Enterprise AI: Geen strategisch dilemma, maar een operationele keuze

Dit moment biedt een uitgelezen kans voor organisaties om zich te onderscheiden door AI-initiatieven succesvol op te schalen van experiment naar enterprise-niveau. Volgens Gartner zal tegen eind 2027 meer dan 40 procent van de agentic-AI-projecten worden stopgezet, vaak vanwege gebrekkige risicobeheersing en een onzekere ROI.

Door direct in te zetten op robuust risicomanagement en een heldere businesscase, kunnen bedrijven hun investeringen maximaliseren en een fundament van vertrouwen leggen. Organisaties die deze stap naar volwassen AI nu maken, bouwen een cruciale voorsprong op en zijn perfect gepositioneerd om als koploper de vruchten te plukken van de volgende innovatiegolf: agentic AI.

Van visie naar uitvoering

Een duidelijke visie is uiteraard essentieel voor succes met AI, net als toegang tot de juiste data om een onderscheidende strategie te ontwikkelen. In combinatie met een initiële investering kan dat voldoende zijn voor een indrukwekkende pilot. Maar is dat genoeg om succes op ondernemingsniveau te garanderen? De cijfers van Gartner laten duidelijk zien van niet. Wat ontbreekt er? En wat moeten bedrijven doen om ervoor te zorgen dat AI niet alleen inspireert, maar ook resultaat oplevert?

Het antwoord ligt in operationele gereedheid voor AI. Simpel gezegd: het vermogen om AI uit het lab te halen en op grote schaal te implementeren, te beheren en verder te laten groeien binnen de hele organisatie. Dat vraagt om het stevige werk: ervoor zorgen dat een overtuigende, maar geïsoleerde pilot wordt geïntegreerd in het grotere geheel van de onderneming. Dat betekent een uniforme basis creëren waarin AI draait op een platform dat rekenkracht, data en governance samenbrengt, en dat kan worden herhaald binnen de hele organisatie, of het nu on-premises is, in de cloud of aan de edge.

Het principe is niet nieuw. Elke succesvolle uitrol van een bedrijfskritische applicatie, zoals ERP of CRM, vereist dezelfde focus op de onderliggende operationele infrastructuur. Toch kent AI zijn eigen uitdagingen. Het is verleidelijk te denken dat AI-infrastructuur vooral draait om GPU’s. Ook geheugen met hoge bandbreedte, snelle opslag en netwerken spelen een rol. Daarnaast zijn andere processors en accelerators relevant, afhankelijk van de fase in de workflow.

Belangrijker nog: die infrastructuur – on-premises, in de cloud of hybride – moet flexibel en schaalbaar zijn naarmate projecten doorgroeien van lokale pilot naar productie op ondernemingsniveau. AI-workloads zijn bovendien vaak hardnekkiger en langduriger dan traditionele bedrijfsworkloads.

Maar het gaat om meer dan alleen rekenkracht of opslagcapaciteit. Beveiliging en governance zijn niet-onderhandelbaar bij enterprise-AI-projecten. De onderliggende data en eigen modellen vormen de kern van de toekomst van een organisatie en moeten dus zorgvuldig worden beschermd. Dat wordt verder bemoeilijkt door kwesties rond data-soevereiniteit en AI-wetgeving. Bedrijven moeten precies weten waar hun data zich bevindt – en wie daar wel of juist geen toegang toe heeft.

De mogelijkheden van AI zijn grenzeloos. Maar dat geldt ook voor de kosten, als de onderliggende infrastructuur niet goed wordt beheerd. Alleen al het betalen voor GPU’s (en de stroom die ze verbruiken) zonder deze volledig te benutten, ondermijnt zowel het rendement op de investering als de ESG-doelstellingen.

Schaalbaar denken vanaf het begin

Voor bedrijven is het essentieel om direct te plannen hoe ze capaciteit op- en afschalen. Daarbij zijn kostenbeheersing en voorspelbaarheid cruciaal, evenals het vertrouwen dat platform en tools dit moeiteloos faciliteren.

Dit wordt nog belangrijker met de opkomst van AI-agents. Het borgen van beveiliging, governance en compliance blijft een vereiste, ook wanneer agents zelfstandig data genereren, gebruiken en beslissingen nemen. De infrastructuur dient deze processen te ondersteunen en piekbelasting op te vangen. Daarnaast vraagt de locatie van middelen aandacht om latency bij realtime-inferentie te beperken, terwijl het energieverbruik binnen acceptabele grenzen blijft.

Wanneer deze factoren op orde zijn, wordt duidelijk wat operationele gereedheid in het AI-tijdperk werkelijk inhoudt. Dit vraagt om een kant-en-klare aanpak: een volledige stack die alle noodzakelijke accelerators, zoals GPU’s, direct ondersteunt. Een dergelijke oplossing vereist geïntegreerde dataservices voor alle AI-dataformaten, voorzien van krachtige beveiligings- en governance-controles. Daarnaast is ondersteuning voor zowel virtuele machines als containers – inclusief orkestratie – essentieel. Het operationaliseren van AI is immers al complex genoeg, zonder de noodzaak om gelijktijdig een cloud-native migratie uit te voeren.

AI als volwaardige bedrijfsapplicatie

Grote taalmodellen leveren niet altijd consistente antwoorden. Maar de infrastructuur waarop generatieve AI en agentic AI draaien, moeten wél voorspelbaar en herhaalbaar zijn om te kunnen schalen. Dat geldt zowel voor de cloud als voor on-premises en edge-omgevingen. Met het juiste platform en de juiste tools kunnen bedrijven hun teams laten focussen op het maximaliseren van de waarde van hun AI-investeringen, in plaats van kostbare tijd verliezen door het vertalen van een succesvolle pilot naar een organisatiebrede strategie.

Of organisaties nu vol inzetten op AI of het zien als onderdeel van hun bredere gereedschapskist: bedrijven moeten AI erkennen als een bedrijfsapplicatie. En bedrijfsapplicaties vereisen bedrijfswaardige infrastructuur, van pilot tot productie en daarna. Want dát is wat het voortbestaan van organisaties op de lange termijn waarborgt.

Door: James Sturrock, Director of Systems Engineering bij Nutanix