AI belooft veel, maar bedrijven hebben moeite het betrouwbaar te gebruiken. Als jij je ooit hebt afgevraagd waarom grote organisaties zo worstelen met slimme tools: het probleem zit meestal niet in het model zelf, maar in alles eromheen. Een nieuwe startup, June, probeert dat gat te dichten met een platform dat bestaande systemen scant en automatisch stappen aanbiedt om AI veilig te laten werken.

Waarom AI in bedrijven zelden plug-and-play is

Bedrijven gebruiken vaak tientallen verschillende systemen voor klantgegevens, personeelszaken en administratie. Daardoor ontstaan problemen waar AI niets van begrijpt: versnipperde gegevens, dubbele velden en ingewikkelde werkprocessen die door jaren van aanpassingen zijn ontstaan.

In het kort zijn de belangrijkste obstakels:

• Versnipperde data: dezelfde informatie staat op meerdere plaatsen, soms met verschillende namen.

• Complexe workflows: processen lopen via meerdere teams en systemen, met veel uitzonderingen.

• Technische schuld: oude systemen en maatwerk maken integratie lastig.

Als gevolg springen experts op, de zogenaamde forward-deployed engineers (FDEs) — specialisten die tijdelijk bij een bedrijf binnenkomen om AI-systemen te laten werken. Die hulp werkt, maar is duur en vaak traag. Veel bedrijven willen geen oplossing die alleen door een handjevol experts begrijpelijk en beheersbaar is.

Hoe June het anders aanpakt

June werd opgericht door Efrat Rapoport en drie medeoprichters die eerder samenwerkten bij een bedrijf dat door Salesforce werd overgenomen. Ze kregen direct vertrouwen van investeerders: het bedrijf haalde 20 miljoen dollar op in pre-seed-financiering, geleid door Time Ventures van Marc Benioff, met steun van onder anderen Michael Dell en Aaron Levie.

June richt zich niet op het bouwen van losse AI-agents — dat is relatief makkelijk — maar op het werk dat daarvoor nodig is in de bestaande IT-omgeving. Het platform werkt volgens dit idee:

• June scant de systemen van een organisatie om processen en knelpunten in kaart te brengen.

• Daarna stelt het geoptimaliseerde, door "agents" aangedreven processen voor. Een agent is hier een stukje software dat een taak uitvoert of een workflow aanstuurt.

• Voor elk noodzakelijke aanpassingspunt genereert June een duidelijk stappenplan: welke duplicaten moeten weg, welke databron moet worden aangesloten, enzovoort.

• Jij kunt bij elk punt op ‘build’ klikken, waarna June begint met het daadwerkelijk bouwen of aanpassen in de organisatie.

Het grote verschil is dat June niet alleen een plan maakt, maar ook actief uitvoert en taken automatiseert, terwijl het helder aangeeft wat er gebeurt en waarom.

Een praktijkvoorbeeld

Paul Akinmade van CMG, een grote Amerikaanse hypotheekverstrekker, had zijn softwareteam al verhuisd naar een nieuw ontwikkelplatform, maar liep vast bij de aansluiting op Salesforce. Hij had beloofd honderd werkende agents te laten zien, maar teams kwamen niet verder: overleg met architecten en ingehuurde experts bracht geen versnelling.

June gaf een overzicht waar precies agents konden worden ingezet en maakte het mogelijk die agents veilig te draaien, zelfs voordat het officiële samenwerkingsgesprek met de leverancier plaatsvond. Daardoor kon CMG sneller en met meer vertrouwen stappen zetten.

Volgens Akinmade was een belangrijk criterium dat het product niet afhankelijk mocht zijn van FDEs. Hij wilde geen ‘black box’ die alleen bepaalde mensen begrijpen. June bleek aan die eis te voldoen: het platform maakt stappen en keuzes inzichtelijk en uitvoerbaar zonder dat een externe specialist permanent erbij nodig is.

Hoe June zich verhoudt tot consultants en FDEs

June ziet zichzelf als aanvullend op bestaande consultants en FDEs, maar de tool kan voor sommige organisaties juist de reden zijn om zulke dure externe teams te vermijden. De waarde zit vooral in twee zaken:

• Transparantie: het platform legt stap voor stap uit wat er moet gebeuren, zodat teams begrijpen welke aanpassingen nodig zijn.

• Automatisering: June kan onderdelen van het werk zelf uitvoeren nadat jij op ‘build’ klikt, waardoor implementatie sneller en minder foutgevoelig wordt.

Dat betekent niet dat alle consultancy direct overbodig is. Voor zeer complexe of politiek gevoelige projecten blijven ervaren engineers en adviseurs nodig. June wil vooral de standaard, saaie en foutgevoelige voorbereidings- en integratiewerkzaamheden aanpakken.

Conclusie

De grootste rem op nuttige AI in grote organisaties zit vaak niet in de techniek van het model, maar in de rommel eromheen: verouderde systemen, verspreide data en ingewikkelde processen. June probeert deze kloof te dichten door eerst te analyseren wat er in een organisatie speelt en vervolgens stap voor stap en deels automatisch te bouwen aan de integratie. Voor organisaties die geen dure, langdurige inzet van externe specialisten willen, biedt dit een aantrekkelijk alternatief.