Het bedrijfsverhaal rond generatieve AI is op een delicaat kruispunt aangekomen. Tech-managers beloven routinematig een op handen zijnde, wrijvingsvrije realiteit waarin autonome softwareagenten door de complexiteit van zakelijke verkopen navigeren, het vertrek van klanten voorspellen en go-to-market-pijplijnen beheren zonder menselijke tussenkomst.
Toch komt onder de gelikte marketingpresentaties en productieve keynotes een sterk tegenstrijdige technische waarheid naar boven.
De agressieve draai van de industrie richting fundamentele sanitaire raamwerken, met name Anthropic’s Model Context Protocol (MCP), biedt definitief bewijs van een grote architectonische tekortkoming. Grote taalmodellen opereren, ondanks hun trainingsbudgetten van meerdere miljarden dollars en hun opmerkelijke taalvaardigheid, in wezen in een informatievacuüm. Ze kunnen op eigen kracht geen echte commerciële operaties uitvoeren omdat ze geen toegang hebben tot een gestructureerde, reële context.
Deze kernuitdaging werd blootgelegd tijdens de recente EvoLusha 2026 productlanceringspresentatie, die diende als structurele katalysator voor deze architectonische herbeoordeling.
Tijdens de keynote signaleerde CEO Yoni Tserruya Lusha CEO Yoni Tserruya expliciet het einde van de speculatieve AI-adoptie door bedrijven, door te stellen dat “de AI-pilotfase voorbij is. AI is geen hulpmiddel meer waar bedrijven mee spelen; het is nu het eigenlijke werk doen.”
Hij waarschuwde dat het niet langer om de korte termijn gaat, en voegde eraan toe dat “de bedrijven die hun agentische workflows op de juiste basis opbouwen meer deals zullen sluiten, sneller zullen groeien en een omzetvoordeel zullen opbouwen dat hun concurrenten eenvoudigweg niet kunnen dichten. Deze kloof zal structureel worden, en geen kwartaalvoordeel, maar een permanent voordeel.”
De presentatie illustreerde echter tegelijkertijd waarom grote taalmodellen dit werk niet geïsoleerd kunnen uitvoeren. Om de kloof tussen tekstgeneratie en bedrijfsuitvoering te overbruggen, kondigde Lusha een diepgaande operationele integratie aan met de open-sourcestandaard van Anthropic, waarbij de enorme commerciële B2B-datalagen via MCP rechtstreeks worden gekoppeld aan fundamentele modellen zoals die van Claude. Hoewel gepresenteerd als een belangrijke mijlpaal voor autonome productiviteit, laat de noodzaak van een dergelijke alliantie zien dat de moderne kunstmatige intelligentie volledig afhankelijk is van ouderwetse, gecentraliseerde databases om echt bruikbaar te zijn.
De architectonische illusie van zelfvoorziening
Deze architecturale afhankelijkheid daagt fundamenteel het idee uit dat fundamentele modellen zelfvoorzienende cognitieve systemen zijn. Haal de real-time opzoekmachines en verouderde datastructuren weg, en een geavanceerd ondernemingsmodel wordt gereduceerd tot het raden van telefoonnummers van bedrijven en het verzinnen van arbeidsverleden uit het verleden. De commerciële waarde komt niet voort uit de generatieve engine zelf, maar uit de onbewerkte, geverifieerde databaseregisters die softwarebedrijven tientallen jaren lang vóór de huidige technologische bloei hebben samengesteld.
Marktanalisten hebben steeds vaker opgemerkt dat het gebrek aan intern geheugen en realtime bewustzijn ervoor zorgt dat op zichzelf staande modellen een risico vormen voor precieze bedrijfsfuncties. Volgens een evaluatie door Gartner wordt meer dan 50% van de generatieve AI-projecten van ondernemingen geconfronteerd met vertragingen bij de implementatie of regelrechte mislukking als gevolg van de slechte datakwaliteit en het onvermogen van modellen om hun resultaten te baseren op authentieke organisatorische kennis. Dit systemische probleem benadrukt waarom de technologiesector zich haast om veilige bruggen te bouwen tussen ruwe tekstgeneratoren en rigide, deterministische recordsystemen.
