De financiële sector en defensie hebben hun forward deployed engineers. De media niet. Zo ziet die rol eruit wanneer je data met 25 beelden per seconde loopt en je storingen in de uitzending gebeuren.
De afgelopen achttien maanden was de snelst groeiende functietitel in software er een waarvan buiten de zakelijke AI vrijwel niemand had gehoord. Vacatures voor forward deployed engineer groeiden tussen januari en september 2025 met meer dan 800%, en met meer dan 1.000% op jaarbasis tot in 2026. OpenAI bouwde een heel bedrijf rond deze rol, gesteund door meer dan vier miljard dollar. Anthropic tekende een joint venture van 1,5 miljard dollar met Blackstone en Goldman Sachs met als enige doel deze ingenieurs binnen banken te plaatsen.
Het bankwezen heeft ze. Defensie heeft ze. De zorg heeft ze. Broadcast en streaming, een sector die heel 2026 op de NAB en de IBC agentische AI heeft ingekocht, grotendeels niet.
De grafiek hierboven is één segment van een echte HLS-stream, één balk per beeld. De hoge oranje pieken zijn keyframes, en ze vallen op de stippellijnen die een scènewisseling markeren. Die samenval is het hele betoog van dit artikel in één plaatje: de encoder had al uitgerekend waar de inhoud verandert, en heeft het antwoord in het bestand geschreven. De meeste AI-pijplijnen die op video worden gericht negeren dat en betalen een model om het opnieuw uit te rekenen.
Dit artikel is een poging het ontbrekende beroep te definiëren, want het werk bestaat al en de mensen die het doen hebben er geen naam voor.
Wat een forward deployed engineer werkelijk is
Het model komt van Palantir, dat het al zo'n twee decennia hanteert. Een forward deployed engineer werkt ingebed bij een klant, binnen diens omgeving, en is van begin tot eind eigenaar van een systeem: het afbakenen, het schrijven van de productiecode, en het draaiend houden zodra het live staat.
Eén zin scheidt deze rol van advieswerk:
Consultants leveren rapporten. Forward deployed engineers leveren een draaiend systeem.
De reden dat deze rol explodeerde is geen mode. De studie GenAI Divide van MIT bekeek 300 publieke AI-implementaties naast interviews en enquêtes, en stelde vast dat 95% van de zakelijke AI-pilots geen meetbaar effect op het resultaat opleverde. Het kopcijfer heeft terechte methodologische kritiek gekregen, en het is ook niet het interessante deel. Interessant is waar de mislukkingen zich ophoopten. Het was niet de modelkwaliteit. Het was de integratie: het ondankbare werk om een capabel model te verbinden met een echte werkstroom, echte data en echte mensen die het op een dinsdagochtend moeten gebruiken.
Dezelfde studie vond dat gespecialiseerde externe teams in ongeveer 67% van de gevallen slaagden, tegenover ongeveer 33% bij interne ontwikkeling. Niet omdat de buitenstaanders betere modellen hadden. Omdat ze het al eerder hadden gedaan en wisten waar het breekt.
Waarom de media hun eigen versie van de rol nodig hebben
Elke sector zegt dat zijn data bijzonder is. De meeste hebben ongelijk. De media zijn een van de uitzonderingen, en de redenen zijn structureel in plaats van cultureel.
Een algemene AI-ingenieur heeft zijn loopbaan met tekst, tabellen en losse afbeeldingen doorgebracht. Alle drie zijn klein, adresseerbaar en vergevingsgezind. Video is niets daarvan. Het komt binnen met 25, 30, 50 of 60 beelden per seconde, het draagt zijn eigen klok, het is juridisch belast, het is vaak versleuteld, en wanneer het faalt, faalt het voor een publiek op een bekend tijdstip.
Hieronder negen dingen die een algemene AI-ingenieur nooit heeft hoeven leren, en die bepalen of een AI-project in de media in productie komt of zich bij de 95% voegt.
