Bron: https://www.aistudio.nl/blog/ai-blijft-hangen-in-experimenten

[Blog](https://www.aistudio.nl/blog)

# Waarom AI in veel organisaties blijft hangen in experimenten

6 augustus 2026 · Ludo Haveman

![Iemand met het hoofd in de handen achter een laptop met ChatGPT open, whiteboard vol AI-tools op de achtergrond](https://www.aistudio.nl/images/blog/waarom-ai-in-veel-organisaties-blijft-hangen-in-experimenten-cover.webp)

AI is in veel organisaties al binnen. Alleen vaak niet op een manier waar je als organisatie echt veel aan hebt.

Er zijn medewerkers die ChatGPT gebruiken voor een eerste opzet. Teams testen Copilot. Marketing probeert een paar tools uit. Iemand laat notulen samenvatten, iemand anders speelt met rapportages of analyses. Er gebeurt dus wel iets. Alleen meestal niet als één geheel.

Daar begint het vaak te wringen. Want losse activiteit voelt al snel als vooruitgang, terwijl er onder de oppervlakte iets anders speelt. Er zijn experimenten, maar nog geen lijn. Er is enthousiasme, maar nog geen vaste manier van werken. En er is misschien al best wat individuele tijdswinst, zonder dat de organisatie als geheel echt opschuift.

Veel bedrijven zitten nu in die fase. Niet meer aan het begin, maar ook nog lang niet op een punt waarop AI echt is ingebed in processen, keuzes en dagelijks werk. Dat is een lastige tussenstand, juist omdat het van buitenaf al snel lijkt alsof je goed onderweg bent.

## **Het probleem is meestal niet dat mensen niets doen**

Sterker nog, vaak is het tegenovergestelde waar. Zodra mensen eenmaal zien waar AI handig voor kan zijn, gaan ze het vanzelf proberen. Dat is logisch. Wie veel schrijft, zoekt, samenvat, ordent of uitwerkt, merkt snel dat dit soort tools werk uit handen kunnen nemen.

Daar zit het probleem dus niet.

Het probleem ontstaat meestal een stap later. Op het moment dat de eerste experimenten achter de rug zijn en de organisatie zichzelf moet afvragen: en nu? Welke toepassingen zijn echt de moeite waard? Wat willen we breder inzetten? Wat doen we wel, en wat juist niet? Hoe houden we overzicht? Hoe zorgen we dat dit meer wordt dan een verzameling losse gewoontes?

Veel organisaties hebben op dat moment nog geen goed antwoord. En dan blijft AI hangen in de experimenteerfase. Soms maandenlang. Soms veel langer.

## **Losse successen zijn nog geen structurele voortgang**

Dat is misschien wel **de belangrijkste denkfout** in deze fase. Een medewerker die tijd bespaart met AI is nog geen bewijs dat de organisatie goed bezig is met AI. Een sterk experiment in één team ook niet. Zelfs een geslaagde pilot zegt nog weinig als daarna onduidelijk blijft wat de volgende stap is.

Je kunt op individueel niveau best winst boeken en toch als organisatie nauwelijks verder komen.

Dat gebeurt vaker dan je denkt. Een paar mensen worden er steeds handiger in. Zij vinden hun weg wel. Ondertussen blijft de rest achter, of kijkt afwachtend toe. Niet uit onwil, maar omdat het onduidelijk is waar AI voor hen echt nuttig is. Of omdat ze twijfelen aan de kwaliteit. Of omdat ze niet weten wat veilig is. Of gewoon omdat de waan van de dag harder trekt dan een nieuwe manier van werken.

Dat is ook niet alleen een gevoel uit de praktijk. Volgens een [Deloitte-onderzoek uit 2025](https://www.deloitte.com/us/en/about/press-room/state-of-generative-ai.html) verwacht **meer dan twee derde** van de organisaties dat maximaal 30% van hun huidige generatieve AI-experimenten binnen drie tot zes maanden echt op schaal komt. Er wordt dus volop getest, maar tussen experiment en structurele uitrol zit in veel organisaties nog steeds een flink gat.

Dan groeit AI wel, maar scheef. En scheve groei is lastig op te schalen.

