[Yunqi-observatie] De Yunqi-conferentie is geen antwoord — het is een kaart van waarop de AI-sector inzet

Wat ik aan deze editie van de Yunqi-conferentie (Alibaba’s jaarlijkse techconferentie in Hangzhou) heb meegenomen, is niet zozeer een nieuwe lijst modellen of namen, als wel een andere manier om naar beurzen te kijken.

Wie vaker techconferenties bezoekt, komt al snel uit bij een paar vanzelfsprekende aannames: waar de grote spelers de nadruk op leggen, is de toekomst; wat op het podium steeds terugkeert, is de consensus; en wat een eigen stand krijgt, is per definitie rijp voor de markt.

Wie er nog meer ziet, glijdt al snel door naar het andere uiterste: een conferentie is toch vooral marketing, stands zijn reclame, slides zijn verpakking.

Beide opvattingen zijn wat al te gemakkelijk.

Natuurlijk zit er een marketinglaag op een beurs — maar marketing is op zichzelf ook een informatielaag. Als een leverancier budget, productmanagers, engineeringteams, sales en standruimte massaal op één richting inzet, zegt dat minstens twee dingen: wat hij de markt wil laten geloven, en welk probleem hij probeert te vertalen naar een product.

Daarom zie ik een grote techconferentie liever als een bemonsteringsplek van de sector. Geen antwoorden, maar wel monsters, signalen, tegenvoorbeelden — en een kaart van waarop de sector voor de toekomst inzet.

1. De “drukte” opsplitsen in bewijslagen

Dit keer ben ik bewust een technische richting in vijf lagen gaan opdelen:

Narratief → Product → Productie → Business → Omzet
(Narrative → Product → Production → Business → Revenue)

Bovenaan staat de narratieflaag (Narrative) — wat leveranciers de markt willen laten geloven. Bijvoorbeeld dat agents (Agent) de nieuwe toegangspoort tot werk worden, dat organisaties een AI-native architectuur nodig hebben, dat context (Context) een kernbezit wordt, en dat multi-agents steeds complexere taken op zich nemen. Dit soort uitspraken is waardevol omdat het laat zien waar de aandacht en het kapitaal van organisaties naartoe bewegen — maar het blijven inschattingen en hypotheses.

De laag daaronder is de productlaag (Product) — wat er daadwerkelijk is gebouwd en kan worden gedemonstreerd, aangeroepen en opgeleverd. Complete interfaces, API’s, werkbanken en governance-platforms laten zien dat een bepaalde richting het conceptstadium is ontgroeid en tot volwaardig product is geworden. Tussen “kunnen demonstreren” en “langdurig stabiel draaien” blijft er echter een wereld van verschil.

Weer een laag dieper ligt de productielaag (Production) — het moment waarop een product daadwerkelijk onderdeel wordt van klantprocessen, continu draait en de harde realiteit ontmoet van toegangsrechten, data, auditing, herstel, kosten en organisatorische samenwerking. Pas dan is er sprake van een echte productieomgeving.

Daaronder bevindt zich de bedrijfslaag (Business) — waarop je door blijft vragen: wat verandert er concreet na livegang? Wordt de doorlooptijd korter, stijgt de conversie, dalen de personeelskosten, neemt het aantal advertentiecreatives toe dat getest kan worden, of wordt een businessproces dat voorheen onhaalbaar was nu ineens wel uitvoerbaar?

Helemaal onderaan — en meteen ook de meest concrete laag — staat de omzetlaag (Revenue): zijn klanten bereid om op de lange termijn te betalen, voor welk resultaat betalen ze, en onder welke voorwaarden vindt verlenging plaats?

Het nut van dit raamwerk is dat het voorkomt dat je verschillende soorten bewijs door elkaar gaat gebruiken. Een beursstand kan aantonen dat een richting het waard is om te tonen, een forum laat zien dat een leverancier een bepaalde boodschap wil versterken, een echte klantcase vergroot de geloofwaardigheid van de productie- en bedrijfslaag, en alleen terugkerende inkomsten bewijzen de omzetlaag.

Dat een richting op een groot evenement veel aandacht krijgt, betekent dus nog niet automatisch dat je er nu in moet investeren.

2. De duidelijkste verschuiving op dit moment: boven op het model groeien steeds meer lagen

Een paar jaar geleden ging het bij AI vrijwel uitsluitend over het model zelf: parameteromvang, benchmarks, redeneervermogen, prijs, venstergrootte van de context, beeldkwaliteit, codeervaardigheden.

Op de beursvloer merkte ik dit keer duidelijk dat de aandacht verschuift.