1. Video is geen contextvenster. Het ingenieurswerk is de reductie
Een wedstrijd van 90 minuten met 25 beelden per seconde is 135.000 frames. Bij 50 fps is het 270.000. Dat kun je niet naar een model sturen, en de naïeve oplossing, elk N-de beeld bemonsteren, mist ofwel het moment waar het om ging of kost meer dan de content opbrengt.
Het echte werk is beslissen welke beelden het model überhaupt ziet, en het goedkoopste signaal daarvoor is er een waarvoor je al hebt betaald. Je encoder nam over elk afzonderlijk beeld een beslissing toen hij het bestand comprimeerde. De plaatsing van I-frames markeert scènewisselingen. Bewegingsvectoren beschrijven wat bewoog. Frametypes vertellen je waar de complexiteit zit. Recent onderzoek zoals CodecSight formaliseert dit: codecsignalen gebruiken om te sturen waar het visiemodel naar kijkt, in plaats van het opnieuw af te leiden met dure inferentie.
Precies dat maakt onze gratis Video Quality Analyzer zichtbaar. Hij leest I-, P- en B-frametypes, herordening van beelden, reeksen B-frames en macroblokbeslissingen rechtstreeks uit de bitstream. Alles in die grafiek is één keer berekend, door de encoder, en de meeste AI-pijplijnen gooien het weg.
Er bestaat een sterkere versie van hetzelfde idee. Adrian Roe, algemeen directeur van id3as en de drijvende kracht achter de live mediaserver Norsk, beschreef drie manieren om automatische herkadering van 16:9 naar 9:16 te bouwen: objectdetectie lokaal draaien, beelden naar een model in de cloud sturen, of beide door objecten lokaal te detecteren en het model alleen de resulterende coördinaten te sturen in plaats van de plaatjes. De derde optie verlaagt het tokenverbruik met ongeveer twee ordes van grootte, en levert vaak betere resultaten op, omdat het model niet langer redeneert over een massa pixels die voor de vraag irrelevant zijn. Minder sturen is hier geen compromis. Het is de verbetering.
2. Het antwoord moet op beeld 4102 landen, niet ergens in de buurt
Timecode is de primaire sleutel van deze sector, en het is een mijnenveld. Drop frame tegenover non drop frame. 29,97 tegenover 30. Presentatietijdstempels tegenover decodeertijdstempels. Wandklok tegenover mediaklok. EXT-X-PROGRAM-DATE-TIME en de vraag of iemand stroomopwaarts hem correct heeft gezet.
Een AI-systeem dat meldt dat «het doelpunt rond 42:17 valt» is waardeloos voor de monteur die op een beeld moet snijden. Algemene AI levert bij benadering. Broadcast eist exactheid, en begrijpen waarom die twee verschillen is het grootste deel van het vak. Als je nooit de herordening van B-frames aan een data scientist hebt moeten uitleggen, in dezelfde zin waarin je uitlegt dat beeld 4102 niet het 4102e getoonde beeld is, heb je dit werk nog niet gedaan.
3. Waar het model draait is een contractvraag, geen voorkeur
Een master vóór uitzending naar een externe API sturen kan een distributieovereenkomst schenden, een embargo breken, of ingaan tegen de contentbeveiligingsvoorwaarden die een studio je heeft opgelegd. De eisen van TPN, MovieLabs en CDSA zijn geen suggesties, en «we gebruikten een cloud-API» is geen verweer.
Er is een hardere versie van dezelfde beperking. Een versleutelde stream kun je niet decoderen. Elke kwaliteitsmetriek die echte pixels nodig heeft valt af zodra DRM in het spel is, wat een flink aantal architecturen om zeep helpt nog voor er één regel code is geschreven. Onze Stream Analyzer detecteert DRM en maakt elke op decodering gebaseerde metriek daarvan afhankelijk, want een stellig getal melden dat je onmogelijk gemeten kunt hebben is erger dan niets melden.
Weten waar je niet naar mag kijken is de helft van het ontwerp.
4. Kwaliteit heeft hier een getal, en iemand tekent ervoor
VMAF. PSNR. SSIM. EBU R 128 en ATSC A/85 voor luidheid. Apples HLS-authoringspecificatie. Deze sector besloot lang geleden dat «het ziet er goed uit» niet volstond, en bouwde in plaats daarvan metingen.
