September 30, 2026
Strategie
Strategie

Inzicht

Wat het bouwen van een stateful smart home me leerde over AI en bedrijfssystemen

Modern residential building at dusk with glowing icons showing connected smart home devices
In dit inzicht

Mijn interesse in systemen stopt niet bij mijn werk. De voorbije maanden heb ik de automatiseringsarchitectuur van mijn eigen huis ontworpen en gebouwd, eerst als praktisch project en geleidelijk als een veel bredere oefening in systeemontwerp. Wat begon met vrij eenvoudige automatisering, groeide uit tot een omgeving die context moest bijhouden, verschillende diensten moest coördineren, het onderscheid moest maken tussen tijdelijke gebeurtenissen en blijvende toestanden, en zich doorheen de tijd consistent moest gedragen. Hoe meer het systeem kon, hoe vertrouwder de onderliggende ontwerpproblemen begonnen te lijken.

Die vertrouwdheid is geen toeval. Organisaties en domoticasystemen verschillen uiteraard enorm in schaal, gevolgen en complexiteit, maar ze delen een aantal structurele uitdagingen. Beide bevatten meerdere informatiebronnen, overlappende verantwoordelijkheden, concurrerende signalen en beslissingen die afhangen van context in plaats van van losse gebeurtenissen. Beide worden ook moeilijker te beheren naarmate er nieuwe mogelijkheden bijkomen zonder dat de architectuur mee verbetert. Wat me interesseerde, was niet de technologie zelf, maar de manier waarop complexiteit zich opstapelt zodra afzonderlijke automatiseringen met elkaar beginnen te interageren.

Van eenvoudige automatisering naar stateful systemen

De meeste automatisering begint met een gebeurtenis. Een sensor detecteert beweging, er wordt op een knop gedrukt, een batterij bereikt een drempel of een toestel verandert van status, en het systeem reageert. Dat model werkt goed zolang elke beslissing op zich genomen kan worden, maar het wordt minder betrouwbaar zodra dezelfde gebeurtenis iets anders kan betekenen afhankelijk van wat er elders al gebeurt.

Het huis had dus een manier nodig om een toestand bij te houden, niet alleen om op triggers te reageren. Het moest onderscheid maken tussen de toestand van toestellen, afgeleide toestand, de intentie van de gebruiker, historische context en tijdelijke stuurcondities. Een aanwezigheidsgebeurtenis zou bijvoorbeeld niet altijd dezelfde reactie van de verlichting mogen opleveren, omdat de juiste actie kan afhangen van het tijdstip, het omgevingslicht, de huidige modus van het huis, een manuele override of de recente verplaatsing van bewoners tussen kamers. Concreet moest het systeem ophouden elke gebeurtenis als losstaand te behandelen en ze beginnen te interpreteren binnen een bredere context.

Die verandering klinkt technisch, maar het principe is breder. Een nuttig systeem moet vaak twee vragen tegelijk beantwoorden: wat is er net gebeurd, en wat is er al waar? Zodra beslissingen van allebei afhangen, wordt de kwaliteit van het onderliggende model veel belangrijker dan de verfijning van eender welke afzonderlijke automatisering.

Hetzelfde probleem duikt op in bedrijfssystemen

Hier wordt de link met AI interessanter. Een groot deel van de huidige discussie over AI blijft gericht op losse capaciteiten: een document genereren, een meeting samenvatten, een dataset analyseren, code schrijven, een account onderzoeken of campagnemateriaal maken. Die toepassingen kunnen echte waarde creëren, maar ze werken nog grotendeels op het niveau van taken.

De moeilijkere kans is AI te verbinden met de bredere context waarin die taken zich afspelen. Een AI-systeem dat binnen een commerciële organisatie werkt, zou idealiter moeten begrijpen welke klantsegmenten belangrijk zijn, welke positionering afgesproken is, welke productbeperkingen gelden, welke opportunities lopen, wat Sales uit de markt geleerd heeft, wat Marketing aan het testen is en welke systemen voor elk type informatie als gezaghebbend gelden. Zonder die context kan zelfs zeer capabele AI uiteindelijk losse activiteit versnellen in plaats van het systeem als geheel te verbeteren.

Het project thuis maakte dat probleem ongewoon zichtbaar, omdat de gevolgen van een slecht systeemontwerp snel opdoken. Wanneer verschillende automatiseringen dezelfde toestand anders interpreteerden, wanneer twee variabelen geleidelijk bijna hetzelfde gingen betekenen, of wanneer verschillende flows impliciet om de controle streden, werd het gedrag inconsistent. Meer automatisering toevoegen loste die problemen niet op, omdat de zwakte in de architectuur zat en niet in de functionaliteit.

