Core vs. context is een kritisch concept om over na te denken wanneer je probeert te begrijpen waarmee mensen zichzelf opnieuw zullen opbouwen met AI. Bedrijven brengen "core" functies in die hen onderscheiden. Dit is wat hun kernproduct of -dienst is, hoe ze aan klanten verkopen, dingen die hun cultuur aandrijven, enzovoort. Omgekeerd besteden ze de "context" uit die essentieel is om goed te krijgen, maar alleen nadelen biedt als het verkeerd gaat. Een eenvoudige vuistregel om over na te denken is of een klant ooit zou opmerken of het bedrijf die functie zelf direct uitvoerde of niet. Enterprise software is bijna altijd "context". Dit zijn gebieden zoals hun CRM- of HR-systemen, infrastructuur, databeheer, enzovoort. Deze zijn noodzakelijk om een bedrijf op schaal te laten opereren, maar zelden heb je voordeel bij het zelf ontwikkelen. Slechts een paar uitzonderingen bestaan, en het is bijna altijd omdat je een oplossing nodig hebt om je "core" te bedienen die geen enkele leverancier biedt (zoals als je aangepaste software nodig had voor een verticaal geïntegreerde toeleveringsketen). Ongeacht hoe een bedrijf begint, scheiden ze na verloop van tijd bijna altijd werk en waarde tussen core en context. Het is de enige manier waarop ze competitief kunnen blijven en uiteindelijk middelen kunnen toewijzen aan de optimale gebieden. Dus zelfs als een bedrijf *zou kunnen* hun enterprise software herschrijven met AI, zouden ze dat in feite gewoon niet doen. De versie-updates, beveiliging, regelgevende functies, bugs, SLA's, de professionele diensten die nodig zijn, enzovoort, zouden het gewoon ROI-negatief maken. Zoals bucco opmerkt, is het echte risico betere versies van deze tools die AI-eerst zijn. Dat is waar je op moet letten vanuit een verstoringsstandpunt.

Geweldige thread. Wat een AI-agent ook kan doen, kan ook worden misleid. Je moet aannemen dat als een agent toegang heeft tot gegevens, een gebruiker uiteindelijk ook die gegevens kan krijgen. Beveiliging van agents, toegangscontroles en deterministische veiligheidsmaatregelen zullen cruciaal zijn.

Er is veel discussie over hoe de toekomst van software eruitziet in de onderneming. Hier is hoe ik denk dat het zich zal ontwikkelen. Voor deterministische workflows waarbij de kosten van een fout hoog zijn, zullen ondernemingen de neiging hebben om kernplatforms te kiezen voor hun meest voorkomende, belangrijke en herhaalbare functies binnen de organisatie. Denk aan salarisadministratie, ERP, CRM, ITSM, klantenservice, ECM/documentbeheer, enzovoort. Dit zijn gebieden waar je iets elke keer op dezelfde manier wilt laten doen. Elk van deze platforms moet van ontwerp AI-eerst zijn, wat betekent dat ze gebruikersinterfaces zullen hebben die zijn afgestemd op interactie met de workflows en gegevens via AI, en volledig zijn ontworpen voor AI-agenten om in de platforms te opereren. In de loop van de tijd kunnen we verwachten dat het gebruik van deze systemen veel meer naar AI-agenten zal neigen dan naar mensen. Het zitmodel blijft voor de gebruikers, maar consumptie wordt het model voor agenten. Sommige gevestigde bedrijven zullen de eindtoestand bereiken, maar anderen zullen niet snel genoeg aanpassen en verdwijnen. Er zal dan een nieuwe groep van effectief Agent-only bedrijven ontstaan die speciaal zijn gebouwd voor het automatiseren van specifieke soorten werk (en vooral voor niet-deterministisch werk). Hun businessmodellen zullen nog meer op consumptie gericht zijn. Denk aan Claude Code of Devins (waarschijnlijk met een of andere UI-laag voor het beheren van de agenten) maar voor verschillende functiegebieden. We zullen waarschijnlijk in de loop van de tijd honderden of duizenden van deze bedrijven zien ontstaan. Pen-testen, coderen, bugs vinden, compliance reviews, financiële analisten, enzovoort. Dit is een enorm gebied waar startups het goed zullen doen omdat er doorgaans geen software-vestigingen in deze categorieën zijn. We zullen met deze verschillende agenten interageren vanuit een mix van de softwareplatforms waarmee ze zijn verbonden (zoals Box AI of Agentforce), via API's in andere systemen, en horizontale workflowsystemen die agenten over platforms heen samenvoegen (zoals ServiceNow, IBM Watsonx, Google Agentspace, enzovoort). En natuurlijk zullen gebruikers deze agenten vaak consumeren via horizontale chatervaringen (zoals ChatGPT, Claude, Perplexity, Grok, Copilot, enz.) via MCP of andere soorten directe verbindingen. Gebruikers zullen doorgaans in deze horizontale chatsystemen werken, waarbij ze de agenten, gegevens en workflows uit de verschillende Agentic-platforms naar behoefte binnenhalen. Wanneer relevant, zullen ze in de kernplatforms springen om workflows te voltooien, informatie te bekijken, enzovoort. Er zal ook een lange staart van ervaringen zijn waarbij gebruikers micro-apps on-the-fly kunnen genereren wanneer ze snelle applicaties of geautomatiseerde use cases nodig hebben, wanneer er geen voor de hand liggend stuk software is om dat mee te doen. Dit kan direct in de horizontale chatsystemen gebeuren, in een tool zoals Replit, Lovable, of in workflowautomatiseringstools, enzovoort. Ik verwacht dat dit meer voor de power users is waar ze lijm nodig hebben tussen meerdere systemen of waar er nog geen software bestaat. Het netto resultaat is dat software in de loop van de tijd alleen maar belangrijker wordt, zelfs als de modaliteiten waarmee we interageren veranderen en uitbreiden. Vergelijkbaar met hoe we moeiteloos tussen onze telefoons en desktopcomputers schakelen, ook al zouden ze gemakkelijk kunnen samensmelten, zal de toekomst een mix van manieren bieden om met software te interageren.

