AI-evolutie in de praktijk: wat FileMaker-ontwikkelaars nu en in de toekomst ervaren

Bijna geen enkel ander onderwerp verandert de IT-wereld momenteel zo sterk als kunstmatige intelligentie. Nog maar een paar jaar geleden werden AI-systemen beschouwd als een verre technologie van de toekomst voor veel kleine en middelgrote bedrijven. Tegenwoordig duiken tools zoals ChatGPT, lokale taalmodellen, beeldgeneratoren en AI-agenten plotseling op in het dagelijks werk - vaak sneller dan bestaande processen kunnen worden aangepast.

Er ontstaat momenteel een interessante mix van enthousiasme, druk en onzekerheid. Aan de ene kant zien veel ondernemers, ontwikkelaars en creatieven enorme mogelijkheden. Teksten kunnen automatisch worden voorbereid, beelden gegenereerd, gegevens geanalyseerd en processen intelligent ondersteund. Maar tegelijkertijd groeit ook de scepsis. Hoe dieper je in de materie duikt, hoe duidelijker het wordt dat er vaak een groot verschil zit tussen een indrukwekkende demo en een stabiel productiesysteem.

Vooral in de klassieke Bedrijfssoftware wordt dit heel duidelijk. Dit komt omdat spectaculaire individuele resultaten alleen niet genoeg zijn. Systemen moeten betrouwbaar functioneren, gegevens moeten consistent blijven en processen moeten op lange termijn onderhoudbaar zijn. Dit is precies waar de echte uitdaging van de huidige AI-ontwikkeling begint.

Claris kondigt nieuwe AI-strategie aan voor FileMaker

Claris heeft een interessante vooruitzichten over de toekomstige ontwikkeling van het platform. In het artikel beschrijft Ryan McCann, CEO van Claris, hoe FileMaker de komende jaren meer zal evolueren in de richting van AI-ondersteunde ontwikkeling.

Vooral spannend is de geplande integratie van zogenaamde "coderingstools voor agenten". Het doel is om FileMaker een direct ontwikkelingsdoel te maken voor moderne AI-agenten. In de toekomst kunnen ontwikkelaars hun favoriete AI-ontwikkeltools selecteren, vereisten formuleren in natuurlijke taal en de resultaten vervolgens rechtstreeks overbrengen naar bestaande FileMaker-oplossingen. Volgens Claris zullen bestaande beveiligings- en autorisatiesystemen automatisch behouden blijven.

Claris heeft ook aangekondigd dat AI-systemen in de toekomst in staat zullen zijn om de structuur van FileMaker-bestanden en de FileMaker scripttaal te begrijpen. Hierdoor kunnen AI-agenten zelfstandig productieklare scripts en schema-uitbreidingen genereren, rechtstreeks binnen bestaande oplossingen. In de toekomst moet het ook mogelijk zijn om moderne webinterfaces met AI-ondersteuning te ontwikkelen.

AI-systemen zijn in de praktijk vaak nog experimenteel

Veel discussies gaan momenteel over de zichtbare resultaten: indrukwekkende beelden, vloeiende teksten of autonome agenssystemen. De praktische problemen die erachter schuilgaan, worden echter veel minder vaak besproken. Interfaces werken niet stabiel, modelversies veranderen plotseling, Python-afhankelijkheden botsen met elkaar of hele trainingsomgevingen vallen onverwacht uit na updates. Wie lokale AI-systemen van dichtbij bekijkt, beseft al snel dat de industrie zich momenteel nog in een zeer experimentele fase bevindt.

Dit betekent echter niet dat AI overschat wordt. Integendeel. Kunstmatige intelligentie zal waarschijnlijk veel gebieden van softwareontwikkeling en bedrijfsorganisatie fundamenteel veranderen, vooral op de lange termijn. Het is echter cruciaal om onderscheid te kunnen maken tussen een kortetermijnhype en duurzame ontwikkeling.

"Evolutie van AI" vanuit het perspectief van een FileMaker-ontwikkelaar

Marcel Moré heeft een zeer interessant artikel over dit onderwerp geschreven. In zijn gedetailleerde Artikel over de "evolutie van AI Hij beschrijft op levendige wijze hoe AI-systemen momenteel evolueren van eenvoudige hulpmiddelen naar complexere, steeds autonoom wordende structuren. Dit gaat niet alleen over individuele taalmodellen of beeldgeneratoren, maar over de combinatie van verschillende systemen die in de toekomst steeds meer met elkaar zullen interageren.

Wat vooral opwindend is, is dat Marcel Moré zich niet alleen richt op kortetermijntrends, maar de ontwikkeling ziet als een technologische verandering op de langere termijn. Veel van zijn observaties doen denken aan eerdere evolutiefasen in de IT-industrie. Traditionele ERP-systemen, databases en webplatforms hebben zich ook geleidelijk gedurende vele jaren ontwikkeld. Aanvankelijk bestonden ze vaak uit losse tools of geïsoleerde oplossingen. Pas later ontwikkelden ze zich tot stabiele, geïntegreerde systemen met duidelijke processen en veerkrachtige structuren.

Dit is precies waar het onderwerp interessant wordt voor FileMaker ontwikkelaars. FileMaker is van oudsher namelijk bijzonder sterk in het pragmatisch en relatief snel omzetten van complexe processen in functionerende systemen. Veel bedrijven werken al jaren succesvol met maatwerkoplossingen die precies zijn afgestemd op hun eigen processen. AI opent hier nu volledig nieuwe mogelijkheden - maar brengt ook nieuwe uitdagingen met zich mee.

De echte vraag is daarom niet langer of AI een rol zal spelen in de toekomst. De vraag is eerder hoe deze technologieën op een verstandige, stabiele en economische manier kunnen worden geïntegreerd in bestaande processen. En dit is precies waar de spannende overgangsfase begint die veel ontwikkelaars momenteel doormaken. Terwijl marketing en de media vaak de indruk wekken dat volledig geautomatiseerde AI-systemen al op het punt van wijdverspreid gebruik staan, schetst het dagelijks leven vaak een veel genuanceerder beeld. Veel projecten werken in principe al verrassend goed - maar vaak alleen onder bepaalde voorwaarden, met aanzienlijke technische expertise en soms hoge onderhoudskosten.

Iedereen die bijvoorbeeld lokale AI gebruiktServer of het combineren van verschillende open source systemen met elkaar, merk je al snel hoe complex deze omgevingen al zijn geworden. Torch-versies, CUDA-afhankelijkheden, Python-omgevingen of verschillende WebUI's kunnen zelfs ervaren ontwikkelaars dagenlang bezighouden. Tegelijkertijd is het vaak tijdens deze experimentele fases dat de ervaring wordt opgedaan die later leidt tot echt stabiele oplossingen.

Misschien doet dit veel ervaren ontwikkelaars denken aan vroegere tijden in de IT. Ook toen ontstonden veel duurzame systemen niet door perfecte, glanzende concepten, maar door jaren van vallen en opstaan, maatwerk en geleidelijke verbetering. Dit is precies waarom het de moeite waard is om de huidige AI-ontwikkelingen niet blindelings euforisch of voorbarig denigrerend te bekijken. Wie de technologische mogelijkheden serieus neemt, maar tegelijkertijd de praktische beperkingen begrijpt, zal de komende jaren waarschijnlijk in een veel betere positie verkeren dan wie alleen maar achter kortetermijntrends aanhobbelt.

De blik van buitenaf: Wat ontwikkelaars op dit moment echt waarnemen

Wie de huidige AI-ontwikkelingen alleen volgt via krantenkoppen of sociale media, krijgt al snel de indruk dat kunstmatige intelligentie op het punt staat om hele werkgebieden volledig over te nemen. In de praktijk hebben veel ontwikkelaars echter een veel genuanceerdere kijk op de situatie. In feite is het niet zozeer de individuele AI zelf die op dit moment verandert - maar eerder de manier waarop verschillende systemen met elkaar worden gecombineerd.