Een ingenieur die een slimme, door AI aangestuurde encodingladder voorstelt zonder bijgevoegde VMAF-curve heeft iets voorgesteld dat geen omroep kan goedkeuren, hoe goed het idee ook is. Het getal is geen bureaucratie. Het is de manier waarop iemand zijn naam zet onder een wijziging die naar miljoenen apparaten gaat.
Zo ziet dat er in de praktijk uit. Dit segment meet 4,03 Mbps tegenover een opgegeven piek van 3,30 Mbps. Een speler die het manifest vertrouwde is er te krap voor uitgerust, en op een beperkte verbinding begint precies zo een rebuffer. Niemand merkte het omdat het gemiddelde er prima uitzag. Gemiddelden zijn waar dit soort probleem zich verstopt, en daarom meet deze sector in plaats van te kijken.
5. De kosten per eenheid zijn de pilot
In de meeste sectoren is de kosteneenheid van AI een verzoek. In de media is het een uur content, en een archief loopt in de tienduizenden uren.
Hier gaan AI-projecten in de media werkelijk dood: niet op nauwkeurigheid, op rekenwerk. Kosten per item die in een demo triviaal lijken worden een factuur van zes cijfers zodra je het op de mediatheek richt. Realtime werk zoals live ondertiteling vraagt latenties onder vijf seconden op continu draaiende GPU's. Batchanalyse van een archief kan 's nachts op goedkope rekencapaciteit buiten de piekuren draaien. Beslissen welke delen van een werkstroom in welke bak horen is de meest waardevolle beslissing van het project, en die valt voordat iemand code schrijft.
Latentie hoort bij hetzelfde budget. Een retourtje naar een model in de cloud kost doorgaans tussen de twee en tien seconden, wat prima is om 's nachts een archief te taggen en diskwalificerend voor alles wat een live-evenement moet bijhouden. De regel die daaruit volgt verwoordt JP Saibene, algemeen directeur van media-ingenieursbureau Qualabs, goed: ontwerp zo dat het dure pad de uitzondering is en niet de standaard. Broadcast bracht decennia door in een wereld waarin een encoder ingesteld op 1080p ook 1080p leverde en de rekening vooraf bekend was. Inferentie die per verbruik wordt afgerekend haalt beide zekerheden in één keer weg, en een demo waar nooit een quotum aan hing is hoe één enkele clip uiteindelijk honderd dollar kost.
Streaming heeft een versie van dit rekenwerk al eens gedaan, bij de distributie. Het getal dat daar ooit telde waren nooit de kosten van één stream in een demo, het was uitgaand verkeer op schaal, en de teams die dat vooraf modelleerden zijn degenen die hun marges behielden. Inferentie is een andere berekening, maar het is dezelfde gewoonte, en het is die gewoonte die bepaalt of een AI-project in de media het contact met het archief overleeft. Onze CDN Cost Optimizer doet dat voor de distributiekant.
6. Bepalen wat er binnen het beeld toe doet
Van 16:9 naar 9:16 herkaderen voor verticale distributie klinkt als bijsnijden. Het is een saliëntieprobleem: welk onderwerp draagt het shot, wanneer verschuift de aandacht, en wat gebeurt er als twee mensen aan tegenovergestelde randen van het beeld praten. Het wordt beeld voor beeld door mensen beoordeeld, en het is onverbiddelijk.
Dit is echte AI toegepast op pixels in plaats van op transcripties, en het is juist een goed gespreksonderwerp bij een sollicitatie omdat iedereen het onderschat. Onze tool Vertical Reframe draagt nog steeds het label bèta, en dat label is geen bescheidenheid. Het is een stand van zaken over het probleem.
