Er wordt op dit moment veel geplakt. Overal komen AI-stickers op producten, functietitels en pitches, terwijl de vraag onder de motorkap vaak onbeantwoord blijft: wat verandert er nu écht in hoe je werkt, wat je bouwt en wat klanten aan je hebben? In SureSync Insight praat Maaike Berger met Sander Odijk en Patrique van der Naald over precies die vraag. Ze delen hoe AI hun businessmodel raakt, waarom hun developers geen coders meer zijn en waar ze bewust nog niet met AI aan de slag gaan. Bekijk de podcast hieronder of lees verder onder de video.
"Businessmodellen gaan veranderen door AI," zegt Sander. Waar kennis vroeger schaars was en coderen tijd kostte, is dat nu niet meer de rem. De vraag verschuift: als kennis en code beide breed beschikbaar zijn, waar zit dan nog je onderscheidend vermogen? Voor SureSync ligt het antwoord in wat ze al deden, maar dan aangescherpt: betrouwbaarheid en auditability. Kunnen aantonen dat data daadwerkelijk is aangekomen, gecertificeerd, controleerbaar. Precies de zaken die belangrijker worden naarmate AI meer werk uit handen neemt.
Intern werken de teams met Spectre Development: een spec-driven aanpak waarbij de developer het einddoel vastlegt in een markdown-bestand met heldere instructies en acceptatiecriteria. Op basis van die spec genereert een AI-agent de code. Dat verandert de rol volledig. Patrique: "De developer is nu de orchestrator in het midden. Hij is heel erg bezig met specificeren en valideren in plaats van ontwikkelen." Klinkt simpel, is het niet. Want de kwaliteit van je spec bepaalt alles. Een slechte spec eindigt in slechte software, en slechte software vraagt zoveel rework dat je alsnog tijd inlevert. Garbage in, garbage out, maar dan met snellere feedbackloops.
Dat garbage-in-garbage-out geldt ook aan klantzijde. SureSync werkt met een common data model waarbij alle data landt in gestandaardiseerde sets. AI praat vervolgens uitsluitend met dat model, niet met de ruwe bronnen daaronder. Waarom? Omdat het hallucinatie voorkomt. Je weet zeker welke onderliggende data is gebruikt, en je weet zeker dat het klopt. Voor toepassingen in bijvoorbeeld de zorg, waar patiëntendata gevoelig is en fouten grote gevolgen hebben, is dat geen luxe maar voorwaarde.
De gangbare route is: data uploaden naar een cloud-LLM, antwoord terug. Voor gevoelige data werkt dat niet. SureSync draait daarom een eigen setup in het rekencentrum in Venlo, met lokale GPU's die AI-modellen kunnen draaien. De data verlaat de EU niet. In plaats van data naar AI brengen, wordt AI naar de data gebracht. Dat is uit te leggen aan klanten, en het is uit te leggen aan de toezichthouder. Twee dingen die bij gevoelige data allebei moeten kunnen.
Een nieuwe tool leren is één ding. Anders leren werken is iets anders. Patrique vergelijkt het met een salesmedewerker die een nieuw CRM krijgt: "In principe verandert zijn werk niet heel erg." Maar bij AI-gedreven codegeneratie verandert het werk zelf. De volgorde, de vaardigheden, waar tijd naartoe gaat. Om die verschuiving te begeleiden geeft SureSync intern ruimte om te experimenteren en organiseren ze masterclasses en AI-cafés. Niet alleen om richtlijnen op te stellen, maar om er samen over te praten. Welke data stop je in welk model? Wat is verantwoord, wat niet? "Het zijn een soort normen en waarden die je met elkaar afspreekt."
Sander noemt performance appraisals. AI zou technisch prima kunnen analyseren hoe mensen presteren, wat ze bijdragen, hoe ze zich verhouden tot doelen. Maar dat wil hij bewust niet volledig aan een model overlaten. "Ik geloof nog wel in het menselijke contact dat we met elkaar moeten hebben." Een keuze die kenmerkend is voor hoe SureSync AI benadert: pak wat waarde toevoegt, laat staan wat menselijk oordeel vraagt.
Wat is de horizon? Sander verwacht dat we over twee jaar niet meer expliciet benadrukken dat we AI gebruiken. Het wordt onderdeel van elke oplossing, net zoals we niet meer benoemen dat software "in de cloud" draait. Patrique kijkt vooral naar het deterministische karakter van AI-gegenereerde code: kunnen we garanderen dat code elke keer hetzelfde doet? En kunnen we bewijzen dat bepaalde gegevens ook echt zijn afgeleverd zoals afgesproken? Auditability, logging, controleerbaarheid: die worden alleen maar belangrijker.
Tot slot twee tips, afhankelijk van waar je staat.
Ben je nog niet begonnen? Begin. Er is inmiddels genoeg voorwerk gedaan door anderen om niet meer bij nul te starten.
Ben je al bezig? Stop dan met experimenteren. Kies wat je herhaaldelijk doet, waar te veel tijd en energie in gaat zitten, en bed AI daar structureel in. De experimenteerfase levert alleen resultaat op als je ergens de knop omzet. En één rode draad door alles heen: doe het transparant, richting je team én richting je klanten. Vertrouwen bouw je door duidelijk te maken wat er gebeurt en waarom. De rest is invulling.