Voorbij prompt engineering: waarom enterprise-AI architecten nodig heeft

By Mirko Peters · 2026-08-27

Welkom bij de officiële begeleidende blog van de M365 FM Podcast. In dit bericht duiken we diep in de technische fundamenten van moderne enterprise-kunstmatige intelligentie. Prompt engineering heeft de verbeelding van zowel gelegenheidsgebruikers als business leaders gevangen, maar om voorbij basisprompts te komen en echte AI te bouwen die in productie goed werkt, zijn toegewijde menselijke archi

Automatically translated with AI from the original post. Read the English original

Welkom bij de officiële begeleidende blog van de M365 FM Podcast. In dit bericht duiken we diep in de technische fundamenten van moderne enterprise-kunstmatige intelligentie. Prompt engineering heeft de verbeelding van zowel gelegenheidsgebruikers als business leaders gevangen, maar om voorbij basisprompts te komen en echte AI te bouwen die in productie goed werkt, zijn toegewijde menselijke architecten en engineers nodig. Organisaties kunnen niet langer vertrouwen op oppervlakkige implementaties. Ze moeten in plaats daarvan zorgvuldig de bedrijfslogica, beveiligingseisen en systeemintegraties valideren zodat hun investeringen echte waarde opleveren.

Om dit onderwerp verder uit te diepen, zaten we onlangs in de podcast met Microsoft MVP en AI Tech Lead Yves Habersaat. Wil je het volledige gesprek horen over uitbreidbaarheid van Microsoft 365 Copilot, multi-agentarchitecturen en het Model Context Protocol? Bekijk dan zeker de aflevering Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP].

Inleiding: voorbij prompt engineering

Prompt engineering is zonder twijfel een nuttige vaardigheid. Het helpt gewone medewerkers om betere resultaten, schonere opmaak en inzichtelijkere samenvattingen uit generatieve AI-tools te halen. Wanneer bedrijven deze mogelijkheden echter willen opschalen naar duizenden gebruikers en diep verankerde interne systemen, schiet prompt engineering alleen tekort.

Enterprise-AI vraagt om veel meer dan slimme formuleringen. Organisaties hebben professionals nodig die de onderliggende technologieën, complexe klanteisen, overkoepelende beveiligingsmodellen en specifieke implementatiekeuzes begrijpen. Kunstmatige intelligentie kan technisch materiaal genereren en nuttige richtlijnen geven, maar menselijke architecten blijven fundamenteel onvervangbaar. Alleen menselijke engineers kunnen echt valideren of een geautomatiseerde oplossing de kernvereiste van de business daadwerkelijk oplost zonder onaanvaardbare risico's te introduceren.

Waarom enterprise-AI menselijke architecten nodig heeft

De complexiteit van moderne enterpriseomgevingen betekent dat het uitrollen van AI nooit een simpele "plug-and-play"-klus is. Systemen zijn verweven met legacy-databases, maatwerkapplicaties, strikte compliancekaders en dynamische gebruikersmachtigingen. Zonder bekwame architecten die het ontwerp begeleiden, lopen organisaties vaak aan tegen knelpunten, hallucinaties, beveiligingslekken en integratieproblemen.

Een architect kijkt naar het grote geheel. Hij of zij beoordeelt hoe data door de organisatie stroomt, waar mogelijke knelpunten zitten en hoe de technologiestack toekomstbestendig kan worden gemaakt. Omdat AI-platforms in een duizelingwekkend tempo evolueren, zorgt een strategische denker aan het roer ervoor dat de organisatie schaalbare, onderhoudbare en veilige oplossingen bouwt in plaats van kwetsbare proofs-of-concept die onder productiebelasting breken.

De evolutie van Microsoft 365 Copilot en uitbreidbaarheid

Microsoft 365 Copilot is sinds de eerste dagen aanzienlijk geëvolueerd. Veel mogelijkheden waarvoor vroeger complexe maatwerkextensies nodig waren, zijn nu direct in het platform ingebouwd. Deze native functionaliteit dekt een groot aantal standaardbehoeften op het gebied van productiviteit en samenwerking.

Uitbreidbaarheid wordt echter cruciaal wanneer een organisatie meer controle nodig heeft. Dat kan betekenen dat je de orkestratielaag aanpast, gespecialiseerde agentgerichte ervaringen bouwt, een AI-agent inbouwt in een externe, publieke website in plaats van die geïsoleerd te houden binnen Microsoft 365 Copilot Chat, of volledig op maat gemaakte mogelijkheden ontwikkelt. Hoe specifieker de eis van de onderneming, hoe belangrijker uitbreidbaarheid en maatwerkontwikkeling worden.

