AI demo of AI in productie:waarom de kloof zo groot is

De demo van één namiddag

Nog nooit was het zo makkelijk om een indrukwekkende AI demo te bouwen. Je laadt een paar documenten op, schrijft een goede prompt, en binnen het uur beantwoordt een chatbot vragen over je contracten. De directie is enthousiast, iemand zegt dat dit honderden uren gaat besparen, en een project is geboren.

Dan komt de realiteit. Zes maanden later is de demo nog altijd een demo. Hij werkt zolang de bouwer hem zelf gebruikt, op de documenten waarmee hij getest is. Voor de rest van het bedrijf is hij niet betrouwbaar genoeg om op te rekenen. Dat patroon zie je vaak: in 2025 meldde het NANDA initiatief van MIT dat ongeveer 95% van de onderzochte generatieve AI pilots geen meetbaar effect had op winst en verlies. Veel bedrijven staan daardoor wantrouwig tegenover AI. Jammer, want het probleem ligt zelden bij de AI.

Wat een demo overslaat

Een demo draait op nette voorbeelden. In het echte werk komen documenten scheef ingescand binnen, staan er drie vragen in één mail en wordt een klantnaam op vier manieren gespeld. Een demo beantwoordt één vraag per keer. In productie moet het systeem weten over welke klant, welk project en welk dossier een vraag gaat. En die informatie zit in je ERP, je mailbox en op een gedeelde schijf.

Een demo heeft geen gevolgen. Geeft hij een fout antwoord, dan wordt er gelachen. In productie betekent een fout antwoord een verkeerde prijs voor een klant of een gemiste deadline. Dat verandert alles aan de manier waarop je bouwt.

Data en context

De meeste moeite gaat naar de juiste informatie op het juiste moment bij het model krijgen. Welke documenten zijn actueel? Welke versie van de prijslijst geldt voor deze klant? Wie mag wat zien? Een model is maar zo goed als de context die het krijgt, en die context betrouwbaar opbouwen is echt softwarewerk.

Daarom werkt een systeem dat in je eigen software is ingebouwd beter dan een losse chattool. Het weet welk dossier je open hebt en haalt precies de data op die ertoe doet, zonder alles te moeten doorzoeken.

Uitzonderingen zijn het echte werk

De eerste 80% van de gevallen is makkelijk. In de laatste 20% kruipt de tijd: de bestelling zonder referentie, de factuur in een andere munt, de klant die antwoordt in een mailthread van vorig jaar. Een productiesysteem moet duidelijk weten wat het doet met iets wat het niet begrijpt. Meestal geeft het dat door aan een medewerker, met alle context erbij.

Wij ontwerpen van bij de start voor uitzonderingen. Het doel is geen systeem dat nooit een mens nodig heeft, wel een systeem waarin mensen alleen nog afhandelen wat hen echt nodig heeft.

Controle en vertrouwen

Mensen vertrouwen alleen op een systeem dat ze kunnen controleren. In productie moet elk AI voorstel tonen waar het vandaan komt, zodat iemand het in enkele seconden kan nakijken. Acties die ertoe doen, krijgen een goedkeuringsstap. En loopt er iets mis, dan moet je kunnen zien wat er gebeurd is en het kunnen terugdraaien.

Vertrouwen groeit stap voor stap. Begin met voorstellen die mensen goedkeuren. Ligt het goedkeuringspercentage voor een bepaald soort taak hoog, dan kun je afspreken dat het systeem die taken zelf afhandelt, binnen duidelijke grenzen.

Elke dag draaiende houden

Productie betekent ook monitoring, updates en support. Modellen veranderen, je processen veranderen, er duiken nieuwe soorten documenten op. Iemand moet de kwaliteit bewaken, feedback opvolgen en het systeem verbeteren. Een goed systeem leert uit correcties, maar alleen als je die correcties bewust vastlegt.

De menselijke kant

Een demo wordt gebouwd door één enthousiaste persoon. Een productiesysteem wordt gebruikt door mensen die er niet om vroegen en die hun werk moeten doen. Zij moeten begrijpen wat het systeem doet, erop kunnen vertrouwen en weten wat ze moeten doen als het zich vergist. Dat betekent: ze vroeg betrekken, bouwen rond hoe ze nu al werken en tonen dat het systeem hun dag makkelijker maakt, niet dat het hen meer controleert.

Onze ervaring: de teams die AI het snelst omarmen, zijn de teams die het mee vorm gaven. Naast mensen gaan zitten terwijl ze werken, nog voor er een regel code geschreven is, bespaart je later maanden.

Signalen dat je vastzit in demomodus

Het systeem werkt alleen als de bouwer het zelf gebruikt. Niemand kan zeggen hoe vaak het juist zit. Het is niet gekoppeld aan de software waarin het werk gebeurt, dus mensen nemen resultaten met de hand over. Na het project is er geen eigenaar. Herken je er twee of meer? Dan is de volgende stap geen betere demo, maar een kleinere scope die je tot in productie brengt.

Meet vanaf dag één

Spreek voor je bouwt af hoe je zult weten dat het werkt. Hoeveel documenten moet het systeem zelf afhandelen? Hoe vaak mag iemand het nog corrigeren? Hoeveel tijd moet het per week besparen? Zonder die cijfers wordt elke discussie over het project een kwestie van mening. Met die cijfers zie je de vooruitgang sprint na sprint en beslis je op basis van feiten wanneer het systeem klaar is voor meer werk.

Meten beschermt ook het project. Zegt iemand dat de AI een fout maakte, dan zie je meteen of het om één geval op duizend gaat of om een patroon dat het oplossen waard is.

Hoe je de kloof overbrugt

Begin niet met een brede demo die van alles een beetje doet. Kies één afgebakende flow die ertoe doet en breng die volledig tot in productie: gekoppeld aan je software, met goedkeuringen, uitzonderingen en monitoring. In week één ziet dat er minder spectaculair uit, maar na een paar maanden heb je iets wat je team elke dag gebruikt.

Die eerste flow legt meteen de basis voor de volgende: de koppelingen, de toegangsrechten en de manier waarop mensen met voorstellen werken. De tweede flow gaat sneller, de derde nog sneller. Zo wordt AI een vast onderdeel van hoe een bedrijf werkt, en niet een demo die bezoekers blijft imponeren.