Nog maar een paar jaar geleden bestonden veel AI-toepassingen uit afzonderlijke gespecialiseerde tools. Het ene systeem genereerde teksten, het andere afbeeldingen, weer een ander analyseerde gegevens of transcribeerde spraak. Nu ontstaat er echter steeds meer een nieuwe generatie AI-omgevingen waarin verschillende modellen parallel samenwerken en elkaar aanvullen.

Marcel Moré beschrijft deze ontwikkeling heel duidelijk in zijn artikel. AI ontwikkelt zich stap voor stap van individuele functies naar genetwerkte systemen met hun eigen processen. Dit verandert niet alleen de technische architectuur, maar ook de rol van de ontwikkelaars zelf.

Dit komt doordat ontwikkelaars tegenwoordig steeds minder elke functie volledig met de hand programmeren. In plaats daarvan orkestreren ze systemen, modellen, interfaces en automatiseringen met elkaar.

AI-agenten en geautomatiseerde processen

Deze ontwikkeling is momenteel vooral zichtbaar in zogenaamde AI-agenten. Dit verwijst naar systemen die niet langer alleen individuele opdrachten beantwoorden, maar in staat zijn om zelfstandig meerdere stappen achter elkaar uit te voeren. Een AI-agent kan bijvoorbeeld:

• Onderzoeksinformatie,
• Gegevens analyseren,
• Vat de inhoud samen,
• Stel vragen,
• Resultaten opslaan
• en start dan automatisch verdere processen.

Technisch gezien doet dit al gedeeltelijk denken aan klassieke workflowsystemen of ERP-processen, maar dan veel flexibeler en dynamischer.

Vooral ontwikkelaars zien al snel de mogelijkheden, maar ook de risico's. Natuurlijk lijken dergelijke systemen op het eerste gezicht indrukwekkend. Tegelijkertijd rijst echter onmiddellijk de vraag hoe stabiel en beheersbaar deze processen op de lange termijn eigenlijk zullen blijven. Een klassiek ERP-systeem werkt normaal gezien op basis van strikte regels. AI-systemen daarentegen reageren probabilistisch, d.w.z. op basis van waarschijnlijkheden. Dit is precies waar nieuwe uitdagingen ontstaan.

Wanneer een klassieke Script in FileMaker defect is, kan de fout meestal vrij duidelijk gelokaliseerd worden. Dit is veel moeilijker bij complexe AI-systemen. Hier worden fouten vaak niet veroorzaakt door een enkele programmeerfout, maar door interacties tussen modellen, prompts, gegevenskwaliteit of externe interfaces.

De echte uitdaging: integratie in plaats van AI

Veel ontwikkelaars realiseren zich nu dat de werkelijke moeilijkheid vaak niet meer in het AI-model zelf zit. De modellen worden steeds krachtiger en eenvoudiger te gebruiken. De echte problemen ontstaan vaak pas bij de integratie in bestaande systemen. Vooral bedrijven hebben vaak geëvolueerde gegevensstructuren, oudere softwareoplossingen, verschillende gegevensbronnen, individuele processen en talloze speciale gevallen.

En dit is precies waar duidelijk wordt of een AI-oplossing echt geschikt is voor dagelijks gebruik. Want een indrukwekkende demo is snel gemaakt. Een permanent stabiel systeem vereist daarentegen schone gegevens, duidelijke workflows, controleerbare processen, traceerbare resultaten en onderhoudbaarheid op de lange termijn.

Veel ervaren ontwikkelaars zien daarom momenteel een interessante verschuiving. Terwijl het publiek vaak praat over steeds grotere modellen, houden bedrijven zich steeds meer bezig met heel andere zaken:

• Hoe integreren we AI op een verstandige manier?
• Welke processen zijn überhaupt geschikt?
• Waar bespaart AI echt tijd?
• Welke risico's doen zich voor?
• En hoe blijft het systeem onderhoudbaar?

Deze vragen lijken minder spectaculair - maar zijn waarschijnlijk veel belangrijker.

Waarom juist FileMaker-ontwikkelaars hier interessante voordelen hebben

Deze ontwikkeling kan bijzonder opwindend zijn in de FileMaker-omgeving. Dat komt omdat veel FileMaker-ontwikkelaars al jaren gewend zijn om pragmatische oplossingen voor echte bedrijfsprocessen te ontwikkelen. In plaats van louter theoretische architecturen ligt de focus vaak op concrete processen:

• Bestellingen,
• Beheer van klanten,
• Lager,
• Documenten,
• Werkstromen,
• Interfaces
• of speciale processen op maat.

Juist deze praktijkervaring kan in de toekomst een groot voordeel zijn. AI alleen lost immers geen organisatorische problemen op. Als gegevens chaotisch zijn gestructureerd of processen nooit duidelijk zijn gedefinieerd, zal zelfs de beste AI er geen stabiel systeem van maken.

Veel ontwikkelaars realiseren zich zelfs dat klassieke softwareprincipes opeens weer belangrijker worden:

• schone gegevensmodellen,
• duidelijke relaties,
• traceerbare processen,
• Stabiele interfaces
• en onderhoud van gestructureerde gegevens.

Interessant genoeg doet dit deels denken aan eerdere ontwikkelingsfasen van de Digitalisering. Toen al geloofden veel bedrijven aanvankelijk dat nieuwe technologieën bestaande problemen bijna automatisch zouden oplossen. In werkelijkheid bleek echter bijna altijd dat duurzame systemen vooral werden gecreëerd door goede structuren.

Tussen een experimentele fase en verandering op lange termijn

Tegelijkertijd beseffen veel ontwikkelaars echter ook dat de huidige AI-golf niet zomaar zal verdwijnen. Daarvoor ontwikkelt de technologie zich te snel. Nog maar twee jaar geleden leken veel AI-systemen meer op interessante experimenten. Vandaag worden er al complete workflows gecreëerd rond taalmodellen, beeldgeneratoren of automatiseringsprocessen. Zelfs kleinere bedrijven beginnen steeds meer te testen hoe AI op een zinvolle manier kan worden gebruikt.

Dit onthult echter ook een typisch patroon van technologische omwentelingen. In eerste instantie overschatten mensen vaak wat er op korte termijn mogelijk is. Tegelijkertijd wordt de mate waarin technologieën daadwerkelijk zullen veranderen op de lange termijn onderschat. Dit is precies de reden waarom veel ontwikkelaars de huidige situatie met een mengeling van enthousiasme en voorzichtigheid bekijken.

Enerzijds ontstaan er momenteel fascinerende mogelijkheden. Aan de andere kant is het nog maar de vraag welke platforms, modellen en werkmethoden zich op de lange termijn zullen vestigen. Veel van de huidige oplossingen zullen waarschijnlijk binnen een paar jaar verdwenen of volledig vervangen zijn.

Dit maakt een rustige, pragmatische aanpak des te belangrijker. Niet elke nieuwe AI-tool hoeft meteen productief gebruikt te worden. Tegelijkertijd zou het waarschijnlijk een vergissing zijn om de ontwikkeling helemaal te negeren. Wie de basis al vroeg onder de knie krijgt, praktische ervaring opdoet en de systemen realistisch categoriseert, is op de lange termijn waarschijnlijk veel beter voorbereid.

En precies op dit punt begint voor veel ontwikkelaars de echt spannende fase van de AI-evolutie.

