AI als analytische en cognitieve partner voor de Enterprise architect 

Laten we direct een potentieel misverstand voorkomen: deze blog gaat niet over architectuurlandschappen met daarin de positie van data en AI. Het onderwerp is de enterprise architectuurdiscipline zelf—en hoe Enterprise architecten effectiever en efficiënter kunnen zijn door gebruik te maken van data en AI-gedreven inzichten. We zien een fundamentele transformatie van de EA-discipline door de komst van AI. 

Architectuurmodelrepository als fundament 

De basis van een data gedreven en AI-ondersteunde EA discipline ligt in het concept van een architectuurrepository. TOGAF definieert dit als een centraal beheerde opslagplaats voor alle architectuurinformatie, modellen en artefacten die binnen de discipline worden gecreëerd. 

Veel organisaties met een volwassen EA-discipline zijn inmiddels verder gegaan dan praatplaten in PowerPoint. Ze hebben gestructureerde modellen (bijvoorbeeld in ArchiMate) ontwikkeld en vastgelegd in een architectuurtool met een geïntegreerde modelrepository. 

In zo’n repository worden architectuurelementen—zoals bedrijfsfuncties, processen, applicaties en IT-infrastructuurcomponenten—samen met hun onderlinge relaties opgeslagen en beheerd in een database. Het architectuurtool bewaakt de consistentie via een metamodel, ondersteunt hergebruik van elementen en maakt het mogelijk om verschillende views voor diverse doelgroepen te genereren. 

Een belangrijk kenmerk is versiebeheer: het kunnen onderhouden en vergelijken van meerdere versies van een model, bijvoorbeeld de as-is en to-be architectuur, inclusief de verschillen ertussen. 

Modelgedreven EA-discipline 

In een modelgedreven aanpak creëren architecten diagrammen om overzicht te bieden, patronen voor te schrijven en problemen en oplossingen inzichtelijk te maken. Hoe meer diagrammen, hoe rijker de repository en hoe groter het hergebruikspotentieel van de elementen in de repository. 

Vaak ligt de focus op de to-be architectuur. Zodra deze is geïmplementeerd, wordt het model de nieuwe as-is, en begint de cyclus opnieuw. 

Drie belangrijke nadelen van deze aanpak: 

1. Arbeidsintensief: Het vraagt veel terugkerende inspanning om de modellen te creëren en up-to-date te houden. 

2. Consistentie: het lastig om vervuiling te voorkomen en domeinoverstijgende consistentie te waarborgen. Het vereist veel discipline en onderlinge afspraken tussen de betrokken architecten. 

3. Juistheid: Het model is afhankelijk van de kennis van de architect. Er is geen controle (feedbackloop) of het gemodelleerde beeld overeenkomt met de werkelijkheid. 

Data-gedreven EA-discipline 

In een data-gedreven EA-discipline wordt de repository niet primair gevoed door handmatig gemaakte diagrammen, maar door data uit enterprise administraties zoals HR-systemen, proces- en workflow systemen, CMDB’s, API-managers, datacatalogi en facilitaire administraties.  

Op basis van de data uit deze administraties wordt de architectuur repository gevoed met de architectuurelementen en hun relaties. Diagrammen kunnen vervolgens op basis van een dynamisch instelbaar viewpoint automatisch worden gegenereerd. Diagrammen en views zijn hiermee een afgeleide visualisatie geworden van de onderliggende data—precies omgekeerd aan de modelgedreven aanpak. 

Het model kan worden verrijkt met allerlei extra informatie zoals KPI’s, SLA’s, risico’s, controls en operationele metrieken (bijv. kosten, doorlooptijden, incidenten, klanttevredenheid). Ontbrekende data kan via crowdsourcing—bijvoorbeeld via automatisch verstuurde vragenlijsten—worden verzameld en toegevoegd 

Zo ontstaat een soort Digital Twin van de Organisatie (DTO). De repository kan worden gebaseerd op een dynamisch uitbreidbare graph based datastructuur waarmee kan diepgaand inzicht kan worden verkregen in complexiteit, knelpunten en verbeterpotentieel binnen de as-is architectuur.  