Bronnen van waarheid worden belangrijker naarmate de complexiteit groeit

Een van de ontwerpprincipes die ik hanteerde, was dat elke belangrijke toestand een gezaghebbende bron moet hebben. Als de vraag is of er fysiek audio speelt, moet het audiosysteem zelf die vraag beantwoorden. Als de vraag is of die audio automatisch mag meeverhuizen, hoort dat bij een ander stuk toestand dat de intentie van de gebruiker voorstelt. Als de vraag gaat over welke kamer momenteel eigenaar is van de automatische sessie, ligt die verantwoordelijkheid bij de audiodienst en niet bij de sensor die het laatst aanwezigheid detecteerde.

Die onderscheiden zijn bewust expliciet, omdat onduidelijkheid duur wordt naarmate systemen groeien. Hetzelfde principe geldt binnen bedrijven, waar klantinformatie verspreid kan zijn over CRM-platformen, marketingsystemen, productanalytics, financiële tools, supportsystemen en individuele spreadsheets. Strategie zit misschien in presentaties, campagnebeslissingen evolueren ergens anders, en belangrijke marktinformatie die Sales opdoet, beïnvloedt misschien nooit beslissingen over product of positionering, omdat er geen betrouwbaar mechanisme bestaat om die informatie door de organisatie te dragen.

Voor AI betrouwbaar kan handelen in zo'n omgeving, moet de organisatie beslissen waar verschillende vormen van waarheid zitten, welke systemen of teams eigenaar zijn van welke beslissingen, en hoe informatie tussen hen moet bewegen. Dat werk is minder glamoureus dan nog een AI-tool uitrollen, maar het is vaak belangrijker. In de praktijk is het een probleem van het operating model voor het een technologieprobleem is.

Nuttige systemen hebben ook een geheugen nodig

Een andere les kwam van automatiseringen die doorheen de tijd moesten werken. Sommige beslissingen hangen af van historische context, zoals welke kamer eerder eigenaar was van een audiosessie, of een bewoner door een overgangszone gelopen is, of een bepaalde toestand manueel overschreven werd, of wat het systeem dacht voor de laatste verandering. Zonder dat beperkte geheugen kan het systeem de betekenis van een nieuwe gebeurtenis verkeerd interpreteren.

Organisaties hebben hetzelfde probleem op een veel complexer niveau. Een customer journey is geen verzameling losse interacties, en een salesopportunity, productlancering of marktstrategie evenmin. Wat een signaal vandaag betekent, hangt vaak af van beslissingen, gesprekken en aannames die weken of maanden eerder ontstonden. Als je verwacht dat AI zinvol deelneemt aan die processen, heeft het niet alleen toegang nodig tot actuele informatie, maar ook tot de relevante context die die informatie betekenis geeft.

Daarom ben ik ook meer geïnteresseerd in AI-systemen die werken met blijvende organisatiecontext dan in losse productiviteitstools. De grotere kans ligt erin genoeg van de logica van de organisatie expliciet te maken, zodat zowel mensen als machines er consistent over kunnen redeneren. Dat vraagt duidelijke definities, traceerbare beslissingen, een samenhangend eigenaarschap van data en een gedeeld begrip van hoe belangrijke delen van het systeem met elkaar samenhangen.

AI gebruiken om het systeem te inspecteren, niet alleen om het te bedienen

AI werd ook een deel van hoe ik het huis zelf onderhoud. De architectuur is gedocumenteerd in een publiek engineeringhandboek, terwijl de live implementatie apart draait. In september 2026 verbond ik een AI-assistent met het draaiende automatiseringsplatform en gebruikte ik hem om het live systeem te toetsen aan de gedocumenteerde architectuur, inclusief flows, variabelen en relevante scripts.

De oefening bracht verschillende echte inconsistenties aan het licht. Twee uitschakelpaden waren verbonden met het verkeerde resultaat van een nieuwe aanwezigheidscontrole, dubbele toestandswaarden waren na verloop van tijd ontstaan, een ventilatiepad kon zijn stand verlagen terwijl de CO2 hoog bleef, een helderheidsscript verwees nog naar een sensor die verwijderd was, en verschillende routineflows gebruikten toggle-acties waar expliciete toestanden veiliger waren. Ze toonde ook dat delen van de documentatie achterliepen op de draaiende implementatie.

Wat de oefening nuttig maakte, was niet dat de AI zelfstandig beslissingen kon nemen, maar dat hij een grote hoeveelheid gestructureerde informatie kon doorlichten en de implementatie kon vergelijken met de gedocumenteerde intentie. Verschillende schijnbare afwijkingen waren bewuste keuzes en geen fouten, wat betekende dat menselijk oordeel nodig bleef om de bevindingen te interpreteren. Die grens is belangrijk: het systeem kan helpen om inconsistenties boven te halen, maar de persoon die verantwoordelijk is voor de architectuur moet nog altijd de intentie, de afwegingen en de operationele context begrijpen.

