In dit inzicht
Voor wie is dit inzicht?
Voor bedrijven waar AI-tools intussen beschikbaar zijn maar het moeilijk blijft om aan te wijzen welke terugkerende workflow er aantoonbaar beter door is geworden.
Een bedrijf koopt een AI-licentie en medewerkers beginnen te experimenteren.
Na een tijdje schrijft iemand zijn mails sneller. Een collega gebruikt AI om lange documenten samen te vatten en nog iemand maakt een eerste analyse in een fractie van de vroegere tijd.
Daar kan best veel productiviteitswinst in zitten.
Ondertussen kan het proces waarin dat werk gebeurt vrijwel onveranderd blijven. Dezelfde informatie wordt nog op dezelfde plaatsen gezocht en dezelfde overdrachten blijven bestaan.
Dat onderscheid is belangrijk omdat individueel toolgebruik nog iets anders is dan AI-adoptie .
Een loginpercentage zegt weinig over de kwaliteit van het werk
AI-adoptie wordt gemakkelijk gemeten met cijfers die vanzelf beschikbaar zijn. Hoeveel accounts zijn actief en hoe vaak wordt de tool gebruikt?
Dat vertelt je of mensen de software aanraken. Het zegt nog niet wat er daarna met het werk gebeurt.
Een medewerker kan iedere dag inloggen en vooral taken uitvoeren die nauwelijks zakelijke waarde hebben. Omgekeerd kan één goed geïntegreerde AI-stap weinig zichtbare gebruiksactiviteit opleveren terwijl ze iedere week uren werk wegneemt.
Daarom is een concretere vraag nuttiger. Waar loopt vandaag aantoonbaar ander werk omdat AI beschikbaar is?
Misschien wordt een terugkerende analyse sneller voorbereid. Misschien verdwijnt er een handmatige tussenstap. In een ander proces wordt vooral de eerste versie consistenter waardoor er achteraf minder moet worden herwerkt.
Als niemand zo'n verandering kan aanwijzen, zit de organisatie waarschijnlijk nog vooral in de experimenteerfase.
Dat sluit aan bij recente observaties van McKinsey. Veel organisaties experimenteren breed terwijl de grotere waarde vooral verschijnt waar complete workflows opnieuw worden ingericht.
Kies eerst één workflow waar genoeg frictie zit
Een lijst met AI-use cases is nuttig om mogelijkheden te verzamelen. Voor implementatie wordt ze lastiger wanneer twintig ideeën allemaal belangrijk lijken.
Kies liever één workflow die vaak genoeg terugkomt om verbetering werkelijk te kunnen zien.
Een zwakke kandidaat
De taak komt zelden voor en kost weinig tijd. Niemand is duidelijk eigenaar van het resultaat en het is moeilijk uit te leggen wat een betere uitkomst concreet zou betekenen.
Een interessantere kandidaat
De workflow keert regelmatig terug en bevat zichtbaar zoekwerk of herhaling. Bovendien kun je achteraf beoordelen of het proces sneller of betrouwbaarder is geworden.
Daarmee verschuift het gesprek vanzelf van mogelijkheden naar een operationeel probleem.
Je hoeft niet meer te vragen welke AI-tool indrukwekkend is. Je kunt vragen welk stuk werk vandaag onnodig zwaar blijft.
Die volgorde gebruik ik ook binnen MarkOps. Eerst begrijpen waar het werk hapert en daarna pas technologie toevoegen.
Het interessantste deel zit soms vóór de prompt
Stel dat iemand iedere maandag gegevens uit verschillende rapporten samenbrengt en daar een update van maakt.
De meest voor de hand liggende AI-ingreep komt helemaal op het einde. Het model schrijft een samenvatting van het rapport.
Daarmee heb je één taak versneld terwijl alle voorbereiding daarvoor onveranderd blijft.
Misschien zit de grotere winst eerder.
De relevante data wordt eerst automatisch samengebracht. Vervolgens signaleert AI alleen opvallende veranderingen. De medewerker onderzoekt daarna de afwijkingen die werkelijk aandacht vragen en vult de context aan die niet uit de data zelf blijkt.
Het menselijke werk verdwijnt dan niet. Het verschuift.
Dat is belangrijk omdat de sterkste businesscase niet altijd uit automatisering komt. Soms ontstaat de waarde doordat een ervaren medewerker minder tijd aan voorbereiding besteedt en sneller bij het werk komt waarvoor oordeel nodig is.
Zoek daarom niet alleen naar werk dat sneller kan.
Kijk ook welke stap minder vaak nodig wordt of volledig kan verdwijnen wanneer informatie eerder beschikbaar komt.
Daarmee herontwerp je het werk in plaats van alleen een extra tool boven op het oude proces te zetten.