De reden verdient het uitgesproken te worden, want ze zegt iets over de staat van het vakgebied. De tool laat je kiezen welk visiemodel het kijkwerk doet: Claude, Gemini, GPT, Grok, Llama, Qwen, Pixtral, een lokaal model via Ollama, of je eigen model als je er een hebt. Dat menu is geen functie waar we trots op waren. Het bestaat omdat er geen uitgekristalliseerd antwoord is op de vraag welk model hier goed in is. Verschillende modellen winnen bij verschillende content, en de faalwijzen lopen verder uiteen dan welke benchmark ook suggereert, dus de keuze wordt zichtbaar gemaakt in plaats van voor je genomen.
Let op wat dat impliceert, want het generaliseert ver voorbij herkadering. Wanneer een capaciteit volwassen is, levert niemand een modelkiezer mee. Je levert het antwoord. Een kiezer is een bekentenis dat het vakgebied nog niet is geconvergeerd, en wie een project bouwt op automatische herkadering moet dat inprijzen in plaats van te vertrouwen op een demoreel waarvan iemand de clip heeft uitgekozen. Het vertelt je ook waar het duurzame ingenieurswerk werkelijk zit. Niet in het model, dat meerdere keren wordt vervangen voordat dit is opgelost, maar in het harnas eromheen: hoe je bemonstert, hoe je de uitvoer beoordeelt, en wat er gebeurt als het antwoord aantoonbaar fout is.
De faalwijze verdient het om je voor te stellen. Norsk demonstreerde automatische herkadering op een schermpartij, een sport die inherent horizontaal is en dus een bewust vijandige test. Het model haakte zich vast op een grote poster met twee schermers die op de achtergrond hing en kaderde daarop, terwijl het de echte deelnemers negeerde. Het was niet in de war over hoe schermen eruitziet. Het vond iets dat meer op schermen leek dan het schermen zelf. Elk systeem voor onderwerpvolging draagt een versie van deze fout in zich, en de jouwe vinden voordat een publiek dat doet, dat is het werk.
7. Een AI-systeem in een uitzendketen is een component met een SLA, geen demo
Een gehallucineerd antwoord in een chatbot is hinderlijk. Een gehallucineerde ondertitel op live televisie is een toegankelijkheidsfout met een toezichthouder eraan vast. Huidige spraakherkenning haalt woordfoutpercentages onder de 5% op schone uitzenddialoog, wat werkelijk vergelijkbaar is met een menselijke typist, en nog steeds niet hetzelfde is als veilig onbewaakt uitzendbaar zijn.
De patronen die werken zijn betrouwbaarheidsdrempels, de mens in de lus waar het belang dat rechtvaardigt, en een deterministische terugval voor wanneer het model niet beschikbaar of onzeker is. Weten welke delen van een werkstroom überhaupt probabilistische uitvoer verdragen is een ontwerpvaardigheid, geen beleidsvraag.
Het moet ook achteraf controleerbaar zijn, wat lastiger is dan het klinkt wanneer de component probabilistisch is. De praktijk die Norsk beschreef voor geautomatiseerde reclame-invoeging heeft de juiste vorm: elk beeld dat naar het model gaat vastleggen, samen met de toestand van het model direct ervoor en direct erna. Wanneer er iets op het verkeerde moment uitgaat, kun je reconstrueren wat het systeem geloofde en wat het van gedachten deed veranderen. Broadcast heeft over elke andere component in de keten altijd kunnen beantwoorden waarom iets gebeurde. Een AI-component is niet vrijgesteld van die vraag alleen omdat het antwoord moeilijker te produceren is.
Onze AI Ad Generator is de eerlijke illustratie van wat dit kost. Het model is er het kleinste deel van. De rest is een renderfarm, een takenwachtrij, annulering, een opruimer voor vastgelopen taken, web push zodat de gebruiker bericht krijgt als het tabblad dicht is, betalingen en een archief. Die verhouding is hoe het eruitziet om AI aan echte gebruikers te leveren.
8. Mediasystemen overleven de opdracht
Een 24/7-kanaal wordt niet opgeleverd, het wordt overgedragen. Iemand moet het om drie uur 's nachts draaiende houden, en die persoon zat niet in de sessie waar de architectuur werd afgesproken.
