De autofabrikant vertaalt honderd jaar productiedenken naar het tijdperk van AI
Waar veel organisaties nog worstelen met het ontwikkelen van één betrouwbare AI-assistent, heeft Toyota een platform gebouwd waarop inmiddels meer dan vijftig AI-agenten in productie draaien. Wat ooit een traject van zes maanden en zes engineers vergde, kan vandaag in slechts vier dagen door één engineer worden gerealiseerd.
Tijdens een technische presentatie onthulden Ravi Chandu Ummadisetti en Kordel France van Toyota's Enterprise AI-team hoe ToyotaGPT uitgroeide tot een schaalbaar AI-platform. Opvallend daarbij is dat de grootste innovatie niet zozeer in de gebruikte AI-modellen zit, maar in de manier waarop Toyota softwareontwikkeling, beveiliging en honderd jaar lean-denken heeft samengebracht.
Van AI-chaos naar een gestandaardiseerd platform
In 2023 bevond Toyota zich in een situatie die veel grote ondernemingen zullen herkennen. Teams ontwikkelden afzonderlijke AI-oplossingen, ieder met een eigen architectuur, technologiekeuzes en ontwikkelproces.
Voor iedere nieuwe RAG-toepassing (Retrieval-Augmented Generation) moesten architecten, ontwikkelaars, securityspecialisten en dataspecialisten telkens opnieuw hetzelfde traject doorlopen. Het gevolg was een ontwikkelcyclus van ongeveer zes maanden waarbij zes engineers betrokken waren.
Het Enterprise AI-team besloot daarom het probleem fundamenteel anders aan te pakken: niet iedere AI-agent afzonderlijk ontwerpen, maar een platform bouwen waarop agenten vrijwel automatisch konden ontstaan.
Van zes maanden naar vier dagen
De sleutel tot deze versnelling ligt in een volledig dynamische architectuur.
In plaats van voor iedere AI-agent een nieuwe workflow te programmeren, genereert Toyota automatisch de benodigde LangGraph-workflows op basis van configuratiebestanden.
Dat betekent dat een engineer niet langer complete software hoeft te ontwikkelen. Hij beschrijft eenvoudig welke componenten een agent nodig heeft, waarna het platform de volledige architectuur samenstelt.
Daardoor verdwijnt een groot deel van het traditionele ontwikkelwerk én worden langdurige architectuurreviews grotendeels overbodig.
Het resultaat is indrukwekkend:
- ontwikkeling van zes maanden naar vier dagen;
- van zes engineers naar één engineer;
- inmiddels meer dan vijftig AI-agenten succesvol in productie.
Ongestructureerde data werd de grootste uitdaging
Technologie bleek uiteindelijk niet de moeilijkste opgave.
Toyota beschikt over enorme hoeveelheden documenten, handleidingen, onderzoeksrapporten, ontwerpbestanden en productiegegevens. Vrijwel al deze informatie is ongestructureerd opgeslagen.
Traditionele AI-systemen hebben moeite om dergelijke kennis bruikbaar te maken.
Toyota ontwikkelde daarom een systeem dat automatisch zogenaamde Skills genereert.
Deze Skills vormen kleine, zelfstandige kenniseenheden die automatisch uit ongestructureerde documenten worden afgeleid. Hierdoor hoeft kennis niet langer handmatig te worden gemodelleerd voordat AI ermee kan werken.
Elke Skill wordt vervolgens een herbruikbaar bouwblok waarmee nieuwe AI-agenten kunnen worden samengesteld.
Een AI-agent wordt slechts een configuratiebestand
Misschien wel de meest opvallende ontwerpkeuze is dat iedere AI-agent uiteindelijk niets meer is dan een configuratiebestand.
De intelligentie zit niet langer in maatwerksoftware, maar in het onderliggende platform.
Een configuratie bepaalt:
- welke Skills worden gebruikt;
- welke databronnen beschikbaar zijn;
- welke tools mogen worden aangeroepen;
- welke workflow wordt opgebouwd;
- welke beveiligingsregels gelden.
