Hoe zet je AI succesvol in binnen organisaties? Zes takeaways van Pernino Consulting
Hoe zet je kunstmatige intelligentie succesvol in binnen organisaties? In een webinar gingen Marcel Gepken, Bernard Verheijen en Max Gardien van Pernino Consulting hierover in gesprek. Ze delen zes takeaways uit de webinar én praktische tips voor leiders die aan de vooravond staan van een AI-implementatietraject.
1: Techniek is een gegeven
De technologie werkt en wordt beter – en dat gaat snel. Dat hoef je niet meer te bewijzen of af te wachten. Wat je jezelf wél moet afvragen: zijn onze mensen in staat om er effectiever door te werken?
Want dat is wat AI vraagt: niet dat medewerkers de technologie begrijpen, maar dat ze bereid en in staat zijn hun rol te veranderen. AI neemt repetitieve en gegevensintensieve taken over. Iemand die nu facturen verwerkt, beoordeelt straks of de AI dat correct heeft gedaan. Dat lijkt een klein verschil. In de praktijk is het een groot verschil, omdat het vraagt om inzicht, oordeel en verantwoordelijkheidsgevoel in plaats van uitvoering.
Daar wringt het in de meeste organisaties. Niet omdat medewerkers onwillig zijn, maar omdat die omslag zelden (de juiste) begeleiding krijgt. De tool wordt uitgerold, de training gaat over ‘de knoppen’, en daarna wordt verwacht dat het werkt.
De technologie is dus niet langer de beperkende factor. De echte uitdaging zit in de manier waarop mensen ermee werken, ermee omgaan en hun rol opnieuw vormgeven.
2: Definieer eerst het probleem, dan pas de oplossing
Een zin die de afgelopen maanden door vrijwel elke vergaderruimte is gegaan: “Kunnen we hier geen AI voor gebruiken?” Hij klinkt ambitieus, maar daarin schuilt het gevaar: de vraag begint bij de oplossing, niet bij het probleem. Wat je eigenlijk wil weten: Welk probleem lossen we op? Voor wie? En hoe meten we of het gelukt is?
Een AI-first beleid, waarbij organisaties bij vrijwel ieder vraagstuk direct naar AI grijpen, kan in de praktijk meer vertragen dan opleveren. Niet elk probleem vraagt om AI. Soms is een goed ontworpen regelset, een heldere workflow of een klassieke analyse sneller, goedkoper en betrouwbaarder. Minder sexy, maar wel effectief.
“Beschikbare data is iets heel anders dan waardevolle data.”
Gebruik de SMART-methode om het probleem concreet te maken. Zorg dat scope en stakeholders helder zijn voordat je ook maar één stap zet richting een oplossing. Zonder die fundering wordt elk AI-project een dure gok.
3: Data op orde: Eerder en serieuzer dan je denkt
Een voorbeeld uit de praktijk. Een manager bij één van onze klanten wilde AI inzetten om de analyse van zijn salesprognoses te verbeteren. “Op welke data wil je dit baseren?”, vroegen we. “Gewoon, op basis van een export van onze salesdata. We hebben een enorme bult data beschikbaar”, was het antwoord.
Wat hij niet benoemde, maar al snel duidelijk werd: die salesdata bestond tot voor kort uit een creatief aan elkaar geknoopte verzameling Excel-bestanden, waar niemand zich écht verantwoordelijk voor voelde. Recentelijk waren die zonder standaardisatie of validatie in een nieuw ERP-systeem gezet.
Het punt: beschikbare data is iets heel anders dan waardevolle data. En AI maakt dat verschil niet kleiner, maar groter. AI is in essentie een versterker. Heb je betrouwbare data, dan versterkt AI je inzichten. Heb je rommelige data, dan genereert AI sneller de verkeerde conclusies.
Datakwaliteit kun je langs veel assen meten. De zes belangrijkste zijn nauwkeurigheid, volledigheid, consistentie, tijdigheid, uniciteit en validiteit. De meeste organisaties scoren op minstens twee van deze zes onvoldoende. En dat is niet zozeer een technisch probleem, het is een menselijk vraagstuk. Datakwaliteit vraagt discipline, bewustzijn en eigenaarschap. Het begint bij mensen die zeggen: “Deze data is van mij. En ik zorg ervoor dat het klopt.”
AI inzetten in een omgeving zonder die cultuur is, om het in een beeld te vatten, een Formule 1-motor plaatsen in een oude, roestige auto zonder wielen. Je hebt de meest indrukwekkende technologie, maar komt geen meter verder.