Modellen blijven belangrijk, maar de systeemlaag rondom die modellen wordt merkbaar dikker. Datafundament, modelintegratie, Token-governance, agent runtime, sandbox, context, geheugen, skills, browser use, computer use, verificatie, observability, rechtenbeheer, auditing, kostenbeheer — almaar meer van dit soort capaciteiten worden als zelfstandige producten op de markt gebracht.

De reden is rechtstreeks: tussen een model dat een vraag kan beantwoorden en een model dat een productieproces ingaat en betrouwbaar werk aflevert, zit een heel engineering-systeem.

Als je een dag over een beurs loopt, zie je een vijftal à zestal producten met compleet verschillende namen, die in de praktijk naar dezelfde structuur toe bewegen. QwenWork laat zien hoe agents in een geïsoleerde omgeving diverse tools aanroepen om werkzaamheden uit te voeren. Qoder draait om context, specificaties, testharnassen, verificatie, geheugen en multi-model routing. De onafhankelijke aanbieder TinyFish, die ook op de beurs staat, specialiseert zich in agents die echte websites intrekken om taken uit te voeren. WonderClip hakt videoproductie op in script, storyboard, beeldmateriaal, generatie, review, versies en bulkproductie. En Aliyun OpenSearch duwt zoeken met Agentic Search verder richting planning, redeneren, geheugen, actie en evaluatie.

Het oogt allemaal als totaal verschillende domeinen, maar de onderliggende structuur convergeert:

Context → Planning → Skill → Execution → Verification → Memory → Business Outcome
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

Modellen worden gaandeweg één van de inwisselbare bouwstenen; de productwaarde verschuift naar de lagen die je er bovenop bouwt.

3. Context verschuift van “inputmateriaal” naar langetermijnbezit

Tijdens een Qoder-presentatie verscheen onlangs een veelzeggende slide:

Model power is a commodity. Context is the asset.

Die uitspraak ademt uiteraard de nodige marketingtoon, maar raakt een reële kern: hoe krachtiger en goedkoper modellen worden, des te meer verschuift de vraag wat een agent op de lange termijn écht productief maakt — namelijk: wat weet hij precies?

In een volwassen softwareproject vind je architectuurbeperkingen, historische beslissingen, module-afhankelijkheden, codeconventies, opgedane valkuilen en een uitrolgeschiedenis. In een onderneming zijn er organogrammen, autorisaties, SOP’s, documentatie, chatgeschiedenis, bedrijfsregels en klantstatussen. In een merk tref je productinformatie, visuele richtlijnen, archiefmateriaal, campagne-data en kanaalbeperkingen aan.

Die kennis verschijnt niet vanzelf doordat je een krachtiger model inzet.

Daarom bouwt Qoder een Repository Wiki (Repo Wiki), Memory en Knowledge Cards rondom code-repositories. QwenWork benadrukt Enterprise Context, en OpenSearch legt de nadruk op lange-termijngeheugen, taakgeheugen en contextcompressie. Ze proberen allemaal hetzelfde probleem op te lossen: agents hoeven niet bij elke taak de wereld opnieuw vanaf nul te doorgronden.

Dit betekent ook dat de promptbibliotheken (Prompt Library) die veel teams door de jaren heen met zorg hebben opgebouwd, op de lange termijn minder waardevol blijken te zijn dan men denkt. Een prompt is veeleer de aanroepwijze voor één specifieke taak; wat werkelijk samengestelde rente oplevert, zijn de bedrijfscontext, de beslissingshistorie, validatieresultaten, faaloorzaken en herbruikbare vaardigheden.

IV. De concurrentie-eenheid van AI-producten verschuift van “één functie” naar “het complete werk”

Wat WonderClip liet zien, was voor mij veelzeggend.

Als je alleen naar de lijst met mogelijkheden kijkt, is weinig ervan nieuw: afbeeldingen genereren, video genereren, vertalen, nasynchroniseren, beeldmateriaal vervangen, massaproductie. Elk van die functies afzonderlijk kan vrij eenvoudig worden ingelopen door modelbouwers, videobewerkingssoftware of andere SaaS-aanbieders.

Maar de productstructuur die tijdens de live-demo werd getoond, beweegt zich al in de richting van een vollediger productiesysteem:

Upload het script → Bekijk de breakdown → Bereid de assets voor → Genereer in bulk

Daarnaast biedt het platform Storyboard, Canvas, aangepaste skills, gedeelde assets, teamsamenwerking en versiebeheer. Het product plaatst “genereren” terug in het midden van de workflow.

Dit heeft directe gevolgen voor wie AI-toepassingen bouwt.

