Waarom organisaties AI verkeerd implementeren. Met praktische tips!

In deze blog:
Introductie
1. “We moeten iets met AI doen”
2. AI zonder data strategie is als een auto zonder motor
3. De zoektocht naar de kip met de gouden eieren
4. Prioriteiten van je collega’s en mensen
5. Alles vibe-coden met GPT, Claude of Gemini
6. Los eerst eens de andere vijf problemen op
7. Management dat zelf nauwelijks met AI werkt
8. AI als containerbegrip gebruiken
9. Onrealistische deadlines en verwachtingen
Conclusie

De verwachtingen van AI zijn torenhoog. Daarom lijkt iedere managementvergadering tegenwoordig dezelfde agenda te hebben:

• “Hoe kunnen we meer AI implementeren?”
• “Onze concurrent gebruikt Claude, is dat ook iets voor ons?”
• “Kunnen we geen AI-agent ontwikkelen ter vervanging van onze HR-medewerker Judith?”
• “Moet onze volgende tactical hire een prompt-expert zijn?”

AI heeft ook enorme potentie. Sterker nog, ik denk dat AI de volgende technologische evolutie zal worden in het digitale tijdperk waar we nu inzetten. En daarom zoekt vrijwel iedere organisatie manieren hoe zij AI in hun voordeel kunnen gebruiken. Om processen te versnellen, kosten en overhead te verlagen of nieuwe kansen en groei aan te boren met onze AI-humanoids. Volgens Gartner staat Artificial Intelligence inmiddels bij een groot deel van de organisaties op de strategische agenda. De ‘AI Technology sandwich‘ van Gartner geeft al een goed beeld van het samenspel tussen Data & AI.

Maar AI is niet alleen een technologieprobleem. Het is vooral een organisatievraagstuk. En precies dat is de roze olifant in de kamer.

In de afgelopen 15 jaar heb ik veel organisaties geholpen met data, analytics, automatisering en digitale innovaties. Eerst als hands-on Data Analist, daarna als Data Specialist en later als Data Strategist. Wat mij elke keer opvalt is dat de technische uitdaging vaak niet het grootste probleem is.

De grootste uitdaging? Mensen, verwachtingen, prioriteiten, structuur, doorzettingsvermogen als het even tegenzit en ondersteuning van de visie door de Business Leaders.

Of kort gezegd: vaak willen bedrijven Formule 1 rijden terwijl de motor nog op een kratje in de garage ligt en de aanstaande coureur alleen nog stage heeft gelopen.

1. “We moeten iets met AI doen”

Veel organisaties benaderen AI alsof het een verplicht innovatieproject is. Er moet “iets” mee gedaan worden, want anders loop je achter op de markt. Je concurrent heeft al een betaalde enterprise-versie van OpenAI en je neefje weet meer van LLM’s dan jijzelf. Hierdoor ontstaat er vaak een situatie waarbij tools worden aangeschaft voordat duidelijk is welk probleem ze eigenlijk oplossen.

Dat is nooit een goed idee.

Innovatie werkt namelijk niet lineair. Zeker niet met AI. De markt verandert continu, modellen verbeteren maandelijks en workflows die vandaag modern zijn kunnen over drie maanden alweer achterhaald zijn. En je team heeft momenteel misschien meer behoefte aan duidelijkheid en structuur dan een nieuwe tool.

Daarom werkt een iteratieve aanpak vaak beter dan een groot strategisch masterplan van honderd pagina’s. (Ookal schrijven we dat masterplan natuurlijk ook graag voor je).

Experimenteer.
Test use-cases.
Meet resultaten.
Schaal op wat werkt.
En laat los wat niet werkt.

Dat laatste vinden organisaties vaak lastig. Zodra er budget, meetings en PowerPoint-slides aan hangen voelt stoppen als een mislukking. Terwijl snel stoppen soms juist een teken is van een verstandige keuze en daardoor kun je weer sneller nieuwe innovaties uitproberen.

Veel organisaties behandelen AI alsof ze direct een nieuwe ERP-implementatie starten, terwijl het in werkelijkheid veel dichter bij productontwikkeling of venture-building ligt.

