WEBVTT

00:00:00.000 --> 00:00:03.520
Prompt Engineering is een 2024 oplossing voor een 2026 probleem.

00:00:03.660 --> 00:00:08.000
Ons is verteld dat als we maar de juiste woorden vinden, de AI plotseling presteert als een seniorpartner.

00:00:08.160 --> 00:00:12.700
Maar in werkelijkheid is een prompt slechts een oppervlakkig verzoek dat op een dieper liggende puinhoop stuit.

00:00:12.940 --> 00:00:16.420
De meeste organisaties behandelen Copilot momenteel als een toverstaf.

00:00:16.580 --> 00:00:21.320
Ze denken dat het stap voor stap denken, truc een echte strategie is, maar het is eigenlijk slechts een pleister op een houten been.

00:00:21.500 --> 00:00:26.840
Want als je data een chaotische puinhoop van ongeorganiseerde bestanden is, zal geen enkele slimme bewoording de output redden.

00:00:26.840 --> 00:00:29.760
Je vraagt in feite aan een genie om in een vuilnisbak te zoeken.

00:00:29.760 --> 00:00:32.300
We stappen af van het tijdperk van improvisatie.

00:00:32.520 --> 00:00:36.640
De dagen van individuele promptheks zijn voorbij omdat ze simpelweg niet schaalbaar zijn.

00:00:36.920 --> 00:00:42.140
De toekomst draait niet om hoe goed je tegen de machine praat, maar hoe goed je het systeem erachter ontwerpt.

00:00:42.560 --> 00:00:44.760
We gaan het tijdperk van orkestratie in.

00:00:45.200 --> 00:00:47.220
Structurele rot, waarom context instoort.

00:00:47.380 --> 00:00:50.860
Je hebt waarschijnlijk de demo gezien waarin Copilot een vergadering perfect samenvat.

00:00:51.000 --> 00:00:56.980
Het lijkt magie in de video, maar als je het in je eigen tenant probeert, mist het de essentie volledig of haalt het gegevens van drie jaar geleden op.

00:00:56.980 --> 00:00:59.720
Dit is geen AI fout. Het is structurele rot.

00:00:59.920 --> 00:01:02.220
De eerste faalwijze, context instorting.

00:01:02.420 --> 00:01:04.580
Dit gebeurt door wildgroei in Teams en SharePoint.

00:01:04.800 --> 00:01:07.820
In de meeste organisaties is het werk verspreid over teveel locaties.

00:01:08.020 --> 00:01:12.680
Je hebt een chat in Teams, een loopcomponent voor brainstormen en een SharePoint site voor het definitieve beleid.

00:01:12.840 --> 00:01:16.340
Maar zodra die drie dingen uiteenlopen, verliest de AI de bron van waarheid.

00:01:16.500 --> 00:01:20.560
Je stelt twee keer dezelfde vraag en krijgt twee verschillende antwoorden omdat de context versnipperd is.

00:01:20.720 --> 00:01:23.660
Copilot raadt in feite welke versie van de waarheid je vandaag wilt hebben.

00:01:23.660 --> 00:01:27.020
Als de chat het ene zegt en het document het andere, loopt het systeem vast.

00:01:27.180 --> 00:01:30.180
Het kan het conflict niet oplossen omdat er geen hiërarchie in je data zit.

00:01:30.340 --> 00:01:32.520
De tweede fout is het verkeerd afgebakende beleid.

00:01:32.720 --> 00:01:33.980
Dit is waar vertrouwen sterft.

00:01:34.160 --> 00:01:35.280
Ik zie hier twee extremen.

00:01:35.460 --> 00:01:37.520
Ten eerste is er de overmatig restrictieve aanpak.

00:01:37.660 --> 00:01:39.460
IT wordt nerveus en vergrendelt alles.

00:01:39.680 --> 00:01:43.140
Ze passen Purview labels toe op elke map en dan wordt Copilot nutteloos.

00:01:43.300 --> 00:01:46.680
Je vraagt Copilot om een samenvatting van het project en het zegt dat het geen bestanden kan vinden.

00:01:46.880 --> 00:01:50.200
Je hebt je data succesvol beveiligd, maar je hebt ook je AI een lobotomie gegeven.

00:01:50.200 --> 00:01:52.120
Het heeft geen werkgeheugen om mee te werken.

00:01:52.300 --> 00:01:54.140
Het andere uiterste is te weinig restrictief.

00:01:54.280 --> 00:01:57.380
Je hebt links die voor iedereen toegankelijk zijn en die sinds 2019 rondzweven.

00:01:57.600 --> 00:01:59.440
Dit leidt tot katastrofale datalekken.

00:01:59.640 --> 00:02:02.260
Niet omdat een hacker is binnengedrongen, maar omdat de AI te behulpzaam was.

00:02:02.420 --> 00:02:06.460
Het vond een spreadsheet met salarissen van directieleden die iemand vijf jaar geleden in een openbare map had achtergelaten.

00:02:06.640 --> 00:02:08.560
Op het moment dat dat gebeurt, stort het vertrouwen in.

00:02:08.680 --> 00:02:10.860
En zodra het vertrouwen weg is, stopt de adoptie.

00:02:11.000 --> 00:02:12.840
Het derde mankement is verwees de kennis.

00:02:13.100 --> 00:02:14.920
Dit is het gevaarlijkst voor je besluitvorming.

