Enterprise AI · April 2026

5 harde lessen over AI in productie die zakelijke leiders hebben geleerd

Wat 200+ zakelijke leiders die live AI-implementaties beheren ontdekten over kosten, controle en governance — zaken waar geen enkele leverancierspresentatie hen over vertelde.
200+
Zakelijke respondenten
18+
Vertegenwoordigde sectoren
95%
Agents in productie
81%
AI-uitgaven groeien dit jaar
Deel je gedachten
LinkedIn logo on a black background with white lettering and dot symbol.
Black and white crisscross pattern with intersecting diagonal lines on a white background.
04
05
Feiten
01
03
05
01
Feiten
Je factuur voor inferentie is het kleinste deel van het probleem
03
Feiten
Het aanbod aan tools explodeerde voordat iemand er klaar voor was.
05
Feiten
Tool-expansie = investering & risico
02
Feiten
95% gebruikt agents. De helft kan niet traceren waar ze heen gaan.
04
Feiten
Wat je niet kunt zien, kun je niet beheren.
200+ organisaties · Allemaal met AI in productie

Bijdragende thought leaders

Smiling business professional in a blue suit and tie with short brown hair in a circle frame.
linkedin-icoon
Garrett Mallory
Sr. Manager ML
Roadie
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Drie weken geleden was ik op een conferentie en een presentator van Google sloot haar praatje af met iets dat me echt is bijgebleven: 'Dit is het slechtste niveau waarop de modellen ooit zullen presteren.' Dat zegt veel, gezien de mate van verandering; zelfs als we hier zouden stoppen, is de impact al ontwrichtend geweest. Ik ben doorgaans een van de meest sceptische machine learning-professionals die ik ken — het is een erg nuttige tool, maar meestal niet de juiste tool voor de klus. Maar je kent die momenten van inzicht wel, waarop je begint te zien dat er een compleet nieuwe wereld opengaat? Die momenten heb ik bij deze technologie vaker gehad dan bij andere technologieën.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Smiling man with short dark hair wearing light blue collared shirt in circular profile photo frame.
linkedin-icoon
Daniel Shir
VP Engineering
Via Transportation
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Ik denk dat iedereen die ooit AI-modellen heeft gebruikt, vroeg of laat tegen het kostenaspect is aangelopen. Ik heb veel verhalen gehoord over onverwachte kostenpieken, of over een keten van microservices in een specifieke back-end waarbij één kleine wijziging er plotseling voor zorgde dat er een enorme hoeveelheid data door het systeem stroomde, waardoor de AI-kosten de pan uit rezen.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Woman with long dark hair and glasses smiling wearing blue blouse sitting by window with greenery.
linkedin-icoon
Meenal Iyer
SVP Data
SurveyMonkey
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Toen de cloud voor het eerst opkwam, kregen we allemaal met hetzelfde te maken: geen CapEx meer, geen on-premise oplossingen, alles zou naar de cloud verhuizen. Maar toen men naar de cloudkosten keek, bleken de OpEx enorm te stijgen. Het wordt een flinke leercurve en het zal pijnlijk zijn, vooral wat betreft de kosten — want mensen denken dat de komst van AI de kosten zal verlagen. Nee. Er zijn kosten verbonden aan het draaien van AI zelf waar mensen geen rekening mee hebben gehouden.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Uitgelichte experts

Stemmen uit de praktijk

Experts die voorop lopen bij de implementatie van GenAI in het ecosysteem
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Het grootste struikelblok is inconsistentie: verschillende teams gebruiken verschillende modellen zonder gedeelde evaluatiestandaarden. Dit betekent dat resultaten niet met elkaar vergeleken kunnen worden en integraties bij elke update blijven haperen. We moesten achteraf governance opbouwen rond meer dan 10 modellen in plaats van dit vooraf te ontwerpen, en die technische schuld vertaalt zich in vertragingen in elke opleveringscyclus.
Dmytro Zhorov
VP Technology Lead
EPAM Systems
White lowercase letter e on a blue gradient background with a pixelated effect applied.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
De grootste frictie door modelwildgroei is het verlies van standaardisatie. Wanneer meerdere teams onafhankelijk modellen beheren, wordt governance gefragmenteerd, is observability inconsistent en lijdt de betrouwbaarheid van de productie eronder. Dit creëert verborgen kosten in de vorm van dubbele infrastructuur, vertraagde incidentafhandeling en een tragere time-to-value voor nieuwe AI-initiatieven. Het verhoogt ook het bedrijfsrisico.
Deepak MK
VP Data Science
Examroom AI
Examroom.ai logo featuring green and blue triangle design on white background with text next to it.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Over wat er anders zal zijn in 2026: agent-gebaseerde workflows en agent-gebaseerde oplossingen voor problemen zoals modelwildgroei en code-reviews op gegenereerde code. En over het grootste beveiligingsrisico in 2026: gebruiksstatistieken en evaluatiesets.
Holt Calder
Director Data Analytics
Greenhouse Software
Green lowercase letter g logo with dot above, stylized font design element on white background.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Er zijn twee grote problemen waar we tegenaan lopen door het grote aantal modellen. Ten eerste hebben we bij onze eigen interne modellen moeite met het onderhouden van versies en governance, omdat er grote hoeveelheden trainingsdata, parameterinformatie en andere artefacten aan een model zijn gekoppeld, die we meestal handmatig op S3 opslaan. Het andere probleem is ervoor zorgen dat de externe modellen die we via API's gebruiken niet verlopen. Dit wordt een probleem omdat veel teams externe modellen voor hun eigen taken gebruiken, waardoor het lastig is om op een gecoördineerde manier te upgraden wanneer een nieuwe versie wordt uitgebracht en de vorige versie wordt uitgefaseerd. De leveranciers mailen ons, en vervolgens verspreiden wij die informatie via vergaderingen om de nieuwe versies bij te werken en te testen.
Apurva Bhargava
ML/AI Engineer
Informed
Informed logo with magnifying glass icon in green and black text on white background.
Openbaarmaking respondenten & privacyverklaring
De personen en organisaties in dit rapport hebben vrijwillig deelgenomen als onafhankelijke thought leaders en beoefenaars van enterprise GenAI. Alle antwoorden zijn verzameld via een gestructureerd onderzoek dat specifiek is ontworpen om de ervaringen en perspectieven van professionals vast te leggen — er is niet gevraagd naar, noch gebruikgemaakt van bedrijfseigen, vertrouwelijke of commercieel gevoelige bedrijfsinformatie. Bedrijfslogo's en affiliaties worden uitsluitend getoond om de professionele context van de respondent op het moment van het onderzoek aan te duiden en impliceren geen goedkeuring door de organisatie van de bevindingen, producten of diensten waarnaar hierin wordt verwezen. Respondenten die geen expliciete toestemming hebben gegeven om geïdentificeerd te worden, zijn geanonimiseerd. Elke gelijkenis van geanonimiseerde profielen met specifieke individuen berust op toeval.