Waarom één gigantische Copilot faalt: multi-agentarchitecturen

Een veelvoorkomende valkuil voor organisaties die aan hun AI-reis beginnen, is proberen één enorme, monolithische Copilot te bouwen. Stel je één AI-assistent voor die is volgeladen met elke denkbare instructie, tool, kennisbron en verantwoordelijkheid van de onderneming. Die aanpak zakt natuurlijk snel in onder zijn eigen gewicht, wat leidt tot uitputting van het contextvenster, slechte beslissingen en onvoorspelbaar gedrag.

In plaats daarvan raden experts zoals Yves Habersaat aan om multi-agentarchitecturen te gebruiken. In dit model hebben afzonderlijke agents duidelijk afgebakende taken en verantwoordelijkheden. Een enterprise-IT-supportframework kan bijvoorbeeld een voorgelaagde triage-agent bevatten wiens enige taak is om gebruikersvragen te begrijpen en ze slim door te sturen naar gespecialiseerde agents voor Microsoft 365, Salesforce, HR-portalen of interne infrastructuurplatforms. Elke gespecialiseerde agent beheert zijn eigen lokale instructies, gerichte kennis en specifieke tools.

Anatomie van een enterprise-AI-agent

Om te begrijpen hoe deze systemen werken, helpt het om de anatomie van een standaard enterprise-AI-agent uit elkaar te halen. Elke robuuste agent begint met een duidelijk omschreven doel. Vervolgens steunt hij op een aantal kerncomponenten:

• Instructies: Expliciete richtlijnen die de exacte verantwoordelijkheden, operationele grenzen en gedragsbeperkingen van de agent bepalen.
• Kennisbronnen: Samengestelde verzamelingen met relevante organisatie-informatie en documentatie.
• Tools: Functionele mogelijkheden waarmee de agent acties kan uitvoeren, databases kan bevragen of externe services kan aanroepen.
• Orchestratielaag: De beslissingsmachine die bepaalt hoe binnenkomende verzoeken worden verwerkt, geanalyseerd en gedelegeerd.

In een multi-agentopzet voert een primaire agent de eerste triage uit voordat hij taken delegeert aan gespecialiseerde ondergeschikte agents. Die ondergeschikte agents werken vervolgens met interne kennisbronnen, externe systemen, API's en Model Context Protocol-servers om de workflow af te ronden.

Copilot Studio versus maatwerkontwikkeling

Bij het bouwen van deze agents staan organisaties voor een belangrijke platformkeuze: low-code of maatwerk met code. Copilot Studio biedt een toegankelijke low-code-aanpak om agents snel te bouwen en uit te rollen. Teams kunnen instructies definiëren, kant-en-klare tools koppelen, kennisrepository's integreren en moderne protocollen gebruiken zonder elke regel code helemaal zelf te schrijven.

Maatwerkontwikkeling biedt daarentegen aanzienlijk meer architectonische controle. Die controle komt echter met een grotere verantwoordelijkheid. Ontwikkelaars moeten zelf authenticatiestromen, beveiligingsgrenzen, hostingomgevingen, orchestratielogica en serviceintegraties beheren. Uiteindelijk hangt de keuze tussen Copilot Studio en maatwerkontwikkeling volledig af van de mate van controle die de specifieke enterprise-oplossing vereist.

Het Model Context Protocol (MCP) begrijpen

Een van de meest spannende ontwikkelingen in agentarchitectuur is het Model Context Protocol, algemeen bekend als MCP. Vroeger betekende het integreren van externe tools en services in een AI-model dat je voor elk afzonderlijk systeem een eigen API-wrapper moest schrijven, elk met een eigen authenticatiemethode, protocolkenmerken en documentatiestandaarden.

MCP pakt deze versnippering aan door een gestandaardiseerde manier vast te leggen waarop AI-systemen externe tools en services kunnen ontdekken en ermee kunnen werken. Via MCP kan een agent dynamisch begrijpen welke tools beschikbaar zijn, hoe die werken en hoe ze gecombineerd kunnen worden om een complexe gebruikersvraag te beantwoorden. Het fungeert als een universele vertaler tussen intelligente taalmodellen en het enorme ecosysteem van enterprise-software.

Systemen integreren: MCP versus traditionele API's

Het is belangrijk om op te merken dat het Model Context Protocol traditionele API's niet vervangt. In plaats daarvan staat een MCP-server vóór bestaande API's, databases en interne microservices, en maakt die onderliggende mogelijkheden beschikbaar in een formaat dat AI-agents eenvoudig kunnen begrijpen en gebruiken.

Neem een organisatie die al vertrouwt op gevestigde API's voor financiën, human resources en customer relationship management. In plaats van die API's te herschrijven, kan de organisatie een MCP-server uitrollen om de juiste tools bloot te stellen bovenop die bestaande endpoints. De onderliggende API's blijven het zware werk doen, terwijl MCP de semantische laag biedt die autonome AI-agents nodig hebben om er effectief mee te werken.

