In een wereld waarin AI agents en menselijke medewerkers samen moeten werken, is er een plek nodig waar deze elkaar treffen. Als het aan Cisco ligt, is AI Canvas die plek. Wat is dit voor nieuwe interface? En hoe werkt deze onder de motorkap? Wij doken hier wat dieper in en spraken erover met Anand Raghavan, VP Products, AI bij Cisco.
Cisco wil met AI Canvas een einde maken aan de gefragmenteerde ervaring die IT-teams al jaren kennen in AIOps- en SaaS-omgevingen. In plaats van nóg een centraal dashboard dat alle data moet bevatten, zet Cisco in op een gedistribueerde architectuur met MCP-servers per domein en een agentic orchestration layer die in natuurlijke taal gestelde vragen direct naar de juiste systemen stuurt.
AI Canvas is ontworpen als open ecosysteem, en moet gaan werken met zowel Cisco- als niet-Cisco-producten, en leert continu bij, onder andere via menselijke feedback. Daarmee wil Cisco verder gaan dan eerdere beloftes uit de markt, met een aanpak die zowel multi-vendor als proactief is.
Het dilemma van SaaS dashboards
Om bovenstaande beter te begrijpen, is het belangrijk om even een stap terug te doen en te kijken hoe het er bij veel organisaties aan toegaat. Veel zijn in de afgelopen twintig jaar op de SaaS-trein gesprongen. Dat heeft zonder meer de nodige voordelen opgeleverd. Iedere SaaS-oplossing komt echter ook met een eigen omgeving en dashboard. Op zich is dat nog tot daaraantoe, maar er is “geen eenvoudige manier om een unified ervaring te krijgen over al deze dashboards heen”, schetst Raghavan het probleem.
Met het steeds talrijker worden van SaaS-dashboards, wordt dit probleem niet kleiner, gaat Raghavan verder: “Of het nu om Cisco-omgevingen gaat of niet, of ik een NetOps-medewerker, SecOps-medewerker of iemand ben die zich met observability bezighoudt, ieder domein heeft eigen dashboards.” Voor ieder deelgebied een eigen dashboard is simpelweg “the SaaS way” geweest voor de afgelopen twintig jaar, concludeert hij.
Raghavan heeft overigens best wel wat recht van spreken als het gaat over dashboards. Hij was een van de eerste medewerkers van ThoughtSpot. Dat bedrijf zette zichzelf in de markt als de Google voor BI en analytics (een term die gedeeltelijk uit de koker van Raghavan kwam als hoofd marketing daar). De toenmalige CEO van ThoughtSpot Sudheesh Nair had een tamelijk uitgesproken mening over dashboards. “Dashboards moeten dood”, hebben we hem meerdere keren horen zeggen. Je zou kunnen zeggen dat ThoughtSpot toen ook al een soortgelijke visie had en op basis van gewone mensentaal de juiste output genereerde.
Veranderingen en trends rondom dashboards
Dashboards zijn echter ook aan veranderingen onderhevig. Allereerst is er de manier waarop medewerkers ermee interageren. Dat vindt inmiddels op grote schaal plaats via natural language interfaces, oftewel gesproken of geschreven menselijke taal. Dat is op zich niets nieuws, dat doen we al jaren. De BI-wereld waarin Raghavan actief is geweest is hier een goed voorbeeld van. Het is echter wel een stuk breder uitgerold inmiddels. Steeds meer mensen komen ermee in contact.
Als het gaat om AI Canvas, dan zijn twee andere trends interessanter wat ons betreft. De eerste is dat voornamelijk grotere organisaties behoefte hebben aan gefinetunede modellen en toepassingen die specifiek in de eigen omgeving goed functioneren. Dit heeft implicaties voor hoe je de inzichten, telemetrie en overige data beschikbaar maakt, al dan niet via dashboards.
De tweede relevante trend die Raghavan signaleert is dat er meer vraag komt naar het consolideren van dashboards. Men wil niet meer continu elk van de dashboards ingaan. We hebben in het verleden pogingen gezien om dit probleem op te lossen met het graven van een data lake, om daar alle data in te gooien. Dat leverde doorgaans echter niet op wat organisaties ervan wilden of hadden verwacht. Daarbij loop je er ook tegenaan dat niet iedereen alle data richting een centrale locatie (vaak in de cloud) wil, kan of mag sturen.
Er komt volgens Raghavan steeds meer vraag naar eenvoud als het gaat om het vergaren van inzichten en dergelijke. “Kan ik niet gewoon een vraag stellen in natural language en dan een antwoord krijgen”, zoals hij het zelf zegt.