Documentatie wordt deel van de architectuur

Het project veranderde ook hoe ik over documentatie denk. Oorspronkelijk zag ik documentatie vooral als een verslag van wat al gebouwd was, maar na verloop van tijd werd ze deel van de architectuur zelf. Het handboek definieert nu concepten, eigenaarschap, toestandsmodellen, ontwerppatronen, verificatienormen en operationele praktijken, en voorbeelden worden onderscheiden naargelang ze getest zijn, herbruikbare patronen zijn of voorgestelde ideeën.

Betrouwbare AI-systemen hebben meer nodig dan toegang tot ruwe data. Ze hebben ook toegang nodig tot de regels, definities en verbanden die de data begrijpelijk maken. In veel organisaties zit belangrijke operationele kennis nog in individuele ervaring, verspreid over presentaties of vastgelegd in gewoontes die nooit expliciet gemaakt zijn. Hoe meer organisaties verwachten dat AI deelneemt aan echte beslissingsprocessen, hoe minder houdbaar dat impliciete model wordt.

Klaar zijn voor AI heeft dus een belangrijke organisatorische dimensie. Definities moeten duidelijker worden, beslissingsbevoegdheden zichtbaar, aannames vastgelegd, en belangrijke processen moeten genoeg structuur hebben om ze te kunnen doorlichten. Documentatie is dan geen administratieve bijzaak meer, maar wordt deel van het mechanisme waardoor het systeem begrijpelijk blijft.

Het huis is gewoon een afgebakend voorbeeld

Een domotica-omgeving is uiteraard geen bedrijf, en je moet de vergelijking niet te ver doortrekken. Bedrijven tellen meer mensen, meer onduidelijkheid, meer tegenstrijdige belangen en veel grotere gevolgen wanneer beslissingen fout zijn. Wat het huis nuttig maakt als experiment, is net dat het een afgebakende omgeving biedt waarin je de effecten van groeiende systeemcomplexiteit rechtstreeks kunt waarnemen.

Naarmate er meer automatiseringen bijkwamen, doken vertrouwde faalpatronen op. Lokale verbeteringen creëerden verborgen afhankelijkheden, naamgevingsconventies werden architectuurbeslissingen, uitzonderingen vermenigvuldigden zich, eigenaarschap werd minder duidelijk, documentatie dreef af en automatiseringen die elk op zich zinvol waren, begonnen elkaar te storen. Op een bepaald moment kon het probleem niet meer opgelost worden met nog een slimme regel, omdat het onderliggende model de beperkende factor geworden was.

Commerciële organisaties lopen tegen hetzelfde patroon aan, met grotere gevolgen. Marketingautomatisering lost een onduidelijke positionering niet op, een beter CRM beslecht geen meningsverschil over de klant, door AI gegenereerde content creëert geen samenhangende marktstrategie, en extra salestools verbeteren niet vanzelf de verbinding tussen Product, Marketing en Sales. Technologie kan de prestaties van een samenhangend systeem verbeteren, maar ze kan versnippering ook sneller laten gaan wanneer de architectuur eronder onduidelijk blijft.

Waarom dit belangrijk is voor hoe ik over AI denk

Het project thuis heeft mijn interesse aangewakkerd in wat er gebeurt wanneer AI behandeld wordt als deel van een systeem in plaats van als een verzameling losse tools. De zinvolle vragen beperken zich niet langer tot welke taken AI kan uitvoeren, maar gaan ook over hoe context voorgesteld wordt, hoe toestand bijgehouden wordt, hoe eigenaarschap gedefinieerd wordt, hoe beslissingen gecoördineerd worden en waar menselijk oordeel essentieel blijft.

Die vragen zijn rechtstreeks relevant voor hoe organisaties zullen moeten evolueren naarmate AI dieper in hun werking ingebed raakt. De uitdaging is niet gewoon meer werk automatiseren, maar genoeg van het operating model expliciet maken zodat automatisering kan worden toegepast zonder extra verwarring te creëren. In die zin hangt de waarde van AI mee af van de duidelijkheid van het systeem waarin ze terechtkomt.

Het domein is in dit geval toevallig domotica, maar de onderliggende les is veel breder. Systemen worden nuttiger wanneer ze context begrijpen, relevante toestand bewaren, duidelijk eigenaarschap respecteren en doorlichtbaar blijven terwijl ze evolueren. Die eigenschappen bewust inbouwen is voor mij een van de nuttigste manieren geworden om na te denken over hoe AI kan bijdragen aan betere bedrijfssystemen, in plaats van gewoon sneller output te leveren.

Over de auteur

David De Smedt

Architect van B2B-groeisystemen

Ik leid elke fase persoonlijk – van interviews en diagnose tot afstemming en activatie.

rechtstreeks aanspreekbaar
één verantwoordelijke partner
senior betrokkenheid in elke fase
Foto van David De Smedt

Casestudy

Gerelateerde casestudy

Gerelateerde inzichten

Dit vind je misschien ook interessant