Waarom je AI-project niet strandt op het model, maar op je organisatie
De meeste enterprise AI-initiatieven mislukken niet door een zwak model, maar door een gebrek aan structuur. Thoughtworks introduceert het idee van de 'organizational harness': de ontbrekende laag die governance, eigenaarschap en meetbaarheid samenbrengt. Een verfrissend eerlijke kijk op waarom betere prompts je niet gaan redden.
Herkenbaar? Je organisatie kiest een AI-model, bouwt een prototype, loopt tegen problemen aan en concludeert: we hebben een beter model nodig. Volgens Thomas Squeo en Matt Kamelman van Thoughtworks is dat precies de denkfout. Het model is niet je probleem — het ontbreken van een operating model wel.
De kern van hun betoog: elk enterprise AI-systeem draait op vier lagen (het model, de builder harness, de user harness en de organizational harness). De meeste bedrijven hebben er hooguit twee gebouwd. Wat ontbreekt is niet betere prompt engineering of fine-tuning, maar heldere verantwoordelijkheid, eigenaarschap, governance en organisatorisch leervermogen. Agents zijn geen tools met onbeperkte vrijheid, maar 'delegated actors' binnen expliciete grenzen — en die begrensde autonomie moet je kunnen besturen.
Een pragmatische kanttekening: het framework is doordacht, maar Thoughtworks verwijst en passant ook naar hun eigen platformen (AI Factory, Agent/works). Dat maakt het stuk deels een positioneringsverhaal. Toch snijdt de analyse hout — het onderscheid tussen 'guides' (feedforward) en 'sensors' (feedback) is een nuchtere manier om na te denken over controle. En hun waarschuwing dat een regel zonder controle geen governance is maar 'theater', mag menig AI-beleidsstuk zich aantrekken.
Wil je begrijpen waarom je AI-ambities blijven steken en welke laag je waarschijnlijk overslaat? Lees het volledige artikel en toets je eigen aanpak aan hun vier lagen.
Bron: https://www.thoughtworks.com/insights/articles/operating-system-enterprise-ai