Waarom in jouw bedrijf de adoptie van AI vastloopt (en wat je er aan kan doen)
Vorige maand las ik een artikel van Nufar Gaspar, executive AI-consultant en ex-Intel, over waarom AI-implementaties zo vaak mislukken. Ze noemde zeven veelvoorkomende valkuilen, en daarin las ik meer dan eens herkenning.
Uit onderzoek onder middelgrote organisaties blijkt dat 57% van de Nederlandse bedrijven nog steeds géén AI heeft geïntegreerd in hun bedrijfsvoering. Tegelijkertijd zegt 85% van de organisaties die het wél hebben geprobeerd dat de impact hun verwachtingen overtrof. De kloof tussen "niet beginnen" en "positief verrast worden" is te groot.
In dit blog pak ik drie patronen uit de analyse van Nufar die ik wekelijks tegenkom bij klanten en relaties van AIStudio. Want het is mooi om theorieën te lezen, maar nog leuker om te zien hoe dit uitpakt in de praktijk.
1. Het probleem van losse flodders
Gaspar noemt het "haphazard AI adoption" - wat in gewoon Nederlands betekent: chaos. Iedereen experimenteert met AI, maar niemand is er echt verantwoordelijk voor.
Een marketingmanager experimenteert stiekem met ChatGPT voor social media posts. De accountmanager gebruikt Claude voor e-mails. HR test Gemini voor vacatureteksten. Allemaal prima initiatieven, maar niemand leert van elkaar en er is vanuit de organisatie geen grip en inzicht op het gebruik van AI.
Bij een financiële dienstverlener die we begeleiden kwam dit prachtig naar voren. Toen we een inventarisatie maakten, bleken drie verschillende afdelingen vrijwel identieke AI-toepassingen te ontwikkelen. Zonder van elkaars bestaan te weten! Zonde van je kostbare tijd.
Het andere uiterste zie je ook: bedrijven die AI compleet verbieden uit angst voor datalekkage. Gevolg? Medewerkers doen het toch, maar nu onder de radar. En dan heb je helemaal geen grip meer.
De oplossing ligt in het midden: creëer een kader waarin mensen veilig kunnen experimenteren. Niet alles verbieden, maar ook geen wild west. Gewoon duidelijke spelregels die innovatie stimuleren en succesvolle experimenten doorzetten naar een professionele implementatie.
2. Top-down visie zonder bottom-up verbinding
"We worden een AI-first bedrijf!" roept de directie. Klinkt goed, maar wat betekent dat eigenlijk? En nog belangrijker: begrijpen de mensen op de werkvloer wat er van hen verwacht wordt?
Bij een dienstverlener in de vastgoedsector brachten we dit spanningsveld samen. De directie wilde "iets met AI" en had de wens dit tijdens hun jaarlijkse strategiedag samen op te pakken. Op de werkvloer waren al diverse experimenten met ChatGPT en Copilot gedaan. Door beide groepen samen te brengen in één workshop, ontstond er een plan. De directie gaf richting en prioriteit, de werkvloer leverde praktische toepassingen vanuit hun dagelijkse pijnpunten.
Aan het eind van de middag lagen er vijf concrete AI-toepassingen die direct op de roadmap voor 2025 konden. Van het ondersteunen van mensen bij verslaglegging tot een persoonlijke AI-assistent voor projectleiders op locatie.
Dit is precies wat Gaspar bedoelt met het vermijden van de "single-direction approach". Je hebt zowel de strategische visie van boven als de praktische inzichten van de werkvloer nodig. Eén zonder de ander is zinloos.
3. De onderschatte complexiteit
Hier trap ik zelf nog wel eens in. Een demo of testje van een use case is zo gedaan - we uploaden wat bestanden in AIStudio Assist, we maken een strakke prompt en het verwachte resultaat rolt er binnen een paar seconden uit. Iedereen is onder de indruk. "Dit gaan we implementeren!"