00:02:15.140 --> 00:02:17.700
Denk eens aan hoeveel dubbele bestanden er in je OneDrive staan.

00:02:17.700 --> 00:02:21.300
Concept V1, Concept Definitief en Concept Definitief V2 Mirko.

00:02:21.460 --> 00:02:28.300
Als mens weten we dat de wijzigingsdatum ertoe doet, maar voor een taalmodel wordt verouderde data vaak met hetzelfde gezag behandeld als de notule van gisteren.

00:02:28.400 --> 00:02:33.900
Copilot weet niet dat de strategie van 2022 verouderd is als die nog steeds op een drukbezochte SharePoint-site staat.

00:02:34.060 --> 00:02:37.420
Het ziet de trefwoorden en de relevantie, dus neemt het die op in de samenvatting.

00:02:37.620 --> 00:02:40.020
Dit maakt de AI een versterker van hallucinaties.

00:02:40.220 --> 00:02:44.240
Het verzint geen dingen uit het niets, het putt simpelweg uit een realiteit die niet meer bestaat.

00:02:44.520 --> 00:02:47.000
Verouderde data is eigenlijk erger dan helemaal geen data.

00:02:47.000 --> 00:02:49.320
Als de AI niets vindt, ga je zelf op zoek.

00:02:49.440 --> 00:02:53.440
Maar als de AI het verkeerde vindt en dat vol zelfvertrouwen presenteert, neem je een verkeerd besluit.

00:02:53.600 --> 00:02:56.220
We hebben hiërarchieën gebouwd voor een wereld die niet meer bestaat.

00:02:56.380 --> 00:03:00.340
We bouwden ze voor mensen die door mappen navigeren, maar Copilot navigeert niet, het haalt op.

00:03:00.420 --> 00:03:02.600
En ophalen vereist een ander soort integriteit.

00:03:02.800 --> 00:03:05.580
Het vereist een onderlaag die schoon, in kaart gebracht en beheerd is.

00:03:05.760 --> 00:03:08.060
Als je het verval niet aanpakt, doet de prompt er niet toe.

00:03:08.220 --> 00:03:10.880
Je probeert in feite een wolkenkrabber op een moeras te bouwen.

00:03:10.880 --> 00:03:14.780
Je kunt het duurste glas voor de ramen kopen, maar het gebouw zal toch wegzakken.

00:03:15.000 --> 00:03:18.040
De meeste organisaties zijn momenteel geobsedeerd door het glas.

00:03:18.260 --> 00:03:22.000
Ze trainen mensen in het schrijven van betere prompts en maken spiekbriefjes voor de interface,

00:03:22.260 --> 00:03:24.280
maar de interface is slechts het topje van de ijsberg.

00:03:24.460 --> 00:03:26.600
Het echte werk, het harde werk, zit daaronder.

00:03:26.820 --> 00:03:30.560
Het gaat om de overstap van een stapel ongeordende bestanden naar een rigide semantische index.

00:03:30.780 --> 00:03:35.820
Het gaat erom te garanderen dat wanneer de AI naar een feit grijpt, het een enkel, accuraat signaal vindt.

00:03:35.820 --> 00:03:39.640
Want in werkelijkheid begint werk niet langer met navigeren, het begint met context.

00:03:39.840 --> 00:03:44.160
En als die context kapot is, is je AI-collega slechts een nieuwe bron van ruis in een alhumoerige kamer.

00:03:44.280 --> 00:03:45.580
We hebben een nieuw model nodig.

00:03:45.800 --> 00:03:47.380
We moeten verder kijken dan het gesprek.

00:03:47.540 --> 00:03:49.700
We moeten beginnen met het bouwen van het beslissingsraster.

00:03:49.900 --> 00:03:51.840
De prompt vervangen door het beslissingsraster.

00:03:52.080 --> 00:03:55.700
We moeten stoppen met denken aan prompts als de primaire hefboom voor AI-succes,

00:03:55.940 --> 00:03:57.500
want een prompt is slechts een gesprek.

00:03:57.600 --> 00:03:59.560
Het is in essentie een verzoek om een gunst,

00:03:59.780 --> 00:04:02.960
maar een bedrijf van miljarden run je niet op gunsten en informele chats.

00:04:02.960 --> 00:04:04.580
Dat run je op systemen.

00:04:04.760 --> 00:04:09.020
Daarom stappen we af van de chatbot-mentaliteit en bewegen we richting wat ik het beslissingsraster noem.

00:04:09.180 --> 00:04:12.940
Een raster is geen gesprek, maar eerder een gestructureerd en meerdimensionaal kader

00:04:12.940 --> 00:04:16.500
waarbij elk output wordt ondersteund door gedefinieerde en geverifieerde inputs.

00:04:16.740 --> 00:04:20.620
Het markeert de overgang van individuele improvisatie naar bedrijfsmatige orkestratie.

00:04:20.800 --> 00:04:24.320
In het oude model hoopte je simpelweg dat de medewerker wist hoe hij de juiste vraag moest stellen.

00:04:24.500 --> 00:04:28.800
In het rastermodel is het systeem zo ontworpen dat het juiste antwoord de enige logische uitkomst is.

00:04:28.800 --> 00:04:32.840
Denk bij dit raster aan vier afzonderlijke lagen en onthoud dat als je er zelfs maar één mist,

00:04:33.020 --> 00:04:34.540
de hele vertrouwensstructuur instort.