De realiteit van alledag: Waarom AI-projecten vaak veel ingewikkelder zijn dan verwacht

Iedereen die zich verdiept in kunstmatige intelligentie realiseert zich al snel dat er een aanzienlijk verschil is tussen een werkende demonstratie en een stabiel alledaags systeem. Het is precies op dit punt dat veel bedrijven en ontwikkelaars gedesillusioneerd raken. Natuurlijk zijn de mogelijkheden van moderne AI-systemen indrukwekkend. Taalmodellen schrijven teksten, analyseren gegevens of beantwoorden complexe vragen in luttele seconden. Beeldgeneratoren produceren content die een paar jaar geleden technisch ondenkbaar zou zijn geweest. Tegelijkertijd ontstaat echter vaak de indruk dat deze systemen nu alleen nog maar "op de een of andere manier met elkaar in verbinding hoeven te staan" om automatisch productieve bedrijfsoplossingen te creëren.

In de praktijk blijkt echter al snel dat deze laatste stap vaak het moeilijkst is. Dit komt omdat echte bedrijfsprocessen zelden bestaan uit eenvoudige standaardprocedures. Gegevens komen uit verschillende bronnen, structuren zijn historisch gegroeid en veel speciale gevallen zijn in de loop der jaren aangepast. Hier begint het echte werk.

De onzichtbare kant van AI-projecten

Van buitenaf zien veel AI-projecten er vaak verrassend soepel en modern uit. Er worden werkende resultaten, elegante gebruikersinterfaces of korte demonstraties van indrukwekkende functies gepresenteerd. De vele uren probleemoplossing en onderhoudswerk achter dergelijke systemen zijn echter veel minder zichtbaar. Vooral ontwikkelaars ervaren momenteel keer op keer vergelijkbare situaties:

• Een model werkt plotseling niet meer na een update,
• Python-afhankelijkheden botsen,
• CUDA-versies komen niet overeen,
• Interfaces veranderen,
• Er treden geheugenproblemen op,
• of individuele uitbreidingen maken hele omgevingen onstabiel.

Deze dynamiek is vooral duidelijk in de open source sector. Veel tools ontwikkelen zich razendsnel. Er verschijnen soms elke week nieuwe functies. Tegelijkertijd is er vaak een gebrek aan stabiele standaarden voor de lange termijn. Daardoor komen ontwikkelaars al snel in een soort permanente onderhoudsmodus terecht. Het is niet ongewoon dat ze meer tijd besteden aan het weer aan de praat krijgen van systemen dan aan het productief ermee werken.

Waarom onderhoudbaarheid plotseling weer een belangrijke factor wordt

Vooral ervaren ontwikkelaars zien daarom momenteel een interessante ontwikkeling: veel klassieke principes van professionele softwareontwikkeling worden plotseling weer enorm belangrijk. Immers, zelfs de modernste AI heeft weinig nut als het totale systeem instabiel wordt. Bedrijven hebben geen spectaculaire individuele demo's nodig, maar:

• traceerbare processen,
• reproduceerbare resultaten,
• stabiele interfaces,
• controleerbare gegevensstromen
• en onderhoudbaarheid op lange termijn.

Dit is echter vaak de grootste zwakte van de huidige AI-projecten. Veel systemen worden momenteel op experimentele basis ontwikkeld. Verschillende tools worden met elkaar gecombineerd, nieuwe uitbreidingen worden getest en verschillende modellen worden parallel gebruikt. Dit werkt vaak verrassend goed op de korte termijn - maar creëert al snel complexe afhankelijkheden op de lange termijn.

Dit is vooral cruciaal voor productieve bedrijfsoplossingen. Het is namelijk niet voldoende dat een systeem "meestal" werkt. Processen moeten betrouwbaar werken, zelfs na updates, serverwijzigingen of personeelswisselingen. Veel ontwikkelaars herinneren zich daarom momenteel eerdere IT-principes:

• geven de voorkeur aan stabiele oplossingen boven kortetermijngimmicks,
• We geven de voorkeur aan begrijpelijke processen boven maximale complexiteit,
• Ik geef de voorkeur aan onderhoudbare systemen boven indrukwekkende individuele trucs.

Interessant genoeg lijkt deze ontwikkeling bijna op een terugkeer naar de klassieke deugden van softwareontwikkeling.

Het echte werk begint vaak pas na het eerste succes

Een ander probleem met veel AI-projecten wordt pas duidelijk na de eerste positieve resultaten. In het begin werken veel dingen verrassend snel:

• De eerste beeldgeneratoren worden uitgevoerd,
• Teksten worden gegenereerd,
• Automatiseringen worden gemaakt,
• lokale modellen maken een succesvolle start.

Maar juist dan begint vaak de moeilijke fase. Plotseling rijzen er vragen als:

• Hoe beveiligen we het milieu?
• Welke modelversie gebruiken we permanent?
• Hoe documenteren we de processen?
• Hoe schaalbaar is het systeem?
• Hoe voorkomen we data chaos?
• Wie zal daar later op wachten?

Vooral kleinere bedrijven onderschatten deze inspanning vaak aanzienlijk. Terwijl traditionele software vaak jarenlang relatief stabiel kan worden gebruikt, bevinden veel AI-systemen zich momenteel nog in een zeer dynamische ontwikkelingsfase. Modellen, bibliotheken en frameworks veranderen soms zo snel dat langetermijnplanning moeilijk wordt. Dit is precies de reden waarom veel ontwikkelaars momenteel ongewoon hoge onderhoudskosten rapporteren.

Onze eigen praktijkervaring

Dit wordt vooral duidelijk bij lokale AI-servers en trainingssystemen. Iedereen die zelf zulke omgevingen opzet, realiseert zich al snel hoeveel kleine technische details er moeten samenwerken:

• Stuurprogramma grafische kaart,
• Fakkelversies,
• CUDA-ondersteuning,
• Python-omgevingen,
• Uitbreidingen,
• WebUI's,
• Geheugenbeheer
• en modelcompatibiliteit.

Een enkele incompatibele versie is vaak al genoeg om een systeem dat voorheen goed functioneerde plotseling volledig te laten falen. Deze ervaringen maken echter ook duidelijk waarom veel van de huidige AI-discussies soms wat onrealistisch overkomen. Van buitenaf wordt vaak de indruk gewekt dat moderne AI-systemen al grotendeels volwassen zijn. In de praktijk blijkt echter al snel dat veel gebieden nog sterk experimenteel van aard zijn.

Dit betekent echter niet dat deze ontwikkeling zal mislukken. Integendeel. We bevinden ons momenteel waarschijnlijk in een typische overgangsfase voor nieuwe technologieën. Vroege webservers, databasesystemen en ERP-oplossingen waren in het begin ook vaak ingewikkeld, instabiel en onderhoudsgevoelig. Pas na verloop van tijd ontwikkelden ze zich tot gestandaardiseerde en veerkrachtige platforms.

Dit is precies de reden waarom de huidige fase op de lange termijn waarschijnlijk zeer belangrijk zal zijn. Want juist nu doen ontwikkelaars de praktijkervaring op die later zal leiden tot stabiele structuren.

Waarom pragmatisme momenteel belangrijker is dan perfectie

Veel ervaren ontwikkelaars kiezen daarom nu voor een veel pragmatischere aanpak. Niet elk nieuw model hoeft meteen geïntegreerd te worden. Niet elke technische innovatie brengt automatisch echte toegevoegde waarde. Het is vaak zinvoller om met kleinere, stabiele oplossingen te werken en deze stap voor stap uit te breiden. Op de lange termijn hebben vooral bedrijven meestal meer baat bij heldere processen, beheersbare systemen, een schone gegevensstructuur en controleerbare automatisering.

De echte kracht van kunstmatige intelligentie zou daarom uiteindelijk minder kunnen liggen in spectaculaire individuele acties en meer in het intelligent aanvullen van bestaande processen en ze geleidelijk efficiënter maken. En dit is waarschijnlijk precies waar het succes van AI-projecten op de lange termijn beslist zal worden: niet met de grootste demo, maar met de blijvend stabiele praktische oplossing.