En natuurlijk: een AI-tool introduceren zonder duidelijke use-case is een beetje alsof je een airfryer koopt en verwacht dat je automatisch maaltijden serveert van Michelin-sterren niveau.

2. AI zonder data strategie is als een auto zonder motor

We schreven er al eerder een blog over: “Maak van data je bedrijfs-motor voor strategie, processen en AI-toepassingen” – en deze blijft gewoon relevant.

Maar AI en Large Language Models zijn de volgende fase van digitale automatisering. Eerst digitaliseerden organisaties processen. Daarna kwamen dashboards, analytics en automatisering. Nu zitten we in de fase waarin AI en LLM’s processen slimmer proberen te maken.

Alleen vergeten veel organisaties één belangrijk detail:
AI is afhankelijk van de kwaliteit van je data-fundament.
Weet je niet waar je moet beginnen?
Overweeg eens een datawarehouse op te zetten.

Daarnaast ontstaat er zonder datastrategie vaak hetzelfde patroon:

• losse AI-tools;
• versnipperde data;
• onduidelijk eigenaarschap;
• shadow IT (niet goedgekeurde tools door IT die toch gebruikt worden);
• beperkte governance;
• het team weet niet wat de focus is;
• en geen lange termijnvisie.

Dan ben je in feite chaos aan het automatiseren.

Een goede datastrategie zorgt ervoor dat:

• data kwaliteit verbetert;
• kennis binnen de organisatie groeit;
• teams beter samenwerken;
• processen schaalbaar worden;
• en de organisatie leert omgaan met digitale verandering.

Maar daar zit ook meteen het probleem.

AI geeft snel zichtbare resultaten.
Een datastrategie bouwen kost discipline.

En discipline verkoopt nu eenmaal minder goed op LinkedIn.

Veel organisaties willen direct voorspellen met AI terwijl Excel-bestanden nog handmatig via e-mail worden doorgestuurd. Dat is een beetje alsof je full-self-drive wilt installeren op een auto zonder sensoren.

3. De zoektocht naar de kip met de gouden eieren

Dat AI de toekomst heeft, daar zijn de meeste mensen het inmiddels wel over eens.

Hoe die toekomst er exact uit gaat zien? Dat weet niemand.

Toch zie je veel organisaties zoeken naar AI-oplossingen die ineens alles gaan veranderen:

• kosten omlaag;
• productiviteit omhoog;
• minder personeel nodig;
• meer omzet;
• snellere processen.

Alsof ergens een magische knop bestaat die jarenlang organisatorisch gedoe ineens oplost.

In de eerste maanden van een AI-project lijkt vaak alles mogelijk. Presentaties zijn ambitieus, demo’s indrukwekkend en verwachtingen hoog. Totdat de realiteit langzaam terugkomt:
budgetten blijven bestaan, governance blijft nodig en collega’s blijken nog steeds gewoon op vakantie te gaan midden in een project.

Te hoge verwachtingen zorgen vaak voor euforie aan het begin en teleurstelling aan het einde. Verder ben ik gezellig op feestjes.

Maar dat betekent niet dat organisaties minder ambitieus moeten zijn. Integendeel. Dus bouw tegelijkertijd aan je fundament:

• datastructuur;
• processen;
• adoptie;
• kennis;
• governance;
• en digitale volwassenheid.

Want de organisaties die op lange termijn winnen zijn meestal niet degene die als eerste begonnen, maar degene die structureel blijven verbeteren. Zoals een opdrachtgever ooit eens tegen mij zei: “Wij zoeken iemand die onze organisatie data-aandacht geeft”. En dat blijft relevant; experimenteren, ownership nemen en vooruit proberen te gaan met nieuwe tools.

4. Prioriteiten van je collega’s en mensen

Vanuit het management klinkt AI vaak logisch.

“We gaan slimmer werken.”
“We gaan automatiseren.”
“We gaan efficiënter worden.”

Alleen vergeten management-team en organisaties soms dat medewerkers ondertussen ook gewoon hun normale werk proberen te doen. En al vaker reorganisaties hebben meegemaakt of onderdeel waren van een revolutionair project die stilletjes gestorven is. Daarnaast zijn we vooral druk met:

Meetings.
Afstemmingen.
Projecten.
Administratie.
Deadlines.
Verplichte trainingen.
Mails beantwoorden.
En tussendoor nog proberen een beetje focus over te houden.