Executive Summary

Enterprise AI heeft de productiedrempel overschreden. Budgetten groeien over de hele linie en toegang tot modellen is eenvoudiger dan ooit. Maar onder het momentum vormt zich een complexer beeld.

De tools die bedrijven kozen voor snelheid zijn nu hun grootste bronnen van kostenondoorzichtigheid, beveiligingsrisico's en governance-schuld. Deze vijf waarheden — gebaseerd op meer dan 200 echte productie-implementaties — beschrijven hoe dat er in de praktijk uitziet.
95%
AI-agents draaien in productie — geen pilots, geen experimenten, maar live.
41%
Inferencekosten zijn pas achteraf inzichtelijk — geen real-time overzicht
76%
Gebrek aan volledig uniforme logging voor alle modellen en agents
51%
Kan niet bevestigen dat alle tool-endpoints geauthenticeerd en beveiligd zijn
De 5 waarheden over productie
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Waarheid 01
Je factuur voor inferentie is slechts een fractie van de kosten
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Waarheid 02
95% gebruikt agents. De helft kan ze niet volledig traceren.
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Waarheid 03
Het aantal tools is geëxplodeerd
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Waarheid 04
Wat je niet kunt zien, kun je niet beheren
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Waarheid 05
De paradox van 2026: Investering versus risicoprioritering
Hoofdstatistiek
41%
zie kosten na gebruik
83%
zie token-amplificatie
78%
heeft 6+ tool-endpoints
56%
heeft geen volledige controlelaag
#1
Tool-uitbreiding = investering & risico
Wat dit betekent
Verborgen kosten — orkestratie, tool-aanroepen, retries — stapelen zich onzichtbaar op
Agent-loops vermenigvuldigen kosten en risico's op manieren die puntmonitoring mist
De wildgroei aan MCP's/tools loopt vooruit op kaders voor beveiliging en toegangscontrole
Gefragmenteerde logging creëert compliance-hiaten, zelfs in gereguleerde sectoren
Organisaties versnellen hun eigen blootstelling met volledige kennis van zaken
Wie heeft gereageerd

200+ Enterprise AI-leiders,
‍allen met agents in productie

Elke respondent bevestigde live AI-agentimplementaties. Geen teams die alleen met POC's werken. Geen respondenten met enkel ambities. Dit zijn de mensen die op dit moment echte productierisico's beheren.
Three stacked orange cubes on pale background, representing blocks or storage containers in a simple graphic.
Sectorverdeling
Sectorverdeling
34%
Financiële dienstverlening
22%
Gezondheidszorg & Life Sciences
12%
Detailhandel & Consumenten
11%
Productie & Industrie
10%
Overig
11%
Three interconnected blue cube blocks stacked pyramidally on a white background forming a cohesive structure.
Verdeling functiegroepen
VP/SVP/EVP Engineering of AI
38%
Directeur / Sr. Directeur AI
29%
CTO / CIO / CDO / CAIO
18%
Hoofd AI / ML-platform
15%
Three interconnected purple cubes stacked pyramidally on a white background forming a geometric shape structure.
Verdeling bedrijfsomzet
$1 mld+ (Grote ondernemingen)
44%
$250 mln – $1 mld (Midden- en kleinbedrijf)
31%
$50 mln – $250 mln (Groei)
18%
Minder dan $50 miljoen (Scale-up)
7%
Orange icon of two arms with three circles above representing people or support team collaboration.
Genoemde bijdragers
Elk geciteerd fragment is toegeschreven aan een echt persoon, met geverifieerde functietitel en bedrijfsnaam. Geen anonieme enquêtes die als onderzoek worden gepresenteerd.
Orange icon of a person with an orange shield beside them on a white background.
Alleen respondenten in productie
Alle deelnemers bevestigden actieve implementaties van AI-agents. Geen plannen, geen pilots — live in productie met echte kosten en risico's.
Orange arrow pointing up to a cluster of orange circles on a white background growing upward.
Statistieken afgeleid van ruwe data
Elk percentage is rechtstreeks berekend op basis van de antwoorden uit het onderzoek. Niets is geëxtrapoleerd, afgeleid of afgerond om een betere kop te creëren.
Three people icons in orange color with corners framing them on a white background together.
Geen leveranciersvooroordeel
De respondenten waren geen klanten. De vragen waren opgesteld om problemen bloot te leggen, niet om oplossingen te valideren. Negatieve bevindingen werden niet verbloemd.
Productiewaarheid #01

