Zijn we klaar voor AI?Dat is de verkeerde vraag

De valkuil van eerst klaar willen zijn

We horen vaak hetzelfde: we moeten eerst orde op zaken stellen voor we met AI beginnen. De data moet opgekuist worden, het oude systeem vervangen, iedereen moet een opleiding volgen. Het klinkt verantwoord. In de praktijk gebeurt er dan vaak een jaar lang niets, terwijl concurrenten leren door te doen.

Readiness assessments en maturiteitsscans kunnen nuttig zijn, maar ze worden al snel een project op zich. Je eindigt met een rapport dat zegt dat je nog niet klaar bent, en een lijst met dingen die je eerst moet oplossen voor je mag beginnen.

Waarom het de verkeerde vraag is

Niemand is klaar voor AI in het algemeen, want AI in het algemeen bestaat niet in je bedrijf. Wat wel bestaat: de manier waarop bestellingen binnenkomen, hoe een offerte tot stand komt, hoe een klacht opgevolgd wordt. Elk van die processen heeft zijn eigen data, zijn eigen uitzonderingen en zijn eigen mensen. Het ene is misschien morgen klaar, het andere pas over twee jaar.

Vragen of het bedrijf klaar is, is als vragen of een huis klaar is voor een renovatie. Het antwoord hangt af van de kamer waarmee je begint.

De betere vraag

Vraag liever: welk proces kost ons team de meeste tijd, en wat is er nodig om net dat proces beter te laten lopen? Op die vraag bestaat een concreet antwoord. Je kunt bekijken hoe het werk vandaag loopt, waar het vastloopt en welke data dat proces echt nodig heeft.

Vaak is het antwoord kleiner dan verwacht. Wil je AI binnenkomende bestellingen laten lezen, dan moeten je artikellijst en je klantenlijst bruikbaar zijn. Tien jaar archief hoef je niet eerst op te kuisen.

Data: goed genoeg voor één flow

Datakwaliteit is belangrijk, maar alleen voor de data die de flow raakt. Bestaat een klant drie keer onder verschillende namen, dan moet iemand beslissen welke de juiste is. Het systeem kan helpen door samenvoegingen voor te stellen. Dat werk doe je tijdens het bouwen, het is geen voorwaarde om te mogen beginnen.

Hetzelfde geldt voor oude software. Veel bedrijven draaien op systemen van vijftien jaar oud. Soms kun je ze koppelen, soms moet een deel opnieuw gebouwd worden. Dat wordt duidelijk als je één flow in kaart brengt, niet als je het hele bedrijf doorlicht.

Mensen leren door het te gebruiken

Opleiding helpt, en de AI Act vraagt bedrijven om maatregelen te nemen voor de AI geletterdheid van hun mensen. Maar de beste opleiding is werken met een systeem dat je helpt in je eigen werk, met duidelijke regels over wat AI mag doen en waar een mens beslist. Wie ziet dat AI het werk overneemt dat hij niet graag doet, wordt de sterkste voorstander van de volgende stap.

Wat de cijfers zeggen

Grote studies komen telkens tot hetzelfde besluit: AI projecten mislukken zelden door de technologie. In 2025 meldde het NANDA initiatief van MIT dat ongeveer 95% van de onderzochte pilots met generatieve AI geen meetbaar effect had op winst en verlies. De pilots die wel slaagden, waren afgebakend, ingebouwd in het echte werk en gemeten op resultaten. Dat is geen reden om te wachten. Het is een reden om klein en concreet te beginnen.

Signalen dat je te lang wacht

Op elk directieoverleg komen dezelfde klachten terug, maar het plan blijft om eerst de data op orde te brengen. Een jaar geleden is er een maturiteitsscan gedaan, en sindsdien is er niets gebouwd. Mensen gebruiken al op eigen houtje gratis AI tools, zonder richtlijnen, omdat het bedrijf niets beters heeft aangeboden. Telkens is wachten dan duurder dan het risico van beginnen.

Dat betekent niet dat je overhaast moet beginnen. Wel dat de eerste stap klein genoeg moet zijn om volgende maand te starten, en concreet genoeg om te meten of hij gewerkt heeft.

Zo ziet een goed eerste project eruit

Een goed eerste project heeft een duidelijke eigenaar, komt vaak voor, kost een meetbare hoeveelheid tijd en houdt het risico per fout beperkt. Binnenkomende bestellingen lezen, mails aan het juiste dossier koppelen of onbeantwoorde offertes opvolgen zijn typische voorbeelden. Een AI strategie voor het hele bedrijf schrijven is dat niet.

Spreek vooraf af hoe je succes meet: bespaarde uren, mails die zonder tussenkomst van een mens afgehandeld worden, vermeden fouten. Na enkele maanden heb je echte cijfers, een team dat weet wat AI wel en niet kan, en een basis van koppelingen en regels die het volgende proces kan hergebruiken.

Hoe je dan wel begint

Kies één proces. Breng samen met de mensen die het werk doen in kaart hoe het echt loopt. Beslis per stap wat er nodig is: AI, gewone software of helemaal niets. Bouw de eerste stap, meet het resultaat en gebruik wat je leert voor de volgende. Zo wordt klaar zijn niet iets waarop je wacht, maar iets wat je bouwt, flow per flow.