Wintercircus — Vlerick & Donna: de AI-gedreven organisatie
Maarten Laruelle Dinsdagavond (15/06/2026) in Wintercircus Gent sloeg Steven Muylle van Vlerick de handen in elkaar met Jonas Deprez en Xander Berkein van Donna om te praten over hoe AI werkelijk verandert hoe bedrijven werken. Enya Stessens deed de intro en kaderde het als de derde in een reeks: eerst de basics van AI, dan agents bouwen, nu je operationeel model optimaliseren.
Steven opende met het macrobeeld, de claims en de data over de impact van AI op werk. Het deel dat ik waardevoller vond kwam daarna, sorry Steven, toen Jonas en Xander toonden hoe hun bedrijf, een AI-startup van 40 mensen die aan enterprise verkoopt, hier dag in dag uit werkelijk op draait.
De scène zetten: claims versus data
Stevens kadering was nuttig als achtergrond. Het narratief zegt dat AI de jobs komt halen. Toen Anthropic in februari 2026 Cowork lanceerde, verloor de sector €300 miljard aan marktkapitalisatie en noemden mensen het de SaaSpocalypse. Maar neem ServiceNow: omzet 28% hoger jaar-op-jaar, hoogste operationele cashflow ooit met €100 miljoen. De pijn zat op de beurs, niet in de financials.
Het onderzoek vertoont dezelfde vertekening. Een OpenAI-studie uit 2023 claimde dat 47 tot 56% van de taken een AI-productiviteitsboost kon krijgen. De werkelijke gebruiksdata van Anthropic van maart 2026 kwam een pak lager uit. En de tewerkstellingsdata toont geen systematische stijging van de werkloosheid sinds de lancering van ChatGPT. De voorspelling is nu niet dat aanwervingen dalen, alleen dat ze trager groeien.
Een framework van Steven dat het bijhouden waard is: weak bundles versus strong bundles. Een weak bundle is een job die in essentie een lijst van scheidbare taken is — data entry, ticket-queue programmeren. AI plukt die één voor één uit elkaar. Een strong bundle is er een waar de taken verweven zijn en governance en oordeel vereisen. Zijn voorbeeld: radiologen zouden nu al obsoleet moeten zijn, maar ze zijn meer gevraagd en beter betaald, omdat een beeld lezen één taak is binnen een veel grotere bundel.
Wat Donna ziet in enterprise
Jonas, CEO, is co-founder van Donna, een AI-copiloot voor field sales teams en breder voor alle buitendienstmensen in service en zo verder. Denk aan de reps die nog notities nemen op papier en hun CRM invullen op een admin-dag of na de uren. Donna belt je tien minuten na een meeting op om op te volgen en vast te leggen wat er gebeurd is.
Omdat ze aan grote enterprises verkopen, zien ze veel AI-adoptiepogingen van dichtbij. Het cijfer dat Jonas citeerde: 95% van de AI-pilots faalt (FORCE 2025). Niet omdat de technologie niet klaar is, maar omdat de mindset, het proces en de mensen dat niet zijn. Ze worden te vaak behandeld als een bolt-on en een experiment, in plaats van als een transformatie.
Om succesvol te zijn heb je een duidelijke scope nodig, startend met één team om te leren voor je over de hele organisatie uitrolt. Leiderschap dat betrokken blijft en effectief vraagt of mensen de tool gebruiken, een feedbackloop om waar nodig continu bij te sturen en meting van vooraf gedefinieerde KPI’s, zodat er een echte business case is voor uitbreiding. De mislukkingen doen het omgekeerde: ze automatiseren een proces dat al kapot is, geven één trainingssessie en verwachten adoptie, krijgen een handtekening van leadership zonder enige gedragsverandering, en itereren nooit.
Wat ik me realiseerde: dit is geen AI-probleem. Het is hetzelfde wat de meeste technologie-adoptie aka digitale transformatie de das omdoet. AI maakt het alleen moeilijker, omdat de urgentie druk creëert om snel te gaan en precies de stappen over te slaan die het doen werken.
Een marketingdepartement runnen met één persoon
Dit was wat ik hoopte te leren.
Donna runt hun volledige marketingfunctie met één marketeer. Ze komt uit een salesachtergrond waar ze teams van specialisten bouwde: een digital marketeer, een product marketeer, een designer. Nu is ze verplicht om het alleen te doen met AI.
Ze toonden een slide die het goed vatte, de opportuniteit om de marketingorganisatie te herdenken. Het traditionele model is een head of marketing die specialistenrollen aanwerft om capaciteit toe te voegen, één vakje per discipline. Hun punt: AI toevoegen aan elk van die vakjes geeft je beperkte hefboom. Je bout gewoon een copiloot op elke silo.