Deze dynamiek legt een duidelijke onevenwichtigheid bloot in het opkomende tech-ecosysteem. Ontwikkelaars van fundamentele modellen hebben enorme hoeveelheden kapitaal geabsorbeerd door te beweren een soevereine softwarelaag te creëren die menselijke workflows kan heroverwegen. De praktische inzet van deze tools vertelt echter een ander verhaal.
Toegepast op het daadwerkelijk genereren van inkomsten, functioneert een kunstmatige intelligentie-agent slechts als een flexibele interface in natuurlijke taal bovenop traditionele, gestructureerde gegevensopslagplaatsen. Het fungeert als een elegante vertaler, die conversatieopdrachten omzet in databasequery’s en de uitvoer van rijen en kolommen weer omzet in geschreven alinea’s.
Zoals Lusha’s Core Experience Product Director Ben Harten-Beilis tijdens de uitzending benadrukte, resulteert het simpelweg richten van een ruw model op een marktsegment in aanzienlijk operationeel falen: “Vertegenwoordigers hadden lijsten maar geen reden om te bellen. Ze trokken 5.000 ICP-fit contacten en lieten ze helemaal koud. Lage verbindingspercentages, verbrande contacten – vertegenwoordigers waren totaal gedemoraliseerd.”
Wat ondernemers echt nodig hebben, zo betoogde Harten-Beilis, zijn “leads met een reden, leads die daadwerkelijk converteren.” Het echte operationele zware werk blijft afhankelijk van dataproviders die real-world validatie, nalevingscontroles en voortdurende registerupdates beheren.
De industrialisatie van geautomatiseerde fouten
De operationele realiteit van moderne Revenue Operations-teams benadrukt deze afhankelijkheid van externe gegevens nog meer. Jarenlang hebben verkoopprofessionals geworsteld met ongeorganiseerde platforms voor klantrelatiebeheer, verouderde contactgegevens en tegenstrijdige marktindicatoren. De introductie van taalautomatisering lost deze structurele problemen niet inherent op; in plaats daarvan dreigt de verspreiding van onnauwkeurige informatie op industriële schaal te versnellen.
Als een autonoom systeem de opdracht krijgt een doelaccountlijst samen te stellen of gepersonaliseerde berichten op te stellen met behulp van niet-geverifieerde gegevens, automatiseert het eenvoudigweg fouten sneller dan een menselijke operator ooit zou kunnen. Rapporten van verschillende commentatoren en publicaties benadrukken dat de ondernemingsmarkt aan het verschuiven is van generieke ‘wrapper’-software naar diepgaande infrastructuurintegraties, juist omdat bedrijven zich het reputatierisico niet kunnen veroorloven dat AI-hallucinaties hun klantgerichte communicatiekanalen binnendringen. Dit risico verklaart waarom zakelijke kopers tekenen van uitputting vertonen als het gaat om pure generatieve tools, waardoor technologieaanbieders gedwongen worden te streven naar veilige, verifieerbare data-integraties om hun marktwaarderingen te beschermen.
Deze realiteit heeft geleid tot een verschuiving in de manier waarop tools voor verkoopautomatisering worden gebouwd en op de markt worden gebracht. De focus verschuift van generieke chatinterfaces naar zeer specifieke, signaalgestuurde data-architecturen. Enterprise-oplossingen leggen nu de nadruk op afzonderlijke operationele lagen die zijn ontworpen om de inherente beperkingen van standaardtekstmodellen te compenseren.
Tijdens de presentatie legde Lusha uit hoe ze dit aanbod in twee specifieke systemen segmenteerden. Tserruya legde uit dat de eerste laag ‘onze kerngegevens is; we noemen dit de zoeklaag. Deze gegevens zijn universeel, alomvattend en objectief, gemaakt van alles wat er in de zakenwereld gebeurt. De tweede laag is de diepe informatie. Deze laag is uniek voor uw bedrijf. Onze AI leert uw context, uw klanten, uw patronen en uw deals.’
Deze tweelaagse structuur bestaat juist omdat ruwe taalmodellen deze snel veranderende commerciële realiteit niet kunnen vasthouden of onafhankelijk kunnen verifiëren.
