AI-projecten zijn niet genoeg: bouw aan organisatievermogen

Organisaties investeren volop in kunstmatige intelligentie. Ze schaffen licenties aan, starten pilots en ontwikkelen chatbots of assistenten voor specifieke werkprocessen. Toch blijft de opbrengst vaak moeilijk aan te wijzen. De technologie werkt, medewerkers gebruiken haar en er ontstaan veelbelovende toepassingen, maar de verwachte productiviteitswinst is nog niet altijd zichtbaar.

Dat leidt gemakkelijk tot twee tegengestelde conclusies. De ene organisatie vindt dat AI wordt overschat en trekt zich terug. De andere start juist nog meer experimenten, in de hoop dat één daarvan alsnog een overtuigende businesscase oplevert.

Beide reacties gaan voorbij aan een belangrijker onderscheid. Niet het aantal projecten bepaalt of een organisatie vooruitgaat, maar wat zij tussen die projecten door opbouwt.

Waarom levert AI niet direct zichtbaar rendement op?

Nieuwe technologie vraagt bijna altijd om aanvullende investeringen die minder goed zichtbaar en meetbaar zijn dan de technologie zelf. Organisaties moeten hun processen aanpassen, medewerkers opleiden, informatie op orde brengen en nieuwe manieren ontwikkelen om kwaliteit en risico’s te beoordelen.

Economen Erik Brynjolfsson, Daniel Rock en Chad Syverson beschrijven dit als de productivity J-curve. De invoering van een breed toepasbare technologie kan aanvankelijk juist leiden tot extra kosten en een lagere gemeten productiviteit. De organisatie investeert dan niet alleen in software, maar ook in processen, vaardigheden en andere minder tastbare vormen van kapitaal. De opbrengsten worden vaak pas later zichtbaar.

Bij AI speelt dit sterk. Een goed werkende toepassing vraagt niet alleen om een geschikt model, maar ook om betrouwbare kennis, duidelijke verantwoordelijkheden, evaluatiemethoden, beveiliging, gebruikersonderzoek en aansluiting op bestaande werkprocessen.

De kosten daarvan komen eerder dan de baten. Dat betekent niet dat ieder verlieslatend AI-programma uiteindelijk succesvol wordt. Het betekent wel dat rendement op korte termijn onvoldoende zegt over de kwaliteit van de ontwikkeling.

Drie manieren waarop organisaties met AI omgaan

Azeem Azhar en Nathan Warren werken deze gedachte verder uit in een model voor AI-adoptie. Zij onderscheiden drie typen organisaties: de begrensde toepasser, de projectverzamelaar en de systeembouwer. De precieze benamingen zijn minder belangrijk dan het verschil in leervermogen.

De organisatie die na het eerste succes stopt

De eerste organisatie vindt een toepassing die werkt, neemt deze in gebruik en beschouwt het traject vervolgens als afgerond.

Dat kan op korte termijn verstandig lijken. De toepassing levert waarde op en verdere investeringen brengen onzekerheid met zich mee. Het risico is echter dat de organisatie AI behandelt als een afgebakende oplossing, terwijl het een technologie is met veel meer mogelijke toepassingen.

Er ontstaat een werkende toepassing, maar nauwelijks breder organisatievermogen.

De organisatie die projecten verzamelt

De tweede organisatie blijft experimenteren. Verschillende afdelingen starten pilots, externe partijen ontwikkelen toepassingen en regelmatig wordt een nieuw platform of model onderzocht.

Toch begint ieder project min of meer opnieuw. Kennis over wat wel en niet werkte, wordt niet systematisch overgedragen. Evaluatiemethoden verschillen per team. Gegevens worden opnieuw ontsloten en dezelfde privacy- en governancevragen keren telkens terug.

Zo’n organisatie doet veel met AI, maar wordt er niet noodzakelijk beter in.

Activiteit kan dan gemakkelijk worden aangezien voor vooruitgang.

De organisatie die een systeem bouwt

De derde organisatie gebruikt ieder project om haar vermogen voor volgende toepassingen te vergroten.