00:04:34.780 --> 00:04:37.620
Laag 1 zijn de signalen, dit zijn de onbewerkte feeds.

00:04:37.840 --> 00:04:43.060
We hebben het over de e-mails, de vergadertranscripties en de continu-datastromen die elke seconde door je tenant stromen.

00:04:43.280 --> 00:04:48.000
De meeste mensen denken dat dit de data is, maar in werkelijkheid is het slechts ruis totdat het wordt opgevangen.

00:04:48.200 --> 00:04:51.140
In een beslissingsraster laat je de signalen niet zomaar rondzweven.

00:04:51.340 --> 00:04:57.340
Je identificeert welke signalen zeer betrouwbaar zijn en bepaalt welke stromen echt van belang zijn voor het bedrijfsresultaat dat je wilt bereiken.

00:04:57.340 --> 00:05:00.640
Laag 2 is waar de magie gebeurt en we noemen dit de contextlaag.

00:05:00.760 --> 00:05:04.440
Dit is niet simpelweg heel SharePoint, want dat is een garantie voor hallucinaties.

00:05:04.620 --> 00:05:08.260
Het gaat hier om beheerde bibliotheken en specifiek geconfigureerde graphconnectoren.

00:05:08.420 --> 00:05:13.720
Je creëert een digitale grens en vertelt de AI om hier en alleen hier te kijken wanneer je vraagt naar het budget voor het derde kwartaal.

00:05:13.860 --> 00:05:16.240
Je creëert in feite een ommuurde tuin van waarheid.

00:05:16.480 --> 00:05:22.400
Door graphconnectoren te gebruiken om externe data uit je CRM of een verouderde SQL-database binnen te halen,

00:05:22.600 --> 00:05:26.220
fundeer je de AI in een realiteit die veel verder gaat dan slechts een paar woorddocumenten.

00:05:26.220 --> 00:05:30.040
Laag 3 is het beslissingsknooppunt en dit is waar Copilot zich feitelijk bevindt.

00:05:30.120 --> 00:05:32.800
Maar in dit model denkt Copilot niet zomaar op eigen houtje na.

00:05:32.980 --> 00:05:37.480
Het past een specifieke set logica en regels toe op de verfijnde context die je in laag 2 hebt aangeleverd.

00:05:37.640 --> 00:05:40.520
Dit is waar je jouw zakelijke standaardprocedures, SOPs, inbed.

00:05:40.660 --> 00:05:43.700
Hier bevindt zich de prompt, maar het is niet langer een op zichzelf staande zin.

00:05:43.900 --> 00:05:47.480
Het is een set instructies die het systeem opdraagt om de signalen uit laag 1 te nemen,

00:05:47.700 --> 00:05:53.720
deze te filteren op basis van de context in laag 2 en je standaard risicobeoordelingslogica toe te passen om tot een resultaat te komen.

00:05:53.720 --> 00:05:58.140
Het beslissingsknooppunt is de motor, maar het raster is het brandstofsysteem en het stuurwiel.

00:05:58.360 --> 00:06:01.480
Laag 4 is de actie, wat de uiteindelijke en beheerste output is.

00:06:01.640 --> 00:06:06.200
Omdat je de inputs en de logica hebt gecontroleerd, kun je daadwerkelijk vertrouwen op wat er uit de machine komt.

00:06:06.380 --> 00:06:09.820
Het kan een rapport, een aanbeveling of een conceptmail naar een klant zijn.

00:06:10.020 --> 00:06:13.900
Maar in tegenstelling tot een willekeurig chatbericht is deze actie volledig controleerbaar.

00:06:14.060 --> 00:06:19.420
Je kunt het via het raster terugvinden om precies te zien welk signaal en welk contextstuk die specifieke zin heeft gecreëerd.

00:06:19.420 --> 00:06:23.320
De verschuiving hier is fundamenteel, omdat prompting ad hoc en individueel is.

00:06:23.480 --> 00:06:28.600
Het hangt ervan af of de persoon achter het bureau een goede dag heeft en eraan denkt om de juiste details in het bericht op te nemen.

00:06:28.780 --> 00:06:33.560
Het beslissingsraster is gestructureerd en gedeeld. Het is een onderdeel van de organisatorische infrastructuur.

00:06:33.780 --> 00:06:41.540
Wanneer je een raster bouwt voor een zakelijk besluitvormingstraject, maakt het niet uit wie het verzoek initieert, want de logica is hetzelfde, de bronnen zijn gelijk en het vertrouwensniveau is identiek.

00:06:41.680 --> 00:06:43.760
We bouwen in essentie een machine om mee te denken.

00:06:43.980 --> 00:06:47.600
We bewegen ons van een wereld waarin we AI gebruiken naar een wereld waarin we AI ontwerpen.

00:06:47.600 --> 00:06:52.960
Dit is hoe je het schaalt. Je kunt geen duizend verschillende mensen die duizend verschillende prompts schrijven, opschalen.

00:06:53.120 --> 00:06:57.560
Je kunt echter wel tien goed ontworpen rasters schalen die tien kernbedrijfsprocessen afhandelen.

00:06:57.780 --> 00:07:01.580
Want uiteindelijk geeft je directie er niet om of je werknemers goed zijn in prompting.

00:07:01.820 --> 00:07:05.520
Zij geven er om of de genomen beslissingen nauwkeurig, snel en veilig zijn.