Bekend verhaal, maar Cisco wil het anders doen met AI Canvas
Op dit punt begint het bij ons een beetje te jeuken. Dit soort verhalen hebben we namelijk al heel wat keren gehoord. Het al genoemde concept van het data lake is er een goed voorbeeld van. Dat heeft het niet echt gered. Inmiddels staan er data lake houses aan de data lakes, om meer structuur aan te brengen in de data, maar het is nog altijd best een klus om zoiets op te zetten.
Verder moeten we ook denken aan partijen zoals ServiceNow, dat zichzelf ziet als een onderdeel van de infrastructuur waar alles samenkomt en dat alles aan elkaar kan koppelen. Dat doet het ook behoorlijk succesvol, getuige het succes van het bedrijf in de markt. Toch is dit ook nog altijd maar een enkel dashboard, geeft Raghavan aan. Daar staat zeker nog niet alles in wat je eventueel nodig hebt. Je moet nog steeds ook naar andere omgevingen en dashboards om additionele informatie op te halen als je iets specifieks zoekt of aan het troubleshooten bent.
Het grote probleem dat zelfs succesvolle partijen zoals ServiceNow hebben, is dat de tamelijk statische dashboards waar alle informatie samenkomt vaak alleen antwoord geven op de eerste vraag die je stelt, volgens Raghavan. “Als je aan het troubleshooten bent, gaat het nooit om de eerste vraag, maar om de tweede, derde en vierde. Dat is waar bestaande oplossingen vaak de mist in gaan, juist vanwege de statische dashboards”, vat Raghavan samen. AI Canvas pakt dit dus fundamenteel anders aan. Daar gaan we het in de rest van dit artikel dan ook over hebben.
AI Canvas
AI Canvas is een voorbeeld van wat Cisco AgenticOps noemt. We schreven hier eerder al een wat uitgebreider verhaal over, waarin we ook ingaan op de rol van het Deep Network Model, een door Cisco ontwikkeld AI-model specifiek voor netwerken. AgenticOps moet de opvolger zijn van AIOps. Dat is inmiddels te beperkt geworden, is het idee.
De belangrijkste component van de naam AI Canvas is eigenlijk niet eens het eerste gedeelte (AI), maar het tweede deel ervan. Het is namelijk eerst en vooral een canvas. Sterker nog, het is in de basis zelfs een leeg canvas. Dat klinkt een beetje raar, maar is erg belangrijk om te snappen. Een dergelijk leeg canvas impliceert namelijk een zekere dynamiek. Het is immers leeg aan het begin, maar wordt iedere keer als je een probleem wilt troubleshooten gevuld. Dit vullen vindt plaats door AI Agents, die zelfs het design van de widgets bepalen die op het canvas komen te staan. Mensen werken samen met de agents om zo snel mogelijk tot goede antwoorden te komen.
Dynamiek en autonomie
Het dynamische aspect van AgenticOps en van AI Canvas is wat het anders maakt dan AIOps, horen we van Raghavan. Dat bestaat veel meer uit statische playbooks. Die doen dus altijd hetzelfde kunstje. Binnen AI Canvas is er niet alleen meer dynamiek, maar ook meer autonomie voor AI (Agents). Dat laatste volgt min or meer logisch uit het eerste. Als er meer vrijheid en dynamiek is voor agents om hun werk te doen, moeten ze ook vaker autonome beslissingen kunnen nemen.
Autonomie klinkt leuk, maar brengt ook verantwoordelijkheden met zich mee. Wat gebeurt er als agents ergens een verkeerde afslag hebben genomen? Wat krijg je dan te zien op je canvas? Daarvoor hebben de AI Agents toegang tot de reasoning traces die bij dit soort agentic processen horen. Ze kunnen dus zien welke stappen ze hebben gezet om uit te komen waar ze op dat moment zijn. Niet onbelangrijk, ze kunnen ook een of meerdere stappen terugnemen in deze lijn. Daarvoor leunt AI Canvas zwaar op het Deep Network Model.
Een en ander stelt AI Agents in staat om door meerdere scenario’s en opties heen te redeneren voordat er daadwerkelijk iets aan een menselijke medewerker wordt getoond. “Naarmate AI Agents meer ontdekken, snappen ze ook meer”, geeft Raghavan aan. Daarmee impliceert hij dat AI Canvas via het Deep Network Model met een soort geheugen werkt. Daarvoor gebruikt AI Canvas de reasoning traces die het in Splunk opslaat. Deze traces zijn niet veel groter dan logs van firewalls, geeft Raghavan aan, als we vragen hoe groot zo’n geheugen dan is. Dus het zal geen enorme extra kosten met zich meebrengen.