Beveiliging, governance en organisatiekennis

Microsoft 365-omgevingen bevatten enorme hoeveelheden waardevolle organisatiecontext, waaronder documenten, vergadertranscripties, e-mails, personeelsoverzichten, Teams-chatgeschiedenissen, OneDrive-bestanden en SharePoint-repository's. Powerful AI-agents aan deze databron koppelen zonder robuuste governance introduceert ernstige beveiligingsrisico's.

Organisaties moeten beginnen met een volledige inventarisatie van hun datalandschap. Bedrijven moeten precies weten waar vertrouwelijke informatie zich bevindt, wie er op dit moment toegangsrechten heeft en welke gegevens extra bescherming nodig hebben. Geavanceerde governancetools zoals Microsoft Purview, met vertrouwelijkheidslabels en Data Loss Prevention (DLP)-beleid, moeten vanaf dag één rechtstreeks in de AI-architectuur worden opgenomen.

Het belang van datakwaliteit en AI-gereedheid

AI-governance gaat veel verder dan alleen onbevoegde toegang voorkomen. Het omvat ook de praktijk van datahygiëne. Slecht georganiseerde SharePoint-sites, sterk gedupliceerde bestanden, verouderde beleidsdocumenten, inconsistente Teams-werkruimten en vage eigenaarschap van informatie kunnen de kwaliteit van AI-gegenereerde antwoorden ernstig verslechteren.

Een intelligente agent koppelen aan ongestructureerde, rommelige organisatiekennis maakt die gegevens niet vanzelf tot een schone, bruikbare bron. Ondernemingen moeten daarom prioriteit geven aan het opschonen van data, een moderne informatiearchitectuur, strenge controles op machtigingen en een grondige classificatie als basisvoorwaarden voor AI-gereedheid.

Gedelegeerde versus applicatiemachtigingen beheren

Machtigingenbeheer wordt van groot belang zodra een AI-agent de mogelijkheid krijgt om namens gebruikers autonome acties uit te voeren. Als vuistregel geldt dat architecten standaard gedelegeerde gebruikersmachtigingen moeten gebruiken.

In een gedelegeerd model opereert een agent strikt binnen de machtigingen van de specifieke gebruiker die ermee werkt. Heeft die gebruiker geen toegang tot een gevoelige financiële map, dan mag de agent die beperking niet zomaar omzeilen. Als applicatiemachtigingen echt nodig zijn voor automatisering op de achtergrond, moeten die mogelijkheden strak worden geïsoleerd achter een streng beheerde service- of MCP-laag. Brede beheermachtigingen mogen niet rechtstreeks worden blootgesteld aan agents waar gebruikers mee werken.

Retrieval-Augmented Generation (RAG) in de onderneming

Retrieval-Augmented Generation, kortweg RAG, is een hoeksteen van moderne enterprise-AI. In plaats van uitsluitend te vertrouwen op de statische interne parameters van een taalmodel, die onmogelijk bedrijfseigen beleid of actuele projectupdates kunnen bevatten, haalt een RAG-systeem dynamisch relevante documentatie op voordat het een antwoord genereert.

Deze opgehaalde content kan afkomstig zijn uit interne kennisbanken, SharePoint-sites, gespecialiseerde documentopslag of externe databases. In veel moderne platformen, zoals Copilot Studio, gebeurt het ophaalmechanisme volledig achter de schermen. Zo wordt de complexiteit voor de eindgebruiker weggehaald, terwijl er toch nauwkeurige, contextbewuste antwoorden komen die gebaseerd zijn op geverifieerde bedrijfsdata.

Conclusie: productiewaardige AI-oplossingen bouwen

Van speelse prompt engineering naar robuuste enterprise-AI vraagt om een fundamentele verandering van denken. Organisaties kunnen kunstmatige intelligentie niet langer behandelen als een simpele softwarefunctie die op het laatste moment wordt toegevoegd. Het bouwen van productiewaardige AI-oplossingen vraagt om zorgvuldige aandacht voor multi-agentarchitecturen, schaalbare integratielagen zoals het Model Context Protocol, strikte datagovernance en doordachte machtigingsmodellen.

Menselijke architecten en engineers blijven de spil van deze technologische revolutie. Door technische basiskennis te combineren met een diepgaand begrip van zakelijke vereisten zorgen architecten ervoor dat enterprise-AI veilige, schaalbare en werkelijk transformerende waarde levert.

Wil je dieper ingaan op deze architectuurstrategieën en rechtstreeks expertinzichten uit de praktijk horen? Luister dan zeker naar de volledige podcastaflevering. Ga naar Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP] en doe mee aan het gesprek over modern werken, beveiliging en productiviteit!