Parallellen met klassieke softwareontwikkeling

Als je de huidige ontwikkeling van kunstmatige intelligentie wat nuchterder bekijkt, zie je een interessante parallel: Veel uitdagingen doen verrassend veel denken aan eerdere fases van klassieke softwareontwikkeling.

Want ook daar begonnen veel dingen aanvankelijk met grote euforie. Nieuwe technologieën beloofden snellere processen, lagere kosten en compleet nieuwe mogelijkheden. Maar tegelijkertijd bleek in de praktijk bijna altijd dat duurzame systemen niet alleen door technische innovatie tot stand kwamen, maar vooral door schone structuren, heldere processen en onderhoudbaarheid op de lange termijn.

Het is precies deze ontwikkeling die zich momenteel in vergelijkbare vorm lijkt te herhalen op het gebied van AI. Op dit moment zijn veel discussies nog sterk gericht op de zichtbare mogelijkheden van moderne AI-systemen:

• betere taalmodellen,
• groter contextvenster,
• snellere afbeeldingsgeneratoren,
• autonome agent systemen
• of complexe automatisering.

Maar hoe dieper bedrijven en ontwikkelaars in echte projecten duiken, hoe duidelijker het wordt dat dezelfde basisvragen opkomen als voorheen:

• Hoe stabiel is het systeem?
• Hoe onderhoudbaar is de oplossing?
• Hoe schoon zijn de gegevens?
• Hoe betrouwbaar zijn processen?
• En hoe afhankelijk maak je jezelf van individuele platforms?

Zelfs klassieke ERP-systemen zijn niet van de ene op de andere dag gemaakt

Vooral ontwikkelaars met jarenlange ervaring zullen daarom veel bekende patronen herkennen. Zelfs klassieke ERP- of databasesystemen waren in het begin vaak veel chaotischer en experimenteler dan je vandaag zou verwachten. Veel oplossingen werden stap voor stap ontwikkeld:

1. individuele functies eerst,
2. dan kleinere automatiseringen,
3. latere complexere processen,
4. geïntegreerde totaalsystemen.

Stabiele oplossingen ontstonden vaak pas na vele jaren praktijkervaring. Vooral FileMaker was voor veel bedrijven een interessant hulpmiddel omdat processen relatief pragmatisch en snel in kaart konden worden gebracht. In plaats van enorme theoretische concepten werden vaak concrete oplossingen voor echte problemen ontwikkeld:

• Orderbeheer,
• Magazijnbeheer,
• Documenteer processen,
• Beheer van klanten
• of op maat gemaakte industriële oplossingen.

Het is precies deze praktische manier van denken die nu weer belangrijker zou kunnen worden op het gebied van AI. Kunstmatige intelligentie kan immers geen slecht georganiseerde processen vervangen. Als gegevens chaotisch zijn gestructureerd of processen nooit duidelijk zijn gedefinieerd, creëert AI vaak extra bronnen van fouten in plaats van echte verbeteringen.

Waarom gegevensstructuren plotseling weer cruciaal worden

Interessant genoeg zorgt de huidige AI-golf er zelfs voor dat veel klassieke IT-principes weer centraal komen te staan. Hoewel moderne AI-systemen vaak flexibel en intelligent zijn, blijven ze sterk afhankelijk van de kwaliteit van de onderliggende gegevens. Dit geldt voor

• Stamgegevens,
• Documentstructuren,
• Trefwoord,
• Relaties,
• Procesdefinities
• en consistentie van gegevens.

Hier komt vaak een probleem aan het licht dat veel bedrijven jarenlang hebben onderdrukt: Historisch gegroeide systemen bevatten vaak inconsistenties, speciale gevallen en onduidelijke structuren.

Zulke problemen kunnen niet eenvoudigweg worden "weg-intelligent gemaakt" door AI. Integendeel. Foutieve gegevensstructuren worden vaak zelfs versterkt omdat AI-systemen patronen herkennen en deze verder verwerken - ongeacht of deze patronen nuttig of problematisch zijn.

Veel ontwikkelaars realiseren zich momenteel dan ook dat goed gegevensonderhoud ineens weer enorm belangrijk wordt. Dit doet denken aan eerdere databaseprojecten, waarbij succes op de lange termijn vaak minder afhing van spectaculaire functies en meer van:

• schoon gegevensmodel,
• duidelijke relaties,
• traceerbare processen
• en gedisciplineerde structurering.

Het gevaar van de nieuwe "snelle oplossingen

Een andere parallel met klassieke softwareontwikkeling kan worden gezien in het onderwerp van snelle oplossingen. Zelfs in vroegere IT-fasen werden er herhaaldelijk tools gemaakt die op korte termijn indrukwekkend waren, maar op lange termijn aanzienlijke problemen veroorzaakten. Veel ontwikkelaars herinneren zich dit nog goed:

• overbelaste toegangsoplossingen,
• ongestructureerde Excel-systemen,
• slecht gedocumenteerde scripts,
• of haastig in elkaar geklikte webapplicaties.

In het begin werkten zulke systemen vaak verrassend goed. Pas later ontstonden er onderhoudsproblemen, datachaos of moeilijk beheersbare afhankelijkheden. Precies dezelfde risico's zien we nu weer in de AI-sector. Veel van de huidige AI-workflows bestaan uit een groot aantal gecombineerde tools:

• verschillende modellen,
• externe API's,
• Plugins,
• lokale servers,
• Automatiseringen,
• Prompt ketens
• en experimentele uitbreidingen.

Op korte termijn levert dit indrukwekkende resultaten op. Op de lange termijn rijst echter de vraag hoe stabiel en onderhoudbaar dergelijke constructies eigenlijk blijven. Vooral ervaren ontwikkelaars zien daarom momenteel met enige voorzichtigheid hoe snel sommige bedrijven complexe AI-processen productief proberen in te zetten, terwijl fundamentele organisatorische vraagstukken vaak nog niet zijn opgelost.

Waarom denken op lange termijn nu zo belangrijk is

Dit is precies waarom de huidige fase die ontwikkelaars en bedrijven moet belonen die op lange termijn denken. Niet elke nieuwe functie hoeft onmiddellijk te worden geïntegreerd. Niet elke trendtool zal op de lange termijn relevant blijven. Veel van de huidige systemen zullen waarschijnlijk binnen een paar jaar verdwijnen of volledig worden vervangen.

De echte kracht van professionele softwareontwikkeling is echter altijd het creëren van stabiele fundamenten geweest. En het is precies deze vaardigheid die waarschijnlijk cruciaal zal blijven in het tijdperk van AI:

• Processen begrijpen,
• Systemen structureren,
• Gegevens netjes organiseren,
• Documentprocessen
• en technische complexiteit beheersbaar.

Het lijdt geen twijfel dat kunstmatige intelligentie momenteel de wereld van software verandert. Tegelijkertijd laat het echter ook zien dat veel basisprincipes van goed IT-werk tijdloos zijn gebleven. Misschien is dit wel het belangrijkste besef van de huidige AI-ontwikkeling: niet alles is compleet nieuw. Veel dingen ontwikkelen zich eerder als de volgende fase in de evolutie van al bekende principes.

Waar AI vandaag de dag echt zinvol is - en waar de reis met FileMaker ons zou kunnen brengen

Na de eerste grote AI-golven komt er langzaam een veel nuchterder kijk op het onderwerp. Veel bedrijven en ontwikkelaars beseffen nu dat kunstmatige intelligentie geen kortstondige goocheltruc is en ook geen gimmick. Tegelijkertijd wordt echter ook duidelijk dat niet elke taak zinvol kan worden geautomatiseerd.

Met name in het dagelijkse bedrijfsleven is het niet zozeer de meest spectaculaire demo die uiteindelijk de doorslag geeft, maar eerder de praktische toepasbaarheid voor dagelijks gebruik. En dat is precies waar zich nu een aantal gebieden uitkristalliseert waarin AI al echt toegevoegde waarde kan leveren.