Oh ja, en dan moeten we ook nog “aan dat AI-project werken”.

Zo werkt het in de praktijk meestal niet en krijgt AI niet de aandacht die het nodig heeft.

AI-adoptie mislukt vaak niet omdat de technologie slecht is, maar omdat organisaties vergeten rekening te houden met tijd, aandacht, motivatie en energie van hun eigen mensen.

AI moet je collega’s helpen.
Niet extra werk creëren.

Als medewerkers AI ervaren als een extra proces, of nog een nieuwe tool of meer administratie, dan ben je het draagvlak al kwijt voordat het project live staat.

Succesvolle AI-implementaties draaien daarom niet alleen om techniek, maar vooral om praktische toepasbaarheid in het dagelijks werk.

5. Alles vibe-coden met GPT, Claude of Gemini

Vibe-coding is momenteel populair. Niks mis mee. Zelf ben ik ook regelmatig aan het vibe-coden. Maar wel vaak voor de ‘ideation’-fase of voor het debuggen van mijn eigen geschreven code, het uitwerken van demo’s of het opzetten van front-ends die een goed idee geven van de functionaliteiten van het eind-product. Daarna is het vibe-coden wel echt klaar voor mij.

Soms gebruik ik wel nog cursor.ai om AI in te zetten als ik zelf individueel aan het programmeren ben in coding-bases maar als ik samenwerk met andere data-specialisten, developers of designers dan houd ik liever control over mijn eigen code en de hele coding-base.

Ik merk dat er door vibe-coden tegenwoordig wel een iets te romantisch beeld ontstaat van softwareontwikkeling.

Alsof je met een paar prompts ineens een schaalbaar SaaS-platform bouwt.

Softwareontwikkeling is namelijk veel meer dan alleen code genereren.

Het gaat ook over:

• architectuur;
• schaalbaarheid;
• security;
• onderhoudbaarheid;
• performance;
• gebruikerservaring;
• documentatie;
• toekomstige uitbreidingen;
• en technische keuzes die over drie jaar nog steeds logisch moeten zijn.

Onbewust, of bewust, hebben developers, project managers, gebruikers en product owners vaak veel meer eisen en wensen dan ooit in een prompt passen. En mocht het toch in een prompt passen dan is de solution weer net anders dan je zelf in gedachten hebt.

AI begrijpt context goed.
Maar niet alle context.

Ga dus niet je volledige productontwikkeling vibe-coden.

Voor debugging, prototypes en ondersteuning werkt het uitstekend.
Maar vertrouw niet volledig op automatische piloot.

Iemand die alleen een vliegtuig kan besturen op automatische piloot noem ik persoonlijk nog geen piloot waar ik comfortabel mee wil vliegen.

6. Los eerst eens de andere vijf problemen op

Soms willen organisaties AI implementeren terwijl de basisproblemen binnen de organisatie nog volledig openstaan.

De applicatiebeheerder loopt over van het werk.
Projecten missen structuur.
Deadlines schuiven continu op.
Backlogs blijven groeien.
Teams communiceren langs elkaar heen.
De trainee probeert vooral niet te verdrinken.
En ergens in het MT probeert iemand zijn eigen agenda er nog tussendoor doorheen te drukken.

Maar gelukkig hebben we nu een AI-tool.

AI lost organisatorische chaos niet automatisch op.

Sterker nog:
AI versterkt vaak bestaande processen.

Dus als je inefficiëntie automatiseert, krijg je meestal gewoon snellere inefficiëntie.

Een organisatie die moeite heeft met projectmanagement wordt niet ineens effectief doordat er een chatbot naast wordt gezet.

Dat betekent niet dat je eerst een perfecte organisatie moet zijn voordat je met AI begint. Dat bestaat namelijk niet. Maar wees wel transparant over waar je grootste knelpunten daadwerkelijk zitten.

Soms levert een betere projectstructuur meer op dan een nieuwe AI-tool.