Hoewel het fascinerend is, is het idee dat AI elke gebruikersinterface ter plekke genereert waarschijnlijk minder waarschijnlijk dan mensen denken. De voordelen van hyperpersonalisatie zullen waarschijnlijk niet opwegen tegen het opnieuw moeten leren van een app elke keer dat je deze gebruikt of de risico's dat dingen op onverwachte manieren kapot gaan.

De verdeling van arbeid tussen AI-agenten zal cruciaal zijn voor het maximaliseren van de impact van agenten. We hebben al lang een verdeling van arbeid in organisaties omdat het effectiever is om individuele experts taken aan elkaar door te geven dan een stel generalisten die elke keer op een andere manier dingen proberen te doen. AI-agenten presenteren dezelfde dynamiek. Voor AI-agenten om te functioneren, heb je precies de juiste hoeveelheid context nodig over de taak die ze proberen te voltooien. Dit betekent een diepgaande domeinbegrip, een set kennis om op voort te bouwen, duidelijke instructies en een set tools om te gebruiken. Te weinig context en de agent zal falen. Evenzo, naarmate meer van deze informatie de contextvenster binnenkomt, weten we dat de modellen suboptimaal kunnen worden. Voor een complex bedrijfsproces, als je alle documentatie, beschrijving van de workflow en instructies in het contextvenster plaatst, weten we dat dit uiteindelijk kan leiden tot contextrot, wat leidt tot slechtere resultaten. De logische architectuur in de toekomst is dan om agenten op te splitsen in atomische eenheden die overeenkomen met de juiste soorten taken en deze agenten samen te laten werken om hun werk te voltooien. We zien dit al effectief plaatsvinden in coderingsagenten. Er komen steeds meer voorbeelden naar voren van mensen die subagenten opzetten die allemaal specifieke delen van een codebase of servicegebied bezitten. Elke agent is verantwoordelijk voor een deel van de code, en er is agentvriendelijke documentatie voor de code. Dan, wanneer er werk nodig is in dat relevante gebied van de codebase, coördineert een orkestrerende agent met deze subagenten. We zouden deze patroon waarschijnlijk in bijna elk gebied van kenniswerk in de toekomst kunnen zien toepassen. Dit zal het mogelijk maken om AI-agenten voor veel meer dan taak-specifieke gebruiksgevallen te gebruiken en uit te breiden naar het aandrijven van volledige workflows in de onderneming. Zelfs als AI-modellen verbeteren om grotere contextvensters te kunnen hanteren, en de intelligentieniveaus stijgen, is het niet duidelijk dat deze architectuur ooit verdwijnt. Het is waarschijnlijk dat de rol van elke agent uitbreidt naarmate de mogelijkheden verbeteren, maar duidelijke scheidingslijnen tussen subagenten zullen waarschijnlijk altijd leiden tot betere resultaten.

Aanvankelijk was de gedachte dat een enkele AI-agent willekeurig grote workflows zou afhandelen. In plaats daarvan lijkt het patroon dat werkt, het inzetten van subagenten die gespecialiseerd zijn per taak om contextverval te voorkomen. De verdeling van arbeid onder AI-agenten zou de toekomst kunnen zijn.