Agentic laag bovenop MCP-servers
Nu we de theorie van AI Canvas scherp hebben, kijken we naar hoe het in elkaar zit. Als je het helemaal platslaat is AI Canvas een orkestratie- en agentic redeneerlaag boven op een verzameling MCP-servers. Het is dus expliciet geen Cisco-only product. “De toekomst is multi-vendor en het ziet ernaar uit dat deze MCP-aangedreven zal zijn”, geeft Raghavan aan. Communicatie tussen silo’s, systemen, onderdelen zal via dit soort servers gaan lopen als AI Agents ingezet worden.
Om AI Canvas mogelijk te maken, heeft Cisco in eerste instantie voor alle onderdelen van het eigen portfolio die het zelf wilde koppelen MCP-servers opgezet. Raghavan geeft het voorbeeld van een MCP-server voor Meraki. Die server heeft alle tools en API’s aan boord om met Meraki overweg te kunnen. Maar iedere MCP-server binnen Cisco’s portfolio heeft nu indirect ook toegang tot al die API’s.
Decentraal vs centraal
Bovenstaande architectuur is gedecentraliseerd. Dat is een heel belangrijk gegeven. Raghavan: “Dit lost een fundamenteel groot probleem op. Pre-MCP had je een enkele intent orchestration engine, die het prima deed als je 40 of 50 API’s had. Heb je het echter over duizenden API’s, dan werd het aantal false positives enorm hoog.”
Kijken we naar de architectuur, dan ligt bovenop een agentic orkestratielaag. Het enige wat die moet doen is de intent van een specifieke flow of proces classificeren. Op basis daarvan kan deze agentic laag bepalen welke onderliggende MCP-servers deze in kan of moet schakelen. Dit kunnen er dus meerdere zijn.
Als een medewerker niet kan inloggen in Webex, dan komen ook de MCP-servers van Meraki en ThousandEyes in actie. De resultaten die het troubleshooten van het probleem met het inloggen in Webex oplevert, worden getoond in AI Canvas. Daar wordt dus voor deze specifieke melding een dashboard in elkaar gezet. Was het een andere vraag geweest, dan had het dashboard er anders uitgezien.
Open systeem met veel mogelijkheden
In de basis is AI Canvas een open systeem vanwege de keuze om MCP als gemene deler te gebruiken. Alle bronnen, systemen en platformen waar een MCP-server voor bestaat, kunnen erop aangesloten worden. Op basis van wat we hebben gezien sinds Anthropic MCP voor iedereen beschikbaar maakt afgelopen november, neemt dat aantal enorm toe. Er lijkt niet echt een strijd te zijn rondom welke standaard er gekozen moet worden. Wat dat betreft verwachten we dat er heel veel data vanuit heel veel bronnen richting AI Canvas kan gaan.
AI Canvas is verder ook goed te verenigen met de eisen van organisaties die controle willen houden over hun eigen data, bijvoorbeeld omdat deze altijd on-premises of zelfs air gapped moet staan. Het onderliggende Deep Network Model kan alleen getraind worden op de data die een organisatie heeft. Dit is voor Cisco overigens ook weer een mooie manier om hun AI PODs in de datacenters van klanten te krijgen. Die zijn ontwikkeld om kleinere, meer gespecialiseerde modellen lokaal te draaien.
Uiteindelijk is het succes van een initiatief zoals dit, dat zwaar leunt op de aanwezigheid van MCP-servers, enorm afhankelijk van de beschikbaarheid van die servers. Geen MCP-servers, geen AI Canvas. Dat is overigens niet helemaal waar, geeft Raghavan meteen aan, want je kunt in principe ook allerlei data richting Splunk of ThousandEyes sturen via API’s om dan vervolgens alles daar uit te lezen. Dat lijkt ons echter niet de meest voordelige optie. Wat ook kan gebeuren is dat klanten de beschikbaarheid van een MCP-server gaan afdwingen bij hun leverancier. Dat is uiteindelijk altijd het doel van open systemen. Met de nu al vrij grote dominantie van MCP is dit laatste scenario ook best realistisch.
Al met al is AgenticOps zoals Cisco het voor ogen heeft al een heel stuk meer dan een interessant concept. AI Canvas komt er sowieso al snel aan, want wordt intern bij Cisco als een prioriteit gezien. De alfa-versie van AI Canvas moet er eind september al zijn, begrijpen we. We gaan proberen om voor die tijd nog een volledige demo te krijgen en zullen dan onze bevindingen ook zeker weer hier delen.