Een experiment levert dan niet alleen een chatbot, agent of automatisering op. Het levert ook herbruikbare kennis, beter georganiseerde informatie, aangescherpte beoordelingscriteria, duidelijkere verantwoordelijkheden en meer ervaring bij medewerkers op.

Daardoor begint het volgende project niet opnieuw bij nul. Het bouwt voort op wat eerder is geleerd.

Dat is het verschil tussen AI-toepassingen ontwikkelen en als organisatie leren werken met AI.

Wat is organisatievermogen rond AI?

Organisatievermogen rond AI is het geheel van kennis, infrastructuur, afspraken en vaardigheden waarmee een organisatie AI verantwoord kan selecteren, ontwikkelen, beoordelen en verbeteren.

Dat vermogen bestaat onder meer uit:

• toegankelijke en betrouwbare organisatiekennis;

• duidelijke doelen en afgebakende gebruikssituaties;

• afspraken over eigenaarschap en verantwoordelijkheid;

• methoden om antwoorden en uitkomsten te evalueren;

• inzicht in gebruik, prestaties en risico’s;

• privacy- en beveiligingsmaatregelen;

• medewerkers die de mogelijkheden en beperkingen begrijpen;

• technische onderdelen die bij volgende toepassingen opnieuw gebruikt kunnen worden.

Deze elementen zijn minder zichtbaar dan een nieuwe toepassing. Toch bepalen zij in hoge mate of AI duurzaam onderdeel wordt van het werk.

Een organisatie die haar informatie niet op orde heeft, krijgt met AI sneller toegang tot diezelfde wanorde. Een organisatie zonder duidelijk eigenaarschap automatiseert niet alleen werk, maar ook onduidelijkheid. En een organisatie die resultaten niet kan evalueren, kan een overtuigend antwoord moeilijk onderscheiden van een betrouwbaar antwoord.

Een geslaagd project kan organisatorisch toch weinig opleveren

Bij AI-trajecten wordt succes vaak beoordeeld aan de hand van de directe toepassing. Werkt de chatbot? Bespaart de assistent tijd? Zijn gebruikers tevreden? Worden er voldoende gesprekken gevoerd?

Dat zijn relevante vragen, maar ze geven slechts een deel van het beeld.

Een project kan een bruikbare toepassing opleveren zonder dat de organisatie zelf veel leert. Dat gebeurt bijvoorbeeld wanneer kennis, techniek en besluitvorming grotendeels bij een externe leverancier blijven. Zodra het project eindigt, verdwijnt een belangrijk deel van het opgebouwde inzicht met het projectteam.

Het omgekeerde is eveneens mogelijk. Een pilot kan worden stopgezet en toch waardevol zijn wanneer de organisatie daardoor beter begrijpt welke gegevens nodig zijn, welke processen niet geschikt zijn voor automatisering of aan welke voorwaarden een volgende toepassing moet voldoen.

Een mislukt experiment binnen een lerend systeem kan meer waarde opleveren dan een geslaagd experiment dat nergens op voortbouwt.

Welke signalen laten zien dat een organisatie werkelijk leert?

In de eerste jaren kunnen een lerende organisatie en een verzameling losse projecten sterk op elkaar lijken. Beide investeren, experimenteren en maken fouten. Het verschil wordt zichtbaar in wat na ieder project achterblijft.

Vier vragen helpen om dat verschil te herkennen.

Bouwt een nieuw project voort op eerder werk?

Worden kennisbronnen, evaluatiemethoden, beveiligingsmaatregelen en technische koppelingen opnieuw gebruikt? Of ontwerpt ieder team zijn eigen aanpak?

Herbruikbaarheid is geen puur technisch vraagstuk. Ook afspraken, werkwijzen en begrippen kunnen een gedeelde basis vormen.

Wordt kennis binnen de organisatie opgebouwd?

Externe expertise kan nodig en waardevol zijn. Maar wanneer ieder nieuw traject volledig afhankelijk is van een nieuwe groep adviseurs of ontwikkelaars, blijft het leervermogen buiten de organisatie.

Een goed traject versterkt daarom ook het vermogen van medewerkers om toekomstige keuzes zelf beter te beoordelen.

