De adoptie van kunstmatige intelligentie (AI) binnen organisaties bevindt zich in een vreemde fase. Bijna alle bedrijven claimen dat ze AI gebruiken; velen hebben bedrijfsllicenties aangeschaft en sommigen hebben pilots uitgevoerd met agents, copilots of interne automatiseringen. Maar wanneer wordt gevraagd wat er echt is veranderd in de bedrijfsvoering, is het antwoord vaak teleurstellend: sommige rapporten worden voorbereid, meer e-mails worden verzonden en bepaalde teams hebben een individuele productiviteitsverbetering, maar de kern van het bedrijf functioneert vrijwel hetzelfde als voorheen.
Het verschil tussen «gebruik maken van AI» en «een organisatie zijn die ontworpen is om met AI te werken» wordt een van de grote technologische gat in 2026. Het is geen gebrek aan modellen of tools. Het is een kwestie van bedrijfsarchitectuur: processen, data, permissies, incentives, metrics, goedkeuringsstromen en het vermogen om de manier van werken opnieuw te ontwerpen.
McKinsey vat de paradox goed samen in haar rapport The state of AI in 2025: Agents, innovation, and transformation. 88% van de ondervraagden geeft aan dat hun organisatie regelmatig AI gebruikt in ten minste één bedrijfsfunctie, ten opzichte van 78% vorig jaar. Toch bevindt de meerderheid zich nog in de experimenteer- of pilotfase, en slechts ongeveer een derde zegt dat hun AI-programma’s op bedrijfsniveau worden opgeschaald.
De blokkade begint wanneer aankoop strategie vervangt
De eerste adoptieroute is de meest bewandelde: het aanschaffen van tools. Copilot, ChatGPT Enterprise, Claude, Gemini, Perplexity, verticale oplossingen, presentation generators, vergaderassistenten en tientallen producten die onmiddellijke productiviteit beloven. Dit is een logische fase. Een organisatie moet testen, teams trainen en begrijpen wat technologie kan doen.
De fout ontstaat wanneer deze aankopen worden gepresenteerd als transformaties. Het geven van AI-licenties aan medewerkers verandert niet automatisch de manier van verkopen, klantenservice, productontwikkeling, risicobeoordeling, incidentbeheer of besluitvorming. In veel gevallen voegt het simpelweg een hulplaag toe boven bestaande processen die traag, gefragmenteerd of slecht gemeten waren.
De tweede route betreft pilots. Daar testen bedrijven use-cases: een agent voor support, een copiloot voor sales, een assistent voor legal, een marketingtool, een document samenvattingssysteem. Het probleem is dat veel pilots zonder duidelijk eigenaar, zonder echte data-integratie, zonder impactm?trics en zonder plan voor verdere operationalisering worden opgestart. Ze werken in demo’s, maar overleven niet de overgang naar productie.
De derde route is meer interessant: het bouwen van AI-agenten. Deze systemen gaan verder dan louter vragen beantwoorden. Ze kunnen plannen, tools raadplegen, documenten lezen, acties voorbereiden, concepten opstellen, taken classificeren of workflows activeren onder supervisie. McKinsey definieert agenten als op foundation-modellen gebaseerde systemen die in staat zijn om in de echte wereld te handelen, te plannen en meerdere stappen binnen een workflow uit te voeren. 23% van de ondervraagden geeft aan dat hun organisatie al bezig is met het opschalen van dergelijke agenten, terwijl nog eens 39% experimenteert hiermee.
| Adoptieroute | Wat doet het bedrijf meestal? | Voornaamste risico |
|---|---|---|
| Aanschaffen van tools | AI-licenties voor medewerkers | Verwarren van toegang met transformatie |
| Uitvoeren van pilots | Proeven in specifieke afdelingen | Niet opschalen naar productie |
| Construeren van agenten | Taken automatiseren met context | Permissies, data en betrouwbaarheid |
| Opschalen van agenten | Gebruik uitbreiden naar meerdere functies | Gebrek aan algemeen governance |
| Hernoemen van organisatieprocessen | Processen, rollen en metrics aanpassen | Interne weerstand en machtsverschuiving |
De vierde route is opschaling. Hier stopt AI niet meer in proeffasen, maar wordt het geïntegreerd in meerdere bedrijfsfuncties met governance, beveiliging, kostenbeheer en metrics. Dit is het punt waar ongemakkelijke vragen naar voren komen: wie is verantwoordelijk als het agent fout zit, welke output vereist menselijke validatie, welke data mag gebruikt worden, hoe wordt een actie geaudit en hoe voorkomen we dat afdelingen hun eigen systemen opzetten zonder afstemming?
