Wat er gebeurde
Pulse 2.0 meldt dat IBM Forward Deployed Units heeft gelanceerd, een nieuw deliverymodel om enterprise AI sneller van pilot naar productie te brengen. IBM beschrijft zo'n unit als een klein senior team, ondersteund door AI-agents, dat onder menselijke supervisie kan werken aan code, evaluatie, testen en documentatie.
Het interessante zit niet in de naam. Het zit in IBM's diagnose. Volgens IBM worden veel AI-programma's niet meer primair geblokkeerd door modeltoegang of interesse vanuit de boardroom. Ze worden geblokkeerd door het operating model: hoe teams businesscontext, architectuur, engineering, governance en workflow-integratie samenbrengen in één deliverysysteem.
IBM zegt dat het model al wordt ingezet bij organisaties zoals Riyadh Air, Nestlé, Heineken en Pearson, en dat het wereldwijd wordt opgeschaald. In een gerelateerd IBM Think-artikel maakt IBM hetzelfde punt nog scherper: het gesprek over forward deployed engineers is incompleet als één heldenrol als oplossing wordt gezien. Enterprise AI vraagt om een cohort dat samen kan ontwerpen, bouwen, testen en beheren.
Waarom dit ertoe doet
Dit is een nuttig signaal omdat het AI-gesprek verschuift van modelnieuws naar deliverymechaniek. Bedrijven hebben al jaren toegang tot sterke modellen. Het moeilijke deel is nog steeds om die modellen om te zetten in betrouwbare operationele systemen die werken met echte documenten, echte permissies, echte uitzonderingen en echte verantwoordelijkheid.
Daar wordt agentic AI serieus. Een agent die een antwoord kan opstellen, een ticket kan classificeren of een record kan bijwerken is pas waardevol als het systeem eromheen weet welke bron is gebruikt, wat de agent mag doen, wanneer een mens moet meekijken en hoe de actie wordt gelogd. Zonder die laag is de agent vooral een snellere interface naar onbeheerst risico.
Voor Nederlandse en Europese organisaties komt daar nog iets bij: data, auditability en controle zijn geen randvoorwaarden die je later toevoegt. Ze bepalen vanaf het begin welke runtime, welke logging en welke integraties verantwoord zijn. Een deliveryteam dat dat niet meeneemt, bouwt sneller maar niet serieuzer.
IBM's framing laat ook een bredere koopbeweging zien. Bedrijven hebben niet genoeg aan een licentie, promptworkshop of losse proof of concept. Ze hebben implementatiecapaciteit nodig die dicht op de operatie zit, het proces begrijpt en pragmatische architectuurkeuzes kan maken. Daarom krijgen forward deployed modellen aandacht: ze verminderen het vertaalverlies tussen strategie, engineering en operatie.
Laava-perspectief
Voor Laava is de les helder: enterprise AI wordt een uitvoeringsprobleem. De winnaars zijn niet de teams met de meest gelikte demo. De winnaars zijn de teams die herhaalbaar een concrete bottleneck kunnen omzetten in een beheersbare agent of workflow die productie overleeft.
Daar past Laava's eigen ladder precies bij. Een Proof of Pilot bewijst één operationele use case. Forward Deployed Engineer voegt ingebedde senior engineeringcapaciteit toe. Laava Agents verpakken terugkerende patronen rond documenten, kennis, klantvragen en workflows. Custom Solutions zijn er voor situaties waarin proces, data of compliance te specifiek zijn voor standaard tooling.
De managed runtime hoort daaronder, niet ernaast. Laava verkoopt geen losse hardwarebox. Sovereign Runtime of Laava Box is een deploymentvorm voor managed runtime, agents en integratie wanneer soevereiniteit, auditability, voorspelbare kosten of modelflexibiliteit belangrijk zijn. De commerciële waarde zit niet in lokale hardware op zichzelf. De waarde zit in één gecontroleerde omgeving waarin agents kunnen lezen, redeneren, handelen, loggen en verbeteren binnen de operatie van de klant.
Wat je nu kunt doen
Wie enterprise AI plant, moet beginnen met de vraag waar het deliverymodel gaat breken. Wie is proceseigenaar? Welke documenten of systemen leveren context? Welke acties vragen menselijke goedkeuring? Welk model is goed genoeg voor de taak? Waar zitten logging, evaluatie en rollback?
Kies daarna één bottleneck en bouw de kleinste productieachtige versie van de oplossing. Geen chatbot in de hoek, maar een agent of workflow met bronnen, permissies, reviewstappen, integratiepunten en meetbare output. Zo verschuift AI van experiment naar operatie.