Deloitte Tech Trends 2026

Dit hoofdstuk onderzoekt hoe "fysieke AI" — AI-systemen die de fysieke wereld waarnemen, redeneren en erin handelen — robots transformeren van deterministische machines tot adaptieve, lerende agenten. Fysieke AI omvat robots, drones, autonome voertuigen, slimme ruimtes en digitale tweelingen, waarmee vooruitgang in computervisie, sensorfusie, motorische besturing en multimodale modellen wordt gecombineerd om realtime besluitvorming mogelijk te maken in driedimensionale, ongestructureerde omgevingen.

Belangrijke enablers zijn onder andere vision-language-action (VLA)-modellen die visuele waarneming, natuurlijke taalbegrip en motorische controle combineren; gespecialiseerde boordprocessors (neurale verwerkingsunits) die lage latentie, energiezuinige inferentie aan de rand mogelijk maken; en simulatie-eerst trainingsmethoden (versterking en imitatieleer) die de ontwikkeling versnellen terwijl het risico wordt verminderd. Het hoofdstuk benadrukt de overdracht van simulatie naar het echte spel als een centrale technische uitdaging: fysica en visuele kwaliteit in simulatie missen nog steeds veel echte nuances, waardoor gerichte fysieke fine-tuning en rijkere simulatieomgevingen nodig zijn om de inzetgaten te dichten.

Dalende componentkosten, commoditisering en verbeterde productie hebben opgeschaalde productie levensvatbaarder gemaakt, waardoor fysieke AI is verschoven van niche-proofs of concept naar mainstream industrieel gebruik. Magazijnbeheer en logistiek blijven de vroege testterreinen — geïllustreerd door Amazon's door DeepFleet gecoördineerde robots en BMW's autonome voertuigen binnen de fabriek — maar toepassingen breiden zich uit naar gezondheidszorg (autonome beeldvorming en chirurgische hulp), nutsvoorzieningen (drone-inspectie), hospitality en gemeentelijke mobiliteit.

Het hoofdstuk schetst ook praktische barrières voor schaal: veiligheid en vertrouwen (kleine foutpercentages kunnen ernstige fysieke gevolgen hebben), gefragmenteerde regelgeving tussen rechtsgebieden, uitgebreide databehoefte voor high-fidelity digitale tweelingen, cyberbeveiligingsrisico's van netwerkvloten en interoperabiliteitsuitdagingen wanneer heterogene robots en leveranciers moeten coördineren. De nadruk leggen op oplossingen omvatten rigoureus veiligheidsbestuur, vlootorkestratieplatforms, gestandaardiseerde communicatieprotocollen en levenscyclusbeheer voor robotvloten.

Humanoïde robots worden gezien als een aantrekkelijke volgende grens omdat hun mensgerichte vormen in bestaande ruimtes kunnen opereren, maar massale adoptie zal waarschijnlijk nog enkele jaren op zich laten wachten. De auteurs onderzoeken ook experimentele richtingen — bio-hybride actuatoren, kwantumondersteunde robotica en nieuwe vormfactoren — en merken op dat deze grotendeels nog in laboratoriumfase zijn, maar strategisch belangrijk zijn.

Organisaties die hiaten in simulatie naar realiteit dichten, veiligheid en beveiliging vanaf het begin integreren, investeren in data- en orkestratie-infrastructuur en processen herontwerpen voor mens-robot samenwerking, zijn het beste gepositioneerd om waarde te benutten.

Dit hoofdstuk onderzoekt waarom agentische AI — autonome, doelgerichte softwareagenten — enorme belangstelling wekt, maar ook een hoog faalpercentage opwekt naarmate organisaties van pilots naar productie gaan. Hoewel veel bedrijven experimenteren (38% piloten), heeft slechts ongeveer 11% agenten in productie en 42% ontwikkelt nog een strategie. Gartner waarschuwt dat meer dan 40% van de agentische projecten tegen 2027 mogelijk wordt geannuleerd, niet om technologische redenen maar omdat organisaties kapotte processen automatiseren in plaats van ze opnieuw te ontwerpen.