Wanneer de kern van een product nog altijd “upload iets, laat AI het verwerken, download het resultaat” is, kan een volgende modelupgrade de waarde ervan eenvoudig uithollen. Een robuustere koers is om de complete taak die de gebruiker eigenlijk wil afronden, in zijn geheel naar je toe te trekken.

Neem content voor e-commerce: losse handelingen als producten verwisselen, achtergronden aanpassen, vertalen of nasynchroniseren blijven oppervlakkig. Eén niveau hoger zou het productobject geleidelijk moeten verschuiven naar merk (Brand), SKU, campagne (Campaign), markt (Market), creatieve strategie (Creative Strategy), varianten (Variants), distributiekanalen (Distribution) en performance. Genereren is dan niet meer dan de uitvoerder; de werkelijke waarde zit in de volledige creative operations workflow.

Vijf. Agents verschuiven van “vragen beantwoorden” naar “taken voltooien”

Vandaag op een presentatie over agent-based zoeken van Aliyun OpenSearch zag ik een diagram dat veelzeggend was voor de hele evolutie.

In de begintijd van zoeken draaide alles om de stap van Query naar Results. Generatieve AI tilde dat op naar Question naar Answer. Agent-based zoeken zet de volgende stap: het doel wordt de stap van Goal naar Action.

Zoeken wordt daarmee zelf opnieuw gepositioneerd.

In de toekomst zal een Research Agent naar verwachting automatisch een vraag opdelen, een zoekplan opstellen, meerdere zoekbronnen aanspreken, aanvullende retrievals doen, bevindingen kruiselings valideren, tussentijdse conclusies trekken en vervolgens andere tools inzetten om door te gaan. De search API groeit zo geleidelijk uit tot infrastructuur voor agents om externe context op te halen.

Dat verandert ook hoe we SEO en GEO gaan observeren. Waar de focus vroeger lag op Impression, Click en Ranking, komen daar straks AI Visibility, Citation, Mention en AI Referral bij — plus de vraag of dat verkeer uiteindelijk uitmondt in Signup, Paid of Retention.

Zoeken is niet verdwenen. Het wordt onderdeel van een grotere, gesloten taakcyclus.

6. De echte bottleneck van enterprise AI verschuift naar de organisatie

Op het congres kwamen de technische aspecten van enterprise AI uitgebreid aan bod: data, toegangsrechten, beveiliging, governance, modelintegratie, cloudarchitectuur, Agent-platforms.

Allemaal belangrijk. Maar nadat ik een aantal praktijkverhalen uit het bedrijfsleven had gehoord, bleef er één vraag bij me hangen:

Wie heeft er eigenlijk de motivatie om het ook echt te gebruiken?

Stel dat een medewerker AI inzet en een klus die normaal acht uur kost weet terug te brengen naar vijf uur. Wat gebeurt er dan met die drie uur die vrijkomen? Als het antwoord luidt: “gewoon nog een extra taak erbij,” dan is de eigen drijfveer om AI verder te omarmen waarschijnlijk beperkt.

Een ander voorbeeld: wanneer de KPI van het AI-team wordt afgemeten aan het aantal livegezette Agents en het aantal aanroepen, ontstaat automatisch de prikkel om steeds meer functionaliteit toe te voegen. Het businessteam draagt de kosten van de proceswijziging, IT en security lopen het risico op fouten, en de eventuele omzetgroei is nauwelijks eenduidig toe te wijzen. In zo’n organisatiestructuur verloopt de adoptie traag, zelfs wanneer de technologie helemaal klaarligt.

Enterprise AI kun je niet alleen op architectuur (Architecture) beoordelen — het ontwerpen van de juiste prikkels (Incentive Design) vormt het echte plafond.

Technische problemen los je met geld op; organisatorische problemen zelfs met geld niet altijd. Elk project moet minstens de volgende vragen beantwoorden: rol (Role), prestatie-indicator (KPI), opbrengst (Benefit), kosten (Cost), risico (Risk), beslissingsbevoegdheid (Decision Right). Wie de opbrengst krijgt, draagt het risico; wie de beslissingsbevoegdheid heeft, is verantwoordelijk voor het resultaat.

Veel zogenaamde “AI-implementatieproblemen” blijken uiteindelijk organisatieontwerpproblemen.

Zeven. De meest misleidende indicatoren zijn vaak de meest voor de hand liggende

Een slide van Qoder maakte grote indruk op mij:

Generation rate is a vanity metric.