Tekstgeneratie als eerste grote productieve gebied

De voordelen zijn waarschijnlijk het meest zichtbaar bij tekstverwerking. Taalmodellen kunnen nu:

• Documenten voorbereiden,
• Stel e-mails op,
• Samenvattingen maken,
• Genereer vertalingen,
• FAQ-gebieden voorbereiden
• of gestructureerde inhoud genereren uit ruwe gegevens.

Hier wordt al enorm veel tijd bespaard. Wat vooral interessant is, is dat AI mensen vaak niet volledig vervangt, maar eerder functioneert als een intelligente assistent. Veel ontwikkelaars, redacteuren en ondernemers gebruiken AI nu op een vergelijkbare manier als een extra werknemer voor voorbereidend werk, het structureren of verzamelen van ideeën.

Dit betekent echter niet dat de resultaten zomaar geaccepteerd moeten worden. Controle blijft cruciaal, vooral voor technische of juridische kwesties. Toch zal dit gebied op de lange termijn waarschijnlijk een van de belangrijkste praktische toepassingsgebieden blijven. Dit zal vooral spannend worden wanneer bestaande bedrijfsgegevens direct kunnen worden gebruikt - bijvoorbeeld:

• automatische offertesjablonen,
• Reacties per e-mail,
• Documentaires,
• Kennisdatabases
• of interne hulpsystemen.
• AI als ondersteuning in plaats van volledige vervanging

Een ander realistisch toepassingsgebied ligt momenteel in ondersteunende assistentiefuncties. Veel bedrijven realiseren zich nu dat AI vooral goed werkt als het mensen aanvult in plaats van volledig vervangt. Dit omvat bijvoorbeeld:

• intelligente zoekfuncties,
• automatische categorisatie,
• Gegevensanalyse,
• Beeldclassificatie,
• Documentherkenning
• of voorstelsystemen.

Dit kan op lange termijn bijzonder interessant zijn in de ERP- en databaseomgeving. Daar worden namelijk dagelijks grote hoeveelheden gestructureerde informatie gegenereerd:

• Facturen,
• Documenten,
• Vragen van klanten,
• Opslaggegevens,
• Productinformatie
• of e-mailcommunicatie.

AI kan helpen om dergelijke informatie sneller te evalueren, verstandig te organiseren of processen voor te bereiden. Het daadwerkelijke besluitvormingsproces blijft echter vaak in handen van mensen. Het is precies deze hybride aanpak die voor veel bedrijven waarschijnlijk veel realistischer is dan het idee van volledig autonome AI-systemen.

Waarom automatisering alleen niet genoeg is

Interessant genoeg wordt momenteel echter een beperking van veel AI-projecten duidelijk. Technisch automatiseerbaar betekent immers niet automatisch organisatorisch verstandig. Vooral bedrijven hebben veel processen die uitzonderingen bevatten, menselijke communicatie vereisen, verantwoordelijkheid vragen of bewust flexibel gehouden moeten worden.

Veel ontwikkelaars realiseren zich nu dat kunstmatige intelligentie niet simpelweg traditionele software vervangt. In plaats daarvan ontstaat er een nieuw niveau van intelligente ondersteuning bovenop bestaande systemen. Dit doet enigszins denken aan eerdere digitaliseringsstappen. Ook toen verdwenen processen niet helemaal. In plaats daarvan werden ze geleidelijk efficiënter, beter gestructureerd en beter ondersteund.

Het is precies deze pragmatische kijk die op de lange termijn waarschijnlijk belangrijker zal zijn dan het idee van een volledig autonome bedrijfs-AI.

Bijzonder spannend: AI rechtstreeks in FileMaker

Deze ontwikkeling kan de komende jaren echter bijzonder interessant worden in de FileMaker-omgeving. Claris FileMaker heeft namelijk al aangekondigd dat het in de toekomst steeds meer zal vertrouwen op zogenaamde AI-agents. Het gaat dan niet meer alleen om klassieke AI-query's of externe interfaces, maar om systemen die rechtstreeks binnen FileMaker actief kunnen werken.

En dit zou de manier waarop veel ontwikkelaars werken op de lange termijn aanzienlijk kunnen veranderen. Tot nu toe was AI-ondersteuning in veel gevallen relatief indirect:

• Ontwikkelaars formuleren aanwijzingen,
• tekstsuggesties ontvangen,
• kopieerscripts,
• code handmatig aanpassen
• en de resultaten zelf integreren in de oplossing.

De aangekondigde agentsystemen gaan echter nog een stap verder. In de toekomst zullen ontwikkelaars steeds meer taken rechtstreeks in natuurlijke taal kunnen formuleren:

• nieuwe tabellen maken,
• Scripts genereren,
• Lay-outs voorbereiden,
• Creëer relaties,
• Velden invullen
• of processen automatiseren.

De AI geeft dan niet alleen suggesties, maar werkt ook actief binnen de FileMaker-omgeving.

Waarom dit de ontwikkeling van software zou kunnen veranderen

Als deze ontwikkeling stabiel en controleerbaar wordt, zou dat een grote impact hebben op het dagelijkse ontwikkelingswerk. Want plotseling verschuift het zwaartepunt:

Weg van pure technische implementatie, naar procesbeschrijving en systeemlogica.

Interessant genoeg doet dit enigszins denken aan de oorspronkelijke kracht van FileMaker zelf. FileMaker was altijd bijzonder aantrekkelijk omdat veel processen relatief snel en visueel konden worden geïmplementeerd. Ontwikkelaars moesten minder "low-level programmeren" dan in klassieke ontwikkelomgevingen.

AI-agenten zouden deze aanpak nu naar een nieuw niveau kunnen tillen. In plaats van handmatig individuele scripts te programmeren, zouden ontwikkelaars in de toekomst meer kunnen werken als:

• Systeemarchitecten,
• Procesontwerper,
• Gegevensmodelleur
• en kwaliteitscontroleurs.

De feitelijke technische implementatie zou in toenemende mate worden geautomatiseerd.

Tegelijkertijd ontstaan er geheel nieuwe uitdagingen

Toch zal deze ontwikkeling waarschijnlijk niet helemaal vlekkeloos verlopen. Zodra AI direct veranderingen kan aanbrengen binnen productieve systemen, zullen problemen zoals:

• Controle,
• Traceerbaarheid,
• Versiebeheer,
• Autorisaties
• en kwaliteitsborging

nog belangrijker. Vooral ervaren ontwikkelaars zullen waarschijnlijk heel goed opletten hoe betrouwbaar zulke agents eigenlijk werken. Een verkeerd gegenereerd script of een foutieve structurele wijziging kan immers aanzienlijke gevolgen hebben in productieve databasesystemen.

Menselijke controle zal daarom op de lange termijn waarschijnlijk centraal blijven staan. De echte kracht van dergelijke systemen zou minder kunnen liggen in het volledig vervangen van ontwikkelaars, maar eerder in het massaal versnellen van repetitief werk en het sneller kunnen voorbereiden van complexe processen.

Waarschijnlijk de meest realistische manier om AI te ontwikkelen

Dit zou ook de meest realistische toekomst voor kunstmatige intelligentie in het algemeen kunnen zijn. Niet in volledig autonome systemen die mensen volledig vervangen. Maar eerder in intelligente hulpmiddelen die processen versnellen, informatie structureren, repetitief werk verminderen en mensen ondersteunen bij complexe taken.

Vooral FileMaker zou hiervoor op lange termijn een interessant platform kunnen blijven, omdat het de mogelijkheid biedt om traditionele bedrijfsprocessen op een relatief flexibele manier te combineren met nieuwe AI-functies. En misschien is dit waar de werkelijke richting van de AI-evolutie vandaag al duidelijk wordt:

niet de volledige vervanging van bestaande systemen, maar de geleidelijke intelligente uitbreiding ervan.