Hier is een concreet voorbeeld van het soort kennis dat alleen uit exploitatie komt. In ons platform liggen de H.264-encodingniveaus vast en zijn ze identiek in drie afzonderlijke codepaden. Verander er één en het afspelen breekt op discontinuïteitsgrenzen, omdat sommige decoders resetten wanneer het niveau midden in de stream verandert. Dat leert niemand uit een wetenschappelijk artikel. Je leert het van een kanaal dat haperde op precies het moment dat het ene item het aan het volgende overdroeg, en van de week die het kostte om uit te zoeken waarom.
Dat is het werk dat de woorden «forward deployed» doen. Het resultaat is niet een systeem dat werkte op de dag dat je het demonstreerde. Het is er een dat iemand anders kan draaien op een nacht dat jij er niet bent.
9. Het agentoppervlak is het volgende dat goed moet
Agenten kunnen mediasystemen inmiddels rechtstreeks bedienen. We schreven over een 24/7-tv-kanaal draaien via een AI-agent over MCP, en de interessante vraag bleek niet te zijn of een agent een kanaal kan programmeren. Dat kan hij. De vraag is welke negentien tools je blootstelt, wat een agent mag aanraken in een live playoutsysteem, en wat er gebeurt als hij om 02:00 vol overtuiging ongelijk heeft.
Iemand moet dat oppervlak ontwerpen. Die persoon moet beide helften begrijpen.
Hoe dit klinkt wanneer vakmensen het hardop zeggen
Niets van het bovenstaande is theoretisch, en ik ben niet de enige die het betoogt. Een webinar met de titel When AI Runs The Stream zet een uur lang twee mensen bij elkaar die dit voor de kost bouwen, en zij komen vanuit een volstrekt andere richting uit bij de meeste van de negen punten hierboven.
Adrian Roe is medeoprichter en algemeen directeur van id3as, het bedrijf achter Norsk, een live mediaserver met SDK waarmee streamingwerkstromen in code worden gebouwd. Juan Pablo Saibene, die JP wordt genoemd, is medeoprichter en algemeen directeur van Qualabs, een ingenieursbureau uit Montevideo waarvan de teams zich inbedden binnen de engineeringorganisaties van videotechnologie- en mediabedrijven in de Verenigde Staten en Europa. De sessie werd gemodereerd door Eric Schumacher-Rasmussen.
Lees die tweede beschrijving nog eens, want het is het betoog van dit hele artikel geformuleerd als bedrijfsprofiel. Ingenieurs inbedden binnen de eigen organisatie van een mediaklant om het ding te bouwen en te laten draaien is forward deployed engineering. Het gebeurt al in onze sector. Het heeft alleen nog geen naam.
Wat dat uur je tijd waard maakt, is dat geen van beiden de makkelijke versie verkoopt. De vraag waar ze steeds op terugkomen is niet of AI iets met een livestream kan doen. Het is of je het duizend keer kunt draaien en de uitkomst elke keer kunt vertrouwen, voor een echt publiek, met een echt budget, zonder te breken wat al werkt.
Drie patronen daaruit zijn het waard om regelrecht over te nemen, omdat elk ervan een ontwerpbeslissing is en geen modelkeuze.
Ontwerp zo dat fouten goedkoop zijn
De toets van Adrian Roe voor de vraag of een taak überhaupt bij AI past komt neer op drie vragen. Kun je het probleem smal genoeg afbakenen om de sterke kanten van het model uit te spelen? Zit er speling in de timing? En als het misgaat, is de fout dan goedkoop?
De voorbeelden zijn leerzaam juist omdat ze zo weinig spectaculair zijn. Als je automatisch een reclame invoegt bij een wissel van speelhelft in een tenniswedstrijd, gebruik dan een L-balk of een squeezeback in plaats van een schermvullende onderbreking, want een verkeerd getimede L-balk is licht irritant terwijl een verkeerd getimede schermvullende onderbreking het moment vernielt. Als je op basis van een kwaliteitsscore wisselt tussen twee redundante feeds, verloopt de wissel naadloos zolang beide gezond zijn, dus een onnodige wissel kost de kijker niets. Krijg het ontwerp goed en het model mag af en toe fout zitten, wat de enige voorwaarde is waaronder je het überhaupt in productie kunt nemen.
