedrijf, maar de onderliggende visie. Het transformeren van kunstmatige intelligentie van een eenvoudig werktuig naar een strategische waardebron vereist het aanpakken van de fundamenten. Dit betekent dat alle elementen die de technologie mogelijk maken, moeten worden aangepakt. Een infrastructuur die geschikt is voor kunstmatige intelligentie, is meer dan een omgeving met voldoende rekenkracht om modellen uit te voeren. Het is een ecosysteem dat experimentele projecten naar productie kan brengen, ze snel in bedrijfsprocessen kan integreren en dit kan doen met adequate prestaties, veiligheid, beheersbaarheid en schaalbaarheid.
Er is een wezenlijk verschil tussen het beschikken over infrastructuur waar kunstmatige intelligentie op kan draaien en het creëren van de voorwaarden om deze technologie te ontwikkelen, te industrialiseren en te laten evolueren. Door diensten, gegevens, rekenkracht en governance te hergebruiken, hoeft een organisatie niet opnieuw te beginnen bij elk nieuw model of agent. Dit leidt tot economische schaalbaarheid. Hoewel het eerste project aanzienlijke investeringen kan vereisen voor de technologische fundamenten, moeten opvolgende projecten kunnen bouwen op wat al is gerealiseerd. Dit verlaagt de marginale kosten en de tijd die nodig is om nieuwe toepassingen in productie te nemen. Als elk nieuw geval een afzonderlijk project vereist met eigen infrastructuur en governance, blijft de organisatie kunstmatige intelligentie benaderen via geïsoleerde verticale initiatieven.
De focus ligt niet op het bouwen van nieuwe datacenters, aangezien de huidige capaciteit in de meeste gevallen de eerste werkbelastingen kan ondersteunen. De prioriteit ligt bij de gegevens. Bedrijven beschikken al over grote informatieve rijkdommen, maar deze zijn verspreid over verschillende systemen, cloudomgevingen en formaten. Een platform dat geschikt is voor kunstmatige intelligentie, vereist een heroverweging van de volledige levenscyclus van gegevens, inclusief acquisitie, opslag, bescherming en toegang voor modellen en agenten. Het centraliseren van alle gegevens in één omgeving is vaak niet haalbaar of zinvol. Gevoelige gegevens kunnen lokaal blijven, terwijl andere in verschillende cloudomgevingen of legacy-systemen zoals mainframes of AS/400 kunnen worden opgeslagen.
Om fragmentatie op te lossen, kan een meerlaagse aanpak worden toegepast. Een gemeenschappelijk beheersvlak zorgt voor uniformiteit in zichtbaarheid, governance en beveiligingsbeleid zonder de gegevens zelf te verplaatsen. Een gestandaardiseerde applicatieplatform, zoals Red Hat OpenShift, kan in een hybride cloudlogica functioneren. Dit stelt organisaties in staat om modellen en agenten direct naar de locatie van de gegevens te brengen, waardoor latencieproblemen worden opgelost. De rol van opslag verandert ook. In plaats van alleen een bewaarpunt te zijn, wordt opslag een actief element van het informatieve ecosysteem. Oplossingen zoals IBM Fusion maken het mogelijk om inhoud uit historisch gegevens te extraheren, wat architekturen voor retrieval-augmented generation ondersteunt en de waarde van het gegevenspatrimonium vergroot. Deze aanpak vereenvoudigt ook de beveiliging door het aantal lagen waar gegevens doorheen moeten te verminderen, waardoor rechten en beleid consistent blijven zonder dat beschermingsmechanismen op meerdere platformen moeten worden gedupliceerd.
De tweede stap is het definiëren van de architectuur voor het bouwen, distribueren en uitvoeren van kunstmatige intelligentie. Dit vereist het vaststellen van een toolchain en een operationeel proces om de levenscyclus van modellen en agenten te beheren. Dit omvat het standaardiseren van technologieën, het bepalen van waar bepaalde activiteiten worden uitgevoerd, en het beheren van training en inferentie tot en met de productie-invoering.