De vijfde route is de meest lege: organisatieherziening. Hier wordt niet meer gevraagd «welke tool kopen we?» maar «welk werk zou überhaupt niet op dezelfde manier gedaan moeten worden?». Dit is de echte verandering. Als AI voorstellen kan opstellen, aanvragen classificeren, afwijkingen detecteren, contracten samenvatten, code genereren, rapporten maken en taken coördineren, moeten sommige werkstromen vanaf nul herschreven worden, niet achteraf bijgepatcht.
Het model is niet het probleem: het systeem eromheen wel
In 2023 en 2024 draaiden veel gesprekken over bedrijfs-AI om de kwaliteit van modellen. Welke chatbot het beste antwoorde, welk model logischer waren, welk code het best schreef of welke window van context het grootst was. Die discussie blijft relevant, maar de bottleneck ligt nu anders.
Een briljant model levert weinig op als het geen veilige toegang heeft tot betrouwbare data. Een snelle agent kan gevaarlijk zijn zonder grenzen. Een samenvattingshulpmiddel bespaart tijd, maar verandert niet als het goedkeuringsproces hetzelfde blijft. Automatisering lijkt misschien nuttig in een test, maar faalt bij uitzonderingen, incomplete data of slecht gedefinieerde verantwoordelijkheden.
Het rapport The GenAI Divide: State of AI in Business 2025, opgesteld door MIT NANDA, ziet een vergelijkbare conclusie vanuit een andere hoek. Ondanks een bedrijfsinvestering van 30-40 miljard dollar in generatieve AI, haalt 95% van de onderzochte organisaties geen meetbaar rendement, terwijl slechts 5% van de pilots waardevolle miljoenen oplevert. Het rapport wijt deze kloof, minder aan modelkwaliteit of regelgeving, maar meer aan implementatiebenadering, gebrek aan afstemming op de werkelijke workflow en het ontbreken van contextueel leren.
De 95%-cijfer moet met voorzichtigheid worden geïnterpreteerd, omdat het uit een eerste onderzoek met eigen methodologie en bereik komt. Desalniettemin past het bij een herhaaldelijke observatie in veel bedrijven: medewerkers halen persoonlijke waarde uit flexibele tools zoals ChatGPT, Claude of Copilot, maar gestructureerde bedrijfsklare projecten stranden in de realiteit van bedrijfsprocessen. MIT NANDA wijst erop dat generieke systemen goed werken voor eenvoudige taken, maar falen als ze geen context vasthouden, niet leren van correcties en niet integreren in dagelijks werk.
Individuele AI groeit sneller dan bedrijfsmatige AI
Een ander fenomeen dat bedrijven niet altijd willen onderkennen, is de «shadow AI». Medewerkers gebruiken persoonlijke accounts, externe tools of eigen automatiseringen om hun werk te verbeteren, vaak zonder dat de IT-afdeling ervan op de hoogte is. Dit gebeurt niet noodzakelijk door normaalu violations, maar omdat officiële tools te laat komen, te rigide zijn of het concrete probleem niet oplossen.
MIT NANDA noemt deze informele gebruikseconomie een teken dat wel werkbare tools bestaan: flexibel, snel en aanpasbaar aan de gebruiker. Volgens hun onderzoek gebruikt meer dan 90% van de bedrijven IA-tools van medewerkers, terwijl slechts 40% officieel een abonnement op een large language model (LLM) bezit.
Dit schept een duidelijke spanning. De organisatie koopt AI voor controle, maar medewerkers ontdekken eigen toepassingen. Als deze informele gebruikspraktijken niet worden geleerd en geïntegreerd, ontstaan twee gescheiden werelden: een officiële AI, beheerd maar weinig bruikbaar, en een informele AI, bruikbaar maar risicovol.
