Ahmed Bashir, DevRev: 'De use cases zijn goed, maar de ontbrekende lagen houden waarde tegen'

Bashir ziet de markt in 2026 nog verder versnellen ten opzichte van 2025. De belangstelling voor agentic AI is toegenomen vanaf een niveau dat al hoog was. Tegelijkertijd blijft het rendement achter. “Vrijwel alle CIO’s die in 2026 AI evalueren, verwachten een werkende oplossing”, zegt hij. “In de studies die wij zien gaat het om 92 procent. Maar van die groep haalt slechts 28 procent daadwerkelijk waarde uit AI.”

Volgens Bashir is die verhouding uitzonderlijk. “Het is bijna ongehoord dat je een technologie hebt met een waarde van meerdere biljoenen dollars, die al meerdere jaren bestaat, waarbij de waargenomen waarde zo hoog is en de empirisch ontsloten waarde zo laag.”

Voor DevRev wijst dat niet op een gebrek aan bruikbare toepassingen. Het probleem zit eerder in de manier waarop enterprise AI wordt opgebouwd. Veel organisaties beschikken over modellen, applicaties en enthousiaste teams, maar missen de tussenlagen die nodig zijn om agents veilig en betrouwbaar werk te laten afronden. “De technology stack die mensen wordt verkocht, is onvoldoende”, zegt Bashir. “Hij is noodzakelijk, maar niet voldoende.”

De laatste meters

Bashir ziet in verschillende bedrijfsfuncties hetzelfde patroon. Een team gebruikt AI om grote hoeveelheden informatie te analyseren, tickets te classificeren, financiële rapporten te doorzoeken of patronen te vinden in support-, sales- of DevOps-processen. De eerste resultaten lijken overtuigend. Werk dat voor mensen lastig of tijdrovend was, blijkt voor agents relatief goed uitvoerbaar.

Maar daarna stokt het vaak. “Ergens tussen die eerste demonstratie en de daadwerkelijke lancering komt de feature niet live. Dat gebeurt steeds opnieuw. Het maakt niet uit of je werkt met tickets, opportunities, financiële documentatie of SharePoint. Het moeilijkste deel lijkt gedaan, maar de finishlijn wordt niet gehaald.”

Daardoor blijft de ROI uit. “Dat heeft vooral te maken met drie ontbrekende eigenschappen: precisie, efficiëntie en veiligheid. AI-agents kunnen veel, maar bedrijven vertrouwen ze pas wanneer de uitkomst voldoende precies is, de uitvoering efficiënt genoeg is en de risico’s beheersbaar zijn. De use cases zijn goed, maar hebben niet het niveau van precisie, efficiëntie en veiligheid dat nodig is.”

Developers

Een belangrijke observatie van Bashir is dat AI in softwareontwikkeling sneller bruikbaar is dan in veel andere bedrijfsfuncties. “Dat komt niet alleen doordat developers technologisch vooroplopen. Het komt vooral doordat softwareontwikkeling al decennialang ingebouwde verificatiestappen kent. Code wordt gecompileerd, gebouwd, getest en uitgerold. Er zijn testomgevingen, deploymentprocessen, logs en rollbackmechanismen. Daardoor kan een agent relatief goed controleren of zijn werk klopt.”

In andere functies ontbreken die lussen vaak. “Een agent kan een salesproces analyseren, een supportantwoord formuleren of financiële documenten doorzoeken, maar het is minder duidelijk hoe de organisatie programmatisch vaststelt dat de handeling juist, veilig en omkeerbaar is. Dat vertrouwen ontbreekt vooral wanneer acties niet automatisch kunnen worden teruggedraaid. Een fout in code kan worden teruggedraaid via bestaande processen. Een fout in klantcommunicatie, financiële documentatie of een bedrijfsworkflow is moeilijker te herstellen.”

Teamleden

Ondanks die beperkingen ziet Bashir dat organisaties agents uiteindelijk willen behandelen als digitale teamleden. “Dat betekent dat je een team moet kunnen hebben waarin agents taken kunnen uitvoeren zoals mensen dat ook doen. Een medewerker wordt aangenomen met een rol, verantwoordelijkheid en beoogde uitkomst. Voor agents zou hetzelfde moeten gelden. Ze worden niet ingezet omdat ze bestaan, maar omdat ze een concreet resultaat moeten leveren.”

