Embedded operators: zo koop je AI-delivery die echt live gaat

Embedded operators: zo koop je AI-delivery die echt live gaat

De grootste AI-platforms zijn allemaal bij hetzelfde deliverymodel uitgekomen: zet engineers bij de klant naar binnen, niet ervoor. AWS besteedt er een miljard dollar aan. Voor een bedrijf dat niet AWS is, is de vraag smaller en praktischer: hoe koop je hetzelfde effect op de schaal van het middensegment, en hoe onderscheid je een echt operator-traject van consultancy met een nieuw etiket?

Wat een embedded operator werkelijk is

De term in de sector is forward deployed engineer. Zonder de marketing beschrijft die iemand die productiecode schrijft binnen jouw omgeving, het systeem aansluit op je echte data en workflows, en verantwoordelijk blijft totdat het een meetbaar bedrijfsresultaat oplevert. Het onderscheidende kenmerk is niet senioriteit of een bepaald vaardighedenpakket. Het is de plek waar de verantwoordelijkheid ophoudt.

De verantwoordelijkheid van een consultant eindigt bij het advies. Die van een leverancier eindigt wanneer het product werkt zoals gespecificeerd. Die van een operator eindigt wanneer je workflow draait en je team hem zonder de operator kan draaien. Dat zijn drie verschillende contracten, en de eerste kopen terwijl je de derde verwacht, is de meest voorkomende reden dat deze trajecten teleurstellen.

Waarom dit model juist nu is ontstaan

Er veranderden twee dingen tegelijk. Modellen werden zo goed dat hun vermogen niet langer de beperking was, en het resterende werk verschoof naar plekken die een demo niet bereikt: de kwaliteit van je data, je uitzonderingsroutes, je goedkeuringsketens, de drie systemen zonder API. Dat werk is specifiek voor jou en laat zich niet in een product gieten. Daarom hebben de platforms het met mensen bemenst.

De eerlijke lezing is dat dit een bekentenis is over waar de moeilijkheid werkelijk zit. Als bedrijven waarvan het hele verdienmodel het model is een miljard dollar uitgeven om engineers bij klanten neer te zetten, dan is het model niet de bottleneck. Over de gevolgen daarvan voor interne programma’s schreven we in waarom innovatieprogramma’s vastlopen zonder operators.

Zo koop je het zonder een miljard dollar

Bedrijven in het middensegment kunnen geen vaste FDE-afdeling bemensen, en hebben die ook niet nodig. Wat ze nodig hebben, is het model toegepast op een klein aantal workflows, met aan het eind een echte overdracht. Vijf dingen maken het verschil tussen dat en een dure discoveryfase.

Wanneer je dit niet moet kopen

Embedded delivery is in minstens drie situaties de verkeerde aankoop, en daar zijn we graag direct over.

Is het proces dat je wilt automatiseren nog niet stabiel, dan leg je in hoog tempo een puinhoop vast in code. Repareer eerst het proces; dat is meestal goedkoper en maakt de automatisering soms helemaal overbodig. Bestaat de data voor de workflow niet, of is die niet betrouwbaar, dan wordt de eerste maand een dataproject, dus baken het ook als dataproject af. En heb je eigenlijk een standaardtool nodig die duizenden bedrijven op precies dezelfde manier gebruiken, koop dan die tool. Operator-trajecten verdienen hun kosten terug op werk dat specifiek voor jou is, niet op werk dat een abonnement al oplost.

Voor de bredere vraag hoe het deliverymodel in je interne structuur past, beschrijft onze gids voor het ontwerp van een AI-operating model waar het eigenaarschap hoort te liggen zodra de eerste workflows draaien.

Twee uitgewerkte voorbeelden laten zien hoe het model eruitziet bij problemen die op het eerste gezicht helemaal geen softwareproblemen zijn: de onenigheid boven water krijgen die een directievergadering verbergt, en het draagvlakrisico dat infrastructuurprojecten de das omdoet in een score vatten, lang voordat de engineering dat doet. In beide gevallen zat het nuttige werk in de beslissing waar een model thuishoorde en, belangrijker nog, waar niet.

Bronnen & referenties