De oplossing is geen verbod, maar het monitoren van taken die medewerkers met externe tools uitvoeren: voorstellen schrijven, vergaderingen samenvatten, code controleren, rapporten maken, documentatie vertalen, data opschonen, presentaties maken, leads classificeren of tickets beantwoorden. Daar liggen de eerste processen die veilig herontworpen kunnen worden.
Agents veranderen de manier van denken: architectuur in plaats van aankoop
De komst van agents verschuift de schaal van het probleem. Een chatbot geeft antwoord. Een agent handelt. Het kan e-mails lezen, context opzoeken, een CRM raadplegen, een taak aanmaken, een concept voorbereiden, goedkeuring vragen en een log achterlaten. Die functionaliteit is waardevol omdat het dicht bij het echte werk staat, maar verplicht ook dat AI wordt gezien als infrastructuur voor uitvoering.
Om agents serieus te kunnen inzetten, zijn lagen nodig die veel organisaties nog niet rijp hebben: identiteit, rolgebaseerde permissies, granular toegangscontrole tot data, actielogs, menselijke review, voortdurende evaluatie, observatie, kostenbeheer en testomgevingen. Zonder die lagen wordt een agent een krachtige doos gekoppeld aan gevoelige systemen.
Een «AI-laboratorium» dat geïsoleerd opereert, volstaat niet. Opschalingsprojecten combineren technologie met bedrijfsvoering. Ze vereisen executive sponsorship, procesverantwoordelijken, data-teams, security, legal, engineering, business en eindgebruikers. McKinsey benadrukt dat succesvolle organisaties meer gestructureerde methoden hanteren om modeluitkomsten te valideren, risico’s te beheren en workflows rondom AI te herontwerpen.
Ook het budget verandert. Veel bedrijven investeren in zichtbare functies zoals sales, marketing, klantenservice, contentcreatie en medewerkersassistenten. Dit zijn eenvoudige cases om te presenteren. Maar een deel van de waarde ligt mogelijk in minder zichtbare processen: backoffice, reconciliaties, interne documentatie, technisch support, incidentclassificatie, financiële operaties of compliancecontrole. MIT NANDA waarschuwt voor een ongelijkheid in investeringsfocus, waarbij vooral frontoffice-automatiseringen worden gestimuleerd, terwijl interne automatiseringen meer rendement kunnen opleveren.
Wat maakt een AI-native organisatie uit?
Een AI-native organisatie is niet degene met de meeste licenties of die het vaakst over agenten spreekt in presentaties. Het is degene die haar manier van werken reorganiseert zodat AI veilig en meetbaar deelneemt aan kernprocessen.
Dit betekent dat processen niet alleen ontworpen worden voor mensen die op schermen klikken, maar ook voor agenten die lezen, voorstellen, uitvoeren en opschalen. Data moet ordentelijk opgeslagen zijn, APIs gedocumenteerd, zakelijke regels expliciet en uitzonderingen duidelijk afgebakend. Het betekent ook dat menselijke teams van uitvoerders veranderen in controleurs, beslissers, opleiders, correctors en systeemverbeteraars.
In een traditioneel bedrijf helpt AI een medewerker een e-mail op te stellen. In een AI-native organisatie neemt het systeem waar welk klantcontact opvolging vereist, stelt het een concept voor met context, controleert het bedrijfsgrenzen, suggereert het de volgende actie, wacht het op goedkeuring en actualiseert het klantgeschiedenis. Het verschil zit niet in de tekst, maar in de volledige flow.
In een traditioneel bedrijf gebruikt support AI om tickets samen te vatten. In een AI-native organisatie worden tickets geclassificeerd, verrijkt met historie, vergeleken met vergelijkbare gevallen, worden antwoorden voorgesteld met interne bronnen en patronen herkend. Repetitieve incidenten leiden tot automatische taken voor engineering.
In een traditioneel bedrijf vraagt marketing ideeën op te doen via een model. In een AI-native organisatie wordt het systeem gekoppeld aan zoekgegevens, historische prestaties, contentinventaris, lopende campagnes en de marketingkalender om een redactioneel plan te maken, concepten te genereren, varianten voor verschillende kanalen voor te bereiden en resultaten te meten.