Onze eigen praktijkervaring: tussen de experimentele fase en een productieve toekomst

Iedereen die tegenwoordig serieus kunstmatige intelligentie wil integreren in bestaande systemen realiseert zich al snel dat veel publieke discussies slechts een klein deel van de werkelijke realiteit laten zien. Dat komt omdat spectaculaire resultaten vaak zichtbaar zijn voor de buitenwereld, maar de werkelijke dagelijkse realiteit vaak bestaat uit talloze kleine technische, organisatorische en structurele uitdagingen.

Dit is precies de ervaring van veel ontwikkelaars die op dit moment proberen om AI-systemen niet alleen te gebruiken voor testdoeleinden, maar ook om ze productief te integreren in hun eigen workflows. Het wordt al snel duidelijk dat kunstmatige intelligentie op dit moment niet zozeer een eindproduct is, maar eerder een nieuwe technologische bouwplaats met een enorm potentieel.

Je eigen AI-infrastructuur bouwen in plaats van alleen de cloud gebruiken

Het onderwerp wordt vooral interessant wanneer ontwikkelaars hun eigen AI-infrastructuren beginnen op te zetten. Want terwijl veel gebruikers alleen cloudgebaseerde tools gebruiken, worden er steeds meer lokale systemen parallel gemaakt:

• eigen Linux AI-server,
• lokale taalmodellen,
• Beeldgeneratoren,
• Trainingsomgevingen
• of gecombineerde workflowsystemen.

Dit opent volledig nieuwe mogelijkheden, vooral in creatieve en technische omgevingen. Het wordt echter ook snel duidelijk hoe complex deze omgevingen al zijn geworden. Wie bijvoorbeeld zijn eigen Linux-gebaseerde AI-afbeeldingsservers opzet, met lokale modellen werkt of verschillende systemen combineert, werkt vaak in een omgeving die nog erg experimenteel van aard is.

Drivers, CUDA-versies, torch afhankelijkheden, geheugenbeheer of incompatibele uitbreidingen kunnen zelfs ervaren ontwikkelaars dagen bezig houden. Veel problemen ontstaan niet door enkele grote fouten, maar door talloze kleine technische afhankelijkheden. Toch is het vaak in deze fase dat de echte praktijkervaring wordt opgedaan.

AI rechtstreeks bedienen vanuit FileMaker

Het onderwerp wordt echter bijzonder spannend wanneer traditionele bedrijfssoftware wordt gecombineerd met moderne AI-systemen. Dit is precies waar momenteel interessante nieuwe benaderingen ontstaan. In de praktijk kunnen verschillende AI-systemen al rechtstreeks vanuit FileMaker worden aangestuurd:

• Tekstmodellen,
• Beeldgeneratoren,
• Modeladministraties,
• Prompt systemen,
• Serverbesturing
• of geautomatiseerde overdrachtroutines.

Er worden steeds meer gespecialiseerde administratieve interfaces gecreëerd waarmee:

• Georganiseerde modellen,
• Server beheerd,
• Vraagsjablonen opgeslagen,
• JSON-structuren voorbereid
• en verschillende AI-processen kunnen centraal worden geregeld.

Interessant genoeg doet dit deels denken aan klassieke ERP-ontwikkeling - behalve dan dat in plaats van magazijngegevens of facturen ineens AI-modellen, prompts en trainingsparameters worden beheerd. Vooral de combinatie van gestructureerde databaselogica en flexibele AI-systemen zal op de lange termijn waarschijnlijk een enorm potentieel hebben.

De huidige limiet: AI begrijpt veel, maar is nog niet goed genoeg geïntegreerd

Ondanks alle vooruitgang is er echter nog steeds een belangrijke grens. Dit komt omdat moderne taalmodellen al verbazingwekkend goed zijn:

• Scripts genereren,
• Formules schrijven,
• Databasestructuren uitleggen
• of complexe logica.

De eigenlijke integratie in productieve FileMaker-oplossingen gebeurt echter vaak nog vrij manueel. Concreet betekent dit

• Code moet worden aangepast,
• Scripts worden overgedragen,
• Structuren gecontroleerd,
• Opmaak gecorrigeerd
• en processen worden handmatig gecontroleerd.

Dit vormt een bijzonder probleem in de FileMaker-omgeving. FileMaker-scripts hebben namelijk hun eigen interne structuur en kunnen niet zomaar als normale tekst rechtstreeks in de scripteditor worden overgezet. Dit resulteert momenteel in verschillende tussenoplossingen:

• handmatige overdracht,
• XSLT-conversies,
• Klembordconverter,
• Speciale kopieer- en plakfuncties
• of conversiesystemen voor FileMaker-compatibele scriptindelingen.

Dit werkt al verrassend goed in het dagelijks leven - maar tegelijkertijd lijkt het nog steeds op een overgangsfase tussen klassieke ontwikkeling en toekomstige AI-integratie.

Dit is precies waar AI-agenten de cruciale kloof kunnen dichten

En dit is precies waar de door Claris FileMaker aangekondigde agenttechnologie bijzonder interessant wordt. Tot nu toe was er vaak een soort "handmatige vertaallaag" tussen AI en productieve ontwikkeling. De AI genereert inhoud, suggesties of scripts - de ontwikkelaar neemt vervolgens de feitelijke technische integratie voor zijn rekening.

AI-agenten zouden deze kloof in de toekomst aanzienlijk kunnen verkleinen. Want als AI-systemen rechtstreeks binnen FileMaker kunnen werken, zal de hele manier van werken veranderen:

• Scripts kunnen direct worden gegenereerd,
• tabellen worden automatisch aangemaakt,
• relaties,
• Lay-outs voorbereid
• of processen kunnen dynamisch worden uitgebreid.

De ontwikkelaar hoeft dan minder afzonderlijke technische stappen zelf uit te voeren, maar wel meer:

• Processen beschrijven,
• Logica definiëren,
• Resultaten controleren
• en structuursystemen.

Dit kan op lange termijn leiden tot een aanzienlijke productiviteitssprong.

Waarom vooral ervaren ontwikkelaars hiervan zouden kunnen profiteren

Interessant genoeg zal deze ontwikkeling waarschijnlijk vooral ervaren ontwikkelaars ten goede komen. Hoewel AI steeds meer technische taken op zich kan nemen, begrijpt het niet automatisch de feitelijke bedrijfsprocessen erachter. Dit blijft cruciaal, vooral voor complexere oplossingen:

• Procesinzicht,
• Gegevenslogica,
• Ervaring met speciale gevallen,
• organisatorisch denken
• en structurele langetermijnplanning.

Veel bedrijven onderschatten nog steeds hoe belangrijk deze vaardigheden in de toekomst kunnen worden. Immers, als standaard technische taken steeds meer worden geautomatiseerd, zal de werkelijke waarde meer in de goede richting verschuiven:

• Architectuur,
• Consultancy,
• Procesontwerp
• en kwaliteitscontrole.

Vooral FileMaker-ontwikkelaars hebben vaak een interessant voordeel omdat ze traditioneel zeer nauw samenwerken met echte bedrijfsprocessen.

Tussen de huidige experimentele fase en de toekomstige productieve omgeving

Natuurlijk bevindt deze ontwikkeling zich nog in een relatief vroeg stadium. Veel systemen lijken nog experimenteel, soms instabiel of organisatorisch onaf. Tegelijkertijd is het echter al mogelijk om te herkennen waar de richting naar toe zou kunnen gaan. Nog maar een paar jaar geleden leken lokale taalmodellen, AI-beeldservers of agentgebaseerde ontwikkelingssystemen bijna toekomstdromen. Vandaag bestaan de eerste productieve benaderingen al, die ondanks alle moeilijkheden verrassend efficiënt zijn.