Ter plaatse vergeleek men het aandeel AI-gegenereerde code in verschillende fasen, en benadrukte dat de softwareleveringscyclus (Delivery Cycle) niet in dezelfde verhouding korter werd. De specifieke cijfers komen uit een case-presentatie ter plaatse van de leverancier en zijn niet zomaar als industriebenchmark (Benchmark) bruikbaar, maar de logica erachter klopt.

AI heeft de kosten van het schrijven van code verlaagd. Daardoor verschuift de bottleneck naar requirements, context, architectuur, reviews, tests, integratie, deployment en validatie.

Daarom kunnen codegeneratiesnelheid, tokenverbruik, aantal agents, aantal aanroepen of het volume aan gegenereerde afbeeldingen prima dienen als lokale efficiëntiemetrics. Wat écht telt is het end-to-end resultaat: is de lead time korter geworden, zijn de human minutes gedaald, is de first-pass acceptance rate gestegen, is de cost per accepted task omlaag gegaan, en — uiteindelijk — zijn de business-KPI’s veranderd?

De conferentie van vorige week zette me aan het denken: laat je niet verblinden door “hoeveel AI heeft gedaan”, maar kijk naar wat het hele systeem daardoor is veranderd.

8. De conferentie levert input, maar het oordeel blijft bij jou

Het grootste risico van een conferentie is dat de buitenwereld opeens jouw prioriteiten lijkt te bepalen.

Een onderwerp dat op het podium veel aandacht krijgt, voelt plotseling als iets dat je moet onderzoeken. Een techreus die er zwaar op inzet, geeft het gevoel dat je moet volgen. Een product dat er geavanceerd uitziet, doet je denken dat je ook zo’n stack moet neerzetten.

Deze keer herleid ik al die informatie liever tot één eenvoudigere vraag:

Welke beslissing verandert deze informatie voor mij?

Als het me alleen doet denken “interessant”, dan is het input.

Pas wanneer het me laat heroverwegen tussen zelf bouwen (Build), inkopen (Buy) of negeren (Ignore), wanneer het mijn productgrenzen verschuift, me laat stoppen met een laagwaardig project, me doet herontwerpen van een workflow, of me doet herdefiniëren van een experimentele metric — dán wordt het echt onderdeel van een beslissing.

De Cloud Summit (云栖大会, Alibaba’s jaarlijkse cloudconferentie in Hangzhou) is geen antwoord.

Het is eerder een kaart van waar de industrie op inzet. Zo’n kaart laat zien waar anderen naartoe lopen, welke paden vol beginnen te raken, welke infrastructuur vorm krijgt en welke problemen op grote schaal tot product worden gemaakt.

Welke route je uiteindelijk neemt, blijft afhangen van je eigen doelen, randvoorwaarden, middelen en bewijs.

Dat is ook wat ik tegenwoordig het liefst meeneem van een techconferentie: meer inzetrichtingen zien, en het oordeel bij mezelf houden.

Als je aan het evalueren bent waar enterprise AI moet beginnen, welke richtingen het waard zijn om in te investeren en welke vooral door de verhalen worden opgeblazen — neem gerust contact op. Wij doen gespecialiseerd advieswerk rond enterprise AI-transformatie: van technologie-selectie en organisatieontwerp tot meetsystemen. We helpen je de “drukte van de conferentie” om te zetten in “je eigen oordeel”. Contact: [email protected].

Verder lezen: Het zevenstappenframework voor AI-transformatie, dat het volledige pad voor AI-implementatie in ondernemingen systematisch in kaart brengt.

Over deze serie

「Yunqi-observaties」(云栖观察) is een reeks veldverslagen van IAIUSE, vertrekkend vanuit de Yunqi-conferentie van 2026. Met de blik van een onderzoeker ontleden we wat er werkelijk aan het veranderen is in de AI-industrie — geen hype, alleen de richting van de investeringen en de sterkte van het bewijs.

De reeks bestrijkt onderwerpen als de systeemlaag bovenop de modellen, de inzet van Agenten, Context-assets, de inrichting van AI-organisaties binnen ondernemingen en de verschuiving van het concurrentieniveau in AI-producten — in totaal circa tien afleveringen.

Ik heb bijna acht jaar ervaring in consultancy en businessanalyse voor grote ondernemingen, ben eerder werkzaam geweest bij IBM en heb projecten gedaan in telecom, financiën, verzekeringen en de maakindustrie. Daarna ben ik aan de frontlinie gebleven van operatorproducten, internetproducten en AI-toepassingen — in requirementsanalyse, productdesign en cross-functionele uitrol. De inzichten in deze reeks komen uit eigen veldobservatie en kruisvalidatie met de sector; het betreft een uitgesproken auteurspositie, niet het standpunt van een leverancier.