Maar die demo was zorgvuldig voorbereid. Eén specifiek type vraag, een gepolijste prompt, en vooral: geen uitzonderingen of randgevallen. De stap naar een betrouwbaar systeem dat dagelijks geautomatiseerd draait met hoog volume? Dat is een heel ander spel. Dan heb je vangnetten nodig, controles, monitoring - want je wilt er wel op kunnen vertrouwen.
Bij het deurwaarderskantoor waar we mee werken zetten we AI in voor het verwerken van vonnisdocumenten; een project dat jaarlijks 30.000 uur aan geestdodend werk scheelt. De eerste demo's waren veelbelovend, maar toen we echt gingen implementeren kwamen alle uitdagingen: hoe ga je om met uitzonderingen? Wie controleert de kwaliteit? Wat als er fouten worden gemaakt?
Door deze complexiteit vooraf te erkennen en een gefaseerde aanpak te kiezen met een Human-in-the-loop interface, automatiseren we nu 85% van het proces. Niet door te beloven dat AI alles zou oplossen, maar door realistisch te zijn over wat wel en niet mogelijk was. Bovendien zit in die eerste 85% het meeste rendement en loop je in het nastreven van 100% waarschijnlijk vast.
Wat werkt wel?
Na twee jaar AI-implementaties zien we een paar patronen bij organisaties die het wél goed doen:
Ze beginnen bij het probleem, niet bij de technologie. Ze vragen niet "hoe kunnen we AI gebruiken?" maar "welk probleem proberen we op te lossen?"
Ze maken iemand verantwoordelijk. AI-projecten waar niet voldoende aandacht voor is vanuit de organisatie zelf mislukken. Punt.
Ze accepteren dat 80% automatisering met menselijke controle vaak beter is dan streven naar 100% autonomie. Perfect is de vijand van goed.
Ze creëren een leeromgeving. Fouten maken mag en experimenteren brengt je verder, zolang je er maar systematisch van leert.
Ze focussen op herhalende, geestdodende taken. Die taken waar mensen een hekel aan hebben, maar die wel moeten gebeuren. Daar ligt het laaghangend fruit! Ook goed voor draagvlak en adoptie!
Van theorie naar praktijk
Al deze inzichten hebben we zelf ook verwerkt in hoe we AIStudio Assist benaderen. We willen niet weer een generieke AI-tool maken waar mensen zelf uit moeten zoeken hoe ze er waarde uit halen.
In plaats daarvan pakken we bewust eerst het laaghangend fruit - use cases die al bewezen waardevol zijn zoals notuleren, tekstschrijven verslagen maken. Die maken we betrouwbaar en veilig beschikbaar voor de hele organisatie. Klein beginnen omdat dat de meeste waarde oplevert met een beperkte investering en doorlooptijd.
Maar Assist is tegelijk ook het fundament voor meer. We duiken afdelingen in om elke afdeling hun eigen assistenten te geven die perfect aansluiten bij hun dagelijkse praktijk. Vanuit die basis kun je uitbouwen naar specifiekere AI-assistenten en agents, zodat je voorop blijft lopen.
Geen onrealistische verwachtingen, maar concrete verbetering van wat mensen dagelijks doen. En omdat we met bewezen use cases werken, kunnen we binnen een maand de eerste assistenten live hebben - geen eindeloze pilotfases.
En nu?
Als je deze patronen herkent, hoop ik dat deze blog je een stapje verder heeft gebracht. Want elke organisatie is anders, maar de uitdagingen zijn vaak verrassend vergelijkbaar.
En als je er zelf niet uit komt? Mail of bel gerust om te sparren - we helpen je graag weer een stap verder. Soms heb je gewoon een frisse blik van buiten nodig om de mogelijkheden echt te zien.
Of begin simpel: hang een NOT-TO-DO-LIST poster op in de koffiehoek en kijk wat er gebeurt. Je zult versteld staan van de input die je krijgt!
Benieuwd naar de mogelijkheden van AI voor jouw organisatie?
Loop eens binnen bij een van onze AI Events. Of nog beter: plan een Discovery sessie. Dan kijken we samen waar voor jouw bedrijf de grootste kansen liggen. Maar gewoon contact opnemen mag natuurlijk altijd.
