Waar een AI-implementatie werkelijk op vastloopt
22 juni, 2026
Farisch Hanoeman
DE TECHNIEK IS HET MAKKELIJKSTE DEEL.
Halverwege een AI-traject liet een team van adviseurs trots een demo zien. Ze hadden het contactformulier op de website aan AI gekoppeld. Een binnenkomende klantvraag werd automatisch vergeleken met de interne kennisbase, en de AI zette alvast een concept-mail klaar. De medewerker hoefde die alleen nog te lezen, bij te schaven en te versturen. Per vraag scheelde dat tientallen minuten zoekwerk. Op papier.
Tijdens diezelfde demo werd ook zichtbaar waar het misging. De kennisbase stond versnipperd over persoonlijke mappen, gedeelde schijven en oude projectomgevingen. Eén onderwerp, vier versies, vier mappen, en niemand die wist welke de juiste was. De AI trok daardoor regelmatig verouderde of tegenstrijdige informatie op. De adviseurs moesten de concept-mail alsnog grondig herschrijven, en de tijdwinst verdween. De techniek deed precies wat ze moest doen. De data eronder kon het tempo niet bijhouden.
Afbeelding 1. Versnipperde informatie over meerdere mappen maakt het voor AI onmogelijk om de juiste versie te vinden.
Dit is het patroon dat we bij vrijwel elke organisatie terugzien. Wie AI invoert, begint bij de techniek: een tool kiezen, een pilot draaien, een training inplannen. En juist daar loopt het zelden op vast. Het loopt vast op alles eromheen.
Een AI-implementatie speelt over meerdere assen tegelijk
Een AI-implementatie is een organisatieverandering die over verschillende assen loopt, en die assen bewegen niet vanzelf in hetzelfde tempo. In een eerder onderzoek brachten we in kaart wat een organisatie volwassen maakt in haar gebruik van AI. Daar kwam een model uit, het AI Capability Maturity Model, dat AI-volwassenheid opdeelt in zes assen: strategie en leiderschap, data en infrastructuur, mensen en cultuur, governance en ethiek, processen en organisatie en de externe omgeving waarin u opereert. Op elke as kunt u ergens tussen inactief en transformationeel staan.
De waarde van het model zit in wat het zichtbaar maakt: op welke as u voorloopt, en op welke u stilstaat. Want één zwakke schakel wordt al snel het breekpunt voor alle andere. Wie zwaar investeert in technologie maar de kennis bij medewerkers laat liggen, houdt een dure tool over die niemand goed gebruikt. Wie traint maar de data niet op orde brengt, krijgt een AI die vlot antwoorden geeft op een wankel fundament. Het mailtje uit de demo was daar een schoolvoorbeeld van.
Begin bij het probleem, de rest is volgend
Een hardnekkig misverstand is dat een AI-implementatie begint bij de technologie. Of bij de data. In onze ervaring begint ze bij een businessprobleem dat de moeite waard is om op te lossen. Data is volgend. Techniek is volgend. En de strategie? Die volgt uit het geheel, ze gaat er niet aan vooraf. Dat maakt een goede AI-implementatie een bottom-up proces, dat begint bij het dagelijkse werk en pas daarna omhoog kruipt naar het jaarplan.
Daarmee vervalt ook de reflex om AI in te zetten omdat het nu eenmaal moet. AI gebruiken zonder een echt probleem eronder levert een oplossing op die nog op zoek is naar een vraag. Zonde van het geld en van het vertrouwen dat u maar één keer kunt verspelen. De vraag is niet welke tool het beste is. De vraag is welk probleem zo de moeite waard is dat het een verandering rechtvaardigt.
Waar u staat, is lastiger te bepalen dan het lijkt
Het model kent vijf niveaus: inactief, experimenterend, geformaliseerd, geïntegreerd en transformationeel. Een organisatie in de inactieve fase heeft losse initiatieven en versnipperde data. In de experimenterende fase draaien de eerste pilots, gedragen door een paar kartrekkers. Daarna ontstaat een afdelingsbrede aanpak, vervolgens verankering in de jaarplannen, en uiteindelijk een organisatie waarin AI de strategie mee vormgeeft.
Bepalen waar u zelf staat is verrassend lastig, en de reden daarvoor is veelzeggend. AI-vragen komen vrijwel altijd van de voorlopers, de mensen die al experimenteren en de mogelijkheden zien. De sceptici, die vaak een realistischer beeld hebben van wat nog niet werkt, schuiven zelden uit zichzelf aan. Wie een eerlijk beeld wil, moet die groep actief opzoeken. Doet u dat niet, dan ontstaat een te rooskleurig beeld, en daarmee een roadmap die niet aansluit op wat er werkelijk speelt op de werkvloer.
Het werk verschuift van maken naar beoordelen
Zodra AI op de werkvloer landt, verschuift het werk. Een eerste tekstversie, een standaardanalyse, een opgemaakte rapportage: dat soort werk gaat sneller en zakt naar de achtergrond. Wat zwaarder gaat wegen, is het beoordelen van wat de AI oplevert. Klopt deze redenering? Past dit advies bij deze klant? Medewerkers merken dat hun werk opschuift van produceren naar redigeren en duiden.
Tegelijk wordt scherp leren vragen een vaardigheid op zich. Wie vaag vraagt, krijgt vage output. Inhoudelijke kennis en oordeelsvermogen wegen er juist zwaarder door. Dat is een geruststellende boodschap voor wie vreest dat AI expertise overbodig maakt. Het tegenovergestelde gebeurt: de expertise verschuift naar de plek waar ze het meest telt, het beoordelen van wat er uitkomt.
