Verder dan de AI-pilot: klantgegevens omzetten in schaalbare, gepersonaliseerde handel

Het enthousiasme van bedrijven voor AI heeft de resultaten die ze ermee boeken overtroffen. Volgens de AI-index van Stanford voor 2026 gebruikte 88% van de organisaties in 2025 AI, maar bleef de invoering van AI-agenten in vrijwel alle bedrijfsfuncties beperkt tot enkele procenten. De kloof tussen experimenteren en waarde creëren is nog altijd groot en is duidelijk merkbaar in de klantervaring. Er zijn twee belangrijke punten om in gedachten te houden bij het begrijpen van deze kloof.

Het eerste punt is de organisatorische volwassenheid op het gebied van AI. De meeste bedrijven bevinden zich nog in de fase van ‘individuele productiviteit’ en werken aan schaalbare fundamenten voor governance, datagereedheid en een portfolio met bewezen toepassingen. Het duurt nog lang voordat ze de ‘autonome’ fase bereiken, waarin AI-agenten binnen vastgestelde kaders kunnen opereren en mensen zich richten op toezicht en het afhandelen van uitzonderingen. Deze fase van AI-volwassenheid bereiken is een essentiële basis voor een ‘AI-native bedrijfsmodel’. Daarover later meer.

Het tweede punt is de operationele kloof tussen data en AI-gestuurde zakelijke besluitvorming. De meeste organisaties hebben al geïnvesteerd in data en systemen. Ze hebben klantgegevens verzameld, marketingautomatisering ingevoerd, de overstap naar de cloud gemaakt en geëxperimenteerd met generatieve AI. Toch krijgen klanten nog steeds irrelevante aanbevelingen, ervaren ze kanalen die niet op elkaar aansluiten en hebben ze contact met de klantenservice zonder dat die rekening houdt met wat het bedrijf al over hen weet.

Dit is zelden een probleem met het model. Vaker legt AI bloot wat al niet goed functioneerde: versnipperde data, onduidelijk eigenaarschap, losgekoppelde workflows, technische schuld en bedrijfsdoelen die nooit zijn vertaald naar meetbare toepassingen. De oplossing begint niet met een groter AI-initiatief. Ze begint met een paar zorgvuldig gekozen klantbeslissingen, een duidelijk bedrijfsmodel en een architectuur die inzichten omzet in actie.

Voor leiders die de overstap willen maken van geïsoleerde pilots naar een herhaalbaar systeem, zijn een paar prioriteiten belangrijker dan de rest.

Begin met een beslissing, niet met een mogelijkheid.

De eerste vraag is niet: ‘Waar kunnen we generatieve AI inzetten?’ De vraag is: ‘Welke beslissing over de klantervaring moeten we verbeteren?’ Een luchtvaartmaatschappij wil passagiers bij een verstoring betere opties bieden. Een winkelier wil klanten helpen het juiste product te kiezen zonder dat het aantal retouren stijgt. Een bank wil dat een servicemedewerker een ingewikkelde vraag kan oplossen zonder daarvoor in verschillende systemen te hoeven zoeken. Elk voorbeeld draait om een beslissing, een persoon en een resultaat. Daarmee wordt duidelijk welke gegevens nodig zijn en hoe succes moet worden gemeten. Door hier te beginnen, kunnen leiders ook gemakkelijker nee zeggen. Als een idee voor een toepassing of een verzoek om een agent niet gekoppeld kan worden aan een concrete beslissing en een meetbaar resultaat, verdient het geen prioriteit.

‘Gebruik AI om de ervaring te verbeteren’ is te algemeen. Het levert demo’s op, geen operationele mogelijkheden.

Wanneer een elektronicawinkel tegenwoordig een ‘AI-winkelassistent’ toevoegt, gaat het om een generieke chatbot waarvan het succes wordt afgemeten aan het aantal gebruikers. Wordt die opnieuw omschreven als een hulpmiddel dat klanten helpt de juiste laptop te kiezen, dan is het doel meer conversies en minder retouren. Zo wordt het een hulpmiddel dat actuele specificaties gebruikt om de behoeften van de klant beter te begrijpen, met verkoop, retouren en klanttevredenheid als maatstaven voor succes. Hetzelfde idee, maar nu met een concreet resultaat.

Beschouw uniforme data als een vermogen, niet als een databaseproject.