00:07:05.720 --> 00:07:11.180
Het raster geeft je die zekerheid. Het verandert de black box van AI in een transparante en beheerde pijplijn.

00:07:11.180 --> 00:07:15.360
Je praat niet langer alleen tegen een machine. Je ontwerpt de manier waarop je bedrijf denkt.

00:07:15.560 --> 00:07:19.060
En dat begint bij het besef dat de prompt slechts het kleinste deel van het systeem is.

00:07:19.260 --> 00:07:21.580
De architectuur verankeren voorbij de interface.

00:07:21.960 --> 00:07:27.940
Als je wilt begrijpen waarom je huidige AI-piloot aanvoelt als een reeks losse speeltjes, moet je naar de interface kijken.

00:07:28.220 --> 00:07:29.880
Copilot is een prachtige voordeur.

00:07:30.100 --> 00:07:34.600
Het is ontworpen om uitnodigend te zijn en gebouwd om je het gevoel te geven dat je een menselijk gesprek voert.

00:07:34.780 --> 00:07:36.200
Maar een voordeur is geen huis.

00:07:36.200 --> 00:07:40.960
Als je je alleen op de chatbubbel richt, mis je het volledige fundament dat de machine daadwerkelijk laat werken.

00:07:41.120 --> 00:07:45.400
Het echte werk, het zware tillen van bedrijfsintelligentie, gebeurt in het substraat.

00:07:45.520 --> 00:07:48.140
Je gebruikt niet zomaar een app wanneer je een verzoek indient.

00:07:48.320 --> 00:07:55.480
Je orkestreert een enorme en onderling verbonden stapel Microsoft services die in perfecte synchronisatie moeten werken om je een nauwkeurige zin te geven.

00:07:55.720 --> 00:07:59.820
Beschouw Microsoft Graph en zijn connectors als het centraal zenuwstelsel van deze architectuur.

00:08:00.000 --> 00:08:01.020
Het zijn de leidingen.

00:08:01.260 --> 00:08:02.940
Zonder hen is de AI in feite blind.

00:08:02.940 --> 00:08:06.220
Het is slechts een model met een hoog IQ, maar zonder lokaal geheugen.

00:08:06.440 --> 00:08:09.480
Wanneer je een vraag stelt, zoekt de Graph niet alleen naar een bestand.

00:08:09.660 --> 00:08:17.200
Het brengt de relatie in kaart tussen jou, je manager, de drie vergaderingen van vanochtend en die specifieke versie van het projectplan die je om middernacht nog bewerkte.

00:08:17.440 --> 00:08:19.980
Graph connectors vormen de brug naar je externe wereld.

00:08:20.180 --> 00:08:25.620
Ze halen gegevens op Ajira, Salesforce of je eigen SQL servers, zodat de AI stopt met gokken en begint met weten.

00:08:25.840 --> 00:08:31.700
Als deze verbindingen verstopt of niet gekoppeld zijn, is de collega slechts een vreemde op kantoor zonder toegang tot het archief.

00:08:31.700 --> 00:08:34.740
Dan hebben we Microsoft Purview, dat fungeert als filter.

00:08:34.920 --> 00:08:38.480
In de oude wereld ging beveiliging over wie een specifieke map mocht openen.

00:08:38.640 --> 00:08:41.840
In de AI-wereld gaat beveiliging over waar het model van mag leren.

00:08:42.040 --> 00:08:46.340
Purview is de stille beheerder die de grenzen van de verbeeldingskracht van de AI definieert.

00:08:46.520 --> 00:08:51.460
Het vertelt Copilot wat het mag weten en nog belangrijker, wat het absoluut moet negeren.

00:08:51.640 --> 00:08:55.720
Wanneer je een vertrouwelijkheidslabel toevoegt, tag je een document niet alleen voor compliance.

00:08:55.940 --> 00:08:58.520
Je creëert in feite een no-fly zone voor het LLM.

00:08:58.520 --> 00:09:02.500
Als je Purview labels een rommeltje zijn, is de interne kaart van je AI ook een rommeltje.

00:09:02.620 --> 00:09:08.780
Je kunt geen betrouwbare collega hebben als het systeem geen rigide set ethische en juridische vangrails heeft die direct in de ophaalstroom zijn ingebouwd.

00:09:08.900 --> 00:09:12.640
Maar zelfs met de juiste gegevens en filters moet het systeem weten wie de vraag stelt.

00:09:12.880 --> 00:09:14.440
Dat is Microsoft Entra ID.

00:09:14.980 --> 00:09:16.560
Identiteit is de ultieme context.

00:09:16.820 --> 00:09:22.880
Een CEO die vraagt om een samenvatting van personeelswijzigingen krijgt een heel ander antwoord dan een junior manager die hetzelfde vraagt.

00:09:23.100 --> 00:09:26.480
Entra ID biedt de op rollen gebaseerde realiteit die de output vormgeeft.

00:09:26.480 --> 00:09:28.240
De AI ziet niet alleen een prompt.

00:09:28.440 --> 00:09:32.060
Het ziet een set machtigingen, een afdeling en een toegangsgeschiedenis.

00:09:32.220 --> 00:09:39.900
Als je identiteitsbeheerslordig is en mensen nog privileges hebben van drie banen geleden, wordt Copilot onbedoeld werelds meest efficiënte interne spion.

00:09:40.120 --> 00:09:44.800
Het zal precies die dingen tonen die die mensen niet zouden mogen zien omdat jij het systeem hebt verteld dat ze dat wel mochten.