4: Een AI-visie is geen vinkje op een lijstje
Steeds meer organisaties werken aan een AI-strategie. Op zich een goede ontwikkeling. Maar een visie opstellen zonder dat het fundament op orde is, is bouwen op drijfzand.
Bovendien wordt een AI-visie te vaak gezien als een formaliteit – iets wat je afvinkt op de weg naar een AI-gedreven organisatie. Terwijl het juist het moeilijkste onderdeel is. Omdat het vraagt dat je niet alleen kijkt naar de kansen, maar ook eerlijk bent over de risico’s.
Neem medewerkers die zonder kader werken met publieke AI-tools. Iedereen denkt dat het kleine beetje informatie dat zij delen niet uitmaakt. Maar als tientallen medewerkers fragmenten van gevoelige bedrijfsdata in ChatGPT zetten, verlies je de regie over je eigen informatie. In veel gevallen wordt data niet opgeslagen, maar als erop getraind wordt, zit er altijd een representatie van die data in het model. Dat is een risico dat veel organisaties onderschatten.
Daarnaast: AI-modellen kunnen vooroordelen met zich meebrengen, zogenaamde bias. Historische data bevat nu eenmaal historische patronen, inclusief de ongelijkheden en aannames die daarin verborgen zitten. Als je dat niet bewust adresseert, bouw je die patronen letterlijk in je besluitvorming in.
Een ander aandachtspunt is het verschil in perspectief tussen management en de werkvloer. Management kijkt vaak met enthousiasme naar de potentie van AI. De verantwoordelijke collega’s op de werkvloer ervaren soms iets heel anders: onzekerheid over de eigen rol, weerstand tegen verandering, of een gevoel dat AI iets is wat hen overkomt in plaats van iets waar ze deel van uitmaken. Een AI-visie die dat gat niet overbrugt, creëert adoptie op papier maar weerstand in de praktijk.
Een goede AI-visie combineert kansen én risico’s, en zorgt voor een veilige omgeving waarin medewerkers écht kunnen meedoen, niet alleen moeten meedoen.
5: Vertrouwen is geen bijzaak, het is een voorwaarde
Een systeem dat niet gebruikt wordt, levert nul waarde op. En toch wordt adoptie structureel onderschat als onderdeel van een AI-implementatie.
Medewerkers omarmen een systeem pas als ze begrijpen waarom het er is, hoe de data wordt gebruikt en wat de impact op hun werk is. Niet in een algemene nieuwsbrief, maar in een echt gesprek. De weerstand die je tegenkomt is geen teken van onwil, het is informatie. Het vertelt je waar mensen nog vragen hebben, waar ze onzeker over zijn, of waar de implementatie misschien toch niet zo goed doordacht is als gedacht.
“Wanneer technologie niet meer onderscheidend is, zijn mensen dat wel.”
Ga dat gesprek aan voordat je uitrolt, niet daarna. Wees transparant over de impact, ook als dat spannend is. Investeer in kennis en begrip op de werkvloer. Verandering heeft tijd nodig, en vertrouwen is geen zacht onderdeel van een implementatieplan, het is een harde randvoorwaarde.
Onze overtuiging bij Pernino vat dit samen: Wanneer technologie niet meer onderscheidend is, zijn mensen dat wel.
6: Bouw alsof het moet schalen, ook als je klein begint
Proof of concepts en pilots zijn nuttig. Maar te vaak worden ze een eindstation in plaats van een vertrekpunt. Een kleine dataset, een afgebakend experiment, een snelle demo – en dan? Dan blijkt dat opschalen niet mogelijk is omdat de data-architectuur het niet ondersteunt, integraties ontbreken of de oplossing zo op maat is gemaakt dat hij niet aansluit op de rest van het IT-landschap.
Het gevolg: organisaties verzamelen losse AI-tools die niet met elkaar praten. Elke tool lost een klein stukje op, maar het geheel is een lappendeken. De beheerkosten stapelen zich op, de integraties ontbreken, en op de lange termijn kost het meer dan het oplevert.
De oplossing is niet: nooit starten met een pilot. De oplossing is: al bij de pilot nadenken over schaalbaarheid. Data en integratie zijn altijd het startpunt, niet de technologie zelf. Plak AI niet tegen je organisatie aan als een pleister. Maak het een nieuwe capability, ingebed in je processen, je data en je architectuur. Zodat de hele organisatie ervan profiteert, niet alleen de afdeling die de pilot deed.
Over de experts: Marcel Gepken, Bernard Verheijen en Max Gardien zijn adviseurs bij Pernino Consulting, een adviesbureau dat organisaties helpt innoveren door de verbinding te leggen tussen architectuur, businessprocessen, data en verandermanagement.