Een ‘360-gradenbeeld van de klant’ wordt vaak omschreven als een project om data te centraliseren. In de praktijk gaat het om afspraken binnen de organisatie over identiteit, toestemming, eigenaarschap, kwaliteit en de betekenis van belangrijke gebeurtenissen. Hoort een browsersessie bij een bekende klant, een huishouden of een anoniem apparaat? Welk systeem is leidend als het om toestemming gaat? Hoe snel moet informatie over een servicecontact beschikbaar zijn via een ander kanaal? Zonder antwoorden op die vragen wekt datacentralisatie de indruk van integratie, maar ontbreekt de betrouwbaarheid. Een effectievere aanpak is om voor elke prioritaire toepassing een gedeeld datacontract op te stellen. Daarin staan de benodigde velden en gebeurtenissen, de gezaghebbende bronnen, de aanvaardbare vertraging, het toegestane gebruik en het team dat verantwoordelijk is voor de kwaliteit. Het doel is niet om alle data te verzamelen, maar om op het moment van beslissen over de juiste, betrouwbare gegevens te beschikken.

Een autodealer wil een terugkerende online klant begroeten met precies het model dat die aan het samenstellen was. Dat gaat nu mis, omdat de configurator, het CRM-systeem van de dealer en het financiële systeem elk een andere versie van de klantgegevens bevatten en het niet eens zijn over de geldigheid van een leaseofferte van drie weken oud. Door dit opnieuw te benaderen als één klanttraject met duidelijke gegevensregels, wordt helder wie waarvoor verantwoordelijk is: de configurator is de bron van waarheid voor de samenstelling, de financiële gegevens bevatten duidelijke informatie over toestemming en de vervaldatum, en de voorraad wordt binnen enkele minuten bijgewerkt. Zo krijgt de klant nooit een auto te zien die de dealer net heeft verkocht. Dat is een stuk eenvoudiger dan ‘alle klantgegevens samenvoegen’ — en de begroeting werkt dan ook echt.

Ontwerp personalisatie als een doorlopend beslissingssysteem.

Veel programma’s zijn nog steeds campagnesystemen. Teams definiëren een segment, maken content en versturen die volgens een vast schema. Generatieve AI produceert meer varianten, maar laat het model onveranderd. Een contextbewuste klantbeleving werkt anders. Het systeem houdt de actuele context van de klant in de gaten, bepaalt welke acties mogelijk zijn, kiest er een binnen de zakelijke en beleidsmatige kaders, levert die via het juiste kanaal en leert vervolgens van de reactie. Het doel is nadrukkelijk niet om elke interactie individueel vorm te geven. Soms is de juiste actie een standaardbericht, een overdracht aan een medewerker of helemaal niets. Effectieve personalisatie wordt niet afgemeten aan het aantal gegenereerde varianten. Het gaat erom of de organisatie een relevantere beslissing voor de klant heeft genomen en daarbij rekening heeft gehouden met diens verwachtingen. Vertrouwen moet onderdeel zijn van de klantbeleving, niet iets dat pas achteraf aan een compliancecontrole wordt toegevoegd.

Een bank merkt dat een klant herhaaldelijk de hypotheekrente controleert. Op dit moment voegt een campagnesysteem die klant bij de eerstvolgende geplande verzending toe aan een e-mailreeks voor ‘starters op de woningmarkt’. Als het systeem dit als een doorlopende beslissing benadert, kijkt het naar het moment zelf: vergelijkt iemand midden in het aankoopproces de rentes, of is diegene maanden van tevoren alleen nieuwsgierig? Omdat het systeem het niet zeker weet, kiest het voor een terughoudende aanpak: het toont een behulpzame vraag als ‘Wilt u ontdekken wat u zich kunt veroorloven?’ in plaats van de voorbarige aansporing ‘Vraag vandaag nog een hypotheekvoorbeoordeling aan’, die verkeerd inschat waar de klant zich in het proces bevindt. Reageert de klant, dan leert het systeem daarvan en past het zich aan. Zo niet, dan houdt het zich op de achtergrond. Soms is de meest relevante beslissing juist de minst opvallende, en die terughoudendheid beschermt het vertrouwen.

Los de knelpunten op het gebied van content en architectuur op voordat u versnelt.

Generatieve AI kan in opmerkelijk korte tijd teksten en afbeeldingen maken, maar als je die snelheid toepast op een gebrekkig contentproces, verplaats je het knelpunt alleen van creatie naar beoordeling en governance. Het Content Marketing Institute stelde vast dat 75% van de marketeers bij grote ondernemingen AI gebruikt, maar dat AI bij slechts 15% is geïntegreerd in de dagelijkse workflows. Gestructureerde, herbruikbare content — goedgekeurde feiten en onderdelen die over verschillende kanalen kunnen worden samengesteld — stelt AI in staat zich aan te passen zonder de onderliggende waarheid te verzinnen. Diezelfde discipline geldt voor de technologiestack. In plaats van alles opnieuw te ontwerpen onder het mom van ‘composable’, breng je de paar klantreizen in kaart die aansluiten op prioritaire gebruikssituaties, zoek je uit waar verouderde systemen vertraging veroorzaken of de toegang tot gegevens blokkeren, en moderniseer je stapsgewijs om die knelpunten aan te pakken. Vooruitgang wordt niet bepaald door het aantal toegepaste technologieën. Het gaat erom dat je een klantreis snel en veilig kunt aanpassen, zonder telkens opnieuw hetzelfde integratiewerk te hoeven doen.

