Al vroeg in de opkomst van generatieve AI zag Judith van Stegeren, oprichter Datakami, dat startups behoefte kregen aan gespecialiseerde kennis over AI-engineering. Vanuit Nijmegen bouwde zij Datakami op tot een bedrijf dat zich volledig richt op startups die producten ontwikkelen bovenop LLM's en andere generatieve AI-modellen. Inmiddels werkt Datakami voor AI-startups in heel Europa én de Verenigde Staten, van seed funding tot Series B.
Eerst het fundament, daarna pas optimaliseren
Datakami adviseert niet alleen, maar bouwt ook actief mee aan AI-producten. "Veel startups bouwen eigenlijk op gevoel. Ze hebben nog onvoldoende inzicht in wat hun AI-modellen precies doen en kunnen moeilijk vaststellen of een wijziging aan een prompt, model of stuk code daadwerkelijk een verbetering is", vertelt van Stegeren.
De vragen waarmee startups aankloppen lopen uiteen. Soms geeft een AI-model onverwachte antwoorden, soms lopen de kosten van taalmodellen snel op of is de responstijd te hoog. Volgens Van Stegeren zijn dat vaak symptomen van hetzelfde probleem: de technische basis is nog niet volwassen genoeg.
Daarom begint Datakami meestal niet met het oplossen van het probleem zelf, maar met het opzetten van een goede infrastructuur. Het team maakt het gedrag van de AI-modellen inzichtelijk, meet de kwaliteit van het systeem en richt het product zo in dat het structureel gebruikersfeedback verzamelt. Pas daarna kunnen ondernemers onderbouwde keuzes maken over nieuwe modellen of verbeteringen aan hun product.
AI Readiness Score
Omdat Datakami dezelfde uitdagingen steeds opnieuw tegenkwam, ontstond het idee voor de AI Readiness Score. De online assessment bestaat uit een korte lijst met ja/nee-vragen en is speciaal ontwikkeld voor startups die producten bouwen met LLM's of vergelijkbare generatieve AI-modellen.
De vragen gaan onder meer over observability, evaluatie van AI-output, gebruikersfeedback en de afhankelijkheid van externe AI-providers. Binnen enkele minuten krijgen ondernemers inzicht in de volwassenheid van hun AI-product. Daarnaast kunnen zij hun score vergelijken met andere startups in dezelfde groeifase.
"De AI Readiness Score is eigenlijk een samenvatting van alles wat we de afgelopen jaren bij early-stage AI-startups hebben geleerd. Ik wilde die kennis toegankelijk maken voor founders, zodat zij zelf kunnen controleren of ze aan de belangrijkste engineering best practices hebben gedacht."
Ook voor investeerders is de AI Readiness Score een handig instrument, bijvoorbeeld als startpunt voor technical due diligence. De vragenlijst is kort, maar de antwoorden geven snel inzicht in de technische volwassenheid van een startup en of het team een duidelijke visie heeft op de punten die nog openstaan.
Minder afhankelijk van één AI-aanbieder
Volgens Van Stegeren wordt een stevig technisch fundament de komende jaren alleen maar belangrijker. Grote AI-labs ontwikkelen hun modellen razendsnel door, veranderen prijzen en brengen steeds vaker zelf nieuwe toepassingen op de markt. Startups die volledig afhankelijk zijn van één aanbieder lopen daardoor het risico vast te komen zitten. "Je wilt als startup geen speelbal worden van de grote AI-labs."
Door vanaf het begin gestructureerd data te verzamelen over hoe het product wordt gebruikt, hoe de modellen presteren en hoe goed de AI-output is, kunnen startups verschillende modellen objectief vergelijken en – als dat nodig is – relatief eenvoudig overstappen naar een andere AI-provider. Daarmee voorkomen zij een vendor lock-in en behouden zij de flexibiliteit om mee te bewegen met de ontwikkelingen in de markt.
Zo'n stevig fundament geeft startups bovendien handelingsperspectief: meer inzicht in het eigen product, betere onderbouwing van technische keuzes, meer keuzevrijheid en wendbaarheid. Zo kunnen founders hun intellectueel eigendom en marges beter beschermen. Dat maakt een startup ook aantrekkelijker voor investeerders.
Tips voor ondernemers die AI-producten ontwikkelen
-
Leg eerst een stevig fundament. Een prototype is pas het begin; zorg dat je inzicht hebt in wat je product en je modellen precies doen voordat je gaat uitbreiden of optimaliseren.
-
Maak verbeteringen meetbaar. Richt evaluaties in waarmee je objectief kunt bepalen of een wijziging echt beter is voor je gebruikers.
-
Verzamel gebruikersfeedback. Die informatie is onmisbaar om AI-producten gericht te verbeteren.
-
Voorkom vendor lock-in. Richt je infrastructuur zo in dat je kunt overstappen naar een andere AI-aanbieder als dat nodig is.
-
Blijf kritisch op externe afhankelijkheden. Kijk regelmatig welke modellen en platforms je gebruikt en hoeveel keuzevrijheid je nog hebt.
Datakami laat zien dat succesvolle AI-producten niet alleen draaien om de nieuwste modellen, maar vooral om een sterke technische basis. Wie daar vanaf het begin in investeert, bouwt een AI-product dat klaar is voor de volgende groeifase én voor de snelle ontwikkelingen in de AI-markt.
Benieuwd hoe toekomstbestendig jouw AI-product is?
Werk je aan een AI-product dat gebruikmaakt van LLM's of andere generatieve AI-modellen? Met de AI Readiness Score ontdek je in ongeveer vijf minuten waar jouw technische basis al sterk is en waar nog kansen liggen. Na afloop ontvang je een gepersonaliseerde gap analysis met concrete vervolgstappen. De assessment is gratis te maken via: https://www.datakami.com/ai-readiness-score.