Wordt vastgelegd waarom iets werkt of niet werkt?

Veel organisaties registreren welke projecten lopen, maar niet welke aannames zijn getoetst, waarom een toepassing is gestopt of welke lessen moeten worden meegenomen.

Zonder die terugkoppeling ontstaat geen leerproces, maar alleen een projectenarchief.

Wordt de volgende toepassing aantoonbaar eenvoudiger?

Naarmate het organisatievermogen groeit, zouden nieuwe AI-toepassingen sneller en zorgvuldiger ontwikkeld moeten kunnen worden. Niet doordat er minder aandacht nodig is, maar doordat belangrijke vragen niet telkens opnieuw hoeven te worden uitgevonden.

Waarom dit voor Europese organisaties extra belangrijk is

Europese organisaties moeten AI niet alleen effectief, maar ook aantoonbaar verantwoord inzetten. Privacy, informatiebeveiliging, transparantie, menselijk toezicht en governance zijn geen toevoegingen achteraf. Ze maken deel uit van de werking van het systeem.

Dat kan de invoering aanvankelijk vertragen. Tegelijkertijd dwingt het organisaties om explicieter na te denken over doelen, verantwoordelijkheden en informatiekwaliteit.

Wanneer deze randvoorwaarden per project opnieuw worden geregeld, worden zij vooral als lasten ervaren. Wanneer ze onderdeel worden van een gedeeld organisatorisch en technisch fundament, maken ze volgende toepassingen juist eenvoudiger en veiliger.

Verantwoorde AI is dan niet uitsluitend een kwestie van naleving. Het wordt een vorm van opgebouwd organisatievermogen.

Van losse toepassingen naar een blijvende AI-basis

Bij Schmuki zien we AI daarom niet als een opeenvolging van afzonderlijke tools. Een chatbot, kennisassistent of agent kan waardevol zijn, maar de toepassing is slechts één zichtbare uitkomst van een groter systeem.

Daaronder liggen de kennis van de organisatie, de werkprocessen waarin die kennis wordt gebruikt, de afspraken over verantwoordelijkheid en de technische omgeving waarin AI veilig kan functioneren.

Onze rol is om die lagen met elkaar te verbinden. We beginnen bij het domein, het werk en de mensen die ermee werken. Vervolgens bouwen we toepassingen die niet alleen een direct vraagstuk oplossen, maar ook bijdragen aan een basis waarop de organisatie verder kan ontwikkelen.

Daarbij werken we voor veel trajecten met WiseWare: een veilige AI-omgeving waarin organisatiekennis, processen, AI-assistenten en beheer samenkomen. Niet als doel op zichzelf, maar als fundament waarop toepassingen kunnen worden ontwikkeld, gevolgd en verbeterd.

Zo wordt ieder traject onderdeel van een langere ontwikkeling.

De belangrijkste opbrengst is wat achterblijft

De vraag wat een AI-project heeft opgeleverd, blijft belangrijk. Organisaties moeten kunnen beoordelen of een investering waarde toevoegt en of een toepassing in de praktijk werkt.

Maar zeker in een vroege fase is een tweede vraag minstens zo belangrijk:

Wat kan de organisatie na dit project beter dan ervoor?

Is de kennis beter toegankelijk? Zijn verantwoordelijkheden duidelijker? Kan de kwaliteit van uitkomsten beter worden beoordeeld? Begrijpen medewerkers beter waar AI wel en niet geschikt voor is? Kan een volgende toepassing voortbouwen op wat al bestaat?

Wie alleen toepassingen verzamelt, blijft afhankelijk van het volgende project.

Wie organisatievermogen opbouwt, maakt ieder volgend project kansrijker.

Bronnen

Nathan Warren en Azeem Azhar, For AI adopters, success and failure look identical — at first: Modelling the AI J-curve, Exponential View, 30 juli 2026.

Erik Brynjolfsson, Daniel Rock en Chad Syverson, The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, American Economic Journal: Macroeconomics, 2021.

Erik Brynjolfsson, Daniel Rock en Chad Syverson, Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics, 2017/2019.