AI-modellen en platforms
Index van Andus Labs zet wildgroei aan AI-pilots en hiaten in werkprocessen bovenaan de lijst van bedrijfsrisico’s
Andus Labs rekent wildgroei aan AI-pilots en oppervlakkige adoptie van assistenten tot de belangrijkste belemmeringen voor bedrijven, en wijst daarmee op de kloof tussen het gebruik van tools en veranderingen in de bedrijfsvoering.

Belangrijkste puntenAlleen toegang tot hulpmiddelen creëert geen operationeel model dat AI effectief kan…
Meer weergeven
- Alleen toegang tot hulpmiddelen creëert geen operationeel model dat AI effectief kan gebruiken.
- Pilots zonder een gedeelde vraag of beslissingsregel produceren activiteit in plaats van meetbare verandering.
- Toezicht faalt wanneer teams AI kunnen adopteren maar het werk er niet omheen kunnen herontwerpen.
AI in bedrijven kan volop worden ingezet zonder dat de manier waarop een bedrijf werkt verandert. Dat is de centrale waarschuwing in de nieuwste Ground Truth Index van Andus Labs, die overlappende experimenten en oppervlakkig gebruik van AI-assistenten bovenaan zet in de ranglijst van organisatorische belemmeringen van november.
De derde editie, verschenen op 18 november, benoemt 25 prioritaire patronen. De bevindingen zijn geen representatieve enquête naar de invoering van AI in bedrijven en meten evenmin financiële verliezen. Het gaat om een diagnostisch raamwerk, samengesteld op basis van waarnemingen uit de praktijk door Andus, beoordelingen met hulp van AI en het oordeel van onderzoekers. De belangrijkste bijdrage is een onderscheid dat in dashboards over AI-adoptie vaak onderbelicht blijft: toegang tot AI-tools is niet hetzelfde als een bedrijfsmodel waarin die tools effectief kunnen worden ingezet.
Wanneer experimenteren een operationeel probleem wordt
Andus zet Runaway Buildout op de eerste plaats en Copilot Ceiling op de tweede. De eerste beschrijft experimenten die van start gaan zonder een gemeenschappelijke basis om de resultaten te beoordelen. De tweede beschrijft organisaties waar assistenten vertrouwde hulpmiddelen worden voor het opstellen en samenvatten van teksten, maar de bedrijfsprocessen niet wezenlijk veranderen.
In de aankondiging van de publicatie zegt Andus dat vier van de acht hoogst gerangschikte patronen betrekking hebben op institutionele samenhang: de mate waarin organisatiestructuren en uitgaven de beoogde veranderingen ondersteunen. De andere twee zijn Artifact Inflation, op de zesde plaats, en Swim Lane Sprint, op de achtste plaats. Deze patronen beschrijven een overbelasting van beoordelaars door AI-uitvoer die er gelikt uitziet, en niet-verbonden teams die vergelijkbare mogelijkheden ontwikkelen.
Het praktische probleem is niet dat experimenteren per definitie verspilling is. Een pilot kan een waardevolle vraag beantwoorden, zelfs als het antwoord is dat ermee moet worden gestopt. Het probleem ontstaat wanneer teams het niet eens zijn over de vraag, de uitgangssituatie of de beslisregel. Intensief gebruik kan wijzen op nieuwsgierigheid of gemak, maar bewijst niet dat een proces sneller, betrouwbaarder of goedkoper is geworden wanneer ook de kosten van beoordeling en integratie worden meegerekend.
Zo kunnen twee afdelingen die afzonderlijke documentassistenten testen, allebei een sterke betrokkenheid melden. Toch blijft dan onbeantwoord of de tools elkaar overlappen, of een van beide de doorlooptijd van begin tot eind verkort en wie verantwoordelijk zou zijn voor een gezamenlijke implementatie. Dat zijn organisatorische beslissingen, geen problemen met de keuze van een model.
Verantwoordingsplicht moet aansluiten bij de bevoegdheden van AI
De volgende drie vermeldingen in de ranglijst zijn Empty Chairs, Learning While Drowning en Shadow Agency. Andus gebruikt deze benamingen voor het ontbreken van toezicht op AI-beslissingen, opleidingen die boven op al overvolle werklasten komen en niet-goedgekeurd AI-gebruik waarbij gevoelige bedrijfsinformatie wordt gebruikt. Negen van de 25 patronen in deze editie zijn nieuw; 16 stonden ook al in eerdere edities.
Deze kwesties hangen samen met verantwoordelijkheid. Een team kan toestemming hebben om een tool in te voeren, maar niet de bevoegdheid om het werkproces eromheen opnieuw in te richten. Van medewerkers kan worden verwacht dat ze nieuwe werkwijzen leren, terwijl ze nog steeds worden beoordeeld op basis van een ongewijzigde werklast. Een systeem mag aanbevelingen doen zonder dat een met naam genoemde persoon verantwoordelijk is voor het beoordelen van uitzonderingen.
Om die discrepantie aan te pakken, is meer nodig dan een extra goedkeuringsstap. Een bruikbare controle moet duidelijk maken om welke beslissing het gaat, wie daarvoor verantwoordelijk is, welke informatie die persoon nodig heeft en in welke omstandigheden ingrijpen vereist is. Anders kan het toezicht zelf een nieuwe wachtrij worden, die de tijd opslokt die een AI-tool juist had moeten besparen.
Hoe de index is samengesteld
Andus zegt dat de bibliotheek met patronen is gebaseerd op 2.100 bijeenkomsten en gesprekken bij 700 organisaties en inmiddels 332 patronen bevat. Vijf AI-analisten beoordelen de patronen onafhankelijk van elkaar vanuit verschillende professionele perspectieven. De beoordelingscriteria zijn ernst, snelheid, nabijheid, ontwikkeling en kans op opschaling. De mediaanscore vormt het uitgangspunt. Vervolgens beoordelen onderzoekers de 50 hoogst scorende patronen en beslechten ze meningsverschillen voordat ze 25 prioriteiten publiceren.
In de methodologie zijn ook Engelstalige nieuwsberichten, financiële documenten van grote Amerikaanse bedrijven en signalen van toezichthouders verwerkt. Deze informatiebronnen verbreden de context, maar maken van de onderliggende gesprekken geen aselecte steekproef. De ranglijst moet daarom worden gelezen als Andus’ beoordeling van prioriteiten, niet als het percentage bedrijven dat met elk probleem te maken heeft. Ook bewijst het nemen van de mediaan van meerdere AI-beoordelingen niet dat die beoordelingen afzonderlijk juist zijn.
Van AI-tools invoeren naar meetbare verandering
Voor leidinggevenden in bedrijven biedt de index een nuttige manier om hun AI-portfolio kritisch te onderzoeken, zonder ervan uit te gaan dat elke implementatie mislukt. De centrale vraag is wat er in het werk is veranderd: welke overdracht is komen te vervallen, welke beslissing is verbeterd, welke beoordelingslast is afgenomen of welke nieuwe verantwoordelijkheid is verduidelijkt.
Voor een geloofwaardige beslissing om op te schalen is dat operationele bewijs nodig, naast cijfers over de adoptie. Voor een geloofwaardige beslissing om ergens mee te stoppen geldt hetzelfde. De nieuwste ranglijst van Andus verlegt de aandacht van het aantal experimenten dat een bedrijf financiert naar de vraag of het die kan vergelijken, ervan kan leren en verantwoordelijkheid kan nemen voor wat er vervolgens gebeurt.