Je inferentiekosten zijn het kleinste deel van het probleem

Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Inferentiekosten vormen een minderheid
De kosten voor inferentie vormen, hoewel dit de meest zichtbare maatstaf is, slechts 15–20% van de totale AI-productiekosten.
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Het merendeel van de kosten zit verborgen in systeemcomplexiteit
De resterende ~80% van de kosten komt voort uit minder zichtbare lagen zoals overhead van orkestratie, ketens van tool-aanroepen, het genereren van embeddings, retry-loops en de technische inspanning voor het debuggen van niet-deterministisch gedrag.
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Kostenzichtbaarheid is vertraagd en reactief
Een aanzienlijke 41% van de organisaties beschikt niet over real-time kostenmonitoring en wordt zich pas bewust van de uitgaven nadat het gebruik al heeft plaatsgevonden, zonder proactieve waarschuwingen of budgetcontroles.
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Verkeerde configuraties vergroten onzichtbare kosten aanzienlijk
Fouten, zoals een agent die een keten van 400 aanroepen uitvoert in plaats van 4, kunnen onopgemerkt blijven tot de facturatiecyclus, wat leidt tot onverwachte en aanzienlijke kostenoverschrijdingen.
Blue checkmark icon on a white background, symbolizing verification and approval in a digital interface.
Geavanceerde inzichtpraktijken bepalen de volwassenheid van kostenbeheersing
Ondernemingen met beter kostenbeheer zijn overgestapt van factuuranalyse achteraf naar tracing op token-niveau over de gehele AI-stack, wat gedetailleerd en proactief toezicht mogelijk maakt.
Three interconnected blue cube blocks stacked pyramidally on a white background forming a cohesive structure.
Uitgaventraject in 2026
Groeit agressief (>30%)
42%
Groeit gematigd (10–30%)
39%
Stabiel of consoliderend
19%
Three interconnected blue cube blocks stacked pyramidally on a white background forming a cohesive structure.
Inzicht in AI-kosten
Donut chart divided into three distinct purple sections on a white background for data visualization purposes.
Na gebruik (facturatie achteraf)
41%
Gedeeltelijk real-time inzicht
35%
Volledige real-time tracking op token-niveau
24%
80%
Verborgen kosten
De overige 80% zit verborgen in orkestratie-overhead, ketens van tool-aanroepen, het genereren van embeddings, retries en het debuggen van niet-deterministisch gedrag.
Organisaties rapporteren budgetverhogingen in 2026
81%
AI-uitgaven stijgen
61%
Budgetcontroles aanwezig
Geen enkele vorm van uitgavenplafonds of snelheidslimieten voor AI-implementaties
Inferentiefactuur
misleidend
01
Waarheid
Risico's door onjuiste configuratie
41%
Gebrek aan realtime
inzicht
Van de organisaties ziet de AI-kosten pas achteraf, zonder dat er realtime waarschuwingen of budgetcontroles aanwezig zijn.
UIT DE PRAKTIJK
Two blue quotation mark icons on white background for citation and dialogue representation purposes.
Wat ons het meest verraste aan GenAI-kosten in productie: inferentie kan wel 10x hoger uitvallen dan de trainingskosten, en context-bloat zorgt voor een snelle vermenigvuldiging — wat de latentie flink opdrijft. De wildgroei aan modellen heeft gezorgd voor aanzienlijke orkestratie-overhead; het coördineren van meerdere modellen drijft de rekenkosten en foutmarges op, terwijl onbeheerde wildgroei zorgt voor frictie in de datastroom die na verloop van tijd alleen maar toeneemt.
Bijit Ghosh
Engineering
Wells Fargo
WF logo in white serif font on dark background.
Two blue quotation mark icons on white background for citation and dialogue representation purposes.
Tijdens pilots lijken de kosten lineair en voorspelbaar: API-gebruik, een paar engineers, bescheiden infrastructuur. In productie worden de kosten echter niet-lineair en systemisch. De uitgaven voor inferentie stijgen sneller dan verwacht naarmate het gebruik toeneemt, maar dat is slechts een deel van het verhaal. De grotere verrassing is hoeveel kosten er rondom het model zitten: orkestratie, monitoring, beveiligingscontroles, compliance-reviews, integratie met legacy-systemen en voortdurend menselijk toezicht.
Mukta Maheshwari
AVP Engineering
State Street
State Street logo with three horizontal lines and company name in black text on white background.
Productiewaarheid #02

95% gebruikt agents. De helft kan niet volledig traceren waar ze heen gaan.