Hierdoor kunnen nieuwe agenten razendsnel worden ontwikkeld zonder steeds opnieuw software te schrijven.
Cybersecurity vanaf de eerste dag
Veel organisaties voegen beveiliging pas toe wanneer een AI-oplossing bijna gereed is.
Toyota koos voor de omgekeerde aanpak.
De volledige toollaag werd vanaf het begin ontwikkeld in samenwerking met het cybersecurityteam van Toyota Motor North America (TMNA). Dankzij ondersteuning voor het Model Context Protocol (MCP) kunnen AI-agenten gecontroleerd en veilig communiceren met bedrijfsapplicaties zonder dat iedere koppeling afzonderlijk hoeft te worden gebouwd.
Beveiliging is daarmee geen laatste controlepunt, maar een integraal onderdeel van het platform.
Praktische toepassingen leveren direct resultaat op
ToyotaGPT wordt inmiddels ingezet voor uiteenlopende bedrijfsprocessen.
GearPull
Een idee dat ontstond tijdens een hackathon groeide uit tot een productieoplossing die miljoenen dollars aan besparingen oplevert binnen productieomgevingen.
R&D GPT
Onderzoekers kunnen jaren aan lak- en materiaalonderzoek binnen enkele seconden doorzoeken en analyseren. Waar voorheen uren of dagen nodig waren om relevante informatie terug te vinden, levert de AI vrijwel direct bruikbare inzichten.
KadyaGPT
Ook ontwerpers profiteren van het platform. KadyaGPT is rechtstreeks geïntegreerd in de ontwerpomgeving, waardoor AI tijdens het creatieve proces suggesties en ondersteuning biedt zonder de workflow van de gebruiker te onderbreken.
Toyota's beroemde productiefilosofie leeft voort in AI
Een van de meest inspirerende onderdelen van de presentatie kwam van Kordel France. Hij trok een opvallende parallel tussen het wereldberoemde Toyota Production System (TPS) en het moderne AI-ecosysteem van LangChain. Volgens hem zijn de overeenkomsten verrassend groot.
Andon wordt LangSmith
In autofabrieken maken Andon-borden productieproblemen onmiddellijk zichtbaar. Binnen AI vervult LangSmith dezelfde rol door continu inzicht te geven in prestaties, fouten en observatiegegevens van AI-agenten.
Kaizen blijft Kaizen
Continue verbetering vormt al een eeuw het fundament van Toyota. Ook AI-systemen moeten voortdurend worden geoptimaliseerd, zowel op grote schaal als in de kleinste details van individuele workflows.
Jidoka wordt LangGraph
Jidoka betekent dat machines zelfstandig problemen herkennen, maar mensen blijven betrekken wanneer dat nodig is. Precies dat principe ziet Toyota terug in LangGraph, waar AI-agenten zelfstandig werken maar menselijke tussenkomst mogelijk blijft via human-in-the-loop-processen.
Genchi Genbutsu wordt debugging
Het Toyota-principe Genchi Genbutsu, letterlijk "ga kijken op de plaats waar het gebeurt", krijgt in AI een nieuwe betekenis. In plaats van naar de fabrieksvloer te lopen, duiken engineers nu in trace-level debugging binnen LangSmith om exact te achterhalen waarom een AI-agent een bepaalde beslissing heeft genomen.
LangChain als het Toyota Production System van AI
Volgens Toyota ligt de echte doorbraak niet uitsluitend in krachtigere taalmodellen.
De toekomst draait om gestandaardiseerde processen waarmee organisaties honderden AI-agenten kunnen ontwikkelen, beheren en verbeteren zonder telkens opnieuw vanaf nul te beginnen.
Waar het Toyota Production System de auto-industrie wereldwijd veranderde door standaardisatie, kwaliteitscontrole en continue verbetering, ziet Toyota in het LangChain-ecosysteem een vergelijkbare basis voor het AI-tijdperk.
De grootste les uit ToyotaGPT is dan ook dat schaalbare AI niet begint met betere prompts of grotere modellen, maar met een robuust platform waarop intelligentie net zo reproduceerbaar wordt als een auto op een moderne productielijn.
