AI beyond the bullshit: zo maak je AI waardevol

Tijdens ons OWOW-event in november ging het (natuurlijk) over AI. Maar de meest bruikbare boodschap uit de keynote was juist niet: ‘je moet iets met AI’. Wat bij mij bleef hangen was een veel nuchterder uitgangspunt: stop met de hype, begin met een klein, concreet probleem en zorg dat hierbij de basis klopt. 

Die boodschap herkennen we bij Cadran Analytics. Veel initiatieven stranden niet op de technologie, maar op data, processen en adoptie. In dit blog deel ik mijn bevindingen en vertaal ik de inzichten naar een praktisch stappenplan voor het MKB. 

Eerst scherp krijgen: waar hebben we het eigenlijk over? 

AI is inmiddels een containerbegrip. In de keynote werd dat goed zichtbaar door AI op te knippen in ‘lagen’: van AI in brede zin (computers die taken uitvoeren of beslissingen ondersteunen) tot machine learning, deep learning en generative AI. Daarna ging het nog een stap verder richting agents: systemen die niet alleen iets genereren, maar ook zelfstandig acties uitvoeren en verschillende tools aan elkaar knopen. 

Wat mij daarbij opviel: de meeste praktische voorbeelden gingen nauwelijks over ‘een slimmer algoritme’, maar vooral over het inrichten van workflows. Denk aan een agent die orderpicking ondersteunt in een magazijn, voice-interfaces waarmee je een proces kunt doorlopen via gesprek, of zelfs een ‘happy robot’ die je kan bellen om statusupdates op te halen en door te zetten naar een transporttool. 

De rode draad werd daarmee snel duidelijk: de waarde zit niet alleen in het model, maar in de manier waarop je AI onderdeel maakt van een bestaand proces. 

Waarde komt uit drie value drivers (en dus niet uit ‘iets met AI doen’) 

De keynote maakte onderscheid tussen drie manieren waarop AI waarde kan leveren. Dat is een handig frame, omdat het je dwingt om vanaf het begin over businessimpact te praten in plaats van over technologie: 

1. Automatisering en optimalisatie: minder handwerk, minder fouten en snellere doorlooptijden. 
2. Nieuwe producten en businessmodellen: bijvoorbeeld slimmere aanbevelingen, bundels of serviceproposities. 
3. Nieuwe inzichten uit data: beter voorspellen, beter sturen en beter prioriteren (denk aan marge, voorraad of servicelevels). 

Voor veel MKB’ers ligt een logische start bij repetitieve, tijdrovende taken. En wat ik een realistische nuance vond: automatisering begint vaak ‘klassiek’ (processtappen standaardiseren en vastleggen) en wordt daarna slimmer met AI. Met andere woorden: je hoeft niet alles meteen ‘AI-first’ te maken om toch impact te creëren. 

Waarom zoveel AI-initiatieven stranden 

Een confronterend stuk uit de keynote: minder dan de helft van AI-initiatieven haalt productie, en hiervan levert een minderheid aantoonbare waarde. De reden hierachter herken je direct. De presentatie noemde (en ik herken dit ook bij organisaties die we spreken) een paar terugkerende patronen: 

• Pilots die technisch lukken, maar niet landen in het dagelijkse werkproces. 
• Use cases die ‘cool’ zijn, maar geen KPI verbeteren of geen eigenaar hebben in de business. 
• Projecten die vastlopen op datakwaliteit, datakwantiteit, rechten/rollen, integraties of gebrek aan draagvlak. 

De conclusie was helder: als een initiatief niet slaagt, ligt dat zelden alleen aan ‘AI’. Het zit bijna altijd in adoptie en in het feit dat de basis (data, processen en governance) niet op orde is. De keynote presenteerde een gedisciplineerde aanpak in vier stappen. Ik vond dit vooral sterk omdat het de volgorde afdwingt: je gaat pas bouwen als je weet wat je oplost, met welke data, voor wie, en hoe je succes meet. 

