Chatbots losten het verkeerde probleem op

Het echte werk zit in de context, niet in de vraag

Denk na over wat er nodig is om een typisch intern verzoek goed te beantwoorden: ‘Kunnen we deze klant korting geven op het jaarabonnement?’ Het antwoord hangt af van uw prijsbeleid, het contract van de klant, wie kortingen mag goedkeuren en wat er vorig kwartaal is afgesproken. Niets daarvan zit in het model.

In een chatvenster moet degene die de vraag stelt dat allemaal opzoeken, erin plakken en daarna het antwoord naast de bronnen leggen. De AI hielp met het makkelijkste deel, een alinea schrijven, en liet het moeilijke deel bij de mens. Voor veel verzoeken is dat de moeite niet waard, dus doen mensen het niet.

Chat is persoonlijk. Werk is gedeeld.

Een chatassistent is van één persoon. Diens prompts, geplakte documenten en zorgvuldig geformuleerde instructies staan in diens account. Als een collega volgende week dezelfde vraag heeft, begint die bij nul.

Zo gaat werk in een bedrijf niet. Verzoeken komen binnen in gedeelde kanalen en inboxen. Meerdere mensen kijken naar dezelfde thread. Het antwoord moet consistent zijn, wie er ook vraagt. Wat voor één persoon werkt, moet worden hoe het team werkt, en een persoonlijke chatgeschiedenis kan dat niet.

Toegangsbeheer is niet optioneel

Op het moment dat u een assistent koppelt aan bedrijfsdata, ontstaat er een nieuwe vraag: wiens data mag hij zien? Documenten in een persoonlijke chat plakken omzeilt die vraag door de last bij elke gebruiker te leggen. Een model met één serviceaccount koppelen aan een gedeelde schijf gaat de andere kant op mis, want ineens kan iedereen naar alles vragen.

Bruikbare AI in een bedrijf moet antwoorden met de rechten van de persoon die vraagt. De stagiair en de CFO kunnen dezelfde agent dezelfde vraag stellen en horen antwoorden te krijgen op basis van verschillende documenten. Dat is een platformprobleem, geen promptprobleem.

Antwoorden zijn niet hetzelfde als werk

Veel repetitief werk in een bedrijf bestaat niet uit vragen beantwoorden. Het is iets opzoeken in het ene systeem, het controleren in een ander, een bericht opstellen en het neerzetten waar iemand erop zal handelen. Een chatvenster kan beschrijven hoe dat moet. Het kan het niet doen, tenzij iemand het aan die systemen koppelt en bepaalt wat het mag aanraken.

Zodra u tools koppelt, hebt u grenzen nodig: welke tools elke agent mag gebruiken, hoeveel stappen hij mag zetten en een vastlegging van wat hij deed. Ook dat is infrastructuur, geen beter model.

Wat er echt moet veranderen

Als u kijkt waar AI-projecten binnen bedrijven vastlopen, ontbreken steeds dezelfde stukken:

1. Agents zitten in de kanalen waar verzoeken binnenkomen, niet in een apart tabblad.
2. Agents antwoorden vanuit bedrijfskennis, met bronnen, en alleen vanuit wat de vragensteller mag lezen.
3. Agents zijn gedeeld en consistent. Een goede agent die één keer is ingericht, werkt voor het hele team.
4. Agents kunnen tools gebruiken, binnen grenzen die u stelt, en elke actie wordt vastgelegd.
5. Lastige verzoeken kunnen over specialistische agents worden verdeeld, in plaats van één prompt alles te laten doen.
6. Kosten en modelkeuze worden centraal beheerd, niet abonnement voor abonnement.

Geen van deze punten gaat over het chatvenster. Ze gaan over alles eromheen.

Waar Team Two past

Team Two is die laag. We gebruiken dezelfde frontier-modellen die u al kent, van Anthropic en OpenAI, of een model dat u zelf host, en bouwen de rest eromheen: kanalen, kennis met rechten, tools met grenzen, specialistische agents, auditlogs en verbruiksregistratie.

Persoonlijke AI-assistenten blijven nuttig voor persoonlijk werk. Houd ze. Maar als het doel is dat het bedrijf anders gaat werken, is het antwoord geen beter chatvenster. Het zijn agents die deel uitmaken van het team. Zie hoe dat eruitziet.