De uitdaging
Een groot deel van het technologieteam van onze klant werkt binnen de software development life cycle (SDLC). Omdat de organisatie al vroeg de potentie van Generative AI zag, besloot zij de AI-capaciteiten te centraliseren door een eigen GenAI-platform voor de SDLC te ontwikkelen. De eerste resultaten bleven echter achter bij de verwachtingen.
Het platform richtte zich vooral op generieke use cases en bood nog te weinig ondersteuning op het gebied van contextbegrip, traceerbaarheid van processen en maatwerk voor productteams. Ondanks substantiële investeringen bleef de adoptie onder senior developers laag, omdat het platform in complexe en risicovolle omgevingen nog onvoldoende praktische waarde bood. De uitrol werd daarnaast bemoeilijkt door technische beperkingen, inconsistente datakwaliteit en beperkte GenAI-expertise.
De uitdaging was tweeledig: terechte scepsis onder ervaren IT-professionals wegnemen en ervoor zorgen dat AI-tools aantoonbare waarde toevoegden in het dagelijkse werk. De klant wilde verder gaan dan experimenteren en AI verankeren in de dagelijkse workflows van duizenden developers.
De aanpak
In plaats van een rigide top-down uitrol implementeerden we een GenAI-coachingmodel, parallel aan de verdere ontwikkeling van de tooling. Daarbij richtten we ons niet alleen op het versterken van teams en sleutelrollen, maar ook op het vertalen van feedback uit de praktijk naar concrete verbeterprioriteiten voor het platform. Zo ondersteunden we zowel de adoptie van AI als de ontwikkeling van tooling die beter aansloot op het dagelijkse werk:
- Implementatienetwerk: We versterkten de bestaande ondersteuningsstructuren met peer-to-peer leren en praktische trainingsvormen, zodat kennis zich breder in de organisatie kon verspreiden en teams AI-vraagstukken vaker zelf konden oppakken en learnings konden delen tussen afdelingen.
- Praktijkgerichte verbetering: Daarnaast verzamelden we systematisch feedback van gebruikers, zodat verbeteringen voortkwamen uit echte workflowbehoeften in plaats van losse experimenten. Daardoor verbeterde onder meer de context engineering van het platform en kregen AI-tools beter toegang tot relevante databronnen, zonder te verzanden in ruis. Met de introductie van MCP konden gebruikers bovendien vanuit hun AI-applicaties agentic workflows inzetten en koppelingen maken met externe systemen.
- Tool-neutraal advies: Omdat we beseften dat één platform niet elk probleem kan oplossen, gaven we transparant advies over wanneer het interne AI-platform te gebruiken en wanneer gespecialiseerde third-party tools. Die duidelijkheid hielp vertrouwen op te bouwen bij technische teams. Ook werkten we nauw samen met power users om kansrijke AI-toepassingen te identificeren en de technische ontwikkeling te richten op de belangrijkste waardebepalende factoren.
- Implementatie van agentic AI: Tot slot gingen we verder dan statische LLM-prompts en introduceerden we agentic self-service. Daardoor konden teams meerdere agents inzetten binnen hun workflows. Door complexe taken op te delen in samenhangende stappen verminderde de handmatige inspanning voor documentatie, analyse en kennisdeling, terwijl menselijk toezicht behouden bleef waar dat nodig was.
"Het platform groeide uit tot meer dan duizend gebruikers, die werden ondersteund met speciale werksessies, communitybijeenkomsten en andere vormen van kennisuitwisseling."
De resultaten
Het initiatief droeg bij aan bredere en consistentere AI-adoptie binnen de technologieteams. Er werden tientallen high-impact features gedefinieerd en geïmplementeerd, ondersteund door een gestructureerde development pipeline om verdere innovatie te waarborgen. Binnen zes maanden ondersteunden we de kennisoverdracht naar een groeiende groep AI Ambassadors, die op hun beurt bijdroegen aan verdere adoptie binnen de organisatie.
Het platform groeide door naar meer dan duizend gebruikers. Het programma ondersteunde hen met gerichte werksessies, community townhalls en andere vormen van kennisdeling. Ook werden meerdere kostenbesparende use cases met succes opgenomen in dagelijkse teamworkflows.
De organisatie ontwikkelde zich daarmee en ging van versnipperde experimenten naar een meer gedecentraliseerde en duurzame inzet van AI. Teams kregen meer ruimte om hun eigen processen aan te passen, en AI verschoof van incidentele productiviteitshulp naar een structureler onderdeel van het dagelijkse werk. De bottom-up aanpak ondersteunde bovendien een cultuuromslag naar transparanter, meer gezamenlijk en verantwoordelijk gebruik van AI, en verkleinde het risico op shadow AI.
De AI Office veranderde intussen van centrale platformaanbieder naar facilitator van gedeeld leren en best practices. Die verschuiving versterkte het vertrouwen van stakeholders en versnelde duurzame adoptie in de hele organisatie.
Over de klant
Onze klant is een internationale IT-dienstverlener, verantwoordelijk voor de volledige IT-infrastructuur en digitale transformatie van een van de grootste ondernemingen ter wereld. Dit initiatief onderstreept hun ambitie om AI breed te integreren in softwareontwikkeling en IT-operations.
Samen werken aan een duurzame verandering?
Neem contact op met onze experts