Er is momenteel een kans waarin AI-agenten voor elke sector en domein zullen worden ontwikkeld. Het speelboek is om diep in te gaan op de contextengineering die nodig is voor de sector of specifieke ruimte, uit te zoeken welke UX het beste aansluit bij de bestaande workflows en verbinding te maken met de relevante gegevensbronnen en tools. Vooral in het begin is het nuttig om zo dicht mogelijk bij belangrijke klanten te komen om te achterhalen wat werkt en wat niet, en voortdurend verbeteringen aan te brengen om ze terug naar het moederbedrijf te brengen. AI beweegt momenteel zo snel dat er een enorme premie is voor het maken van snelle updates en te zien hoe ze de workflows van de klant verbeteren. Het is ook belangrijk om de agenten te prijzen voor maximale adoptie met eenvoudige abonnementsprijzen of op een duidelijk consumptiemodel, en te verwachten dat de kostenverbeteringen van AI-efficiëntie worden doorgegeven. Wees nu niet te hebzuchtig met de prijs, aangezien marktaandeel waarschijnlijk het belangrijkst is. Het kan nuttig zijn om gebruikscases na te streven die beperkt zijn door de beschikbaarheid of hoge kosten van talent. Dit betekent dat elke incrementele productiviteitsboost in deze ruimtes een hoge ROI voor de klant biedt. In deze gebieden zullen klanten altijd bereid zijn om AI-agenten uit te proberen om eindelijk hun problemen op te lossen. Dit is waarom AI-coderingsagenten, beveiligingsagenten of juridische agenten momenteel aanvankelijk opkomen. Dit zijn allemaal gebieden waar de vraag naar het oplossen van het probleem altijd groter is geweest dan het beschikbare talent. Maar elke sector heeft voorbeelden hiervan. Er is momenteel een duidelijk moment waarop de volgende generatie van deze AI-agenten in elke ruimte zal worden ontwikkeld.

Als je je voorstelt dat elke functie en workflow een AI-agent tegenhanger zal hebben om werk te automatiseren, is het duidelijk dat we ons in de vroegste stadia van de AI-golf bevinden. Elke sector en bedrijfslijn vertegenwoordigt een nieuwe marktcategorie en een geheel nieuwe TAM die eerder niet bestond.

De verdeling van arbeid voor AI-agenten zal cruciaal zijn voor het maximaliseren van de impact van agenten in alle gebieden van kenniswerk. We hebben al lang een verdeling van arbeid in organisaties omdat het blijkt dat het hebben van individuele experts die taken aan elkaar doorgeven effectiever is dan een stel generalisten die elke keer op een andere manier dingen proberen te doen. AI-agenten presenteren dezelfde dynamiek. Voor AI-agenten om te functioneren, heb je precies de juiste hoeveelheid context nodig over de taak die ze proberen te voltooien. Dit betekent een diepgaande domeinbegrip, een set kennis om op te bouwen, duidelijke instructies en een set tools om te gebruiken. Te weinig context en de agent zal falen. Evenzo, naarmate meer van deze informatie in het contextvenster komt, weten we dat de modellen suboptimaal kunnen worden. Voor een complex bedrijfsproces, als je alle documentatie, beschrijving van de workflow en instructies in het contextvenster plaatst, weten we dat de agent uiteindelijk in de war raakt en slechtere resultaten levert. De logische architectuur in de toekomst is dan om agenten op te delen in atomische eenheden die overeenkomen met de juiste soorten taken en deze agenten samen te laten werken om hun werk te voltooien. We zien dit al effectief plaatsvinden in coderingsagenten. Er komen steeds meer voorbeelden naar voren van mensen die subagenten opzetten die allemaal specifieke delen van een codebase of servicegebied bezitten. Elke agent is verantwoordelijk voor een deel van de code, en er is agentvriendelijke documentatie voor de code. Dan, wanneer er werk nodig is in dat relevante gebied van de codebase, coördineert een orkestratoragent met deze subagenten. We zouden deze patroon waarschijnlijk in bijna elk gebied van kenniswerk in de toekomst kunnen zien toepassen. Dit zal het mogelijk maken om AI-agenten voor veel meer dan taak-specifieke gebruiksgevallen te gebruiken en uit te breiden naar het aandrijven van volledige workflows in de onderneming. Zelfs als AI-modellen verbeteren om grotere contextvensters te kunnen verwerken, en de intelligentieniveaus stijgen, is het niet duidelijk dat deze architectuur ooit verdwijnt. Het is waarschijnlijk dat de rol van elke agent uitbreidt naarmate de mogelijkheden verbeteren, maar duidelijke scheidingslijnen tussen subagenten zullen waarschijnlijk altijd leiden tot betere resultaten.

De verdeling van taken van AI-agenten kan overeenkomen met de menselijke verdeling van taken. Mensen gebruiken subagenten die specifieke microservices in een codebase bezitten. Elke service heeft agentvriendelijke documentatie die het bijwerkt terwijl het verder gaat. Op deze manier optimaliseer je wat er in het contextvenster staat. De toekomst is wild.