Traditionele AI-systemen zijn jarenlang ontwikkeld rond één specifieke taak: een model dat fraude detecteert, een algoritme dat vraag voorspelt of een classificatiesysteem voor beeldherkenning. Elk van deze toepassingen vereiste eigen trainingsdata, eigen modellen en vaak ook eigen infrastructuur. Dat maakte AI krachtig, maar ook versnipperd en kostbaar.
Foundation models doorbreken dat patroon. Het gaat hier om zeer grote AI-modellen die vooraf zijn getraind op enorme hoeveelheden uiteenlopende data, zoals tekst, code, afbeeldingen en soms ook audio of video. Door die brede training ontwikkelen ze een algemeen begrip van taal, context en patronen. Dat maakt het mogelijk om één basismodel in te zetten voor uiteenlopende taken, van tekstgeneratie en samenvatten tot code-analyse en documentverwerking. Door de grootschalige inzet van transformator-architecturen en self-attention-mechanismen slagen deze systemen erin om diepe semantische dwarsverbanden te leggen die voorheen onbereikbaar waren voor deterministische software.
IBM omschrijft foundation models daarom nadrukkelijk als een nieuwe categorie binnen AI: niet als eindproduct, maar als fundament waarop specifieke toepassingen worden gebouwd. Door middel van fine-tuning of zogeheten prompt-engineering kan hetzelfde model worden aangepast aan verschillende IT-scenario's, zonder dat het volledig opnieuw getraind hoeft te worden. Dit verklaart waarom enterprise-platformen zoals IBM watsonx zich primair richten op het aanbieden van streng gecureerde datasets en herleidbare data-herkomst (lineage) om juridische compliancerisico's voor de zakelijke markt uit te sluiten.
De rol van foundation models binnen IT-omgevingen
Binnen IT-afdelingen worden foundation models steeds vaker ingezet als verbindende laag tussen data, applicaties en gebruikers. Een belangrijk toepassingsgebied is automatisering van kennisintensieve processen. Denk aan het analyseren van ongestructureerde data zoals e-mails, logs, tickets en documentatie. Waar traditionele systemen vastlopen op vrije tekst, kunnen foundation models context begrijpen en verbanden leggen. In de praktijk fungeert het model hierbij vaak als de semantische processor in een grotere Retrieval-Augmented Generation (RAG) architectuur, die bedrijfsspecifieke databases in real-time veilig ontsluit.
Dat vertaalt zich bijvoorbeeld naar slimmere servicedesks, waar incidentmeldingen automatisch worden geïnterpreteerd en doorgezet, of naar IT-operations, waar logdata niet alleen wordt gemonitord op fouten, maar ook inhoudelijk wordt geanalyseerd om patronen en toekomstige risico's te herkennen. In plaats van reactief beheer ontstaat zo een meer voorspellende en proactieve IT-aanpak.
Ook binnen softwareontwikkeling spelen foundation models een steeds grotere rol. AI-ondersteunde ontwikkelomgevingen maken gebruik van deze modellen om code te genereren, fouten te herkennen of documentatie te verklaren. Dat versnelt ontwikkelcycli en verlaagt de drempel tussen ontwerp, implementatie en beheer. Hierdoor transformeert de rol van de DevOps-engineer deels naar die van een AI-architect, die nauwgezet toeziet op de syntactische validiteit en de security-compliance van de machine-gegenereerde code. De onderliggende kracht zit daarbij niet in één specifieke functie, maar in het brede, generieke karakter van het model.
Multimodaliteit als versneller
Een duidelijke trend is de verschuiving naar multimodale foundation models. Deze modellen verwerken niet langer alleen tekst, maar combineren meerdere datavormen in één systeem. Dat is vooral relevant voor IT-omgevingen waar informatie verspreid is over dashboards, rapporten, afbeeldingen en audio- of videobestanden.
