Wat er gebeurde op HumanX
Deze week kwam er een klein maar bruikbaar marktsignaal uit HumanX. In het TechCrunch-verslag was Claude de naam die steeds terugkwam in gesprekken op de beursvloer, bij vendors en in panels, niet ChatGPT. Dat bewijst niet dat Anthropic de enterprise-markt al gewonnen heeft, maar het laat wel zien waar veel practitioners vandaag de meeste dagelijkse waarde ervaren: hulp bij code, documentzware redenering en agentische workflows die dicht op echt werk zitten.
Dat verschil is belangrijk. HumanX is geen populariteitswedstrijd voor consumenten, maar een zakelijke conferentie waar operators vergelijken wat intern echt wordt gebruikt. Volgens het artikel waren agents een van de dominante thema's van het event, vooral voor coding en taakautomatisering. In zo'n context zegt terugkerende aandacht voor een tool minder over merkbekendheid en meer over ervaren bruikbaarheid onder productiedruk.
Het andere interessante deel van het verhaal is wat ontbrak. OpenAI heeft nog steeds enorme distributie, financiering en merkbekendheid, maar de sfeer die in het artikel wordt beschreven suggereert dat veel zakelijke gebruikers het niet langer automatisch als standaardkeuze zien voor serieuze workflowautomatisering. De markt begint uiteen te vallen in algemene AI-bekendheid enerzijds en specifieke tools die mensen vertrouwen om echt werk gedaan te krijgen anderzijds.
Waarom dit nu belangrijk is
Enterprise AI schuift een praktischere fase in. De afgelopen twee jaar werd de markt gedreven door demo's, benchmark-screenshots en een race om algemene aandacht. Die fase heeft bewustwording gecreeerd, maar gaf geen antwoord op de vraag die voor een COO of CTO telt: welke tools passen in bestaande workflows, verminderen handmatig werk en zijn veilig te beheren op schaal? Dit soort conferentiebuzz is een van de eerste signalen dat kopers die vraag steeds vaker beantwoorden met gebruikspatronen in plaats van slogans.
Het zegt ook iets belangrijks over agents. De sterkste ingang voor agentische AI is niet de futuristische autonome werknemer. Het is software die afgebakend werk uitvoert binnen een bestaand proces: codewijzigingen voorbereiden, documenten analyseren, gestructureerde output opstellen of teams sneller door repetitieve stappen helpen. Wanneer practitioners voor dat soort werk consequent een bepaalde modelfamilie noemen, laat dat zien dat de markt betrouwbaarheid, contextverwerking en workflowfit beloont boven hype.
Er zit nog een tweede les in voor Europese bedrijven. Als de echte enterprise-markt wordt gevormd door modellen die goed in dagelijkse operatie passen, dan wordt model lock-in een strategisch risico. Vandaag heeft de ene provider momentum. Morgen lanceert een andere provider een beter model, een goedkoper model, of een open model dat je binnen je eigen perimeter kunt draaien. De bedrijven die het meest profiteren zijn degene die bouwen rond uitwisselbare modellagen, niet degene die hun processen direct vastkoppelen aan een enkele vendorinterface.
Laava's perspectief
Bij Laava lezen we dit verhaal minder als "Claude wint" en meer als "de markt beloont eindelijk productie-utility". Dat is een gezonde verschuiving. Bedrijven zouden veel minder moeten geven om wie de wekelijkse leaderboard wint, en veel meer om welke architectuur het mogelijk maakt om documenten te verwerken, met context te redeneren en acties uit te voeren in ERP-, CRM- en e-mailsystemen met guardrails op hun plek.
Precies daarom bouwen wij model-agnostische systemen. Als een workflow vandaag baat heeft bij Claude, dan gebruiken we Claude. Als een klant morgen een soevereine deployment wil met Llama, Mistral of een ander open model, dan hoort het systeem niet opnieuw vanaf nul gebouwd te worden. De duurzame waarde zit niet in het API-endpoint. Die zit in hoe context is gestructureerd, hoe businessregels worden afgedwongen en hoe integraties gekoppeld zijn aan de acties die een agent wel of niet mag uitvoeren.
Het HumanX-signaal onderstreept ook een punt dat we vaak bij klanten maken: AI-adoptie faalt niet omdat teams de verkeerde homepage kozen. Het faalt omdat het omliggende systeem vaag is. Geen metadata. Geen evaluatieset. Geen goedkeuringsstappen. Geen nette overdracht naar systems of record. Zodra die onderdelen degelijk zijn ontworpen, wordt wisselen van model een zakelijke keuze in plaats van een herschrijfproject.
Wat je nu kunt doen
Als je organisatie experimenteert met enterprise AI, is dit een goed moment om assistentgebruik los te trekken van echte workflowautomatisering. Stel een simpele vraag: waar levert het model een meetbare uitkomst op? Dat kan het extraheren van data uit binnenkomende pdf's zijn, het opstellen van antwoorden vanuit een kennisbank, of het voorbereiden van updates voor een CRM. Als het antwoord nog steeds is "het helpt mensen brainstormen", dan zit je nog niet in de productiefase.
Ontwerp daarna de thin slice goed. Kies een proces, definieer de bronnen van waarheid, bepaal waar menselijke goedkeuring nodig is en houd de modellaag vervangbaar. Zo kom je van conferentie-enthousiasme naar saaie, betrouwbare automatisering. Als je een echt proces wilt uittekenen en wilt zien of een AI-agent binnen vier weken ROI kan leveren, dan is dat precies het soort roadmapsessie dat Laava draait.