De mogelijkheid was nooit het probleem. Het operationele model is het.

Madelaine Yue, zei het zo netjes als ik ooit heb gehoord: “AI lost geen kapotte systemen op. Het voert ze sneller uit.” De zin is bij me gebleven omdat het iets noemt waar het enterprise AI-gesprek al twee jaar omheen cirkelt zonder het echt te benoemen. De mogelijkheid is in 2026 geen probleem. De mogelijkheid is overal. Wat ondernemingen nog steeds missen, is het operationele model dat de mogelijkheid die ze al bezitten omzet in resultaten die hun klanten kunnen voelen.

Ik ben begonnen met het noemen van dat operationele model als Applied Intelligence, omdat de kloof die het overbrugt de kloof is tussen het hebben van AI en het gebruiken ervan. Het onderscheid is belangrijk omdat de tweede de enige is die accumuleert.

De mogelijkheidsgrens is bereikt

Als je AI of digitale strategie leidt bij een onderneming van elke omvang, heb je waarschijnlijk meer AI gekocht dan je hebt georganiseerd. Een copiloot voor verkoop, een samenvatter voor ondersteuning, een triage-agent voor operaties, een analysemotor voor marketing, soms allemaal van verschillende leveranciers. De mogelijkheidsinventaris ziet er indrukwekkend uit in een bestuursdekkend document. De operator binnen de workflow loopt nog steeds langs de naden tussen die systemen, en dat doet de klant ook.

Toen MIT NANDA’s bevinding van 2025 dat 95 procent van de generatieve AI-piloten geen meetbaar P&L-effect oplevert werd verspreid, rende de kop vooruit op de diagnose. De piloten faalden niet omdat de modellen zwak waren. Ze faalden omdat niets de uitvoer van een model verbond met een bedrijfsproces dat al verantwoordelijk was voor een resultaat. De integratiecapaciteit — de mensen, verantwoordelijkheid, dataplumbing, operationele discipline die vijf componenten omzet in één ervaring — was bijna nooit het artikel dat werd gefinancierd.

VimalRaj Sampathkumar maakte een aanpalend punt in april: ondernemingen stagneren wanneer AI wordt behandeld als een reeks discrete aankopen in plaats van een mogelijkheid die moet accumuleren. Het financieren van de accumulatie is het onglamoureuze deel van het werk, en het is de helft van wat Applied Intelligence eigenlijk over gaat.

De strategie-naar-uitvoeringsoverdracht is waar de meeste AI faalt

De meeste enterprise AI-foutmodi zijn toegeschreven aan iets. Gegevenshygiëne. Governance. Changemanagement. Talent. Elk van deze is echt, en geen van hen is de primaire foutmodus die ik elke week zie. Het is de overdracht tussen het team dat de strategie schreef en het team dat het systeem moet leveren.

In het traditionele adviesmodel is die overdracht een te leveren artikel. Een roadmap, een doeloperationeel model, een leveranciersselectiematrix. Het adviesbureau levert het artikel aan de systeemintegrator of het interne engineersteam, en het adviesbureau vertrekt. Tegen de tijd dat het engineeringswerk begint, zijn de helft van de aannamen in het artikel verouderd, en de enige mensen met oordeel over of ze moeten worden nageleefd of herzien, zijn niet langer in de kamer.

De overdracht is ook waar de meeste waarnemers uit verschillende branches de kloof lokaliseren. In een estafette is de race gewonnen en verloren bij de overdracht van de estafette, niet op de rechte baan. In enterprise AI, geldt hetzelfde: het langzaamste deel van de race is het moment waarop context, oordeel of verantwoordelijkheid over een grens moet worden overgedragen, en niemand bezit of het echt gebeurt.

Applied Intelligence zoals ik het definieer, heeft drie operationele componenten, elk gericht op een andere naad:

• Strategie en engineering onder één dak. Aanbevelingen worden gebouwd door de mensen die ermee moeten leven, en engineeringsoordeel vormt de strategie voordat deze wordt gepubliceerd, niet erna.
• Dubbele inzet van leiderschap en operators. Uitvoerend sponsorschap en operatorniveau-adoptie lopen als gelijktijdige werkstromen, niet als opeenvolgende. Adoptie is niet de laatste mijl; het is de evenwijdige mijl.
• Meetbare winsten van negentig dagen, geen transformaties van achttien maanden. Elke cyclus kiest één belangrijke overdracht, lost deze op als één verantwoordelijk systeem, meet wat beweegt op het klantniveau, en kiest dan de volgende.