Door deze datavormen samen te brengen, kunnen IT-systemen rijkere analyses uitvoeren. Denk aan monitoringtools die niet alleen numerieke metrics analyseren, maar ook visuele output of foutmeldingen in natuurlijke taal meenemen. Voor de IT-organisatie betekent dit dat ongestructureerde telemetrie-data, complexe netwerktopologieën in beeldvorm en logbestanden in tekstformaat simultaan gecorreleerd kunnen worden binnen één enkel inference-venster. Dit vergroot de context en verkleint de kans dat belangrijke signalen onopgemerkt blijven.
Volgens analyses van onder meer Google Cloud en verschillende AI-onderzoeksinstituten zal multimodale AI tegen 2026 geen onderscheidende factor meer zijn, maar een basisverwachting. Foundation models vormen daarbij de technische kern.
Strategische impact op IT-architectuur
De opkomst van foundation models heeft directe gevolgen voor hoe IT-architecturen worden ingericht. In plaats van losse AI-componenten ontstaat er steeds vaker één centrale AI-laag, vergelijkbaar met hoe cloudplatforms of identity-services worden ingezet. Applicaties, workflows en analysetools maken via API's gebruik van dezelfde intelligente kern.
Dat heeft voordelen voor schaalbaarheid en beheer, maar roept ook nieuwe vragen op. Denk aan datatoegang, latency, kostenbeheersing en vooral governance. Omdat foundation models breed inzetbaar zijn, wordt het cruciaal om vast te leggen welke data ze mogen gebruiken en hoe output wordt gecontroleerd. De introductie van een centrale, abstracte AI-gateway wordt hierin onmisbaar om token-budgetten strak te bewaken, API-rate-limits te beheren en data-exfiltratie via malafide prompts proactief te blokkeren. Zeker binnen gereguleerde sectoren zal AI-governance een integraal onderdeel worden van IT-beleid.
Vooruitblik: foundation models richting 2026
Kijkend naar 2026 tekenen zich een aantal duidelijke ontwikkelingen af. Allereerst zullen foundation models steeds vaker on-premises of in hybride omgevingen draaien. Organisaties willen de flexibiliteit van generieke AI combineren met controle over data en compliance. Grote technologiebedrijven spelen hier al op in met enterprise-gerichte deployments. De snelle opkomst van compacte, fijnmazig gekwantiseerde Small Language Models (SLM's) maakt het tegenwoordig mogelijk om deze geavanceerde intelligentie lokaal op edge-infrastructuur te draaien tegen een fractie van de traditionele cloud-compute-kosten.
Daarnaast verschuift de aandacht van pure modelkracht naar betrouwbaarheid en transparantie. Niet de grootste parameter-aantallen, maar voorspelbaar gedrag, uitlegbaarheid en beveiliging worden doorslaggevend. Europese regelgeving, waaronder de AI Act, versnelt die ontwikkeling.
Tot slot ontstaat er een pragmatische balans tussen foundation models en traditionele AI. Voor brede, kennisgedreven taken vormen foundation models de logische basis. Voor specifieke, bedrijfskritische beslissingen blijven gespecialiseerde modellen relevant. De kracht zit niet in het kiezen van één aanpak, maar in het combineren ervan binnen een samenhangende IT-strategie.
Voorbij de foundation models-hype
Foundation models zijn geen hype, maar een structurele verschuiving in hoe AI wordt ingezet binnen IT. Ze veranderen AI van een verzameling losse tools in een generieke infrastructuurlaag die automatisering, analyse en ontwikkeling verbindt. Voor IT-professionals betekent dit dat kennis van foundation models steeds meer basiskennis wordt, vergelijkbaar met cloudarchitectuur of security-principes.
Richting 2026 zullen organisaties die deze modellen strategisch integreren niet alleen efficiënter werken, maar ook sneller kunnen inspelen op nieuwe technologische mogelijkheden. De echte waarde van foundation models zit daarbij niet in spectaculaire demo's, maar in stille, diepgaande optimalisatie van de IT-kern.