Blue checkmark symbol on a white background, within a blue hexagonal shape outline.
Agentic AI is nu de standaard
Agentic AI is geëvolueerd van een concept naar een standaardpatroon: bijna elke onderneming in dit onderzoek draait autonome agents in productie die taken coördineren, tools aanroepen en beslissingen nemen zonder bij elke stap menselijke bevestiging.
Blue checkmark symbol on a white background, within a blue hexagonal shape outline.
Agent-workflows creëren lange aanroepketens
Wanneer een agent draait, doet deze niet slechts één modelaanroep; er ontstaat een keten van acties — prompt, tool-aanroep, retrieval, re-prompt, besluitvorming — en elke schakel kan het tokenverbruik en de kosten vergroten.
Blue checkmark symbol on a white background, within a blue hexagonal shape outline.
Gebrek aan realtime keteninspectie
De meeste organisaties kunnen deze keten niet in realtime inspecteren. Slechts ongeveer de helft beschikt over de tracing-infrastructuur om beslissingen van agents stap voor stap te volgen terwijl ze plaatsvinden.
Blue checkmark symbol on a white background, within a blue hexagonal shape outline.
Adoptie gedreven door echte productiviteitswinst
De adoptiecurve is steil en wordt grotendeels gevoed door echte productiviteitswinst, niet alleen door experimenten.
Blue checkmark symbol on a white background, within a blue hexagonal shape outline.
Niet alleen een kostenkwestie, maar ook compliance
Dit gebrek aan inzicht is niet alleen een kostenprobleem; voor gereguleerde sectoren wordt het een compliance- en auditvraagstuk met ernstige gevolgen.
95%
Agents in
productie
Bevestigd: AI-agents draaien in live productieomgevingen
83%
Token-amplificatie in agent-workflows
Er is sprake van aanzienlijke token-amplificatie, waarbij agent-chains 3 tot 15 keer het verwachte aantal tokens verbruiken.
Three blue stacked cubes icon on white background, representing blocks or construction.
Inzicht in AI-kosten
Blue sections in a donut chart on a white background divided into four parts.
Volledige stapsgewijze agent-tracering
46%
Gedeeltelijke tracering (alleen op outputniveau)
49%
Geen gestructureerde tracering aanwezig
5%
83%
 Zie token-
amplificatie
83% van de respondenten ziet token-amplificatie, waarbij een taak die ~1.000 tokens zou moeten kosten, uiteindelijk 8.000, 15.000 of meer verbruikt door de keten.
Een agent doet niet slechts één modelaanroep; het creëert een keten van acties – prompt, tool-aanroep, retrieval, her-prompt, besluitvorming – wat het tokenverbruik en de kosten versterkt.
Agents creëren lange aanroepketens
61%
Geen uitgavenlimieten
61% rapporteert geen uitgavenlimieten voor agentic workflows, wat betekent dat een op hol geslagen agent-loop geen geautomatiseerde stopconditie heeft.
Geen real-time
keteninspectie
02
Waarheid
Agentic AI is
nu de standaard
Compliance- en auditrisico
Dit gebrek aan inzicht is niet alleen een kostenprobleem; voor gereguleerde sectoren is het een compliance- en auditvraagstuk met ernstige gevolgen.
UIT DE PRAKTIJK
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
De vroege wildgroei aan modellen zorgde voor duplicatie en beperkte observability. We hebben dit opgelost door een gecentraliseerde LLM-bibliotheek te bouwen om de toegang tot providers te abstraheren en telemetrie te standaardiseren. Hoewel dit de governance en kostenbeheersing aanzienlijk verbeterde, zorgde het voor enige frictie in de vorm van tragere experimenten en een afhankelijkheid van het platformteam voor de integratie van nieuwe modellen.
Karan Kakwani
Machine Learning Engineering
Apollo.io
Black starburst shape with eight pointed rays on light gray background, forming a circular pattern.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
De echte schok was dat inferentiekosten slechts ongeveer 15–20% van de totale uitgaven beslaan; de overige 80% zit verborgen in datapipelines, evaluatielussen, het verhelpen van drift en integratiewerkzaamheden die in geen enkel pilotproject naar voren komen. We hebben in feite één zichtbare kostenpost gefinancierd en er vier onzichtbare bij gekregen.
Dmytro Zhorov
VP Technology Lead
EPAM Systems
Large white lowercase letter e on a gradient dark gray background with subtle light effect.
Two blue location pin icons on a white background, indicating geographic markers or map pointers.
Naarmate we overstappen van interacties in één stap naar autonome pipelines met meerdere stappen, wordt de impact van een verkeerde beslissing snel groter. We hebben nog geen equivalent van een stroomonderbreker — iets dat ingrijpt wanneer een agent op het punt staat iets te doen wat niet mag, terwijl het proces al loopt. Traditionele beveiligingstools zijn hier niet voor gebouwd en we improviseren momenteel enigszins.
Anoniem
ML Engineering
Daugherty Enterprises
Daugherty Enterprises Foundation logo featuring heart shaped design with fork and spoon incorporated elements.
Productiewaarheid #03