00:09:45.000 --> 00:09:49.600
Om te voorkomen dat de chaos van onbewerkte bestanden het model vergiftigt, gebruiken we Microsoft Fabric & One Lake.

00:09:49.760 --> 00:09:51.420
Dit is je gestructureerde datalaag.

00:09:51.420 --> 00:09:56.180
De meeste bedrijven proberen Copilot te voeden met een dieet van slordige Excel-trackers en willekeurige CSV-exports.

00:09:56.420 --> 00:09:58.060
Dat is hoe je hallucinaties krijgt.

00:09:58.260 --> 00:10:01.640
One Lake fungeert als het enige en verenigde logische meer voor al je data.

00:10:01.880 --> 00:10:09.080
Het organiseert de Excel-chaos in een formaat dat de AI daadwerkelijk kan verwerken zonder in de war te raken door opmaakfouten of verbroken links.

00:10:09.320 --> 00:10:11.780
Het verandert je ruwe cijfers in een verfijnd product.

00:10:12.000 --> 00:10:13.520
Ten slotte is er Copilot Studio.

00:10:13.920 --> 00:10:14.780
Dit is de werkbank.

00:10:15.000 --> 00:10:17.260
Dit is waar je daadwerkelijk de besluitvormingsgrenzen bouwt.

00:10:17.380 --> 00:10:19.500
We hopen niet alleen dat de AI jouw regels volgt.

00:10:19.500 --> 00:10:20.940
Hier integreer je de logica.

00:10:21.140 --> 00:10:26.600
Je definieert de specifieke onderwerpen, de externe acties en de meerstapsworkflows die verder gaan dan een eenvoudige chat.

00:10:26.740 --> 00:10:29.760
Je ontwerpt het brein van de specifieke collega die je wilt aannemen.

00:10:30.040 --> 00:10:34.420
Wanneer je beseft dat Copilot slechts de interface is voor deze hele stack, verandert je strategie.

00:10:34.540 --> 00:10:38.540
Je stopt met het trainen van mensen in typen en begint met het trainen van je architecten in bouwen.

00:10:38.680 --> 00:10:39.680
Je koopt geen tool.

00:10:39.880 --> 00:10:41.620
Je ontwerpt een digitale werknemer.

00:10:41.840 --> 00:10:44.800
En die werknemer is slechts zo slim als de architectuur die je levert.

00:10:45.000 --> 00:10:47.920
De concrete doorloop, het besluitvormingsdocument voor directieleden.

00:10:47.920 --> 00:10:53.720
Om dit van een conceptueel kader naar een tastbare realiteit te brengen, laten we een specifiek scenario met hoge inzet doorlopen.

00:10:53.880 --> 00:10:56.780
We gaan een geautomatiseerd besluitvormingsdocument voor de directie bouwen.

00:10:56.980 --> 00:10:58.980
Dit is het moment waarop theorie de praktijk ontmoet.

00:10:59.120 --> 00:11:04.060
In de meeste bedrijven van nu kost de voorbereiding op een bestuursvergadering of een belangrijke koerswijziging een week handarbeid.

00:11:04.060 --> 00:11:06.340
Analisten jagen op de laatste verkoopcijfers.

00:11:06.560 --> 00:11:10.120
Managers spitten door e-mailreeksen om de echte reden te vinden waarom een project stagneerde.

00:11:10.340 --> 00:11:13.600
En directieleden proberen drie verschillende versies van een presentatie te verenigen.

00:11:13.800 --> 00:11:16.000
Het is een proces dat wordt gekenmerkt door wrijving.

00:11:16.200 --> 00:11:21.620
Maar wanneer we de architectuur toepassen die we hebben besproken, wordt de prompt het kleinste en minst belangrijke deel van de hele operatie.

00:11:21.860 --> 00:11:23.040
Fase 1 is de invoer.

00:11:23.200 --> 00:11:26.160
We openen niet zomaar een chatvenster om te vragen wat er deze maand is gebeurd.

00:11:26.160 --> 00:11:29.360
Dat is een verzoek van lage kwaliteit dat uitnodigt tot een antwoord van lage kwaliteit.

00:11:29.360 --> 00:11:33.220
In plaats daarvan richten we onze besluitvormingsbrieven op specifieke, grafisch gekoppelde bronnen.

00:11:33.340 --> 00:11:34.360
We bepalen de grens.

00:11:34.540 --> 00:11:38.220
We vertellen het systeem om de ruwe financiële gegevens uit Microsoft Fabric te halen.

00:11:38.400 --> 00:11:44.600
De project mijlpalen uit een specifieke SharePoint bibliotheek en de sentimentanalyse van de laatste vier leiderschap townhalls via Teams transcripties.

00:11:44.780 --> 00:11:48.500
We geven de AI in essentie een specifieke, samengestelde kaart van het gebied.

00:11:48.660 --> 00:11:50.340
We vragen het niet om de waarheid te vinden.

00:11:50.540 --> 00:11:53.120
We leveren de waarheid en vragen het om deze te synthetiseren.

00:11:53.380 --> 00:11:54.820
Daarna komt de orkestratie.

00:11:55.040 --> 00:11:56.560
Dit gebeurt binnen Copilot Studio.

00:11:56.560 --> 00:11:59.560
Dit is waar je overgaat van een gesprek naar een transformatie.

