AI implementeren in je bedrijf: van pilot naar dagelijks gebruik
AI implementeren lukt wanneer je één proces kiest, eerst je data nakijkt, de tool inbouwt in de workflow die je team al gebruikt en iemand uit de business verantwoordelijk maakt voor het resultaat. Dat klinkt simpel, en toch stranden de meeste AI-projecten precies daar: tussen een knappe demo en iets dat elke dag draait.
Waarom stranden zoveel AI-projecten?
Omdat de demo het makkelijke deel is. Volgens McKinsey gebruikt 88% van de organisaties intussen ergens AI, terwijl bijna twee derde het nog nergens bedrijfsbreed opschaalt. Deloitte becijferde dat amper een kwart van de organisaties minstens 40% van zijn AI-pilots tot in productie krijgt.
En dan is er het beruchte “95% van de AI-pilots faalt”. Dat cijfer komt uit een voorlopig MIT-rapport dat stevig bekritiseerd is op zijn methode; het mat bovendien iets specifiekers, namelijk hoeveel organisaties geen meetbaar rendement zagen op hun GenAI-pilots. Neem het als signaal in plaats van als natuurwet. Het patroon achter al die cijfers is wel consistent: projecten sterven zelden aan de technologie. Ze sterven aan een demo die los van de echte systemen draait, waar niemand eigenaar van is en die gemeten wordt op “werkt het model” in plaats van op gewonnen uren.
Welk proces kies je voor je eerste AI-project?
Eén proces dat repetitief is, volgens regels verloopt en vaak genoeg voorkomt om uren op te leveren. Hoe je die keuze maakt, werkten we eerder uit in ons artikel over AI-automatisering voor kmo’s. Voor de implementatie zelf komt er één eis bij: spreek vooraf af waaraan je succes afmeet. Uren per week, doorlooptijd van een dossier, foutenpercentage. Met een doel als “ervaring opdoen met AI” kan je achteraf niet zeggen of het gelukt is.
Is je data klaar voor AI?
Dit is de vraag die het vaakst wordt overgeslagen en het duurst uitvalt. Gartner voorspelt dat tot en met 2026 zo’n 60% van de AI-projecten die niet op AI-klare data steunen, wordt opgegeven, en stelde vast dat 63% van de organisaties de bijbehorende datapraktijken mist of er niet zeker van is die te hebben. De praktische checklist voor een kmo:
- Waar leeft de data? Eén systeem, of verspreid over mailboxen, spreadsheets en een boekhoudpakket?
- Is ze consistent? Heet dezelfde klant overal hetzelfde, of bestaat hij drie keer met drie schrijfwijzen?
- Wie is eigenaar? Als niemand verantwoordelijk is voor de kwaliteit van de klantendata, wordt de AI dat ook niet.
Slechte data hoeft het project niet te blokkeren. Vaak is het opruimen ervan de eerste, onsexy stap van het AI-project zelf.
Hoe geraak je van demo naar dagelijks gebruik?
Door vanaf dag één in het echte werk te bouwen in plaats van ernaast. De aanpak die bij ons werkt:
- Bouw de kleinste versie die de taak van begin tot einde aflegt, binnen de tools die je team al gebruikt. Een AI die facturen leest maar waarvan iemand de output handmatig moet overzetten, blijft een halve oplossing.
- Laat oud en nieuw een tijd naast elkaar lopen en vergelijk de resultaten. Zo bouw je vertrouwen op met cijfers in plaats van met beloftes.
- Wijs een eigenaar aan in de business. Wie het werk kent, bewaakt het resultaat; de bouwer bewaakt de techniek.
- Investeer in de mensen. BCG vat de verhouding samen als 10-20-70: 10% van het werk zit in de algoritmes, 20% in technologie en data, 70% in mensen en processen. De meeste bedrijven budgetteren precies omgekeerd.
Datzelfde BCG-onderzoek bij duizend bedrijven vond dat maar 26% de stap van proof of concept naar tastbare waarde zet. Het verschil zit zelden in welk model ze kozen.
Wie controleert wat de AI doet?
Iemand, altijd, en hoe streng hangt af van het risico. Een bruikbare ladder:
- Mens keurt goed: de AI stelt voor, een mens bevestigt vóór er iets vertrekt. Voor alles met geld, contracten of klanten.
- Mens kijkt mee: de AI handelt zelf, een mens controleert steekproeven en kan terugdraaien. Voor omkeerbaar werk met laag risico.
- AI werkt binnen vaste grenzen: alleen voor hoog volume en laag risico, zoals documenten archiveren of labelen.
Sla je die controle over, dan verschuif je het werk in plaats van het te besparen. Onderzoekers van BetterUp en Stanford beschreven in HBR hoe 40% van de bevraagde kantoorwerkers AI-output ontving die er degelijk uitziet maar het werk niet vooruithelpt; het herstellen kostte gemiddeld bijna twee uur per geval.
Hoeveel tijd en budget kost een eerste AI-implementatie?
Voor een afgebakend proces bij een kmo praat je over weken, met de integratie in je bestaande systemen als grootste brok werk. De budgetvraag beantwoordden we in ons artikel over AI-automatisering; wat daar nog bij hoort: koop wat standaard is en laat alleen bouwen wat met jouw werking verweven zit. Ook het MIT-rapport, met alle kanttekeningen erbij, zag aangekochte en extern gebouwde oplossingen ruwweg dubbel zo vaak slagen als volledig interne bouwsels.
Hoe meet je of het werkt?
Met de meetlat die je vóór de start vastlegde. Vergelijk de parallelperiode: uren, doorlooptijd, fouten. Haalt het project zijn cijfers, breid dan uit naar de volgende workflow. Haalt het ze niet, stop dan en neem de les mee. Een gestopte pilot van enkele weken is een goedkoop inzicht; een zombiepilot die maanden blijft sudderen, is dat niet.
Zit je met een AI-pilot die maar niet uit de demofase raakt, of wil je er meteen goed aan beginnen? Stuur ons een korte beschrijving van wat je wil automatiseren; je hoort welke route wij zouden nemen en waar de valkuilen voor jouw geval zitten.