Het tool-oppervlak explodeerde voordat ‍iemand er klaar voor was

Orange checkmark symbol on a white background within an abstract shape.
Het tool-oppervlak explodeerde als eerste
Het Model Context Protocol en API's voor tool-aanroepen gaven AI-agents volledige toegang tot databases, API's, interne services en externe systemen, maar ze werden niet geleverd met een governance-kader voor situaties waarin elk team zijn eigen eindpunten begint te koppelen.
Orange checkmark symbol on a white background within an abstract shape.
Explosie van actieve tooleindpunten
78% van de ondernemingen gebruikt inmiddels zes of meer tooleindpunten, waardoor elk eindpunt een onafhankelijk aanvals- en facturatieoppervlak en een pad naar datatoegang wordt.
Orange checkmark symbol on a white background within an abstract shape.
Eindpunten als onafhankelijke aanvals- en facturatieoppervlakken
Deze tooleindpunten zijn niet zomaar "handige integraties"; wanneer ze door een agent worden aangeroepen, kunnen ze klantgegevens inzien, downstream-processen activeren of kosten voor externe API's met zich meebrengen. Dit effect vermenigvuldigt zich over tientallen teams, honderden agents en duizenden dagelijkse aanroepen.
Orange checkmark symbol on a white background within an abstract shape.
Grote kloof tussen toolinventaris en beveiligingsbeoordeling
Er is een aanzienlijke, grotendeels ongemeten kloof tussen de werkelijke toolinventaris van een bedrijf en de beveiligingsbeoordeling van die inventaris.
Orange checkmark symbol on a white background within an abstract shape.
MCP-governancekloof
De MCP-governancekloof betekent dat de tooling voor verbindingen tussen agents en systemen veel sneller is geschaald dan het vermogen van organisaties om deze te beoordelen, goed te keuren en te auditen.
78%
Actieve tooleindpunten per organisatie
Beschikken over 6 of meer actieve tool/MCP-eindpunten in AI-systemen
51%
Authenticatievertrouwen voor tooleindpunten
Kan niet bevestigen dat alle tooleindpunten correct zijn geauthenticeerd
Three interconnected orange cubes stacked in a pyramid formation on a pale yellow background.
Actieve tooleindpunten per organisatie
Donut chart divided into four sections of varying yellow and orange shades on white background.
6–15 eindpunten
44%
16+ eindpunten
34%
2–5 eindpunten
22%
78%
6+ Endpoints
78% van de ondernemingen gebruikt inmiddels zes of meer tool-endpoints, die elk fungeren als een onafhankelijk aanvalsoppervlak, facturatiepunt en pad voor gegevenstoegang.
Er is een aanzienlijke, grotendeels ongemeten kloof tussen de tool-inventaris van een bedrijf en de beveiligingsbeoordeling van die inventaris.
Kloof:
Inventaris vs.
Beveiligingsbeoordeling
51%
Onbevestigd
51% kan niet bevestigen dat alle tool-endpoints correct zijn geauthenticeerd en voorzien van toegangscontrole; voor de overige 49% betekent "bevestigd" vaak "we denken van wel" in plaats van "systematisch geverifieerd".
03
Waarheid
Endpoints als
Aanvals- & Facturatie-
oppervlakken
MCP
Governancekloof
De MCP-governancekloof betekent dat de tooling voor verbindingen tussen agents en systemen veel sneller is gegroeid dan het vermogen van de organisatie om deze te beoordelen, goed te keuren en te auditen.
UIT DE PRAKTIJK
Two orange quotation marks on a white background for citation and dialogue indication purposes.
Er zijn nogal wat operationele fricties die worden veroorzaakt door de wildgroei aan modellen binnen de organisatie — verschillende modellen en tools die uiteenlopende of zelfs tegenstrijdige resultaten opleveren, risico's op het gebied van regelgeving en compliance, productieproblemen bij de overgang van prototype naar massaproductie, evenals een verlies aan efficiëntie.
Anoniem
Principal Engineer
Intel
Intel logo on white background with black lettering and registered trademark symbol.
Two orange quotation marks on a white background for citation and dialogue indication purposes.
Het bemoeilijkte ook het kostenbeheer en de observability. API-gebruik en GPU-workloads groeiden parallel aan elkaar, en zonder uniforme tracking werd het lastiger om uitgaven toe te wijzen of de ROI per use case te meten. Op het gebied van governance vereisten uiteenlopende licentievoorwaarden en beleidsregels voor gegevensverwerking extra beoordelingscycli.
Omkar Basarikatti
ML Engineering
Acceldata
Acceldata logo with dark blue text on white background displays company brand name clearly.
Productiewaarheid #04