## **Te veel aandacht gaat nog steeds naar tools**

Een andere reden waarom organisaties blijven hangen, is dat het gesprek te vaak over tooling gaat. Welke modellen zijn goed? Moeten we iets met Copilot? Is deze tool beter dan die andere? Kan dit in onze stack? Allemaal begrijpelijke vragen, maar ze helpen je maar tot op zekere hoogte.

De echte vraag is meestal veel eenvoudiger. Waar loopt werk vast? Waar verliezen mensen te veel tijd? Welke taken zijn saai, foutgevoelig of eindeloos terugkerend? Waar zit frictie die iedereen eigenlijk al kent, maar die nog nergens goed is opgelost?

Als je daar niet begint, blijft AI iets wat naast het echte werk bestaat. Interessant genoeg om te bespreken, maar niet concreet genoeg om echt door te pakken.

Dat zie je ook in organisaties waar verschillende teams allemaal hun eigen dingen uitproberen. Dan ontstaat er wel beweging, maar geen samenhang. Het blijft een verzameling tools en handigheidjes, terwijl de echte kans juist zit in het slimmer organiseren van werk.

## **Zonder eigenaarschap blijft het drijven**

Bij veel bedrijven is AI belangrijk, maar **niet echt van iemand**. IT kijkt mee vanuit veiligheid. Een manager ziet kansen. Marketing probeert wat dingen. Er zijn een paar enthousiaste voorlopers. En toch voelt niemand zich echt verantwoordelijk voor de lijn als geheel.

Dat lijkt in het begin niet zo’n probleem, maar het wordt er snel wel één.

Want iemand moet uiteindelijk bepalen waar je op inzet. Welke use cases prioriteit krijgen. Wat genoeg waarde heeft om breder uit te rollen. Hoe je kwaliteit bewaakt. Hoe je zorgt dat experimenten niet in een la verdwijnen. En ook: hoe je voorkomt dat iedereen zelf maar wat doet.

Dat hoeft geen zwaar programma te zijn. Geen stuurgroep, geen projectmachine. Maar zonder een duidelijke eigenaar blijft AI in veel organisaties iets dat ronddobbert tussen afdelingen, ideeën en goede bedoelingen.

## **Beschikbaarheid wordt vaak verward met adoptie**

Dit zie je nu veel. Een organisatie koopt licenties, zet een tool aan of geeft medewerkers toegang tot een AI-oplossing. Vanaf dat moment hangt er al snel een gevoel van voortgang omheen. We zijn bezig. We doen iets met AI.

Alleen zegt toegang nog helemaal niets over echt gebruik.

Mensen moeten eerst ervaren waar het hen helpt. Ze moeten erop kunnen vertrouwen dat de output bruikbaar is. Ze moeten weten hoe ze ermee werken, wanneer ze het wel en niet inzetten en wat er van hen verwacht wordt. Als dat ontbreekt, blijft AI voor veel medewerkers iets vrijblijvends. Iets voor erbij. Iets wat vooral wordt gebruikt door de mensen die toch al nieuwsgierig waren.

En juist dan krijg je dat bekende patroon. Een kleine groep gaat hard. De rest blijft hangen. Niet omdat mensen tegen AI zijn, maar omdat het nooit echt onderdeel wordt van hun werk.

## **Gebrek aan grip remt gebruik sneller dan veel organisaties denken**

Zodra AI breder zichtbaar wordt, komen ook de vragen. Mag dit met klantinformatie? Welke tool is veilig genoeg? Hoe controleren we wat eruit komt? Wat als iemand vertrouwt op een antwoord dat niet klopt? Hoe voorkomen we dat iedereen zelf zijn eigen standaard ontwikkelt?

Als dat niet goed geregeld is, gaan mensen vanzelf reageren. Sommigen worden voorzichtig en doen er bijna niets mee. Anderen zoeken zelf alternatieven buiten beeld van de organisatie. Beide reacties zijn begrijpelijk. Geen van beide helpt.

Ook daar zie je inmiddels harde signalen van. In een [wereldwijde KPMG-studie uit 2025](https://kpmg.com/mt/en/media/press-releases/2025/05/global-study-reveals-tension-between-ai-benefits-and-risks-and-highlights-a-governance-gap.html) zegt in geavanceerde economieën **slechts 55% van de medewerkers** dat hun organisatie voldoende mechanismen heeft om AI-adoptie en verantwoord gebruik te ondersteunen. Dat betekent dus dat in een groot deel van de organisaties de basis nog niet stevig genoeg is geregeld om medewerkers met vertrouwen te laten werken.