Er worden drie kernobstakels geïdentificeerd. Ten eerste, integratie van legacy-systemen: traditionele enterprise-systemen missen de API's, realtime uitvoering, modulariteit en identiteitsbeheer die agenten vereisen. Ten tweede, beperkingen van data-architectuur: conventionele ETL- en warehouse-patronen bieden niet de doorzoekbare, gecontextualiseerde kennis die agenten nodig hebben; Ondernemingen moeten overstappen op geïndexeerde, grafgebaseerde kennislagen. Ten derde, governance en controle: bestaande IT-governance pakt geen autonome besluitvorming aan, wat leidt tot "agent washing", schaduwimplementaties en "workslop" waarbij agenten wrijving creëren in plaats van wegnemen.

Succesvolle organisaties hanteren een andere aanpak: ze herontwerpen processen van begin tot eind voor agent-native werking, behandelen agenten als gespecialiseerde digitale arbeid en hanteren een architectonisch patroon van veel kleine, interoperabele agenten in plaats van monolithische systemen. Voorbeelden zijn HPE's Alfred — een federatie van gespecialiseerde agenten die data-opvraging, analyse, visualisatie en rapportage verzorgen — en Toyota's agent die de complexiteit van mainframes overbrugt om realtime zichtbaarheid te bieden over toeleveringsketens.

Belangrijke technische en operationele enablers zijn multi-agent orkestratie en opkomende standaarden (Model Context Protocol, Agent2Agent/A2A, Agent Communication Protocol/ACP), microservice-achtige agentarchitecturen en FinOps aangepast aan continue inferentie en tokengebaseerde prijsstelling. Praktische mensen en governance-maatregelen omvatten onboarding en levenscyclusbeheer voor agenten, onveranderlijke logging en cryptografische ontvangsten voor verantwoording, dynamisch privilegebeheer en "agent supervisors" om uitzonderingen te behandelen. Het hoofdstuk presenteert een autonomiespectrum (aanvulling → automatisering → echte autonomie) en legt de nadruk op geleidelijke overdrachten en menselijk toezicht.

Organisatorische implicaties omvatten beslissingen over legacy-modernisering, afwegingen tussen bouwen en kopen (partnerpilots schalen beter) en de noodzaak om agenteninzet te zien als procestransformatie in plaats van louter automatisering. De auteurs sluiten af met vijf strategische vragen — over agentenrollen, kostenprofielen, procesdoelen, personeelsmix en langetermijnoperationele overname — om de adoptie te sturen. 

Dit hoofdstuk schetst hoe de verschuiving van AI-experimenten naar inferentie op productieschaal organisaties dwingt om hun computerstrategie te heroverwegen. Hoewel de kosten voor per-token inferentie aanzienlijk zijn gedaald, stijgen de totale AI-uitgaven sterk omdat het gebruik (continue inferentie en agentische workloads) veel sneller is gegroeid dan de reductie van de eenheidskosten. Het resultaat: cloud-native, API-gebaseerde benaderingen die voor prototypes werkten, kunnen op grote schaal onbetaalbaar worden en soms maandelijkse rekeningen in de tientallen miljoenen opleveren.

Belangrijke drijfveren die een heroverweging van waar workloads plaatsvinden noodzakelijk zijn, zijn kostenbeheer (on-premises wordt aantrekkelijk voor consistente inferentie met hoge volumes), datasoevereiniteit en regelgevende druk, latentiegevoeligheid voor realtime systemen, veerkrachtbehoeften voor missiekritische operaties, en intellectuele eigendomskwesties die de voorkeur geven aan het verwerken van data ter plaatse in plaats van deze naar externe clouds te verzenden. Gezamenlijk zorgen deze factoren ervoor dat veel organisaties strategische hybride architecturen kiezen in plaats van een binaire keuze tussen cloud en on-premises.