Deze aanpak verschilt fundamenteel van modelgedreven benadering. In plaats van te vertrouwen op tijdrovende, statische modellen gebaseerd op expertkennis, kunnen analyses nu worden onderbouwd met feitelijke data.  

In een modelgedreven EA discipline is de actualiteit van het architectuurmodel altijd beperkt: de dag nadat een architect de laatste update heeft doorgevoerd is het model al weer verouderd. In een data-gedreven repository die dagelijks wordt gesynchroniseerd met enterprise-administraties, blijft het as-is-model continu actueel. Dit maakt het mogelijk om sneller en gerichter te sturen op actuele knelpunten in relatie tot strategische doelen en onderliggende KPI’s. 

Handmatig modelleren blijft relevant, maar richt zich op diagrammen die toegevoegde waarde bieden bovenop de automatisch gegenereerde visualisaties—zoals het toevoegen van hogere abstractie niveaus, het visualiseren van architectuur patronen, het maken van transitie-roadmaps, het maken target state modellen. Juist bij deze activiteiten kan AI een zeer waardevolle rol spelen. 

AI-ondersteunde EA-discipline 

Vanuit een data-gedreven EA-discipline kan de volgende stap worden gezet: de inzet van AI. Architecten kunnen AI, algoritmen en machine learning benutten om meer grip te krijgen op hun landschap en strategie. Deze technieken helpen bij het identificeren van trends, knelpunten en kansen.  

AI voor het voeden van de repository 
AI kan helpen om de architectuurrepository verder te verrijken. Denk aan AI-agents die: 

• PowerPoint of Visio architectuurplaten omzetten naar gestructureerde data in de repository. 

• Visie, strategie- en beleidsdocumenten analyseren en daaruit ArchiMate Motivation-elementen (principes, doelen, etc.) extraheren en in opnemen in de repository. 

• Relaties en afhankelijkheden ontdekken door het analyseren van monitoring en loggingsbestanden en deze toevoegen aan de repository. 

AI voor het bewaken van de architectuur 
AI-agents kunnen bovendien bijdragen aan kwaliteitsborging, bijvoorbeeld door: 

• Te beoordelen in hoeverre architectuurprincipes en standaarden worden nageleefd en afwijkingen te signaleren. 

• Te controleren of beleid (bijv. op het gebied van security, privacy, cloud) correct wordt toegepast. 

• Te valideren of classificaties zoals business continuity of security-niveaus consistent zijn over alle architectuurelementen. 

AI als analytische en cognitieve partner voor de architect 

Het meest uitdagende toepassingsgebied van AI binnen EA is de inzet als ondersteunende denkkracht bij architectuurontwikkeling. Voorbeelden hiervan zijn: 

• Patroonherkenning: Een AI-agent kan architectuurpatronen en antipatronen herkennen in de repository en deze signaleren aan de verantwoordelijke architect. 

• TIME-analyse (Tolerate, Invest, Migrate, Eliminate): Op basis van repositorydata over applicaties, contracten, operationele kosten, incidenten en procesbetrokkenheid kan AI betrouwbare aanbevelingen doen voor lifecycle management. 

• What-if-analyses: Wanneer een architect scenario’s heeft uitgewerkt, kan AI helpen de impact van veranderingen door te rekenen op basis van de beschikbare data. 

Conclusie 

De verschuiving van modelgedreven naar data-gedreven en uiteindelijk AI-ondersteunde enterprise architectuur markeert een fundamentele transformatie van de EA-discipline. Architecten evolueren van modelbouwers naar datagedreven strategen, ondersteund door AI als analytische en cognitieve partner. 

Deze ontwikkeling biedt grote mogelijkheden om de effectiviteit van enterprise architectuur te vergroten—mits organisaties investeren in de juiste tooling, datafundamenten en een cultuur van continue verbetering.