De realiteit van gecontroleerde autonomie
Bovendien verandert deze integratietrend ons begrip van software-autonomie binnen de onderneming opnieuw. Tech-enthousiastelingen beschrijven vaak een hands-off toekomst waarin geautomatiseerde software routinematig complexe taken geïsoleerd uitvoert. Feitelijke implementaties laten echter een meer gecontroleerde, collaboratieve omgeving zien.
Een recent onderzoek gepubliceerd door de MIT Technology Review geeft aan dat, hoewel geautomatiseerd agenten efficiënt de back-office datasynthese kunnen afhandelen, blijft de aanwezigheid van een ‘human-in-the-loop’ essentieel om operationele drift te voorkomen en de naleving van privacyregelgeving zoals GDPR te handhaven. Hoewel geautomatiseerde systemen met succes databasewijzigingen kunnen monitoren, contactgegevens kunnen raadplegen en eerste communicatie kunnen genereren, blijft menselijk toezicht een cruciaal operationeel knelpunt.
Lusha’s keynote demonstreerde deze realiteit direct en liet zien dat haar systemen menselijke operators niet omzeilen; in plaats daarvan leveren ze georganiseerde samenvattingen, personeelsdelta’s en vooraf opgestelde reacties op een dashboard of een communicatiekanaal zoals Slack voor een laatste beoordeling vóór de implementatie.
Tserruya maakte een punt om deze zichtbaarheid te benadrukken om voorzichtige zakelijke kopers gerust te stellen, door te stellen dat “het geen zwarte doos is. Je hebt altijd de controle. Je kunt de redenering ervan zien en deze aanpassen aan jouw behoeften.” Deze hybride aanpak is een openlijke erkenning dat volledig autonome bedrijfssoftware te onvoorspelbaar blijft om te worden vertrouwd met directe, ongecontroleerde klantinteractie.
Deze evolutie brengt de ware economische structuur van het moderne softwarelandschap scherper in beeld. De werkelijke waarde ligt niet in de generieke rekenlaag, die in snel tempo een gecommoditiseerde hulpbron aan het worden is, die wordt gekenmerkt door dalende kosten en intense concurrentiedruk. In plaats daarvan is de strategische waarde geconcentreerd in gepatenteerde, goed onderhouden data-ecosystemen die niet eenvoudig kunnen worden gerepliceerd door webscraping-algoritmen.
Financiële tracking van Bloomberg en anderen geeft aan dat kapitaalinvesteringen zwaar beginnen te vloeien naar bedrijven die unieke, bedrijfseigen datasets bezitten, terwijl de marges op ruwe rekenkracht en basistaalmodellen blijven krimpen in een steeds drukker wordende markt.
De open standaardisatie van communicatieprotocollen zoals het raamwerk van Anthropic zorgt ervoor dat bedrijfsgegevens vrijer naar verschillende productiviteitstools kunnen stromen, maar versterkt tegelijkertijd de dominantie van de onderliggende gegevenseigenaren. De taalmodellen zelf worden zeer efficiënte nutsleidingen, terwijl de entiteiten die de geverifieerde gegevens leveren de echte sleutels tot bedrijfsuitvoering in handen hebben.
Op weg naar een pragmatisch evenwicht
Uiteindelijk beweegt de technische evolutie van bedrijfssoftware zich richting een meer pragmatisch evenwicht. De aanvankelijke opwinding rond onafhankelijke, op zichzelf staande kunstmatige intelligentie maakt plaats voor het besef dat taalvaardigheid iets anders is dan daadwerkelijke operationele kennis.
Zoals Tserruya tijdens de productlancering concludeerde, hangt de weg voorwaarts volledig af van het koppelen van onbewerkte intelligentie aan gestructureerde fundamenten: “De zoeklaag geeft uw agenten de gegevens – universeel, geverifieerd, in realtime… door achter de schermen samen te werken, voorzien ze niet alleen uw agenten van macht; ze maken elke vertegenwoordiger productiever.”
De toekomst van bedrijfsautomatisering zal niet worden bepaald door één enkele, alwetende software-engine die de bestaande bedrijfsinfrastructuur vervangt. Het zal veeleer lijken op een sterk onderling verbonden netwerk van gespecialiseerde tools, waarin moderne interfaces in natuurlijke taal systematisch verbonden zijn met de precieze, weinig glamoureuze bedrijfsdatabases die de software-industrie al een generatie lang verankeren.