7. Management zonder digitale geletterdheid

Veel managementteams zien AI absoluut als kans. Alleen ontbreekt er soms praktijkervaring. Zelf ben ik groot voorstander van “Act what you preach”. En als je vindt dat de organisatie meer met AI moet doen dan moet je als leider ook aan de slag.

Anders wordt AI iets wat “de organisatie” moet oppakken.
Of iets voor IT.
Of innovatie.
Of externen.
Of de stagiair.

Maar als management zelf nauwelijks met AI werkt, wordt het lastig om realistische verwachtingen te vormen. En een ChatGPT abonnement is niet voldoende om te claimen dat je ‘echt met AI werkt’.

Je hoeft geen machine learning engineer te zijn of AI Consultant.
Maar je moet wel begrijpen:

• waar AI sterk in is;
• waar het fout gaat;
• wat de beperkingen zijn;
• dat je data- & AI fundament moeten staan;
• hoe adoptie werkt;
• en welke processen daadwerkelijk geschikt zijn.

Ga zelf experimenteren.
Gebruik de tooling.
Test workflows.
Lees praktijkcases.
Bekijk waar andere organisaties succesvol zijn, en waar niet.
Faal.
Probeer opnieuw.

Want soms wordt AI besproken alsof het een magische zwarte doos is die tegelijkertijd kosten verlaagt, processen versnelt en die organisatie-breed ook direct geadopteerd wordt.

Dan loop je het risico beslissingen te nemen vanuit hype in plaats van kennis.

En dat zie je uiteindelijk terug in de kwaliteit van de implementatie.

8. AI als containerbegrip gebruiken

“AI” is inmiddels een verzamelnaam geworden voor ongeveer alles wat slim of geautomatiseerd klinkt.

Maar er zit nogal verschil tussen:

• Machine Learning;
• Large Language Models;
• RPA;
• AI Agents;
• voorspellende modellen;
• geautomatiseerde data pipelines;
• analytics;
• en klassieke automatisering.

Niet iedere oplossing heeft dezelfde toepassingen, risico’s of technische impact.

Veel AI-oplossingen vereisen bovendien nog steeds:

• menselijke controle;
• kwalitatieve data;
• monitoring;
• onderhoud;
• governance;
• en continue verbetering.

AI werkt namelijk niet los van je organisatie.
Het wordt gevoed door je data, processen, systemen en mensen.

Veel AI-projecten stranden omdat organisaties eerst een oplossing kiezen en daarna pas proberen uit te zoeken welk probleem erbij hoort.

9. Onrealistische deadlines en verwachtingen

“Diamonds are created under pressure.”

Klinkt fantastisch op een PowerPoint-slide.

Alleen meestal iets minder inspirerend om half elf ’s avonds tijdens een mislukte productie-deployment.

Veel AI-projecten worden onderschat.
Niet omdat de technologie onmogelijk is, maar omdat organisaties vergeten hoeveel afhankelijkheden erbij komen kijken:

• datastructuren;
• security;
• adoptie;
• verandermanagement;
• integraties;
• governance;
• verwachtingen;
• en interne besluitvorming.

Innovatie werkt zelden goed onder constante druk.

Korte feedbackloops werken meestal beter:

• kleine iteraties;
• duidelijke prioriteiten;
• evaluaties per twee weken;
• en continue communicatie.

Wacht niet drie maanden op een eindrapport waarin staat dat het project toch niet helemaal loopt zoals gepland.

Succesvolle AI-projecten ontstaan meestal niet door maximale druk, maar door consistente voortgang.

Conclusie

AI is geen wondermiddel.

Het is een versneller.

Van goede processen.
Van sterke teams.
Van kwalitatieve data.
Van duidelijke strategie.
En van organisaties die bereid zijn structureel te investeren in digitale volwassenheid.

De organisaties die AI succesvol implementeren zijn meestal niet degene die het hardst roepen dat ze “iets met AI doen”, maar degene die begrijpen dat technologie zonder fundament zelden duurzaam voordeel oplevert.

Bij SPECTS ondersteunen we organisaties met innovatie, digitalisering en het slim inzetten van data en AI. Daarbij geloven we niet in standaardoplossingen of hypegedreven implementaties.

Elke organisatie is uniek.
En succesvolle technologische innovatie dus ook.