Daarom praat DevRev vaak niet alleen met CIO’s, maar juist met leiders van businessunits. Zij kennen de pijnpunten en weten welke uitkomsten waardevol zijn. “De beste manier om AI te adopteren is pijnpunten begrijpen en die één voor één aanpakken”, zegt hij. “Het gaat niet alleen om outcome-based pricing, maar ook om outcome-based adoption. Je huurt geen mens zonder doel. Voor agents geldt hetzelfde.”

Enterprise AI

DevRev probeert die discussie te structureren met het recent gelanceerde Enterprise-Bench. “Enterprise AI is te lang beoordeeld met tests die weinig zeggen over echte bedrijfsomgevingen. Frontiermodellen worden vaak getest op complexe examenachtige vragen, maar enterprise-taken hebben een andere moeilijkheid. In bedrijven gaat het niet alleen om het oplossen van een intellectueel moeilijke vraag. Het gaat om toegang tot informatie, rollen en rechten, silo’s, afhankelijkheden en het vermogen om stap voor stap voortgang te boeken in een realistische omgeving.”

“De taak zelf is soms niet extreem moeilijk, maar de context waarin die taak moet worden uitgevoerd is dat wel. Wie heeft toegang? Waar staat de informatie? Welke systemen moeten worden bijgewerkt? Welke handeling is toegestaan? Wat gebeurt er als de agent een verkeerde stap zet? Onze rol is om te helpen uitleggen waarom adoptie achterblijft en waarom niet werkt wat veel organisaties nu doen.”

Shared memory

De kern van DevRev’s propositie is shared memory. “Dat is vaak de ontbrekende laag in de AI-architectuur van ondernemingen. Veel organisaties denken dat de stack compleet is met SaaS-systemen, cloud, LLM’s en agent frameworks. Veel mensen denken dat dit een taart met vier lagen is, maar het is eerder een taart met zeven lagen.”

Die extra lagen zijn semantiek, orkestratie en governance. “De semantische laag begrijpt de relaties tussen mensen, functies, werk, producten, klanten en processen. De orchestratielaag bepaalt waar een agent bij hoort, namens wie hij handelt en hoe taken worden verdeeld. De governancelaag zorgt ervoor dat acties uitlegbaar, herhaalbaar, geciteerd, terug te draaien en veilig zijn. Dat zijn allemaal verantwoordelijkheden van shared memory.”

DevRev werkt in EMEA vrijwel altijd via zijn partnerkanaal en ecosysteem. "Dat past bij hoe organisaties AI succesvol adopteren: technologie alleen is niet genoeg; implementatie, verandermanagement en domeinkennis wegen minstens zo zwaar. Partners nemen daarom advies, implementatie en adoptie voor hun rekening, ondersteund door onze eigen Sales-, Pre-Sales-, Applied AI- en Customer Success-teams.”

“Bij grote ondernemingen ontwerpen en bouwen we samen met strategische partners complexe AI-transformaties. In de midmarket combineren we hetzelfde partnernetwerk met onze eigen specialisten, zodat klanten lokaal én inhoudelijk goed worden ondersteund. Kleinere teams starten laagdrempelig, bijvoorbeeld door e-mail of agenda te koppelen, en groeien vanaf daar door naar organisatiebrede toepassingen. Die combinatie maakt het verschil: partners brengen branchekennis, lokale aanwezigheid en veranderkundige expertise, DevRev brengt technische diepgang, AI-expertise en solution design. Samen zorgen we dat technologie niet blijft steken bij implementatie."

Hij besluit: “De reden dat veel AI-initiatieven waarde beloven maar niet leveren, is niet dat de ideeën slecht zijn. Het probleem is dat de architectuur nog onvoldoende enterprise-ready is. Voor CIO’s is dat een relevant perspectief. De komende fase van AI wordt niet gewonnen door nog meer claims over industry-leading AI, maar door te bewijzen welke oplossingen echte bedrijfsprocessen veilig en meetbaar kunnen afronden. Met Enterprise-Bench en shared memory wil DevRev dat gesprek concreter maken.