Verander de antwoorden van het model in deterministische antwoorden
Saibene, wiens teams binnen de engineeringorganisaties van klanten zitten, beschreef een diagnosesysteem voor kwaliteit van beleving dat als een trechter is gebouwd. De eerste laag is een simpele drempel over een schuivend venster, zonder enige AI, en beantwoordt alleen de vraag of er iets mis is. De tweede vergelijkt de afwijking met al eerder geziene oorzaken, opnieuw deterministisch. Pas de derde laag, bereikt wanneer de eerste twee niets bekends vinden, legt de open vraag voor aan een model.
Het belangrijke deel is wat er daarna gebeurt. Wanneer het model een verklaring voorstelt voor een werkelijk nieuwe storing, wordt daar niet zomaar naar gehandeld. Ze wordt voorgelegd aan een ervaren ingenieur, en als die haar goedkeurt gaat die storing naar de deterministische laag en wordt hij voortaan zonder model gediagnosticeerd. De mens zit er, in Saibenes formulering, «niet als een veiligheidsdeken maar als een mechanisme». Het systeem wordt deterministischer, en goedkoper in bedrijf, naarmate het langer draait. Dat is het tegenovergestelde van hoe de meeste AI-implementaties verouderen.
Het knelpunt verschuift, het verdwijnt niet
Het tweede voorbeeld van Saibene is het voorbeeld dat de meeste teams niet zagen aankomen. Generatieve gereedschappen kunnen duizenden clips maken, en elk ervan moet nog steeds door iemand worden gecontroleerd voordat het naar buiten gaat. De beperking verdween niet toen genereren goedkoop werd. Ze verschoof van maken naar valideren, en valideren is het deel dat niemand heeft geautomatiseerd.
Het interessante product is dus niet nog een generator van hoogtepunten. Het is de validator: geef hem een clip en een specificatie, en je krijgt een oordeel terug, publiceerbaar of niet publiceerbaar. Sommige van die controles zijn pure rekenkunde, zoals bevestigen dat een uitsnede werkelijk 9:16 is. Andere vragen echt om oordeelsvermogen, zoals de vraag of een sponsor daadwerkelijk zichtbaar is of het commentaar bij de actie past. Weten welke welke is, is het hele ontwerp.
Twee kleinere details uit datzelfde uur zijn het waard mee te nemen. Op een live monitoringdashboard met zoiets als tachtig getallen wees Roe erop dat er maar twee uit AI komen, en dat die verhouding juist is en geen tekortkoming. En over kosten is Roes samenvatting van het hele probleem moeilijk te verbeteren: context is koning, context is kosten, en te veel context geeft slechte kwaliteit.
Forward deployed engineer, consultant of systeemintegrator?
De sector heeft al goede consultants en goede systeemintegratoren. Het onderscheid verdient het duidelijk te worden benoemd, want de woorden worden door elkaar gebruikt en dat zou niet moeten.
| Rol | Wat je krijgt | Van wie het daarna is |
|---|---|---|
| Consultant | Een beoordeling, een aanbeveling, een architectuur | Van jou, vanaf nul |
| Systeemintegrator | Het product van een leverancier, geïnstalleerd en geconfigureerd | Van jou en de leverancier |
| Forward deployed engineer van een leverancier | Het product van die leverancier, passend gemaakt op jouw stack | Van de leverancier, zolang je klant blijft |
| Onafhankelijke media-FDE | Code die in jouw omgeving draait | Van jou, met de werkwijzen overgedragen aan je team |
Binnen leveranciers bestaat de rol al echt. Zowel Bitmovin als CAMB.AI zetten op dit moment vacatures uit met de titel forward deployed broadcast of streaming engineer, geplaatst tussen hun engineeringteams en hun belangrijkste mediaklanten. Dat is een sterk signaal: de bedrijven die het dichtst bij het probleem staan hadden door dat ze deze persoon nodig hadden voordat de rest van de sector het beroep een naam gaf.