Grip klinkt soms als iets dat innovatie vertraagt, maar in de praktijk is het meestal precies andersom. Pas als mensen weten waar ze aan toe zijn, durven ze AI echt te gebruiken. Dan wordt het niet spannend, maar bruikbaar.

## **De stap die vaak ontbreekt**

Waar het uiteindelijk op neerkomt: veel organisaties maken de stap niet van individuele winst naar organisatie-impact.

Dat is een andere stap dan veel mensen denken. Het gaat niet alleen om bewijs dat AI iets kan. Dat bewijs is er meestal al wel. Het gaat erom of je toepassingen kiest die breed relevant zijn. Of je ze koppelt aan echt werk. Of je medewerkers helpt om er in hun eigen context mee te werken. En of je er genoeg richting aan geeft om er iets duurzaams van te maken.

Daar zit het verschil tussen “we experimenteren met AI” en “AI helpt ons bedrijf vooruit”.

## **Wat wel werkt**

De organisaties die verder komen dan de pilotfase doen meestal niets exotisch. Ze beginnen kleiner dan je misschien zou verwachten, maar wel scherper. Ze kiezen een paar toepassingen die direct nuttig zijn. Ze koppelen AI aan processen waar mensen vandaag al last van hebben. Ze regelen eigenaarschap. Ze maken afspraken over gebruik en kwaliteit. En ze begeleiden de invoering actief, in plaats van te hopen dat het vanzelf landt.

Dat klinkt minder spectaculair dan de laatste AI-hype. Het werkt wel.

Juist middelgrote organisaties hebben hier veel te winnen. Ze zijn groot genoeg om echte schaalvoordelen te pakken en compact genoeg om relatief snel te bewegen. Maar dan moet de fase van vrijblijvend experimenteren wel een keer voorbij zijn.

## **Tot slot**

Dat AI in veel organisaties blijft hangen in experimenten is niet vreemd. Het is een logische fase. Alleen wel een fase waar je makkelijk in blijft steken als niemand de stap naar samenhang en toepassing organiseert.

En precies daar ontstaat nu het verschil tussen organisaties die “ook iets met AI doen” en organisaties die er echt beter van worden.

De vraag is dus niet of jouw mensen al experimenteren. De vraag is of je als organisatie al hebt besloten wat je daarmee wilt bouwen.

## **Herken je dit?**

Dat AI binnen je organisatie al op allerlei plekken opduikt, maar nog zonder duidelijke lijn of structurele impact?

Dan is het waarschijnlijk tijd voor iets anders dan nóg een losse pilot.

Doe dan de [AI-Gripscan](https://www.aistudio.nl/ai-gripscan). In twee minuten zie je waar jouw organisatie staat en wat een logische eerste stap is.

Wil je sneller naar meer grip en adoptie? Bekijk dan ook [Grip op AI in 90 dagen](https://www.aistudio.nl/diensten/grip-op-ai-in-90-dagen).

Geschreven door

Ludo Haveman

Co-founder van AIStudio

[← Terug naar alle blogs](https://www.aistudio.nl/blog)

De AI-Gripscan

In twee minuten een adviesrapport over jullie grip op AI.

[Doe de AI-Gripscan](https://www.aistudio.nl/ai-gripscan#start)

## Breng AI van losse experimenten naar veilig dagelijks gebruik.

In dertig minuten kijken we samen naar jouw situatie en laten we zien hoe andere organisaties het aanpakken.

Na dit gesprek weet je drie dingen: hoe AI past bij jouw bedrijf, wat het je oplevert, en hoe je **binnen een maand live** bent.

[Plan een demo](https://www.aistudio.nl/contact/demo)

![Noor de Feber](https://www.aistudio.nl/images/portrait-noor.jpg)![Daniel van der Valk](https://www.aistudio.nl/images/portrait-daniel.jpg)![Matthijs Mali](https://www.aistudio.nl/images/portrait-matthijs.jpg)![Ludo Haveman](https://www.aistudio.nl/images/portrait-ludo.jpg)![Sven Haveman](https://www.aistudio.nl/images/portrait-sven.jpg)