Een retailer zet AI in om beschrijvingen te schrijven voor 40.000 artikelen. In de huidige situatie overspoelt dat de juridische afdeling met werk, omdat de claims en garantievoorwaarden voor elk artikel moeten worden gecontroleerd. De oplossing is niet een sneller model, maar een beheerde bron: een PIM-systeem met goedgekeurde specificaties, claims en garantieteksten als herbruikbare onderdelen waaruit de AI put. Zo kan het systeem de toon aanpassen zonder feiten te verzinnen.

Dezelfde redenering geldt voor de technologiestack. In plaats van alles naar een nieuw platform over te zetten, moderniseert het team alleen het verouderde voorraadsysteem dat realtime personalisatie op basis van ‘op voorraad bij u in de buurt’ in de weg staat, en laat het de stabiele systemen ongemoeid. Vooruitgang betekent dat je een klantreis snel kunt aanpassen, niet dat je meer tools toevoegt.

Veranker governance in de uitvoering en meet waarde op portfolioniveau.

Als governance pas als laatste controlepoort wordt ingezet, komt die te laat: dan zijn moeilijk terug te draaien keuzes al gemaakt. Raamwerken zoals het NIST-raamwerk voor risicobeheer van AI zijn het nuttigst wanneer ze vanaf het begin richting geven aan een gebruikssituatie. Ze omvatten privacy, vooringenomenheid, merkintegriteit, betrouwbaarheid en traceerbaarheid, met maatregelen die zijn afgestemd op het risico van de interactie. Waarde is intussen zelden in één groot getal uit te drukken. Die komt tot uiting in klantresultaten, zoals tevredenheid, taakafronding en klantbehoud; operationele resultaten, zoals doorlooptijd, afhandeltijd en hergebruik; commerciële resultaten, zoals conversie, bedieningskosten en klantwaarde gedurende de hele relatie; en resultaten op het gebied van risico, zoals foutpercentages, klachten en ingrepen. Dit alles moet worden afgezet tegen een nulmeting en berekend na aftrek van de volledige kosten om op schaal te opereren.

Een luchtvaartmaatschappij zet een AI-agent in om verstoringen af te handelen. Een vraag als ‘Is mijn vlucht vertraagd?’ heeft weinig impact en wordt momenteel volledig geautomatiseerd beantwoord. Bij het omboeken van een passagier of het uitgeven van een reistegoed boven een vastgesteld bedrag wordt de zaak aan een medewerker voorgelegd, omdat een verkeerde beslissing daar kostbaar is. Als je het anders bekijkt, meet je de waarde aan de hand van de resultaten die ertoe doen: sneller herstel tijdens verstoringen, omboekingen waarbij waardevolle leden van het loyaliteitsprogramma worden behouden en klachten die nauwlettend in de gaten worden gehouden. Als een verstoring goed wordt afgehandeld, kan die ervoor zorgen dat een reiziger klant blijft in plaats van verloren gaat. Daar wordt de echte klantwaarde op lange termijn gewonnen.

De vraag naar volwassenheid.

De ondernemingen die blijvende waarde creëren, zijn niet de ondernemingen die de meeste experimenten uitvoeren. Het zijn de ondernemingen die op herhaalbare wijze klantbehoeften, betrouwbare gegevens, beheerde intelligentie, herbruikbare content en meetbare resultaten met elkaar kunnen verbinden, en eerlijk kunnen inschatten waar ze zich op die ontwikkelingscurve bevinden. De meeste organisaties staan verder aan het begin dan hun pilotactiviteiten doen vermoeden.

Een AI-native organisatie is een organisatie waarin AI is verweven met elke laag van de bedrijfsvoering en de manier waarop de organisatie concurreert. Het bedrijfsmodel is niet ontworpen om bestaande processen met AI uit te breiden, maar is zelf rond AI opgebouwd, waarbij intelligentie een essentiële bedrijfscapaciteit vormt.

De nuttigere vraag voor een leidinggevende is dus niet langer: ‘Waar kunnen we AI aan toevoegen?’ De vraag is: ‘Welke beslissingen kunnen we verbeteren, en wat moet daarvoor geregeld zijn om die verbetering op verantwoorde wijze op te schalen?’