CRM-software zoals Salesforce en HubSpot bestaat al 25 jaar. Iedereen die ooit van de een naar de ander is overgestapt, weet hoe pijnlijk dat is. Dat is geen toeval. Ze zijn bewust niet interoperabel gemaakt, met andere datastructuren, workflows, configuraties en integraties, omdat dat de vendor lock-in vergroot. Dit geldt voor bijna elk belangrijk stuk IT, van SaaS tot analytics en de cloud.
Leveranciers gaan het je in het begin niet makkelijk maken om over te stappen. Ze proberen je liever stap voor stap in hun ecosysteem te krijgen. Pas onder sterke marktdruk komt er meer interoperabiliteit. Het kostte USB-C tien jaar om een standaard te worden en onze lades vol opladers op te ruimen.
Er is een stuk technologie dat hier vanaf het begin anders in staat. De AI-modellen van vandaag zijn ontworpen met interoperabiliteit als uitgangspunt en dat versnelt innovatie in een tempo dat we niet eerder hebben gezien.
Gelijke input en output
AI-innovatie draait vandaag vooral om Large Language Models, die dankzij multimodale capaciteiten met elke release meer van de wereld om ons heen begrijpen. Hun input bestaat uit tokens en hun output ook. Zelfs als je beelden of video door een LLM stuurt, stuur je de taak die je wilt laten uitvoeren nog steeds aan met tokens.
Dit betekent dat we nu opeens een nieuw stuk technologie hebben waarbij input en output gestandaardiseerd zijn over leveranciers, talen, regio's en zelfs closed versus open-source heen. Al deze LLM-modellen zijn interoperabel.
Dat heeft een paar grote gevolgen.
Bijna nul overstapkosten
Omdat alle LLM's op dezelfde input en output draaien, kan een ontwikkelteam met een goede opzet makkelijk wisselen van model, leverancier of versie zonder dat werkende code en pipelines stuk gaan. Overstappen kost bijna niets. Teams kunnen dus nieuwe releases of spelers uitproberen en kijken of die beter, sneller of goedkoper zijn voor hun use-case. Als dat zo is, is de overstap in minuten gemaakt.
Zeer korte ontwikkelcycli
Nieuwe capaciteiten en compleet nieuwe LLM-modellen halen dagelijks het technieuws. OpenAI, Anthropic, Google Gemini, Meta Llama, Mistral en recent DeepSeek concurreren hard om zoveel mogelijk developers aan zich te binden. En omdat overstappen zo weinig kost, wordt die concurrentie alleen maar scherper. Je ziet aan de releases dat ze allemaal tegelijk aan hetzelfde soort capaciteiten werken. Developers hebben de tools om nauwkeurigheid en geschiktheid voor hun use-case te meten en te beslissen welk model op dat moment het beste voor hen is. Voor LLM-aanbieders is het dus niet genoeg om als eerste nieuwe modellen uit te brengen. De kwaliteit moet hoog zijn en de prijs aantrekkelijk.
Vendor chains
Omdat LLM's hetzelfde soort input en output hebben, kun je ze aan elkaar koppelen. Het ene model zet het werk van het vorige in de keten voort of verbetert het. Dat werkt met verschillende modellen van een leverancier en net zo goed met modellen van heel verschillende leveranciers.
We hebben use-cases bij opdrachtgevers waarbij LLM's van 4 verschillende leveranciers samen worden gebruikt om een enkele complexe uitdaging op te lossen. En over een paar weken zijn dat er misschien maar 2, of 6. Het hangt af van prestaties, updates en de beste fit.
Lage drempel voor nieuwe spelers
Experimenteren kan zo ook snel lonen. Neem DeepSeek, dat buiten een kleine AI-community onbekend was en vorige week een lawine aan aandacht van reguliere media kreeg. Ze lanceerden iets opmerkelijks dat de leidende AI-spelers uitdaagde, maar interessanter vind ik hoe snel developers het oppikten.
Binnen enkele dagen gingen benchmarks, voorbeelden en use-cases rond op internet. Binnen diezelfde dagen kon je DeepSeek's R1 al gebruiken op AWS of Azure. De drempel om een nieuwe speler in bestaande AI-toepassingen te testen en te gebruiken is laag.
Hoe je volop profiteert van de interoperabiliteit van AI
Elk bedrijf kan van deze interoperabiliteit profiteren. Op basis van ons werk aan veel infrastructuuropzetten zien we een paar engineering-stappen die het overwegen waard zijn:
- Maak een heldere definitie van kwaliteit en bouw de tools om die te meten. Anders blijft het gokken welk model het beste is voor jouw use-case.
- Splits je LLM-pipelines op in kleine stappen, zodat je per stap kwaliteit, snelheid en kosten kunt meten.
- Schrijf je code zo dat je elke LLM morgen voor een andere kunt verwisselen. Ook in runtime helpt het als je bij downtime of trage responstijden van model kunt wisselen.
- Zet vroeg toegangs- en facturatierelaties op met de grote en nieuwe AI-spelers. Zo sta je niet achteraan in de rij bij het volgende DeepSeek-moment. Toets daarbij ook juridisch waar de data naartoe stroomt.
- Experimenteer veel. Een experiment van een dag geeft vaak een beter antwoord op de vraag welke LLM je moet gebruiken dan een grote cyclus. Het dwingt je ook om te focussen op simpele metrics en beslissingsfactoren.
AI is op veel fronten een bijzonder vakgebied. De ingebouwde interoperabiliteit van de belangrijkste modellen maakt het nog interessanter en wat ons betreft is dit een goede tijd om te bouwen.
We organiseren elk kwartaal besloten roundtable-sessies waarin we opdrachtgevers en contacten samenbrengen om dit soort onderwerpen te bespreken. Als je interesse hebt, kijk dan hier en we horen graag van je.