00:11:59.720 --> 00:12:01.060
We definiëren de logica.

00:12:01.260 --> 00:12:05.480
We vertrouwen niet op de algemene intelligentie van de AI om te bepalen wat een directielid moet weten.

00:12:05.680 --> 00:12:10.600
We bouwen een workflow die zegt identificeer elk project waar de uitgaven 10% boven het budget liggen.

00:12:10.780 --> 00:12:16.220
Kruis verwijst dit met het risicoregister in onze externe SQL database en markeer de specifieke verantwoordelijke manager.

00:12:16.500 --> 00:12:17.400
Dit is geen prompt.

00:12:17.620 --> 00:12:20.120
Het is een reeks rigide architecturale instructies.

00:12:20.340 --> 00:12:22.660
De AI fungeert als verwerker, niet als maker.

00:12:22.660 --> 00:12:26.940
Het neemt de ruwe signalen en haalt ze door je bedrijfsfilter om een aanbeveling te creëren.

00:12:27.120 --> 00:12:28.660
Maar de meest kritieke stap is de validatie.

00:12:29.420 --> 00:12:34.160
Voordat er ook maar één woord op het scherm van de directie verschijnt, voert het systeem een automatische compliance check uit.

00:12:34.340 --> 00:12:39.480
Het gebruikt Microsoft Purview om het concept te scannen op gevoelige gegevens die niet in dit specifieke dossier thuishoren.

00:12:39.680 --> 00:12:42.680
Als er een projectnaam wordt genoemd die onder een strikte geheimhoudingsplicht valt,

00:12:42.920 --> 00:12:47.140
of als er per ongeluk een salarisbedrag uit een bronbestand is gehaald, markeert het systeem dit.

00:12:47.300 --> 00:12:48.800
Het genereert niet alleen content.

00:12:49.000 --> 00:12:50.620
Het beheert die content in real time.

00:12:50.620 --> 00:12:52.380
Dit is hoe je het vertrouwen en schat dicht.

00:12:52.560 --> 00:12:54.380
Je hoopt niet alleen dat de AI veilig is.

00:12:54.540 --> 00:12:57.720
Je zorgt dat het veilig is via een reeks programmatische controles en balansen.

00:12:57.920 --> 00:13:00.360
De uiteindelijke output is een kwalitatief hoogwaardig rapport.

00:13:00.580 --> 00:13:03.940
Het is geen algemene samenvatting die drie uur herschrijven door een mens vereist om nuttig te zijn,

00:13:04.060 --> 00:13:06.180
omdat je de inputs controleerde en de logica definieerde.

00:13:06.320 --> 00:13:08.420
Het resultaat is een nauwkeurig, bruikbaar document.

00:13:08.680 --> 00:13:12.100
Het ziet eruit alsof het is geschreven door een senior partner die al tien jaar bij het bedrijf werkt.

00:13:12.260 --> 00:13:13.360
Het begrijpt de context.

00:13:13.620 --> 00:13:15.000
Het respecteert de grenzen.

00:13:15.200 --> 00:13:18.060
En het richt zich op de statistieken die de business echt vooruit helpen.

00:13:18.060 --> 00:13:21.720
Dit is het verschil tussen een leuke demo en een zakelijke collega van enterprise niveau.

00:13:21.980 --> 00:13:24.300
Bij een demo stel je een vraag en krijg je een alinea.

00:13:24.600 --> 00:13:27.580
Bij enterprise architectuur ontwerp je een systeem en krijg je een besluit.

00:13:27.780 --> 00:13:32.280
Wanneer je naar deze walkthrough kijkt, besef je dat degene die het dossier opvroeg geen prompt engineer hoefde te zijn.

00:13:32.500 --> 00:13:34.560
Ze hadden geen lijst met magische trefwoorden nodig.

00:13:34.800 --> 00:13:38.000
Ze hoefden alleen op een knop te klikken die een vooraf ontworpen netwerk actieveerde.

00:13:38.140 --> 00:13:42.080
De architectuur deed het werk, de graph leverde het geheugen, Purview zorgde voor de veiligheid,

00:13:42.300 --> 00:13:44.280
Fabric bood de structuur en Copilot gaf de stem.

00:13:44.460 --> 00:13:46.000
Dit is hoe je voorbij de hype komt.

00:13:46.000 --> 00:13:51.180
Je stopt met het behandelen van AI als een zoekmachine en begint het te zien als een gespecialiseerde fabriek voor intelligentie.

00:13:51.320 --> 00:13:53.220
Je bent niet langer alleen aan het chatten met een bot.

00:13:53.420 --> 00:13:58.740
Je voert een geavanceerde geautomatiseerde pipeline uit die ruwe organisatorische ruis omzet in een duidelijk signaal voor het bestuur.

00:13:58.920 --> 00:14:04.200
En die verschuiving vindt pas plaats als je stopt met focussen op de woorden in het tekstvak en begint met het ontwerpen van de systemen daarachter.

00:14:04.360 --> 00:14:06.220
Dit is de architectuur van de collega AI.

00:14:06.460 --> 00:14:08.080
Dit is hoe werk daadwerkelijk verandert.

00:14:08.320 --> 00:14:10.860
Succes meten, de snelheid van besluitvormingsvertrouwen.

00:14:11.020 --> 00:14:12.880
Hoe bewijs je eigenlijk dat dit allemaal werkt?

