Een team ziet een demo, iemand neemt een abonnement en een paar weken later staat er een nieuwe tool naast alle andere tools. Er is even enthousiasme, maar het proces verandert nauwelijks. Niet omdat de technologie niets kan, maar omdat niemand vooraf heeft bepaald welk probleem ermee opgelost moest worden.

Dat patroon zie ik vaak bij AI-implementaties. We praten snel over modellen, agents en automatiseringen, terwijl de echte kans meestal een stuk eenvoudiger begint: bij terugkerend werk dat te veel tijd kost, kennis die moeilijk vindbaar is of een overdracht waarop mensen telkens moeten wachten.

De toolvraag komt te vroeg

De vraag ‘Welke AI-tool hebben we nodig?’ klinkt concreet, maar slaat een belangrijke stap over. Zonder helder beeld van het werk kun je niet beoordelen of een tool iets verbetert. Je weet dan ook niet wat je moet meten, wie eigenaar is en wanneer een experiment geslaagd is.

Ik begin daarom liever met het proces. Waar verdwijnt tijd? Waar wordt informatie opnieuw overgetypt? Welke vragen worden iedere week opnieuw gesteld? Waar hangt de kwaliteit te veel af van één persoon? Zulke vragen brengen niet alleen mogelijke AI-toepassingen naar boven. Ze laten ook zien waar een gewone procesverbetering soms al genoeg is.

Een goede eerste AI-toepassing hoeft niet spectaculair te zijn. Ze moet maandag bruikbaar zijn.

Vier signalen van een sterke eerste use-case

Niet ieder probleem is een goed startpunt. Een eerste use-case werkt vooral goed wanneer hij klein genoeg is om te controleren en belangrijk genoeg is om verschil te maken. Ik let meestal op vier signalen:

  • Het werk komt vaak terug. Een kleine tijdwinst telt daardoor iedere week opnieuw op.
  • Er is een duidelijke eigenaar. Iemand kent het proces, kan feedback geven en voelt het resultaat.
  • De frictie is meetbaar. Denk aan doorlooptijd, zoekwerk, fouten, wachttijd of het aantal handmatige stappen.
  • Het risico is af te bakenen. De output kan worden gecontroleerd voordat AI zelfstandig grotere beslissingen beïnvloedt.

Een interne kennisassistent kan bijvoorbeeld sterk zijn als medewerkers dagelijks zoeken in dezelfde beleidsdocumenten. Een agent die zonder controle klantbeslissingen neemt, is meestal geen verstandig eerste experiment. De mogelijke impact is groter, maar het leerproces wordt ook veel moeilijker en riskanter.

Begin klein, maar niet vrijblijvend

‘Klein beginnen’ wordt soms vertaald als vrijblijvend experimenteren. Dan maakt iemand tussendoor een prototype, probeert het team het één keer en verdwijnt het stilletjes. Een klein experiment wordt pas waardevol als vooraf duidelijk is wat je wilt leren.

Kies één workflow, leg de huidige situatie vast en spreek een korte testperiode af. Meet daarna niet alleen of de techniek werkt, maar ook of mensen haar vertrouwen, begrijpen en daadwerkelijk gebruiken. Een prototype dat technisch indrukwekkend is maar extra handelingen veroorzaakt, heeft het proces niet verbeterd.

Wanneer coaching overgaat in bouwen

Daarom start ik vaak met een coachingtraject rond echte workflows. Het leiderschapsteam leert niet alleen wat AI kan, maar gebruikt het direct om eigen werk te onderzoeken. Zo ontstaat intern begrip én wordt zichtbaar welke toepassing de investering waard is.

Vanaf dat punt zijn er drie gezonde uitkomsten. We stoppen omdat het probleem geen AI nodig heeft. We dragen een werkende aanpak over aan het team. Of we bouwen verder aan een automatisering, agent of interne AI-tool. Ook stoppen kan dus een goed resultaat zijn: je hebt dan vroeg geleerd en voorkomt een duur project zonder duidelijke waarde.

Een praktisch startpunt voor je volgende overleg

Wil je binnen je organisatie met AI beginnen, zet dan niet als eerste de nieuwste tools op de agenda. Vraag ieder teamlid om één terugkerend moment te noemen waarop werk blijft liggen, informatie ontbreekt of onnodig veel handwerk ontstaat. Kies daarna samen één proces dat vaak voorkomt, een duidelijke eigenaar heeft en veilig getest kan worden.

Dat gesprek levert misschien geen spectaculaire AI-strategie op. Wel iets waardevollers: een eerste toepassing waarvan iedereen begrijpt waarom ze bestaat. En precies daar begint implementatie die blijft hangen.