De verkeerde maatstaf: gebruik versus impact
Een veelgemaakte vergissing is het meten van AI-adoptie met activiteitencijfers: aantal actieve licenties, prompts, maandelijkse gebruikers, pilots of aangemaakte agenten. Deze data laten zien of AI wordt gebruikt, maar niet of het het bedrijf verandert.
De belangrijke metrics zijn: cyclustijdverlaging, conversiestijging, foutreductie, backlog-afname, klanttevredenheid, operationele besparingen, toename in teamcapaciteit, resolutietijd, kwaliteit van documentatie en snelheid van deployment. AI moet beoordeeld worden als elke andere technologische investering: op impact, niet op enthousiasme.
McKinsey meldt dat slechts 39% van de ondervraagden een impact op EBITDA toeschrijft aan AI op bedrijfsniveau, en dat de meeste die impact rapporteren minder dan 5%. Tegelijkertijd zien veel respondenten kwalitatieve verbeteringen in innovatie, medewerkerstevredenheid, klanttevredenheid en concurrentievoordeel.
Deze mix verklaart het huidige moment: AI valt op, maar vertaalt zich niet altijd direct in financiële resultaten. De waarde bestaat, maar wordt niet goed gemeten of is verspreid. De volgende fase is het vertalen van persoonlijke voordelen naar proceswijzigingen en die weer naar financiële resultaten.
Een praktische gids om de blokkade te doorbreken
De eerste stap is het scheiden van inventaris en strategie. Weet welke tools je hebt, in welke teams, tegen welke kosten en voor welke taken. Veel organisaties ontdekken dat ze meer AI gebruiken dan ze denken, maar dat ze juist minder controle hebben dan nodig.
De tweede stap is het kiezen van processen, niet technologie. In plaats van «we gaan agenten deployen», is het beter om drie concrete processen te selecteren: leadkwalificatie, tickettriage, contractreview, interne support, financiële rapportage, incidentbeheer of contentupdate. Elk proces moet een bijbehorende bedrijfsmaatstaf hebben.
De derde stap is herontwerp vóór automatisering. Een slecht proces automatiseren versnelt de fouten. Verbeter stappen, versimp regels, verwijder onnodige goedkeuringen, orden data, definieer uitzonderingen en bepaal wanneer een medewerker moet ingrijpen.
De vierde stap is het opbouwen van een betrouwbare architectuur: minimale permissies, audits, evaluaties, logs, testomgevingen, versiebeheer van prompts en tools, menselijke review voor gevoelige acties en kostenmonitoring.
De vijfde stap is het vormen van hybride rollen. Bedrijfs-AI is niet alleen voor datawetenschappers. Verantwoordelijken voor processen, AI-producteigenaren, data-architecten, securityspecialisten, legal teams, UX-designers en gevorderde gebruikers die de vertaalslag maken van werk naar automatisering, zijn essentieel.
AI faalt niet door gebrek aan modellen, maar doordat nieuwe technologieën worden geïntroduceerd in oude organisaties zonder verdere vernieuwing. Licenties kopen was de eerste stap; de volgende is het herontwerpen van de weg.
Veelgestelde vragen
Waarom gebruiken veel bedrijven AI zonder dat het tot echte transformatie leidt?
Omdat ze het toepassen als individuele tool bovenop bestaande processen. Echte verandering gebeurt wanneer AI wordt geïntegreerd in workflows, data, permissies, metrics en operationele beslissingen.
Wat betekent het om een AI-native organisatie te zijn?
Het betekent processen, rollen en systemen zó in te richten dat AI veilig, meetbaar en integraal in de kernactiviteiten participeert. Het gaat niet alleen om modellen of licenties kopen.
Wat is het verschil tussen pilot en schaalvergroting van AI?
Een pilot test een specifieke toepassing. Schaalvergroting betekent het uitrollen naar meerdere functies, met governance, support, beveiliging, kostencontrole en metrics voor impact.
Zijn agents de volgende logische stap?
Ja, maar ze vereisen een goede architectuur. Agents moeten permissies hebben, gecontroleerde data toegang, audittrail, menselijke validatie en duidelijke grenzen aan wat ze mogen doen.
Wat is de eerste actie die een organisatie moet nemen?
Kies een hoog-impactproces, herontwerp het compleet met AI geïntegreerd, en meet de resultaten voordat je het model uitbreidt naar andere gebieden.