Het agentic model herstapelt het geheel in drie lagen. Bovenaan, leadership en orchestratie: iemand die de richting bepaalt, de datafundering definieert, de judgement calls maakt, de agents coördineert en alles terugvoedt in context. Dat is een marketinggeneralist plus GTM-strategie plus een beetje data- en AI-architectuur, een mens die met agents werkt. In het midden, executie: content-, campagne- en research-agents die parallel draaien en uit context lezen, met een GTM engineer en wat zij superior craft specialists noemen die de output naar boven tillen waar het ertoe doet. En daaronder, context: het GTM-brein waar elk inzicht, elk resultaat en elke learning naar terugvloeit. Van de grond af zo gebouwd, schatten ze de productiviteitswinst op zo’n 45%.
Dus één persoon, maar goed ondersteund: de GTM engineer en de craft specialists zijn geen extra headcount er bovenop gebout. Het zijn rollen binnen de nieuwe structuur, elk gekoppeld aan agents. De vorm van de organisatie veranderde, niet alleen de tooling.
AI verving de marketeers niet, het is de vorm van de rol die veranderde. Je hebt iemand nodig die senior genoeg is om goed te herkennen, die tools kan aansturen in plaats van alles met de hand te doen. De junior specialistenrollen, degene die eigenlijk takenlijsten waren, zijn nu de moeilijke om te verantwoorden.
Bouwen is goedkoper, context is duur
Xander, de CTO, had het over de engineeringkant.
Zijn take: bouwen werd goedkoper, maar context werd duurder. Je hebt engineers nodig die zelf context gaan zoeken, die met sales, product en support praten, die begrijpen wat ze bouwen in plaats van gewoon tickets uit te voeren. En je hebt seniors nodig die kunnen waken over slop, want AI genereert met plezier code die je frameworks en infrastructuur negeert. Product-minded engineers worden waardevoller, niet minder, omdat ze sneller itereren met minder heen-en-weer.
En dan was er Franky
Een Frankenstein-versie van Donna, hun interne AI-agent. Het team bouwde een interne agent genaamd Franky die in Slack leeft. Het begon omdat engineers en solution engineers elk aparte automatisaties en skills aan het bouwen waren, niets gedeeld, niets met veilige productietoegang of gedeeld geheugen.
Franky werd het gedeelde kennissysteem met duidelijke toegangsrechten afhankelijk van wie er vraagt. Ze doet eerstelijnstriage op binnenkomende bugs, checkt klantconfiguraties en logs en suggereert wat er mis is, en ze kan codepaden onderzoeken om issues te reproduceren. Voor solution engineers met exotische cases kan ze over de configuraties van andere klanten heen kijken en gelijkaardige problemen naar boven halen.
De tell: Franky kost nu ongeveer evenveel als hun AI-codingtools. Zo zwaar leunt het team op haar. En ze dient tegelijk als testbed, wat werkt in Franky komt uiteindelijk in Donna terecht.
De pricing-vraag
Iemand vroeg hoe Donna omgaat met de spanning tussen stijgende AI-kosten en hun model. Hun antwoord: seat-based, niet usage-based. Enterprise-kopers zijn gewend aan vaste licentietarieven en jaarbudgetten, en usage-based pricing maakt dat moeilijker om goedgekeurd te krijgen. Ze worden vaak vergeleken met CRM-pricing, wat de range bepaalt. Voorlopig zijn de tokenkosten beheersbaar, waarbij de marge de zwaardere gebruikers subsidieert. Xander voegde toe dat de kosten van codingtools de laatste twee maanden zijn gesprongen naarmate modellen capabeler en duurder worden, en dat grotere bedrijven met striktere budgetten waarschijnlijk als eerste de kostenvraag zullen kraken.
Mijn take: seat-based werkt voor Donna precies omdat het product persoonlijk is. De waarde is direct gelinkt aan de efficiëntie van de individuele gebruiker. De tool volgt één persoon, capteert zijn meetings, bereidt zijn dag voor. Wanneer waardecreatie zo proper mapt op één enkele gebruiker, houdt seat-based pricing nog stand. En alleen in dat geval doet ze dat. Het moment dat waarde loskoppelt van het individu en begint te vloeien uit volume of outcomes over een organisatie heen, begint het seat-model te lekken. Waar ik benieuwd naar ben is of ze een MCP-achtige service zullen toevoegen die andere systemen kunnen aanroepen, en hoe ze die zouden monetizen. De logica van persoonlijke efficiëntie die het huidige model verantwoordt, draagt niet over naar machine-to-machine gebruik, dus dat zou een ander antwoord afdwingen.
Wat ik meeneem
De kloof tussen AI-narratief en AI-realiteit is nog altijd groot. De markt panikeert, de financials houden stand. Het onderzoek voorspelt massale verdringing, de tewerkstellingsdata toont voorlopig niets.
Maar het interessantere inzicht zat niet in de macroslides, het zat in hoe Donna werkelijk opereert. Ze vervangen geen mensen, maar veranderen wat mensen doen. Eén marketeer runt een departement. Engineers spenderen minder tijd aan code schrijven en meer aan context verzamelen. Support krijgt eerstelijnstriage van een agent voor er een mens tussenkomt.
In elk geval is het patroon hetzelfde: de uitvoerdersrol krimpt, de orchestratorrol groeit.
Vraag je je af of je pricing-model nog past bij hoe AI je kostenstructuur veranderde? Boek een gesprek.