Dit is precies de reden waarom de huidige fase op de lange termijn waarschijnlijk bijzonder opwindend zal zijn. Immers, de basis voor een nieuwe generatie ontwikkeltools wordt waarschijnlijk op dit moment gelegd - vergelijkbaar met de eerste grafische databasesystemen of vroege ERP-platforms.

En over een paar jaar kijken we misschien terug en realiseren we ons dat deze huidige overgangsfase precies het moment was waarop klassieke softwareontwikkeling langzaam verschoof in de richting van AI-ondersteunde systeemontwikkeling.

AI-evolutie betekent niet het einde van traditionele ontwikkeling - maar de volgende fase

Na de eerste jaren van grote AI-euforie begint zich langzaam een meer gedifferentieerd beeld af te tekenen. Veel bedrijven, ontwikkelaars en creatieve geesten zien steeds meer in dat kunstmatige intelligentie geen kortetermijntrend is en ook geen onmiddellijke alles-in-één oplossing voor alle problemen.

Tegelijkertijd wordt het echter steeds duidelijker dat technologische ontwikkelingen op de lange termijn waarschijnlijk een grote invloed zullen hebben op de hele softwarewereld. Op dit moment tekent zich een interessante dubbele beweging af: Aan de ene kant verschijnen er elke dag nieuwe tools, modellen en automatiseringen. Aan de andere kant winnen veel klassieke principes van professionele softwareontwikkeling plotseling weer aan belang:

• schone gegevensstructuren,
• traceerbare processen,
• Onderhoudbaarheid,
• Stabiliteit
• en organisatorisch denken.

Dit is precies waarom de huidige AI-fase in veel opzichten minder lijkt op een complete breuk met de vorige IT-wereld - en meer op de volgende evolutionaire fase.

De echte uitdaging ligt niet in de AI zelf

Interessant genoeg blijkt nu bij veel projecten dat de werkelijke moeilijkheid vaak niet meer het AI-model zelf is. Moderne taalmodellen, beeldgeneratoren en assistentiesystemen werken tegenwoordig al verrassend goed. De echte uitdagingen ontstaan meestal pas wanneer deze systemen op een zinvolle manier moeten worden geïntegreerd in echte bedrijfsprocessen. Dit is precies waar nieuwe technologieën om de hoek komen kijken:

• gegroeide structuren,
• historische databases,
• Individuele processen
• en praktische vereisten van het dagelijks leven.

Veel ontwikkelaars bevinden zich daarom momenteel in een fase van intensief experimenteren. Systemen worden getest, lokale servers opgezet, modellen geïntegreerd en processen geautomatiseerd. Tegelijkertijd wordt echter ook duidelijk dat productieve stabiliteit veel meer vereist dan indrukwekkende individuele demo's.

Op de lange termijn zullen daarom oplossingen die technische mogelijkheden combineren met pragmatische geschiktheid voor dagelijks gebruik waarschijnlijk het meest succesvol zijn.

Waarom praktijkervaring momenteel bijzonder waardevol wordt

Juist op dit punt wordt praktijkervaring steeds belangrijker. Want iedereen die vandaag actief werkt met lokale AI-systemen, eigen omgevingen opzet of AI direct combineert met bedrijfssoftware, zal relatief snel de werkelijke mogelijkheden en beperkingen van de huidige ontwikkelingen herkennen.

Dit resulteert vaak in veel realistischere beoordelingen dan in veel openbare discussies. Kunstmatige intelligentie kan vandaag al enorme ondersteuning bieden:

• voor tekstverwerking,
• Organisatie van kennis,
• Gegevensanalyse,
• Automatisering
• of creatieve processen.

Tegelijkertijd blijft het echter duidelijk dat veel systemen op dit moment nog zeer experimenteel zijn. Juist daarom zal de huidige fase op de lange termijn waarschijnlijk bijzonder waardevol zijn voor degenen die vroeg praktijkervaring opdoen en tegelijkertijd een nuchtere kijk behouden.

Marcel Moré's visie op AI-evolutie

Het artikel van Marcel Moré over de "Evolutie van AI" was een interessant uitgangspunt voor deze overwegingen. Wat hier vooral spannend aan is, is niet zozeer de individuele technologie, maar eerder de fundamentele observatie: AI ontwikkelt zich steeds meer van geïsoleerde tools tot genetwerkte systemen met hun eigen processen, automatisering en agentachtige structuren.

Het is precies deze ontwikkeling die de komende jaren waarschijnlijk sterk zal kenmerken. Op de lange termijn zal het waarschijnlijk niet meer alleen gaan om individuele taalmodellen of beeldgeneratoren, maar om complete systeemlandschappen waarin verschillende AI-componenten met elkaar interacteren.

Dit creëert een enorm potentieel, vooral in de bedrijfsomgeving, maar ook nieuwe organisatorische en technische uitdagingen.

FileMaker en de volgende ontwikkelingsfase

Deze ontwikkeling kan in de toekomst bijzonder interessant worden in de Claris FileMaker-omgeving. De aangekondigde AI-agenten geven namelijk al aan waar moderne ontwikkelomgevingen op de lange termijn naartoe zouden kunnen gaan:

• weg van puur handmatige implementatie,
• naar AI-ondersteunde systeemontwikkeling.

Mochten dergelijke agentsystemen in de toekomst stabiel kunnen werken binnen FileMaker, dan zou de rol van veel ontwikkelaars aanzienlijk veranderen.

De werkelijke kracht zou dan waarschijnlijk minder liggen in het puur schrijven van individuele scripts, maar meer in:

• Procesinzicht,
• Systeemarchitectuur,
• Gegevenslogica,
• Kwaliteitscontrole
• en organisatorisch denken.

Interessant genoeg past dit heel goed bij de traditionele sterke punten van veel FileMaker-ontwikkelaars. FileMaker is altijd bijzonder sterk geweest in het in kaart brengen van echte bedrijfsprocessen op een pragmatische en flexibele manier. AI zou deze aanpak in de toekomst aanzienlijk kunnen uitbreiden.

Waarschijnlijk de belangrijkste realisatie van de huidige AI-fase

Misschien is dit juist wel het belangrijkste besef van de huidige ontwikkeling. Kunstmatige intelligentie vervangt niet automatisch ervaring, structuur of organisatorisch denken. Er worden op dit moment juist nieuwe tools ontwikkeld die bestaande werkmethoden op een intelligente manier kunnen uitbreiden en versnellen.

De echte uitdaging is daarom waarschijnlijk niet om elke nieuwe AI-functie zo snel mogelijk toe te passen. De doorslaggevende factor zal eerder zijn:

• welke systemen op de lange termijn stabiel blijven,
• Welke processen echt zinvol geautomatiseerd kunnen worden
• en hoe technische mogelijkheden op verantwoorde wijze kunnen worden geïntegreerd.

Ontwikkelaars met praktische achtergrondkennis zullen in de toekomst waarschijnlijk een bijzonder belangrijke rol spelen. Want uiteindelijk - zoals zo vaak het geval is in de IT-geschiedenis - zal het waarschijnlijk niet de luidste demo zijn die wint, maar de oplossing die permanent werkt in het dagelijks leven.