Afbeelding 2. Het werk verschuift van produceren naar beoordelen: de medewerker leest, weegt en beslist wat de AI heeft opgeleverd.
Wilt u AI implementeren in uw organisatie?
De assen die stelselmatig worden onderschat
In bijna elke organisatie krijgen technologie en data de meeste aandacht. Ze zijn tastbaar, je kunt erop sturen, ze passen netjes in een projectplan. Cultuur, ethiek en motivatie lijken daarnaast zachte bijzaken. Dat zijn ze niet. De houding tegenover AI binnen een organisatie bepaalt uiteindelijk of medewerkers de technologie ook echt gaan gebruiken. Een tool die niemand vertrouwt, levert niets op. Een team dat AI als bedreiging ziet, werkt er onbewust omheen. Als er één as is die over slagen of falen beslist, is het cultuur. Welke basiskennis daarvoor nodig is, legt ons artikel over AI-geletterdheid in organisaties concreet uit.
Daarom is cultuurverandering de meest onderschatte stap in het hele traject. Ze is traag, ze laat zich slecht in een planning vangen, en ze vraagt iets van de directie zelf in plaats van alleen van de medewerkers. Toch is het de as waar het succes van alle andere assen op rust.
Infrastructuur is daarbij een geval apart. Onmisbaar voor de uitvoering, en tegelijk voor veel organisaties de moeilijkst te veranderen as. De meeste bedrijven hebben simpelweg de interne capaciteit niet om hun infrastructuur fundamenteel om te bouwen. Ons advies is om eerst de andere assen te ontwikkelen, zoals mensen, cultuur en data, en de infrastructuur pas daarna aan te pakken. Andersom kost u veel geld voordat er iemand klaar is om er gebruik van te maken.
Beginnen mag rommelig
Hier komt het tweede misverstand voorbij: dat alles op orde moet zijn voordat u begint. Dat hoeft niet. Sterker nog, het werkt averechts. Een AI-implementatie is een iteratief proces. U begint ergens, kijkt wat het effect is en stuurt bij. De organisatie die wacht tot alle assen op niveau zijn voordat ze de eerste stap zet, zet nooit een stap.
In een van de trajecten bleek dat medewerkers ruimte om te experimenteren belangrijker vonden dan strakke compliance-kaders. Dat klinkt riskant. Toch is het verdedigbaar. Wie eerst alles dichttimmert, smoort de innovatie voordat ze op gang is gekomen. De kunst is om een veilige omgeving te bieden waarin experimenteren wél kan, met duidelijke afspraken over wat verantwoord is en ruimte om te leren. Compliance volgt op experimenteren. Andersom werkt het zelden.
AI-adoptie is een arbeidsmarktvraagstuk geworden
Een observatie die we overal tegenkomen: jong talent is al met AI bezig, of de werkgever dat nu faciliteert of niet. Wie net is afgestudeerd, gebruikte AI dagelijks tijdens de studie en verwacht dat op het werk te kunnen blijven doen. Een organisatie die daarin achterblijft, voelt voor een jonge professional al snel beperkend. Talent behouden hangt steeds vaker af van de vraag of mensen hun werk kunnen doen zoals ze dat gewend zijn.
Leren gebeurt bovendien nauwelijks in een klaslokaal. Zolang AI abstract blijft, blijft het abstract. Pas wanneer iemand het toepast op een eigen offerte, een eigen rapportage of een eigen analyse, wordt zichtbaar wat het echt kan. Begeleiding tijdens het werk doet meer dan een training vooraf, omdat de casus dan van de medewerker zelf is. Voor wie dat voor zijn team wil organiseren, biedt onze AI Geletterdheid Cursus een passend startpunt.
Een eerste stap die werkt
De vraag die u na dit alles waarschijnlijk overhoudt: waar begint u dan morgen? Niet met een groot programma en een stuurgroep. Pak één probleem dat medewerkers dagelijks tijd kost, klein genoeg om binnen weken iets te laten zien en echt genoeg om merkbaar te zijn als het werkt. Het mailtje uit de opening was zo’n probleem, alleen bleek de data eronder nog niet klaar. Dat is geen ramp, dat is informatie. U weet nu welke as als eerste aandacht nodig heeft.
Zoek bij die eerste stap bewust de mensen op die normaal niet aanschuiven. De collega die sceptisch is, de collega die het werk al jaren doet en precies weet waar de rommel zit. Hun realisme is goud waard bij het bepalen waar u staat. En kies een toepassing waarvan een misser geen klant of reputatie kost, zodat er ruimte is om te leren zonder dat er meteen iets stuk gaat. Zo bouwt u vertrouwen op, en vertrouwen is de brandstof voor elke volgende stap. Wilt u die eerste stap zetten met begeleiding, dan is een incompany AI-traject een goede manier om te starten.
De grootste denkfout
De meest voorkomende denkfout is dat een AI-implementatie een technologieproject is met een opleverdatum. Dat is het niet. Het verloopt langzaam, en het raakt vooral aan cultuur. Wat een organisatie goed maakt, blijft overeind. Wat moet veranderen, is de manier van denken. AI-minded worden, zou je het kunnen noemen.
Er komt steeds nieuwe technologie aan. Een organisatie met de juiste cultuur vangt elke volgende golf op. Een organisatie zonder die cultuur loopt elke keer opnieuw vast op dezelfde drempel. Begin daarom bij het probleem dat u wilt oplossen, en breng eerlijk in kaart waar u op elke as staat. De tool kiest u later. De techniek is het makkelijkste deel. Voor een eerlijk gesprek over waar uw organisatie staat, neem contact op met ons team.