Wie AI binnen een organisatie wil inzetten, begint vaak bij de technologie. Een tool kiezen, een pilot draaien, een training organiseren. Toch is dat zelden waar het op vastloopt. Bij School of Data Science zien ze al langer dat AI-trajecten stranden wanneer ze op slechts één of twee dimensies worden aangepakt. Wie alleen investeert in technologie, loopt vast wanneer medewerkers, data of werkprocessen daar nog niet op aansluiten.
Het afgelopen jaar begeleidde School of Data Science verschillende organisaties bij trajecten waarin AI integraal werd benaderd. Daarbij kwamen steeds dezelfde thema’s terug: data, infrastructuur, strategie, mensen, cultuur, ethiek en motivatie.
Een mailtje dat zichzelf voorbereidt
Tijdens één van de trajecten werkte een groep adviseurs aan een AI-toepassing rondom het contactformulier op de website. Het idee was om binnenkomende klantvragen automatisch te koppelen aan de interne kennisbase, zodat AI alvast een conceptmail kon voorbereiden voor medewerkers. Dat moest tijd besparen bij het zoeken, controleren en beantwoorden van vragen. Tijdens een demonstratie werd zichtbaar waar het knelpunt zat. De kennisbase bleek versnipperd over persoonlijke mappen, gedeelde schijven en oude projectomgevingen. Hetzelfde onderwerp stond in meerdere versies opgeslagen en niemand wist precies welke versie actueel was. De toepassing werkte technisch goed, maar gebruikte regelmatig verouderde of tegenstrijdige informatie. Adviseurs moesten conceptmails daardoor alsnog grotendeels herschrijven, waardoor de tijdwinst verdween. Daarmee werd zichtbaar hoe snel AI vastloopt wanneer de onderliggende organisatie niet op orde is. De AI deed precies wat moest gebeuren. De data eronder kon het tempo niet bijhouden.
Beginnen bij de juiste vraag
In werksessies brachten directie en medewerkers samen in kaart waar de organisatie stond en welke ambities er waren rondom AI. Dat bleek minder eenvoudig dan vooraf gedacht. AI-vragen komen in organisaties vaak van voorlopers: medewerkers die al experimenteren en mogelijkheden zien. Juist medewerkers die kritischer zijn op AI blijken vaak beter te zien waar processen, kennis of systemen nog tekortschieten. Zonder die groep ontstaat al snel een te optimistisch beeld van de organisatie en een aanpak die onvoldoende aansluit op de praktijk.
Welke vaardigheden veranderen, welke blijven
Tijdens de trajecten werd zichtbaar dat AI het werk inhoudelijk verandert. Het produceren van een eerste tekstversie, een standaardanalyse of een rapportage kost minder tijd en verschuift steeds meer naar de achtergrond. Belangrijker wordt het beoordelen van wat AI oplevert. Klopt deze redenering? Past dit advies bij deze klant? Is dit het juiste detailniveau? Werk verschuift daarmee steeds meer van produceren naar beoordelen, redigeren en duiden. Ook het vermogen om vragen scherp te formuleren wordt belangrijker. Wie vaag vraagt, krijgt vage output. Inhoudelijke expertise en oordeelsvermogen worden daardoor juist waardevoller.
Werk verschuift daarmee steeds meer van produceren naar beoordelen, redigeren en duiden.
Cultuur, ethiek en motivatie worden onderschat
In veel organisaties krijgen technologie en data de meeste aandacht. Ze voelen concreet en passen goed binnen projectplannen. Cultuur, ethiek en motivatie worden daardoor vaak gezien als bijzaken.
Volgens School of Data Science bepalen juist die factoren uiteindelijk of medewerkers AI ook echt gaan gebruiken. Een tool die medewerkers niet vertrouwen, levert weinig op. Teams die AI vooral als bedreiging ervaren, zullen er eerder omheen werken dan ermee experimenteren.
Ook infrastructuur blijkt vaak een uitdaging. Hoewel essentieel voor AI-toepassingen, ontbreekt het organisaties regelmatig aan capaciteit om systemen fundamenteel te vernieuwen. Daarom blijkt het in de praktijk vaak effectiever om eerst te investeren in mensen, cultuur en datakwaliteit.
Experimenteren komt vóór compliance
Een opvallende uitkomst uit meerdere trajecten was dat medewerkers ruimte om te experimenteren belangrijker vonden dan strakke compliancekaders. Dat lijkt risicovol, maar volgens School of Data Science werkt het vaak averechts om vooraf alles dicht te regelen.
Veilige kaders waarin medewerkers kunnen oefenen, fouten mogen maken en leren wat verantwoord gebruik betekent, blijken belangrijk om AI op een goede manier in organisaties te laten landen. Compliance volgt vaak pas nadat medewerkers ervaring hebben opgedaan.
Jong talent stemt met de voeten
Een ontwikkeling die in vrijwel elke organisatie zichtbaar is: jong talent gebruikt AI al dagelijks, of de werkgever dat nu faciliteert of niet. Wie net afstudeert, verwacht ook op het werk met AI te kunnen werken. Werkgevers die daarin achterblijven, lopen het risico minder aantrekkelijk te worden voor jonge professionals. AI-adoptie raakt daarmee niet alleen technologie en productiviteit, maar ook arbeidsmarkt en talentontwikkeling.
Leren gebeurt on the job
Een belangrijke les uit de trajecten is dat AI pas echt gaat leven wanneer medewerkers ermee werken binnen hun eigen praktijk. Pas bij concrete toepassingen, zoals offertes, analyses of rapportages, wordt zichtbaar wat AI daadwerkelijk toevoegt. Daarom verschuift leren steeds meer van het klaslokaal naar begeleiding tijdens het dagelijkse werk.
De grootste denkfout
Volgens School of Data Science is de grootste denkfout dat AI-implementatie wordt gezien als een technologieproject met een duidelijke einddatum. Succesvolle AI-adoptie raakt uiteindelijk vooral aan cultuur en aanpassingsvermogen. Nieuwe technologie blijft zich ontwikkelen. Organisaties die blijven leren en zich aanpassen, kunnen daar beter op inspelen. Organisaties die dat niet doen, lopen telkens opnieuw tegen dezelfde drempels aan.