Wat je niet kunt zien, kun je niet besturen

Purple verified checkmark icon on white background, symbolizing approval and confirmation in digital interfaces and design.
76% mist verenigde logging
76% van de organisaties beschikt niet over volledig verenigde logging voor al hun AI-modellen en agent-workflows. Verschillende modellen loggen naar verschillende systemen, agent-beslissingen worden niet gecorreleerd met inferentie-logs en er is geen enkelvoudig beeld van wat de volledige AI-stack op een bepaalde dag heeft gedaan — een nachtmerrie voor CISO's en compliance officers achter de glimmende demo's.
Purple verified checkmark icon on white background, symbolizing approval and confirmation in digital interfaces and design.
Geen enkelvoudig beeld van de AI-stack
Omdat logs in silo's zijn opgeslagen, kan de volledige keten van AI-gedrag (van prompt tot agent-beslissing tot modelaanroep) niet op één plek worden gereconstrueerd, wat incidentonderzoek, kostentoerekening en compliance-rapportage uiterst kwetsbaar maakt.
Purple verified checkmark icon on white background, symbolizing approval and confirmation in digital interfaces and design.
Geen universele handhavingspunten
Zonder die centrale laag is er geen centrale plek om promptbeleid af te dwingen, inhoudsfilters universeel toe te passen, verkeer tussen modellen te routeren op basis van kosten of capaciteit, of beslissingen systematisch vast te leggen voor audits. Elk model wordt direct benaderd, vaak met dezelfde API-sleutel en minimale logging.
Purple verified checkmark icon on white background, symbolizing approval and confirmation in digital interfaces and design.
Directe modeltoegang is een risico
Directe, onbemiddelde toegang tot modellen betekent dat beleid ad-hoc wordt geïmplementeerd, beveiligingsgrenzen inconsistent zijn en hetzelfde kwetsbare patroon zich herhaalt over teams en tools heen.
Purple verified checkmark icon on white background, symbolizing approval and confirmation in digital interfaces and design.
Audits markeren dit al als een aandachtspunt
Verschillende enterprise-leiders in dit onderzoek gaven aan dat compliance-audits het gebrek aan verenigde AI-logging en -controle al als een materieel punt naar voren brengen, wat dwingt tot aandacht en toewijzing van middelen.
76%
Gebrek aan volledig verenigde logging voor alle AI-modellen en workflows
56%
Geen centrale controlelaag voor AI-toegang en beleidshandhaving
Three interconnected purple cubes stacked pyramidally on a white background forming a geometric shape structure.
Overzicht van logging-dekking
Donut chart with three purple sections on a white background showing data distribution.
Volledig verenigd (alle modellen + agents)
24%
Gedeeltelijk (sommige modellen gelogd)
61%
Minimale of geen gestructureerde logging
15%
Three interconnected purple cubes stacked pyramidally on a white background forming a geometric shape structure.
Meest genoemde governance-zorgen
Datalekkage / blootstelling van PII in prompts
1e
Gebrek aan audittrail voor modelbeslissingen
2e
Geen beleidshandhaving tussen gebruikers & modellen
3e
76%
Geen uniforme
logging
76% van de organisaties beschikt niet over volledig uniforme logging voor AI-modellen en agent-workflows, waardoor elk systeem afzonderlijk logt en gedrag niet als geheel kan worden gereconstrueerd.
Zonder uniforme logs is er geen enkelvoudig overzicht van wat de volledige AI-stack op een bepaalde dag heeft gedaan, waardoor incidentanalyse en compliance-rapportage zeer kwetsbaar zijn.
Geen enkelvoudig overzicht
van de AI-stack
56%
Geen centrale
controlelaag
56% van de ondernemingen heeft geen gecentraliseerde controlelaag tussen gebruikers of agents en de modellen die zij aanroepen, waardoor er geen gemeenschappelijk punt voor beleidshandhaving is.
Geen universele
handhavingspunten
04
De waarheid
Directe modeltoegang
is riskant
Gevolgen voor
compliance
In gereguleerde sectoren zoals de financiële wereld, de gezondheidszorg en de verzekeringsbranche heeft dit gat directe gevolgen voor de naleving van wet- en regelgeving en ondermijnt het de basis onder glimmende AI-demo's.
UIT DE PRAKTIJK
Two purple quotation marks on a white background, symbolizing quote or citation indicators.
Modelverwildering verhoogt de complexiteit van evaluaties, omdat prestatievergelijkingen tussen aanbieders en modelversies niet gestandaardiseerd zijn. Beoordelingen van governance en toegangscontrole duren langer naarmate het oppervlak groter wordt.
Ameer Azam
Data Scientist
Pixis.ai
Pixis logo with stylized lettering and design on a white background.
Two purple quotation marks on a white background, symbolizing quote or citation indicators.
Modelverwildering leidt tot "FinOps"- en beveiligingschaos, waardoor het vrijwel onmogelijk wordt om de ROI per functie te volgen of consistente veiligheidsrichtlijnen binnen de organisatie af te dwingen.
Lucas Hendrich
CTO
Forte  Group
Teal colored logo with stylized letter G and arrow on white background.
Two purple quotation marks on a white background, symbolizing quote or citation indicators.
Het beheren van zoveel modellen heeft de dagelijkse gang van zaken complexer gemaakt. Het is lastiger om updates bij te houden, te zorgen dat alles goed samenwerkt en consistentie te bewaren tussen teams. Het vertraagt het proces aanzienlijk en zorgt voor extra werk.
Velia Carboni
EVP en CDTO
VF Corporation
Blue circular logo with white serif letters V and F.
Productiewaarheid #05

De paradox van 2026:
Uitbreiden in de kloof

Teal checkmark symbol on a white background, within a rounded, six-sided shape icon.
Uitbreiding van het tool-ecosysteem als topprioriteit
Uitbreiding van het tool-ecosysteem — meer MCP-servers toevoegen, meer interne systemen koppelen aan AI-agents en meer bedrijfs-API's aansluiten — is de belangrijkste investeringsprioriteit, genoemd door 27% van de respondenten.
Teal checkmark symbol on a white background, within a rounded, six-sided shape icon.
Concurrentiedruk om uit te breiden
Organisaties die meer tools koppelen, meer workflows automatiseren en agents meer bereik geven, zullen samengestelde voordelen creëren ten opzichte van degenen die afwachten, gedreven door sterke concurrentiedruk.
Teal checkmark symbol on a white background, within a rounded, six-sided shape icon.
Elke nieuwe tool is een item voor de governance-achterstand
Elke nieuwe tool-verbinding is ook een nieuw item in de governance-achterstand — een nieuw endpoint dat moet worden geverifieerd, gelogd, gecontroleerd en beveiligd. Die achterstand is al groot.
Teal checkmark symbol on a white background, within a rounded, six-sided shape icon.
Eerst het tool-oppervlak bouwen creëert structurele aansprakelijkheid
Ze implementeren een gecentraliseerde AI-gateway — een laag die alle modelaanroepen ziet, alle beleidsregels handhaaft en alle beslissingen logt — en breiden vervolgens het tool-oppervlak daarop uit, niet andersom.
Teal checkmark symbol on a white background, within a rounded, six-sided shape icon.
Aansprakelijkheid groeit met elke integratie
Deze aansprakelijkheid wordt met elke nieuwe integratie moeilijker te verhelpen, omdat het oppervlak groter en gefragmenteerder wordt.
27%
INVESTERINGSPRIORITEIT NR. 1 IN 2026
Uitbreiding van het tool-ecosysteem
Meer MCP-servers. Meer interne API's gekoppeld aan agents. Meer tool-endpoints die AI een groter bereik geven binnen bedrijfssystemen. Daar gaat het budget naartoe.
31%
#1 RISICOFACTOR IN 2026
Beveiliging van het tool-landschap
Ongecontroleerde wildgroei aan tools, niet-geauthenticeerde eindpunten en geen centrale handhavingslaag. Waar ondernemingen juist in investeren, is precies wat hun CISO's wakker houdt.
2026's </
De bepalende paradox
Dezelfde technologie waar ondernemingen het meest agressief in investeren, vormt tegelijkertijd hun grootste genoemde risico, wat het AI-landschap van 2026 definieert.
Ze installeren een centrale AI-gateway: een laag die alle modelaanroepen ziet, alle beleidsregels handhaaft en alle beslissingen logt, en breiden daarna pas het tool-landschap daarbovenop uit.
Eerst de controlelaag bouwen
Succesvolle
ondernemingen
handelen anders
Ondernemingen die deze paradox succesvol weten te navigeren, bouwen hun controle-infrastructuur vóórdat ze uitbreiden, niet erna.
Aansprakelijkheid
groeit met
elke integratie
05
De waarheid
Prioriteit bij
uitbreiding
tool-ecosysteem
Governance-druk
komt
te laat
Tegen de tijd dat er externe druk ontstaat op het gebied van governance, is het tool-landschap al te groot en gefragmenteerd om nog snel of samenhangend te kunnen ingrijpen.
UIT DE PRAKTIJK
Two blue quotation mark icons on a white background, symbolizing quotes or testimonials in typography design.
Wat doen we anders? We implementeren uniforme GenAI-governance met real-time kostenregistratie, beleidsgestuurde toegangscontroles en gecentraliseerde observability voor alle modellen en tools.
Kumar Gautam
Principal Architect
Pure Storage
Pure Storage company logo with grey and black design on white background.
Two blue quotation mark icons on a white background, symbolizing quotes or testimonials in typography design.
We bouwen aan gedeelde infrastructuur, governance-kaders en duidelijke besluitvorming rondom modelgebruik, toegangscontrole en kostenverantwoording. Daarnaast geven we prioriteit aan herbruikbare accelerators in plaats van eenmalige oplossingen, zodat elke succesvolle implementatie een herbruikbaar sjabloon wordt voor snellere opschaling binnen de hele organisatie.
Deepak MK
VP Data Science
Examroom AI
Grey Examroom.ai logo on white background with triangle symbol next to text.
Investeringsprioriteiten voor 2026