De aanbevolen drielaagse hybride aanpak is: publieke cloud voor elasticiteit en experimenteren; on-premises (of COLO) infrastructuur voor voorspelbare, grootvolumeproductie-inferentie; en edge computing voor latency-kritische, bandbreedtebeperkte of offline scenario's. Organisaties ontwerpen ook AI-geoptimaliseerde datacenters en "AI-fabrieken" — speciaal gebouwde omgevingen met GPU's/TPU's, geheugen met hoge bandbreedte, geavanceerde netwerken (inclusief optische links), gespecialiseerde opslag- en kennislaagpijplijnen (vectoropslag, grafieken). Gemengde CPU/GPU-configuraties, NPU's voor edge inference en opkomende processortypes weerspiegelen een verschuiving van algemene naar workload-specifieke hardware.

Praktische implicaties omvatten nieuwe operationele disciplines: architecturale beoordelingscommissies voor de juiste infrastructuur, FinOps voor hybride portefeuilles, orkestratieplatforms die multimodale compute beheren, en personeelsrescholing voor GPU-clusters, netwerken en koelbeheer. AI-agenten en copiloten komen op om capaciteitsplanning, instanceselectie en inkoopbeslissingen te automatiseren, waardoor infrastructuurbeheer een dynamisch, continu proces wordt.

Sustainability en nieuwe vormfactoren krijgen aandacht: vloeistofkoeling, datahubs met hernieuwbare energie, nucleair ondersteunde faciliteiten, onderwater- en zelfs orbitale concepten worden onderzocht als manieren om milieu impactte beheersen. Het hoofdstuk betoogt dat deze overgang een strategisch keerpunt is — de keuzes die organisaties maken over compute-plaatsing, gespecialiseerde hardware, orkestratie en vaardigheden zullen blijvend concurrentievoordeel opleveren. 

Dit hoofdstuk betoogt dat AI niet slechts een andere technologie is die je moet adopteren, maar een kracht die de technologieorganisatie zelf herstructureert. Incrementele verandering is niet langer voldoende: leiders moeten operationele modellen, talentstrategieën, governance en leveringspraktijken herontwerpen zodat AI diep verankerd raakt in de techstack en het bedrijf.

Waarom het belangrijk is

Organisaties verschuiven snel middelen en prioriteiten naar AI. Veel CIO's besteden nu het grootste deel van hun tijd aan AI, data en analyse, en de budgettoewijzing voor AI neemt toe (het gemiddelde aandeel van de techbudgetten dat aan AI wordt besteed, zal naar verwachting stijgen van ongeveer 8% naar 13%). Techteams evolueren van run-the-businessfuncties tot strategische partners die omzet genereren en de richting van het bedrijf vormgeven.

Kernontwerpprincipes

• Probleem-eerst modernisering: Het moderniseren van technologie moet worden gedreven door duidelijke zakelijke problemen en meetbare resultaten, in plaats van door technologie om de technologie zelf. Leiders leggen de nadruk op het selecteren van hoogwaardige use cases en het verankeren van investeringen in ROI.
• Modulaire, observeerbare architecturen: toekomstbestendige architecturen zijn modulair, API-eerst en waarneembaar—waardoor snelle iteratie, hergebruik en continue meting van AI-systemen in productie mogelijk is. Platform engineering en cloud-native praktijken vormen de basis voor dit model.
• Product- en waardestroomoriëntatie: Teams schakelen over van project- naar productmodellen en bewegen zich naar slanke, cross-functionele teams en vooruitgestuurde ingenieurs die het pad naar waarde verkorten en eigenaarschap voor resultaten vastleggen.
• Mens-machine samenwerking: Succesvolle organisaties ontwerpen mens-agent workflows, definiëren nieuwe rollen (AI-samenwerkingsontwerpers, edge AI-engineers, prompt- en modeltrainers) en richten zich op hoe mensen en agenten elkaar aanvullen.
• Ingebedde, adaptieve governance: Governance moet snelheid beschermen zonder innovatie te belemmeren—continue, door AI ondersteunde controles (kaarten, meten, monitoren) die gecodificeerd, geautomatiseerd en geïntegreerd zijn in leveringspijplijnen vervangen trage, tijdstipte goedkeuringen.
  