00:14:12.880 --> 00:14:18.200
Als je naar je bestuur gaat en praat over verbeterde AI betrokkenheid of het totaal aantal verstuurde prompts, dan ben je ze kwijt.

00:14:18.360 --> 00:14:20.500
Ze horen al drie jaar over het potentieel van AI.

00:14:20.740 --> 00:14:23.460
Ze zijn het beu om te horen dat de technologie revolutionair is.

00:14:23.680 --> 00:14:27.160
Ze willen weten of de investering daadwerkelijk bijdraagt aan het bedrijfsresultaat.

00:14:27.300 --> 00:14:32.360
Om dat te beantwoorden, moeten we stoppen met het meten van hoe mensen tegen de machine praten en beginnen met het meten van de snelheid van het resultaat.

00:14:32.520 --> 00:14:33.880
We hebben een nieuwe statistiek nodig.

00:14:34.100 --> 00:14:35.820
Ik noem het de beslissingsvertrouwensnelheid.

00:14:36.040 --> 00:14:38.920
Dit is het enige cijfer dat er echt toe doet in een wereld voorbij het prompten.

00:14:38.920 --> 00:14:44.080
Het is de meting van de tijd die een team nodig heeft om tot een definitieve beslissing te komen waar ze niet op terug hoeven te komen.

00:14:44.260 --> 00:14:46.640
In de meeste organisaties is snelheid een illusie.

00:14:46.820 --> 00:14:54.560
Je krijgt misschien in 30 seconden een eerste concept, maar als dat concept vier uur aan feitencontrole door mensen en drie vergaderingen vereist om de hallucinaties te herstellen, heb je feitelijk niets gewonnen.

00:14:54.720 --> 00:14:57.320
Je hebt het werk alleen maar verplaatst van schrijven naar redigeren.

00:14:57.320 --> 00:15:01.840
Beslissingsvertrouwensnelheid volgt het hele traject vanaf het eerste signaal tot de definitieve goedkeuring.

00:15:02.000 --> 00:15:05.240
Om dit effectief te volgen, kijken we naar drie specifieke pijlers.

00:15:05.480 --> 00:15:07.180
De eerste is de tijd tot beslissing.

00:15:07.400 --> 00:15:13.800
Dit is de ruwe tijdstuur tussen het moment dat een zakelijke behoefte wordt geïdentificeerd en het moment dat de definitieve goedgekeurde actie wordt ondernomen.

00:15:14.040 --> 00:15:17.860
In het oude model van niet geïndexeerde data wordt dit proces geteisterd door onderzoek.

00:15:18.040 --> 00:15:21.780
Mensen besteden de helft van hun tijd aan het simpelweg proberen de juiste versie van een bestand te vinden.

00:15:21.980 --> 00:15:25.000
In een gestructureerd beslissingsraster daalt die zoektijd tot nul.

00:15:25.000 --> 00:15:27.480
Het systeem weet al waar de waarheid zich bevindt.

00:15:27.580 --> 00:15:29.380
We meten niet hoe snel de AI typt.

00:15:29.560 --> 00:15:32.000
We meten hoeveel van de menselijke tussenkomst we kunnen elimineren.

00:15:32.760 --> 00:15:39.360
Als je architectuur solide is, zou je de kloof tussen een verzoek en een oplossing moeten zien halveren omdat de fase van vertrouwensopbouw is geautomatiseerd.

00:15:39.520 --> 00:15:41.000
De tweede pijler is het herwerkpercentage.

00:15:41.760 --> 00:15:46.860
Dit is het percentage AI-outputs waarvoor een mens moet ingrijpen om een feitelijke fout of een logische tekortkoming te corrigeren.

00:15:47.020 --> 00:15:49.060
Dit is de ultieme test voor je semantische index.

00:15:49.300 --> 00:15:51.980
Als je herwerkpercentage hoog is, faalt je architectuur.

00:15:51.980 --> 00:15:57.160
Het betekent dat je context te breed is, je data verouderd zijn, of dat je Purview labels ruis in het signaal toelaten.

00:15:57.340 --> 00:16:01.180
Een succesvolle implementatie maakt mensen niet alleen sneller, het maakt ze ook nauwkeuriger.

00:16:01.360 --> 00:16:02.940
We willen hier een neerwaartse trend zien.

00:16:03.180 --> 00:16:07.100
Wanneer het herwerkpercentage bijna nul bereikt, heb je een bedrijfswaardige medewerker gerealiseerd.

00:16:07.260 --> 00:16:10.800
Je bent overgestapt van AI als speeltje naar AI als betrouwbare infrastructuur.

00:16:10.980 --> 00:16:12.920
De derde pijler is het aantal uitzonderingen.

00:16:13.100 --> 00:16:16.620
Dit is de meest technische van de drie, maar het is essentieel voor IT en compliance.

00:16:16.620 --> 00:16:22.100
We houden bij hoe vaak de AI probeert toegang te krijgen tot data die niet toegestaan is, wat door Purview wordt geblokkeerd,

00:16:22.300 --> 00:16:25.120
of hoe vaak het de benodigde data niet vindt door een kapotte grafiek connector.

00:16:25.320 --> 00:16:28.200
Hoge aantallen en uitzonderingen wijzen op een stoel voor architectuur.

00:16:28.400 --> 00:16:31.020
Het betekent dat je digitale grenzen slecht gedefinieerd zijn.

00:16:31.240 --> 00:16:34.440
Door deze uitzonderingen te monitoren, kun je je raster in realtime verfijnen.