Wat bedrijfsleiders hieraan doen

Ondanks de uitdagingen tonen de gegevens een duidelijk momentum rond specifieke investeringen. Hier vloeit het AI-budget voor ondernemingen in 2026 naartoe.
27%
Uitbreiding van het tool-ecosysteem
25%
Meer agents
14%
Gecentraliseerde controlelaag
12%
Meer modellen
10%
Handhaving van beveiliging
10%
Inzicht in kosten
AANVULLENDE MENINGEN
Two blue quotation mark icons on white background for citation and dialogue representation purposes.
We zijn verschoven van het evalueren van modellen naar het evalueren van de infrastructuur rondom modellen. Het model is bijna een commodity geworden — wat productie op schaal onderscheidt, is routing, logging, kostenbeheersing en het vermogen om te wisselen zonder je applicaties te herschrijven.
Daniel Shir
VP Engineering
Via Transportation
Dark blue Via logo featuring a stylized map pin icon with a circular shape and lettering.
Two blue quotation mark icons on white background for citation and dialogue representation purposes.
Wij gebruiken een hybride modelstack — deels propriëtair, deels open source, deels fine-tuned. De enige manier om dat op een verstandige manier te beheren is met een uniforme gateway-laag. Zonder die laag zou je voor elk model een andere integratie, een andere logging-methode en een ander kostenmodel nodig hebben. Dat is niet schaalbaar.
Lucas Hendrich
CTO
Forte Group
Forte Group company logo displayed on a white background with black text.
Uitgelichte stemmen

De leiders die dit rapport hebben vormgegeven

Enkele experts wier diepgaande inzichten hebben geleid tot de vijf productiewaarheden — van wereldwijde banken die navigeren door wet- en regelgeving tot AI-native startups die vanaf nul aan governance bouwen.
Alan Chan
Vice President
IT
Evercore logo on a white background with blue serif text displaying the company name.
Grootste AI-risico in 2026?
Architecturale complexiteit  
Het is niet simpelweg verzoeken × prijs. De kosten schieten omhoog door onverwacht lange prompts, context-stuffing, tool-traces, agent-loops met meerdere stappen, en pogingen tot herstel en fallbacks.
Prioriteit
Tool-uitbreiding
Linda Hermer
CEO
Vantage Precision Health logo featuring gradient V symbol with DNA sequence and company name text.
Grootste AI-risico in 2026?
Niet-naleving van regelgeving
Vergeleken met generatieve AI is het (op zijn zachtst gezegd) een uitdaging om de beveiliging van agentische AI-systemen te beheren. Een probleem is dat agents vaak over te veel rechten beschikken, waardoor ze vaak buitensporige toegang krijgen tot interne databases, SaaS-applicaties en API's.
Prioriteit
Tool-uitbreiding
Satish Tatini
Vice President
VF Corporation
Blue circular logo with white serif letters V and F.
Grootste AI-risico in 2026?
Architecturale complexiteit
We hebben ingezien dat gebruikersinvoer gemakkelijk schadelijke of gevoelige inhoud kan bevatten (zoals prompt-injectie of pogingen tot data-exfiltratie), en het model weet van nature niet wat veilig is en wat niet. Dat maakt het een zwak punt, vooral wanneer het model intern is verbonden.
Prioriteit
Meer modellen
Balaji
CTO
Vertafore company logo with orange geometric symbol and dark blue text on white background.
Grootste AI-risico in 2026?
Beveiligingsrisico
Kosten, beveiliging en training zijn enkele van de belangrijkste aspecten waar we wrijving hebben gezien door de toename van het aantal modellen.
Prioriteit
Meer agents
Kumar Gautam
Kumar Gautam
PureStorage logo with orange geometric symbol and company name in black and gray text.
Grootste AI-risico in 2026?
Onvoorspelbare kosten
Het risico van GenAI in 2026 zou het gebrek aan uniform overzicht en controle over model-, tool- en workflowlagen kunnen zijn, wat leidt tot inconsistente beleidshandhaving en hiaten in audits.
Prioriteit
Gecentraliseerde controlelaag
Daniel Shir
Daniel Shir
Blue location pin icon next to Via Transportation text indicating transportation service location marker.
Grootste AI-risico in 2026?
Beveiligingsrisico
We moesten testinfrastructuur creëren om ervoor te zorgen dat modelwijzigingen en drifts uiteindelijk leiden tot een relatief deterministisch resultaat.
Prioriteit
Meer agents
Meld je aan om het volledige Gen AI-onderzoeksrapport te lezen
De 5 bevindingen die je kijk op AI-infrastructuur zullen veranderen
Wavy lines in light purple on a white background creating an abstract pattern design element.
200+ organisaties · Allemaal met AI in productie