Niet iedere AI-stap vraagt dezelfde menselijke controle
Zodra AI een taak overneemt, verschuift ook de plaats waar fouten kunnen ontstaan.
Daarom hoort bij iedere nieuwe workflow een duidelijke afspraak over menselijke controle. Dat principe wordt vaak human in the loop genoemd.
Een interne eerste samenvatting kan soms met beperkte controle worden gebruikt wanneer een fout weinig gevolgen heeft.
Bij externe communicatie kan een expliciete review logischer zijn omdat feitelijke fouten buiten de organisatie terechtkomen.
Bij werk met duidelijke financiële of juridische gevolgen blijft menselijke goedkeuring veel belangrijker.
Zo vermijd je twee slechte uitersten.
Alles blind doorlaten is onverstandig. Iedere output volledig opnieuw maken is evenmin aantrekkelijk wanneer precies die controle alle tijdswinst weer opvreet.
Je zoekt dus naar een niveau van controle dat past bij de gevolgen van een fout.
Wanneer je later met meer zelfstandige agentic AI werkt, wordt die grens nog belangrijker. Het systeem kan dan meerdere stappen uitvoeren voordat een mens opnieuw tussenkomt.
Veel AI-problemen blijken uiteindelijk informatieproblemen
Een AI-assistent kan moeilijk betrouwbare commerciële antwoorden geven wanneer prijzen verspreid staan over oude bestanden.
Hetzelfde gebeurt wanneer verschillende teams eenzelfde KPI anders definiëren. Het model krijgt dan misschien veel informatie, maar geen stabiele basis om op terug te vallen.
Daardoor wordt AI-adoptie vanzelf ook een informatievraagstuk.
Dat hoeft voor één workflow nog geen groot dataproject te betekenen. Je wilt vooral weten welke bron leidend is en of het systeem daar gecontroleerd toegang toe krijgt.
Vervolgens moet ook duidelijk zijn wat er gebeurt wanneer die bron verandert. Een AI-assistent die gisteren correct werd ingericht kan vandaag opnieuw achterlopen wanneer niemand wijzigingen beheert.
| Meetpunt | Voor de pilot | Na invoering |
|---|---|---|
| Doorlooptijd | Hoe lang duurt de workflow vandaag? | Is er werkelijk tijd verdwenen? |
| Herwerk | Hoeveel output moet vandaag opnieuw worden aangepast? | Is de eerste output bruikbaarder geworden? |
| Menselijke aandacht | Waar gaat vandaag de meeste tijd naartoe? | Is die tijd verschoven naar werk met meer waarde? |
| Eindresultaat | Welke uitkomst probeert deze workflow te ondersteunen? | Is die uitkomst minstens gelijk gebleven? |
Adoptie wordt zichtbaar wanneer het nieuwe proces gewoon werk wordt
Een pilot kan uitstekend werken en toch verdwijnen zodra de initiatiefnemer op vakantie gaat.
Dat is geen technisch probleem. De nieuwe werkwijze is dan gewoon nog niet ingebed.
Echte adoptie vraagt dat mensen weten wanneer de AI-stap wordt gebruikt en wat daarna nog van hen verwacht wordt. Nieuwe medewerkers moeten die afspraak ook kunnen leren zonder eerst de oorspronkelijke experimenten te kennen.
De workflow heeft een duidelijke eigenaar die weet wanneer iets niet meer correct werkt.
De gebruikte bronnen en controlepunten zijn bekend bij meer dan één medewerker.
De nieuwe werkwijze staat beschreven op een manier die ook een nieuwe collega kan volgen.
Er bestaat een eenvoudige manier om fouten of uitzonderingen terug in het proces te brengen.
Daarom is change management geen apart laagje naast AI-adoptie. Het is een deel van de implementatie zelf.
Geef één pilot vooraf een eindpunt
Een AI-pilot kan lang interessant blijven zonder dat iemand beslist of de werkwijze ooit standaard moet worden.
Daarom helpt het om vóór de start vast te leggen welke informatie nodig is om later een besluit te nemen.
Welk afgebakend stuk werk testen we precies?
Hoeveel tijd of herwerk vraagt dat werk vandaag?
Welke output moet tijdens de test gecontroleerd blijven?
Wanneer beslissen we of de nieuwe werkwijze echt wordt ingevoerd?
Daarna heb je misschien nog geen perfecte AI-workflow.
Je hebt wel iets waardevollers dan een verzameling enthousiaste demo's. Je kunt beoordelen of dit stuk werk werkelijk anders hoort te lopen.
Actuele onderzoeksbasis
De context rond pilots en workflowherontwerp is getoetst aan McKinsey's recente onderzoek The future of B2B sales en hun onderzoek naar AI en operating-modelverandering.