Het verschil met een onafhankelijke is eenvoudig en het is geen kritiek op leveranciers. De forward deployed engineer van een leverancier wordt betaald om één product passend te maken. Een onafhankelijke wordt betaald om jouw stack te laten werken, inclusief de delen die je liever zou vervangen.
Er is een strategische versie hiervan waar het loont over na te denken voordat je iets tekent. Naarmate agenten mediawerkstromen gaan orkestreren, zit de waardevolle laag niet in het model, dat dit decennium meerdere keren wordt vervangen. Ze zit in de orkestratie en de context eronder: jouw content, jouw regels, jouw operationele kennis. JP Saibene van Qualabs, met verwijzing naar het werk van Andy Beach hierover, benoemt het risico onomwonden: laat een leverancier die laag bezitten terwijl jij de context eronder niet bezit, en je huurt uiteindelijk je eigen werkstroom terug van je leveranciers. Wie die laag voor je bouwt, zou hem zo moeten bouwen dat jij hem houdt.
Vijf vragen die laten zien of iemand echt is
Als je hiervoor werft, helpt het cv je niet. Op elk cv staat tegenwoordig AI. Deze vijf vragen scheiden mensen die video in productie hebben gebracht van mensen die alleen ooit tekst naar een API hebben gestuurd.
1. «We willen een archief van 40.000 uur automatisch taggen. Loop me door het kostenmodel.»
Je wilt dat ze bij de eenheid beginnen, niet bij het model. Uren content, kosten per uur, batch tegenover realtime, en wat er buiten de piekuren draait. Als ze openen met welk model ze zouden kiezen, is dit project bij hen nooit door een financieel directeur afgeschoten.
2. «Onze masters zijn met DRM beveiligd. Hoe verandert dat je aanpak?»
Het juiste antwoord is dat het alles uitsluit wat decodering vereist, en je duwt richting metadata op containerniveau, losse bijbestanden, of een analysepunt vóór de versleuteling. Een fout antwoord is enthousiasme.
3. «Het model zegt dat het hoogtepunt op 42:17 zit. Wat moet ik daarmee?»
Je luistert naar beeldnauwkeurigheid, timecodeformaat, en of de uitvoer een EDL, een SCTE-35-markering of een MAM-record kan voeden. «Het geeft je een tijdstempel» is geen antwoord, dat is de vraag herhalen.
4. «Hoe bemonster je beelden uit een item van twee uur?»
Elk N-de beeld is het zwakke antwoord. Shotdetectie is een behoorlijk antwoord. De plaatsing van I-frames en de bewegingsvectoren gebruiken die de encoder toch al maakte, is het antwoord van iemand die werkelijk voor inferentie op schaal heeft moeten betalen.
5. «Wat gebeurt er als het model tijdens een live-uitzending niet beschikbaar is?»
Er moet een deterministische terugval zijn en een gedefinieerde noodmodus. Als het antwoord alleen uit nieuwe pogingen bestaat, is dat systeem nooit in de uitzending geweest.
Wat het kost en wat het zou moeten opleveren
Een waarschuwing over de cijfers die circuleren. Voor forward deployed engineers worden totale beloningen van 300.000 tot 1,2 miljoen dollar genoemd, en dat is echt, maar het beschrijft pakketten voor vaste medewerkers bij toonaangevende AI-labs in de Verenigde Staten, sterk gewogen naar aandelen. Het is niet wat de media betalen, en niet wat een onafhankelijk specialist in Europa rekent. Lees die cijfers als bewijs dat de markt de rol opnieuw waardeert, niet als een tarievenlijst.
Wat het meten waard is, is de andere kant. De kosten van de 95% zijn een pilot die een jaar aandacht van een team opslokte en niets opleverde. Daartegenover is de relevante vraag niet het dagtarief. Het is hoe snel iemand je kan vertellen dat het project zoals het is afgebakend op archiefschaal vier keer zijn budget gaat kosten, of dat DRM de voorgestelde aanpak onmogelijk maakt, en of diegene daarna de versie kan bouwen die wel werkt.