00:16:34.600 --> 00:16:37.060
In feite ben je de intelligentie van je bedrijf aan het debuggen.

00:16:37.280 --> 00:16:40.120
Wanneer je deze statistieken presenteert, verander je het gesprek.

00:16:40.260 --> 00:16:42.080
Je praat niet langer over hippe tools.

00:16:42.320 --> 00:16:44.560
Je praat over operationele efficiëntie.

00:16:44.560 --> 00:16:49.860
Een succesvolle architectuur zorgt meestal voor 20 tot 40 procent minder beslistijd binnen de eerste maand.

00:16:50.060 --> 00:16:53.160
Dat is niet alleen productiever, het is een competitief voordeel.

00:16:53.320 --> 00:16:59.860
Het betekent dat je bedrijf sneller kan schakelen, eerder reageert op marktveranderingen en met meer zekerheid handelt dan wie dan ook.

00:17:00.320 --> 00:17:03.220
Efficiëntie draait niet om meer woorden typen in een chatvenster.

00:17:03.440 --> 00:17:07.360
Het gaat erom dat je minder vaak hoeft te typen omdat het systeem het doel al begrijpt.

00:17:07.540 --> 00:17:09.020
Het 30 dagen proof plan.

00:17:09.260 --> 00:17:13.360
Als dit overweldigend voelt, bedenk dan dat je niet meteen de hele wereld hoeft te verbeteren.

00:17:13.360 --> 00:17:15.320
Architectuur wordt in fase gebouwd.

00:17:15.500 --> 00:17:19.820
Je kunt dit model in precies 30 dagen bewijzen als je gedisciplineerd blijft wat betreft de scope.

00:17:19.960 --> 00:17:23.320
Tijdens week 1 en 2 is je enige taak om de chaos in kaart te brengen.

00:17:23.500 --> 00:17:24.420
Verander nog niets.

00:17:24.720 --> 00:17:30.500
Kies één rommelige, frequente workflow, zoals een wekelijks projectstatusrapport of een risicobeoordeling voor leveranciers.

00:17:30.760 --> 00:17:32.320
Meet de huidige tijd tot een besluit.

00:17:32.500 --> 00:17:33.740
Tel de correctierondes.

00:17:34.180 --> 00:17:37.560
Documenteer elke keer dat iemand vraagt of ze de juiste versie van het spreadsheet hebben.

00:17:37.560 --> 00:17:43.180
Deze data is je hefboom, omdat het de directie precies laat zien wat je architecturale schuld kost aan uren en frustratie.

00:17:43.340 --> 00:17:45.520
In week 3 introduceer je het beslissingsraster.

00:17:45.780 --> 00:17:47.220
Dat doe je niet voor het hele bedrijf.

00:17:47.380 --> 00:17:49.040
Dat doe je voor die ene specifieke workflow.

00:17:49.340 --> 00:17:51.520
Defineer je goedgekeurde databronnen in SharePoint.

00:17:51.740 --> 00:17:55.060
Ruim verouder de duplicaten op en koppel je externe signalen via een graph connector.

00:17:55.340 --> 00:17:57.140
Stel de logica in Copilot Studio in.

00:17:57.300 --> 00:17:59.540
Je creëert een bron van waarheid voor deze ene taak.

00:17:59.700 --> 00:18:01.580
In week 4 voer je de vergelijking uit.

00:18:01.740 --> 00:18:04.640
Je laat het team het raster gebruiken in plaats van het gewone chatvenster.

00:18:04.640 --> 00:18:08.620
En dan zul je zien hoe de, kunnen we dit vertrouwen, gesprekken simpelweg verdwijnen.

00:18:08.800 --> 00:18:13.900
Het aantal correctierondes zal kelderen omdat de AI eindelijk gebaseerd is op een rigide, geverifieerde werkelijkheid.

00:18:14.080 --> 00:18:20.060
Aan het eind van de maand neem je die drie statistieken, beslistijd, correctieratio en aantal uitzonderingen, en toon je het verschil aan de directie.

00:18:20.260 --> 00:18:23.360
Begin klein, maar bouw altijd met de uiteindelijke architectuur in gedachten.

00:18:23.620 --> 00:18:28.460
Elke bibliotheek die je opschoont en elke connector die je koppelt, is een bouwsteen voor je toekomstige organisatie.

00:18:28.620 --> 00:18:33.520
Als deze verschuiving van prompting naar architectuur je kijk op AI heeft veranderd, volg mij, Mirko Peters, dan op LinkedIn.

00:18:33.520 --> 00:18:37.700
Ik besteed mijn tijd aan het analyseren van deze systemen, zodat jij kunt stoppen met gissen en kunt beginnen met bouwen.

00:18:37.860 --> 00:18:43.640
Abonneer je op de M365FM podcast voor meer diepgaande analyses over de structurele realiteit van de moderne werkplek.

00:18:43.820 --> 00:18:47.940
Deel dit met je team, vooral als je momenteel verdrinkt in de valkuil van de perfecte prompt.

00:18:48.200 --> 00:18:52.220
Zodra je de basis op orde hebt, is je AI geen chatbot meer, maar een collega.

00:18:52.500 --> 00:18:56.020
Bekijk de volgende video voor een geavanceerde uitleg over Graph Connectors.

00:18:56.300 --> 00:18:57.220
Abonneer je voor meer.