Organisatorische implicaties De rol van CIO verandert in een orkestrator: AI-evangelist, integrator en strategische partner die samenwerkt met de CFO en CSO om meetbare bedrijfswaarde te waarborgen. Arbeidsmarktstrategieën leggen de nadruk op omscholing, werving voor aanpassingsvermogen en het vastleggen van productiviteitswinsten door open kennisdeling. Leiders worden aangespoord moedig te zijn—te streven naar significante resultaten in plaats van eindeloze pilots—om waarde te tonen en de adoptie te versnellen.

Praktische richtlijnen Het hoofdstuk bevat voorbeelden (Broadcom, Western Digital, Moderna, UiPath, Dell) en beveelt governance, architectuurbeoordelingscommissies en modulaire platforminitiatieven aan om AI effectief op te schalen. 

Dit hoofdstuk beschrijft AI als een tweesnijdend zwaard: dezelfde capaciteiten die bedrijfsinnovatie aanjagen, creëren ook nieuwe en versnellende beveiligingsrisico's. Organisaties die AI op grote schaal inzetten, worden geconfronteerd met externe bedreigingen (deepfakes, AI-ondersteunde social engineering) en toenemende interne risico's zoals schaduw-AI en onvoldoende governance voor agentische systemen. Tegelijkertijd kan AI een krachtige verdedigingsvermenigvuldiger zijn—het helpt beveiligingsteams om op machinesnelheid te opereren, aanvallen te anticiperen en de respons te automatiseren.

Risk vectoren zijn gegroepeerd over vier domeinen:

• Data: De concentratie van gevoelige informatie in modellen verhoogt de blootstelling. Bedreigingen zijn onder andere vergiftiging door trainingsdata, datalekken en verlies van herkomst.
• Modellen: Risico's zoals modeldiefstal, inversie en instorten (degeneratie uit synthetische data) bedreigen intellectueel eigendom en privacy. Modelisolatie, bevoorrechte toegangscontroles en robuuste validatie zijn aanbevolen mitigaties.
• Toepassingen: De hostinglaag introduceert input-injectie, ongeautoriseerde toegang en ethisch gebruik; Mitigatie vereist veilige enclaves, endpoint hardening, risicobeoordeling van leveranciers en strikte toegangscontroles.
• Infrastructure: Hardware, API's en componenten van derden vertonen kwetsbaarheden, waaronder denial-of-service, compromittering van de supply chain en laterale beweging; Maatregelen voor mitigaties omvatten sandboxing, netwerksegmentatie en veilige MLOps-praktijken.
  

Het hoofdstuk legt de nadruk op het aanpassen van gevestigde cybersecurityprincipes voor AI, terwijl duidelijke verschillen worden erkend—AI-systemen zijn meer contextueel, combineren data en rekenkracht, en introduceren nieuwe gedragsaanvalsoppervlakken. Praktische verdedigingsmaatregelen omvatten rigoureuze SDLC-praktijken, continue red teaming, adversarial training, onveranderlijke logging voor herkomst, zero-trust en dynamisch privilegebeheer voor agenten, en levenscyclusbeheer voor digitale werknemers (creatie, aanpassing, pensioen).

Voorbeelden illustreren rijping in de praktijk: Itau Unibanco gebruikt menselijke en AI "rode agenten" voor adversarial testen; beveiligingsteams gebruiken AI steeds vaker voor risicobeoordeling, beoordelingen door derden en geautomatiseerde controletests. De auteurs stellen dat organisaties AI-beveiligingsblauwdrukken moeten bouwen—ontwerpen die beveiliging vanaf het begin integreren in architecturen en operationele modellen, in plaats van als een bijzaak.

Vooruitkijkend waarschuwt het hoofdstuk voor systemische dreigingen nu AI convergeert met fysieke systemen (kritieke infrastructuur, transport, nutsbedrijven), het potentieel voor autonome AI-tegen-AI cyberoorlogsvoering, en opkomende grenzen in de ruimte en kwantumbeveiliging. Door nu voor te bereiden via veerkrachtige architecturen, cascadepreventiegrenzen, monitoring van de toeleveringsketen en mogelijkheden voor menselijke overschrijving, zal toekomstige blootstelling verminderen.