---

Veelgestelde vragen

1. Waarom bestaat op dit moment de indruk dat kunstmatige intelligentie plotseling overal tegelijk opduikt?
   De ontwikkeling is de afgelopen twee jaar enorm versneld. In het verleden waren AI-systemen vaak gespecialiseerde oplossingen voor grote bedrijven of onderzoeksinstellingen. Tegenwoordig zijn taalmodellen, beeldgeneratoren en automatiseringstools ineens voor bijna iedereen beschikbaar. Dit heeft een vergelijkbaar effect als de komst van het internet of, later, smartphones: veel bedrijven realiseren zich op hetzelfde moment dat werkprocessen fundamenteel kunnen veranderen.
2. Waarom wijken publieke AI-presentaties vaak zo af van de dagelijkse praktijk?
   Presentaties laten meestal gecontroleerde scenario's zien die onder ideale omstandigheden werken. In werkelijkheid hebben AI-systemen echter te maken met foutieve gegevens, individuele speciale gevallen, oude softwarestructuren en instabiele interfaces. Dit is precies waar de echte uitdagingen ontstaan, die vaak nauwelijks zichtbaar zijn voor de buitenwereld.
3. Waarom is het onderhoud van AI-systemen momenteel zo duur?
   Veel AI-omgevingen bevinden zich nog in een zeer dynamische ontwikkelingsfase. Modellen, uitbreidingen, Python afhankelijkheden en interfaces veranderen soms wekelijks. Zelfs kleine updates kunnen functionerende systemen instabiel maken. Ontwikkelaars besteden daarom vaak verrassend veel tijd aan het weer aan de praat krijgen van omgevingen.
4. Welke rol spelen lokale AI-servers in de bedrijfsomgeving?
   Lokale AI-systemen worden voor veel bedrijven steeds interessanter omdat ze meer controle bieden over gegevens, modellen en processen. Een lokale infrastructuur kan voordelen bieden, vooral voor gevoelige informatie of gespecialiseerde workflows. Tegelijkertijd verhoogt dit echter ook de technische inspanning aanzienlijk.
5. Waarom doen veel van de huidige AI-problemen denken aan eerdere IT-ontwikkelingsfasen?
   Vroege webservers, ERP-systemen en databaseplatforms leken aanvankelijk ook vaak ingewikkeld en instabiel. Het duurde vele jaren voordat er gestandaardiseerde en veerkrachtige systemen ontstonden. Veel ervaren ontwikkelaars herkennen momenteel vergelijkbare patronen in de AI-sector en zien de huidige fase dan ook meer als een langetermijnontwikkelingsproces.
6. Waarom wordt datakwaliteit ineens weer zo belangrijk dankzij AI?
   AI-systemen werken op basis van bestaande informatie. Als gegevens chaotisch gestructureerd, onjuist of onvolledig zijn, herkent de AI toch patronen en verwerkt ze verder. Slechte gegevens leiden daarom vaak tot slechte resultaten. Juist daarom worden schone gegevensstructuren en duidelijke processen weer belangrijker.
7. Waarom zou FileMaker op lange termijn bijzonder goed kunnen harmoniëren met AI?
   FileMaker is altijd ontworpen om echte bedrijfsprocessen op een pragmatische manier in kaart te brengen. Het is precies die flexibiliteit die heel goed past bij moderne AI-systemen. Terwijl traditionele ontwikkelomgevingen vaak erg technisch zijn, is FileMaker bijzonder geschikt om processen snel aan te passen en te combineren met nieuwe technologieën.
8. Wat zijn AI-agenten precies?
   AI agents gaan veel verder dan traditionele chatbots. Ze beantwoorden niet alleen vragen, maar voeren ook zelfstandig verschillende werkstappen na elkaar uit. Denk hierbij aan analyses, procescontrole, gegevensverwerking of geautomatiseerde beslissingen binnen gedefinieerde processen.
9. Waarom zijn de aangekondigde AI-agenten van Claris zo interessant voor FileMaker-ontwikkelaars?
   Want dit zou de manier waarop software wordt ontwikkeld kunnen veranderen. In de toekomst hoeven ontwikkelaars misschien niet meer elke technische stap zelf te programmeren. In plaats daarvan kunnen processen steeds vaker in natuurlijke taal worden beschreven, terwijl de AI de technische implementatie voorbereidt of een deel ervan direct overneemt.
10. Hoe werkt AI-ondersteunde ontwikkeling in FileMaker tegenwoordig meestal?
    Op dit moment werken veel dingen nog semi-handmatig. Ontwikkelaars maken scripts, formules of structuren met behulp van AI-systemen en zetten die vervolgens zelf over naar FileMaker. Daar zijn nu verschillende hulpoplossingen voor, zoals klembordconverters of speciale conversietools.
11. Waarom is de directe overdracht van AI-gegenereerde code naar FileMaker op dit moment nog steeds ingewikkeld?
    FileMaker heeft zijn eigen interne scriptstructuren die niet zomaar kunnen worden ingevoegd zoals normale tekst. Daarom moeten AI-uitvoerbestanden vaak worden aangepast of geconverteerd met speciale tussenoplossingen voordat ze productief kunnen worden gebruikt.
12. Welke praktische toepassingsgebieden voor AI werken vandaag al bijzonder goed?
    AI levert al zeer nuttige resultaten op, met name bij het genereren van tekst, documentherkenning, vertalingen, kennisorganisatie, gegevensanalyse en ondersteunende automatisering. AI is vooral sterk waar repetitieve taken kunnen worden voorbereid of versneld.
13. Waarom is het onwaarschijnlijk dat kunstmatige intelligentie traditionele ontwikkelaars volledig zal vervangen?
    Omdat technische implementatie slechts één onderdeel is van professionele softwareontwikkeling. Inzicht in processen, gegevenslogica, organisatorische workflows en structurele langetermijnplanning blijven cruciaal. AI kan veel taken versnellen, maar begrijpt niet automatisch de volledige complexiteit van echte bedrijven.
14. Waarom zou de rol van ontwikkelaars toch aanzienlijk kunnen veranderen?
    De focus zal waarschijnlijk steeds meer verschuiven - van het simpelweg schrijven van technische routines naar systeemarchitectuur, procesontwerp, kwaliteitscontrole en strategische planning. Als gevolg hiervan zullen ontwikkelaars waarschijnlijk meer organisatorische en technische algemene planners worden.
15. Waarom overschatten veel bedrijven momenteel de snelheid van AI-ontwikkeling?
    Omdat zichtbare vooruitgang vaak sneller gaat dan stabiele productiesystemen. Er zitten vaak vele maanden of zelfs jaren van praktisch ontwikkelingswerk tussen een indrukwekkende demo en een veerkrachtig alledaags systeem.
16. Wat is het gevaar van overhaaste AI-projecten?
    Veel bedrijven lopen het risico om experimenten op de korte termijn te verwarren met stabiele oplossingen op de lange termijn. Zonder duidelijke gegevensstructuren, begrijpelijke processen en onderhoudsconcepten ontstaan er al snel instabiele systemen die later hoge vervolgkosten veroorzaken.
17. Waarom doen ontwikkelaars momenteel zoveel praktijkervaring op met Linux AI-servers?
    Omdat lokale systemen meer controle en flexibiliteit mogelijk maken. Ontwikkelaars kunnen hun eigen modellen gebruiken, gespecialiseerde trainingen volgen en verschillende tools met elkaar combineren. Tegelijkertijd zorgt dit echter ook voor veel technische uitdagingen die momenteel nog veel ervaring en geduld vereisen.
18. Waarom is de huidige fase van AI-ontwikkeling achteraf gezien bijzonder belangrijk?
    De basis voor toekomstige standaardsystemen wordt waarschijnlijk op dit moment gelegd. Veel van de huidige experimenten lijken misschien nog onvoltooid of ingewikkeld, maar ze bieden waardevolle praktijkervaring. Eerdere technologische omwentelingen in de geschiedenis van IT waren vergelijkbaar.
19. Wat bepaalt waarschijnlijk het succes van AI-projecten op de lange termijn?
    Waarschijnlijk niet de meest spectaculaire individuele technologie, maar het vermogen om stabiele, onderhoudbare systemen te bouwen die geschikt zijn voor dagelijks gebruik. Op de lange termijn zullen oplossingen die echte bedrijfsprocessen op een zinvolle manier ondersteunen en die betrouwbaar functioneren op de lange termijn waarschijnlijk het meest succesvol zijn.