Dat gesprek zou in de eerste week moeten plaatsvinden, niet in het derde kwartaal.
Veelgestelde vragen
Wat is een Media Forward Deployed Engineer?
Een ingenieur die zich inbedt bij een omroep, streamingdienst of mediabedrijf en binnen hun omgeving van begin tot eind eigenaar is van een AI-systeem: het afbakenen, het schrijven van de productiecode, en het draaiend houden. Het verschil met een algemene forward deployed engineer is de domeindiepte in video en audio, dus codecs, timecode, streamingprotocollen, contentbeveiliging en de economie van contentverwerking op archiefschaal.
Hoe verschilt een forward deployed engineer van een consultant?
Een consultant levert een rapport of een architectuur en laat het bouwen aan jou over. Een forward deployed engineer schrijft en levert de productiecode binnen jouw omgeving en draagt daarna de werkwijzen over aan je team. Wat wordt opgeleverd is een draaiend systeem, geen document.
Waarom mislukken zoveel AI-projecten in de media?
Het onderzoek van MIT vond dat 95% van de zakelijke AI-pilots geen meetbaar financieel effect had, en dat de mislukkingen zich ophoopten bij de integratie en niet bij de modelkwaliteit. In de media is er specifiek een tweede veelvoorkomende oorzaak: de kosten per eenheid. Kosten die per item verwaarloosbaar lijken worden onbetaalbaar over een archief van tienduizenden uren, en dat rekenwerk wordt vaak na de pilot gedaan in plaats van ervoor.
Kan een algemene AI-ingenieur dit werk doen?
Gedeeltelijk, en daar zit de val. Hij kan snel een overtuigend prototype bouwen. Wat meestal ontbreekt is beeldnauwkeurige omgang met timecode, het besef dat versleutelde content niet gedecodeerd kan worden, het vermogen om uitvoer te maken die een uitzendketen werkelijk kan innemen zoals SCTE-35-markeringen of TTML-ondertitels, en een realistisch kostenmodel op schaal. Die gaten komen meestal aan het licht nadat de pilot is goedgekeurd.
Moet ik er een voltijds aannemen?
Meestal niet in het begin. De rol is het meest waard op het punt van de grootste onzekerheid: afbakenen, kiezen wat je bouwt, en het eerste systeem in productie krijgen. Veel mediabedrijven halen een specialist voor die fase en exploiteren het resultaat daarna met hun eigen team, wat de bedoelde uitkomst is, aangezien het overdragen van de werkwijzen bij het werk hoort.
Wat moet ik een kandidaat vragen?
De vijf vragen hierboven dekken kostenmodellering, contentbeveiliging, beeldnauwkeurigheid, bemonsteringsstrategie en storingsgedrag in de uitzending. Ze zijn moeilijk overtuigend te beantwoorden zonder een AI-systeem in de media te hebben opgeleverd, en makkelijk voor iemand die dat wel heeft gedaan.
Waar je er een vindt
De tools waarnaar in dit artikel wordt gelinkt zijn gratis uit te proberen. Ze zijn niet het punt, maar ze zijn er wel het bewijs van: elk ervan begon als een probleem dat in productie opdook en dat fatsoenlijk opgelost moest worden in plaats van beschreven op een dia. Een ervan is nog in bèta, om redenen die het artikel al heeft uitgelegd.
Als je AI in een broadcast- of streamingwerkstroom probeert te krijgen en iemand nodig hebt die al weet waar het breekt, beschrijf dan de rol en we bakenen hem samen met je af, inclusief een eerlijk dagtarief voordat iemand de telefoon pakt.
Beschrijf de rol die je wilt invullen
En als je de negen punten hierboven hebt gelezen en je eigen werk herkende: het etiket wordt op dit moment op dit vak geplakt. Wanneer dat gebeurt, komen de generalisten opdagen en claimen het. De mensen die dit werk daadwerkelijk doen zouden als eersten onder die naam vindbaar moeten zijn: sluit je aan bij het talentnetwerk.