De volledige community achter dit onderzoek

Acceldata logo with blue text on white background, data company branding.
Omkar Basarikatti
ML Engineer
Vertafore company logo with orange geometric symbol and dark blue text on white background.
Balaji
Chief Technology Officer
Via Transportation logo featuring blue and black text with a location pin icon next to it.
Daniel Shir
VP Engineering
Greenhouse Software logo with stylized letter G and text next to it in green and black.
Holt Calder
Director Analytics
Forte Group logo featuring a stylized heart symbol with an arrow on a white background.
Lucas Hendrich
Chief Technology Officer
Interactions logo featuring orange and white symbol next to company name in dark text.
Srinivas Bangalore
SVP AI
Intel logo with black and blue text on white background, official brand emblem symbol.
Anoniem
Principal Engineer
Wells Fargo logo on white background with black square and text.
Bijit Ghosh
 Engineering
State Street logo with three blue lines next to the company name in dark blue text.
Mukta Maheshwari
Software Engineer AVP
Apollo.io logo with yellow square and black asterisk symbol next to text.
Karan Kakwani
ML Engineer
PureStorage logo with orange geometric symbol and company name in black and gray text.
Kumar Gautam
Principal Architect
EPAM Systems company logo with epam text in black on white background.
Dmytro Zhorov
VP technology
VF Corporation logo featuring blue circle with white letters and text on white background.
Satish Tatini
VP Data and Digital
Pixis.ai logo with dark green abstract symbol next to bold text on white background.
Ameer Azam
Data Scientist
Kiwi.com logo with green square and white letter K and circle next to website text.
Jelena Aleksic
Head of Data Science
Evercore logo in blue text on a white background, representing financial services and investment banking firm.
Alan Chan
Vice President IT
Caesars Entertainment logo with gold and black color scheme and circular emblem icon design element.
Amit Agarwal
VP AI & Data
VF Corporation logo featuring blue circle with white letters and text on white background.
Velia Carboni
EVP en CDTO
Respondentencohort
200+ respondenten uit diverse sectoren leiden AI-initiatieven
Automotive
Gezondheidszorg
Verzekeringen
Logistiek
Media & uitgeverij
+ meer

De laag die de rest behapbaar maakt

Over alle vijf de productiewaarheden heen is er één structureel patroon dat ondernemingen die deze uitdagingen beheersen, onderscheidt van degenen die ze opstapelen. Een gecentraliseerde AI-gateway — één laag die zich tussen uw teams, uw agents en elk model- en tool-endpoint bevindt — maakt kostentoerekening mogelijk, maakt governance afdwingbaar, maakt beveiliging controleerbaar en maakt de paradox van uitbreiden naar risico iets waar u daadwerkelijk mee kunt navigeren. Zonder deze laag wordt elk nieuw model dat u toevoegt en elke nieuwe tool die u koppelt, moeilijker te beheren. Met deze laag is het tegenovergestelde waar.
Dit is waar de AI Gateway van TrueFoundry voor is gebouwd — niet als abstractielaag, maar als het operationele controlepaneel dat enterprise-AI op schaal daadwerkelijk vereist.
200+
Enterprise-leiders die hun productie-ervaring hebben gedeeld voor dit onderzoek
18+
Vertegenwoordigde sectoren, van financiële dienstverlening tot gezondheidszorg en technologie
5
Productiewaarheden — patronen die consistent genoeg zijn in de dataset om als universeel te worden beschouwd
Onderzoeksmethodologie

Over dit onderzoek

200+
Totaal aantal ontvangen antwoorden. De analyse voor dit rapport is gebaseerd op geverifieerde antwoorden van bevestigde enterprise-productie-implementaties.
32
Onderzoeksdimensies met betrekking tot modeltoegang, agent-workflows, kosteninzicht, tool-endpoints, beveiligingsstatus, governance en prioriteiten voor 2026.
Maart–april 2026
Onderzoeksperiode. Alle respondenten zijn enterprise-professionals (op VP-niveau en hoger, of senior individuele bijdragers met directe verantwoordelijkheid voor productie) bij organisaties met actieve AI-implementaties.
Openbaarmaking respondenten & privacyverklaring
De personen en organisaties in dit rapport hebben op vrijwillige basis deelgenomen als onafhankelijke thought leaders en beoefenaars van enterprise GenAI. Alle antwoorden zijn verzameld via een gestructureerd onderzoek dat specifiek is ontworpen om de ervaringen en perspectieven van professionals in kaart te brengen — er is geen bedrijfseigen, vertrouwelijke of commercieel gevoelige bedrijfsinformatie opgevraagd of opgenomen. Bedrijfslogo's en affiliaties worden uitsluitend getoond om de professionele context van de respondent op het moment van het onderzoek aan te duiden en impliceren geen goedkeuring door de organisatie van de bevindingen, producten of diensten waarnaar hierin wordt verwezen. Respondenten die geen expliciete toestemming hebben gegeven om geïdentificeerd te worden, zijn geanonimiseerd. Elke gelijkenis van geanonimiseerde profielen met specifieke personen berust op toeval.