Door Aakriti Bhargava / 12 Jun 2026 / Onderwerpen: Artificial Intelligence (AI) , Application development , Modern infrastructure , Generative AI
Het bouwen van AI-agents die betrouwbaar in productieomgevingen functioneren, vraagt om een zorgvuldige afweging tussen drie concurrerende factoren: beveiliging, kosten en betrouwbaarheid. De optimale balans verschuift voortdurend naarmate AI-modellen verder verbeteren.
Voor Revionics, een AI-prijsoptimalisatiespecialist met twintig jaar ervaring die wereldwijd grote retailorganisaties ondersteunt, bleek het integreren van generatieve AI in hun bestaande product relatief eenvoudig. De grootste uitdaging lag echter ergens anders: een volledig nieuwe categorie van beveiligingsvraagstukken vanuit klanten.
Hoewel het bedrijf twee decennia ervaring had met toegepaste AI, had die expertise hen niet volledig voorbereid op de unieke veiligheids- en compliance-eisen die gepaard gaan met generatieve AI. Hierdoor werd duidelijk dat succesvol AI-gebruik niet alleen draait om technologische innovatie, maar ook om het opbouwen van vertrouwen, governance en robuuste beveiligingsmaatregelen.
Aakriti Bhargava, VP Product Engineering & AI bij Revionics, deelt hoe haar team dagelijks architectuurkeuzes maakt bij het bouwen van agentische systemen voor productieomgevingen. De centrale uitdaging is hoeveel autonomie AI-agents mogen krijgen wanneer beveiliging, kosten en betrouwbaarheid voortdurend in verschillende richtingen trekken.
Momenteel hanteert haar team een 70/30-hybride model: bouw deterministische workflows voor de use cases waarvan je weet dat ze altijd zullen voorkomen, en laat het LLM de uitzonderingen en minder voorspelbare scenario's afhandelen. Deze aanpak versnelt de time-to-market, verlaagt de kosten ten opzichte van een model waarbij een LLM alles verwerkt, en zorgt tegelijkertijd voor een betrouwbaarheid die hoog genoeg is voor enterprise-klanten die belangrijke prijsbeslissingen nemen.
Tegelijkertijd benadrukt Bhargava dat deze denkwijze voortdurend evolueert. Wat eind vorig jaar nog als een uitgekristalliseerde architectuurkeuze werd beschouwd, is inmiddels alweer veranderd door de snelle vooruitgang van AI-modellen. Naarmate modellen capabeler, betrouwbaarder en kostenefficiënter worden, verschuift ook de optimale balans tussen traditionele softwarelogica en AI-gestuurde autonomie.
Het gesprek daagt ook een veelvoorkomende aanname binnen het generatieve AI-landschap uit. Revionics koos ervoor om foundation models niet te finetunen, maar in plaats daarvan gebruik te maken van Google Gemini en de engineeringinspanningen te richten op de agentische systeemarchitectuur eromheen.
De redenering daarachter is eenvoudig: er vindt al een intense concurrentiestrijd plaats op het niveau van de foundation models tussen partijen als Google, Anthropic en OpenAI. Voor organisaties die AI-oplossingen toepassen, ligt de echte differentiatie daarom niet in het bouwen van een eigen model, maar in de engineering die deze modellen betrouwbaar, veilig en kostenefficiënt maakt in productieomgevingen.
Met andere woorden: het concurrentievoordeel van toegepaste AI-bedrijven zit niet in het model zelf, maar in de manier waarop het wordt geïntegreerd, aangestuurd en beheerd om consistente bedrijfsresultaten te leveren.
Aan de kant van interne productiviteit heeft generatieve AI de doorlooptijd voor het beantwoorden van RFP’s (Request for Proposals) teruggebracht van drie tot vier weken naar slechts enkele dagen. Daarnaast heeft de technologie geholpen om twintig jaar aan opgebouwde documentatieachterstanden weg te werken.
Bhargava is echter open over de bijbehorende afwegingen. Hoewel codegeneratie aanzienlijk sneller is geworden, is codereview uitgegroeid tot een nieuwe bottleneck. Bovendien bestaat het risico dat junior engineers te afhankelijk worden van AI-tools voordat zij de fundamentele probleemoplossende vaardigheden ontwikkelen die ervaren engineers onderscheiden.
Volgens Bhargava zijn de productiviteitswinsten van generatieve AI onmiskenbaar, maar niet voor iedereen gelijk. De impact verschilt per ervaringsniveau en rol. Daarom zouden organisaties niet moeten kiezen voor een uniforme aanpak, maar juist moeten zoeken naar de optimale balans voor elke individuele medewerker. Zo kunnen de voordelen van AI worden benut zonder de ontwikkeling van essentiële vaardigheden in de weg te staan.
Dit is de derde en laatste aflevering in een driedelige serie over het bouwen van de infrastructuurfundering die alles mogelijk maakt. Waar de eerste twee afleveringen zich richtten op migraties, gaat deze aflevering een stap verder: naar de product- en engineeringkeuzes die een solide infrastructuur omzetten in AI-mogelijkheden waarop enterprise-klanten kunnen vertrouwen.
Vond u deze aflevering interessant? Deel hem dan met een collega.
Heeft u een onderwerp dat u graag besproken wilt zien of een vraag waarop u antwoord wilt krijgen? Neem dan contact met ons op via jillian.viner@insight.com
Aakriti Bhargava
VP of Product Engineering and AI, Revionics
Audio transcript:
We’re in the process of finalizing the transcript. Please check back soon for the completed version.
Marketing Manager, Insight
Jillian is als marketingmanager van de Insight-brandcampagne de drijvende kracht achter krachtige content en sterke merkverhalen. Met meer dan tien jaar ervaring in marketing vertaalt zij strategische doelstellingen naar impactvolle campagnes die de zichtbaarheid en reputatie van Insight versterken. Door strategie en storytelling naadloos samen te brengen, helpt zij Insight te positioneren als een vertrouwde adviseur en thought leader in de technologiebranche.
VP of Product Engineering and AI, Revionics
Abonneer u vandaag nog op onze podcast om automatisch op de hoogte te worden gehouden van nieuwe afleveringen. U vindt Insight On op Amazon Music, Apple Podcasts, Spotify en YouTube.