Het stappenplan dat wel werkt: van ambitie naar waarde 

Stap 1 – Check je AI-basis voordat je gaat experimenteren 

Vier randvoorwaarden kwamen expliciet terug: AI-ready data, infrastructuur, inzicht in je data en AI-ambassadeurs. In de praktijk betekent dat onder andere: 

1. Data is consistent en ‘business ready’ (definities kloppen en zijn eenduidig). 
2. Relaties tussen tabellen/entiteiten zijn logisch, zodat context behouden blijft. 
3. Er zijn automatische checks en monitoring op datakwaliteit (zodat je niet op verouderde of kapotte data stuurt). 
4. Toegangsrechten zijn geregeld: niet iedereen hoeft alles te zien (‘for your eyes only’). 

Mijn vertaling: zorg dat data is opgeschoond en op een plek bij elkaar komt. Pas dan heeft ‘ChatGPT op je eigen data’ of een slimme agent überhaupt kans van slagen. 

Stap 2 – Kies het probleem met de meeste potentie (niet de meeste buzz) 

Start met een benefit assessment om focus te houden. Zet mogelijke use cases in een eenvoudige matrix met ‘potentiële waarde’ versus ‘haalbaarheid/data-beschikbaarheid’ en begin met de kandidaten die hoog scoren op beide assen. 

Dit voorkomt de bekende valkuil: starten met wat toevallig op de management agenda staat, in plaats van met de use case die de meeste impact oplevert in tijd, kosten of service. 

Stap 3 – Bouw iteratief met een multidisciplinair team 

Belangrijk punt: je gaat itereren. Eerst ontwerp je een business case op een bierviltje, dan controleer je de data, dan testen, en pas daarna integreren in het proces. En dat doe je niet alleen met iemand van Data of IT, maar samen met de business: iemand die eigenaar is van het probleem en zich verantwoordelijkheid voelt voor de uitkomst. 

Een nuance die ik erg sterk vond: soms blijkt tijdens het bouwen dat je geen complex AI-model nodig hebt. Betere data, betere regels of een scherper dashboard kan al een groot deel van de waarde leveren. Ook dat is succes. 

Stap 4 – Vergeet de mensen niet: adoptie is het product 

De laatste stap ging opvallend weinig over ‘nog een model’, en juist veel over operationaliseren: hoe zorg je dat de oplossing gebruikt wordt en blijft werken? Resultaat laten zien, feedback ophalen, bijsturen, en pas daarna opschalen. 

De menselijke kant is geen bijzaak. Als gebruikers het niet vertrouwen of het niet in hun workflow past, is zelfs het beste model waardeloos. 

Praktijkvoorbeeld: AI op je eigen data zonder hallucinatie 

Een voorbeeld dat goed illustreerde hoe je controle kunt houden, was een ‘ChatGPT-achtige’ ervaring op eigen data in een platformomgeving: je stelt een vraag, en onder water wordt er een SQL-query uitgevoerd op jouw database. Dat maakt het resultaat controleerbaar en verkleint het risico dat een model iets verzint. 

Voor veel organisaties is dit een aantrekkelijke tussenstap: sneller antwoorden op operationele of commerciële vragen, zonder dat elke vraag via een BI-backlog moet lopen. 

Tot slot: 6 vragen om maandag al scherp te staan 

Als je één ding meeneemt uit ‘AI beyond the bullshit’, laat het dit zijn: start klein, maar serieus. Deze vragen helpen om te bepalen waar je begint en hoe je waarde bewaakt: 

1. Welke taak of beslissing kost nu structureel tijd of geld (elke week opnieuw)? 

2. Welke KPI moet aantoonbaar verbeteren (doorlooptijd, voorraadhoeveelheid, marge, etc.)? 

3. Hebben we de data op orde (kwaliteit, kwantiteit, context, rechten)? 

4. Wie wordt eigenaar in de business (AI-ambassadeur) en wie bouwt mee? 

5. Hoe landt dit in het proces (niet alleen in een demo)? 

6. Hoe meten we succes na 4 tot 8 weken, en wat doen we als het tegenvalt? 

Wil je sparren welke use cases bij jullie het meest kansrijk zijn, of wil je eerst scherp krijgen of je data en rapportage AI-ready zijn? Dan denken we graag mee, juist om te voorkomen dat AI een dure pilot wordt in plaats van een versneller van je operatie. 
Laat je gegevens achter en wij nemen contact met je op!