Geen van deze dingen is nieuw als aspiratie. Wat nieuw is, is het uitvoeren ervan als één operationeel model in plaats van drie inkoopbeslissingen.

Hoe de discipline eruitziet in productie

Het duidelijkste bewijs dat de componenten zelf werken, heeft niets te maken met de grootte van het model. Het komt neer op of iemand de naad bezit.

In financiële dienstverlening hebben grote instellingen een decennium besteed aan het opnieuw vragen van informatie aan nieuwe klanten die de instelling al had verzameld tijdens de aanvraag, omdat de KYC-workflow en de onboardingsworkflow werden geoptimaliseerd door verschillende teams tegen verschillende metrics. De instellingen die die overdracht stilzwijgend hebben opgelost, meestal in twaalf tot veertien weken van gefocust werk in plaats van een meerjarig transformatieprogramma, zagen de afwijzing van de aanvraag dalen en de tijd tot een gefinancierde rekening samenpersen. De AI veranderde niet. De naad wel.

In de hospitality bracht dezelfde les bijna een decennium eerder aan het licht. Gasten stopten met het tolereren van een inchecken dat niet wist dat ze de kamer hadden geboekt, en de operators die die lus sloten, deden dat door één team verantwoordelijk te maken voor de ervaring over de boekingsysteem, het propertiesysteem en het loyaliteitsplatform. Het operationele model was de interventie. De platformbeslissingen waren downstream.

Gezondheidszorg is het meest recente openbare geval omdat de gevolgen onmiddellijk zijn. Bij NYU Langone, een geïmplementeerd BERT-model voor het triageren van patiëntportaalberichten, onderzocht over 396.466 berichten en gepubliceerd in JAMIA Open in augustus 2024, verlaagde de leestijd van clinici voor hoge-acuutheidsberichten met 44 tot 67 procent. Dat is een resultaat op grote schaal, peer-reviewed, binnen één geïntegreerd workflow. De component is echt. De instellingen die dat resultaat zullen accumuleren, zijn degenen die de orkestratiecapaciteit eromheen opbouwen, niet degene die wachten op de volgende leveranciersdemonstratie.

Praktijk, geen project

De gezondste ondernemings-AI-programma’s die ik zie, worden meer uitgevoerd als een klinische praktijk dan als een transformatieprogramma. Leer cycli van negentig dagen, één overdracht tegelijk, met één enkele verantwoordelijke eigenaar voor de ervaring over de kanalen die deze raken. De gegevens zijn geïnstrumenteerd om de klant te volgen in plaats van het kanaal, en de metrics leven bij de overdracht, niet bij het dashboard voor elk afzonderlijk systeem.

Dit is wat Deloitte’s State of Generative AI in the Enterprise 2026 de “ontapped edge” noemt — de operationele kloof tussen organisaties die de toegang tot AI ongeveer 50 procent per jaar hebben uitgebreid en de ongeveer een kwart die meer dan 40 procent van hun experimenten in productie hebben gebracht. De uitbreiding van de toegang is bijna gratis geworden. De discipline van productie niet.

Die discipline is het werk. Het is ook, uiteindelijk, waar de volgende decennium van ondernemings-AI-waarde zal worden gesorteerd.

De capaciteit die je nu opbouwt, is de waarde die je later accumuleert

Yue heeft gelijk dat AI kapotte systemen sneller uitvoert. De corollarie die ik zou aanbieden, is dat AI ook gedisciplineerde systemen sneller accumuleert, en de keuze tussen die twee resultaten is een operationeel modelkeuze, niet een toolkeuze. De mogelijkheid ligt al op de plank. De ondernemingen die Applied Intelligence nu opbouwen als een praktijk — de strategie-engineeringintegratie, de dubbele inzet, de kleine eerlijke cycli — zijn degenen wiens AI-investeringen hun volgende begrotingscyclus zullen verdienen, en wiens klanten elke naad zullen stoppen met voelen.