Microsoft legt AI-voorsprong bij eigen data en evaluaties

Microsoft publiceert vandaag zijn Frontier Playbook voor enterprise-AI en stelt dat eigen data, evaluaties en leerlussen de blijvende waarde vormen, niet het model eronder.

Voor een Nederlandse ondernemer verschuift daarmee de technische inzet van een modelkeuze naar een bedrijfslaag: eigen procesdata, kwaliteitscriteria en feedback moeten worden vastgelegd, zodat AI kan verbeteren zonder dat de opgebouwde kennis aan één modelleverancier hangt.

Van licentie naar resultaat

Kathleen Hogan, Microsofts chief strategy and transformation officer, schrijft dat het bedrijf eerst dezelfde fout maakte als veel organisaties: AI behandelen als een gewone software-uitrol, met licenties, trainingen en gebruik als belangrijkste maatstaf. Meer dan 200.000 licenties veranderden op zichzelf niet hoe het werk werd gedaan.

De omslag kwam toen teams begonnen bij een bedrijfsdoel. In een verkoopgroep met 687 Microsoft 365 Copilot-gebruikers verdrievoudigde het gebruik van prioritaire toepassingen. De omzet per accountmanager lag 9,4 procent hoger en de deal-sluitingsgraad 20 procent hoger dan bij verkopers met laag Copilot-gebruik. Microsoft baseert dat op interne observatiedata uit januari tot en met juni 2024, niet op een gerandomiseerd experiment.

Dat onderscheid is belangrijk: de cijfers zijn voorbeelden van Microsofts eigen verandering, geen algemene productiviteitsbelofte. Ze laten wel zien waar het playbook het zwaartepunt legt. Een AI-functie telt pas als die een concreet werkdoel raakt en zichtbaar maakt wat er in het proces verandert.

De cases zijn concreet, maar begrensd

Een concrete case komt uit Microsofts cloud supply chain. Een team van meer dan 150 mensen vereenvoudigde eerst de bestaande processen en bouwde één bron van waarheid voor de data. Daarna zette het meer dan 111 gespecialiseerde agents in voor planning, inkoop, fulfilment en logistiek. In vijf planningscycli tussen april en augustus 2026 daalde de gemiddelde cyclustijd in geselecteerde workflows van ongeveer tien naar minder dan 2,5 werkdagen, een afname van maximaal 75 procent.

Bij meer dan twintig onderzoeken naar vraagplannen per maand ging een menselijk gevalideerde verklaring van vijf tot zeven dagen naar minder dan enkele uren. Sommige onderzoeken waren in minder dan twintig minuten klaar. VentureBeat benadrukt dat deze resultaten beperkt blijven tot de beschreven workflows en meetperioden.

Een tweede voorbeeld is een team van negen engineers, designers en productmanagers dat een eerste productrelease in 35 dagen opleverde. Ook dit cijfer komt uit interne projectadministratie en is volgens Microsoft geen bedrijfsbrede maatstaf voor softwareontwikkeling.

De laag die blijft als het model wisselt

De vijf lessen komen samen in één ontwerpkeuze. Een organisatie legt vast wat goed werk betekent, welke eigen context daarvoor nodig is, welke acties een agent mag uitvoeren en waar menselijke beoordeling blijft. Die maatstaf wordt een evaluatie die telkens opnieuw kan worden gebruikt wanneer een model, prompt of workflow verandert.

Het codificeren van wat een bedrijf onderscheidt in eigen evaluaties en een leersysteem staat in het Frontier Playbook naast bedrijfsdoelen, medewerkers, een schaalbare AI-werkwijze en beveiliging. In die opzet zijn data, context, kwaliteitscriteria en correcties geen tijdelijke invoer voor een chatbot. Ze worden organisatorische kennis die met elke feedbacklus verder wordt aangescherpt.

Daarmee legt Microsoft als leverancier van modellen en cloudinfrastructuur een modelonafhankelijke architectuur uit: toegang tot het beste model is niet genoeg. De modellen onderaan de stack kunnen veranderen wanneer kwaliteit, prijs of voorwaarden veranderen. De evaluaties, workflowkennis en grenzen voor autonome acties horen juist binnen de eigen organisatie te blijven.

Wat dit verandert voor Nederlandse bedrijven

De modelonafhankelijkheid die Microsoft beschrijft, vereist niet dat een organisatie zelf een foundationmodel traint. De duurzame scheiding zit elders: de eigen data, de definitie van goed werk, de orkestratie tussen systemen en de feedback van medewerkers blijven van het bedrijf, terwijl de model-laag verwisselbaar is.

Dat werkt de eerdere waarschuwing van Satya Nadella uit dat bedrijven een eigen leerlus rond kennis, data en evaluaties moeten bezitten. Een praktische invulling daarvan kan bestaan uit een dunne routerlaag tussen applicaties en modellen met een open-weight achtervang, zodat een modelwissel niet meteen een herbouw van het hele proces wordt.

De cases van Microsoft komen uit de eigen administratie en het bedrijf verkoopt zelf een groot deel van de technologie waarmee klanten deze aanpak kunnen uitvoeren. Ze zijn daarom geen neutrale benchmark. De ontwikkeling zelf is wel helder: de vraag verschuift van welk model bovenaan staat naar welke kennis, kwaliteitslat en leerloop een organisatie zelf kan blijven meenemen.

Wie die eigen laag behoudt, kan een model vervangen zonder de opgebouwde bedrijfskennis opnieuw te moeten opbouwen. Dat maakt niet het nieuwste model, maar het vermogen om te leren de minder zichtbare grens van enterprise-AI.