Thought leaders
De onderneming empoweren met een AI-platform
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Over alle industrieën heen zie ik hetzelfde patroon: de eerste waardevolle AI-use cases komen zelden van een stuurgroep. Ze komen van de teams die het dichtst bij operationele wrijving zitten.
Ik besteed veel tijd met leiderschapsteams aan het beantwoorden van dezelfde vraag: “We investeren in AI, dus waar is de businesswaarde?” Het is een faire vraag, en het eerlijke antwoord is dat voor de meeste organisaties de waarde niet snel genoeg verschijnt. RAND heeft geschat dat meer dan 80% van AI-projecten falen, ongeveer tweemaal het tarief van niet-AI IT-projecten. BCG’s onderzoek is net zo somber: tegen het einde van 2025 genereerden 60% van de bedrijven weinig tot geen materiaalwaarde van AI, en slechts 5% creëerden waarde op grote schaal. MIT’s NANDA-initiatief stelde het botweg: slechts ongeveer 5% van de ondernemingsgeneratieve AI-pilots bereiken snelle omzetversnelling.
Het instinctieve antwoord is vaak om één groot transformatieprogramma te lanceren en de betekenisvolle AI-levyering uit te stellen totdat elke fundamentenlaag is voltooid. Dat is waar de momentum sterft. Hier is de kernboodschap: uw dataplatform is essentieel voor AI-succes, maar wachten tot het hele platform is voltooid is het verkeerde operationele model. Bouw het platform en creëer waarde in parallel.
Waarom de frontlijn de plek is waar de waarde begint
In elke organisatie met een grote kenniswerkerpopulatie, is de waarde vaak gemakkelijk te vinden als je de juiste mensen vraagt, en het is groter dan een chatbot vragen om een document samen te vatten. De echte kans ligt in agentic AI die is ingebed in operationele workflows. We hebben low-code-platforms gebruikt in accounting om de factuurverwerking te versnellen en automatisch vragen van accounts payable te beantwoorden. In klantenservice kan een agent die een inkomend geval triageert, de klantgeschiedenis ophaalt en een resolutie voor menselijke beoordeling opstelt, de responstijden en klanttevredenheid aanzienlijk verbeteren. Dit zijn multi-stap workflows die systemen overspannen, oordeel vereisen en het dichtst bij de mensen zitten die al weten waar de wrijving leeft. Ze hebben geen zes maanden ontdekking nodig om te vertellen wat kapot is. Ze hebben er elke dag mee te maken.
Er zijn twee zetten die samenwerken. Geef kenniswerkers de mogelijkheid om hun eigen workflows te verbeteren met beheerde low-code/no-code AI-hulpmiddelen, en creëer een AI-engineeringsfunctie voor bedrijfsteams voor moeilijkere use cases. Beide creëren waarde, en de sterkste organisaties doen beide. Maar geen van beiden schaalt zonder een gedeeld platform voor identiteit, toegang, gegevens, integratie en bewerkingen.
De pilot-tot-productiegap is een platformprobleem
Veel organisaties blijven hangen in het debat over welk model te gebruiken. Dat is belangrijk, maar het is niet de primaire beperking. Het grotere probleem is platformmaturiteit. Teams kunnen snel prototypen, maar ze kunnen niet consistent deployen over het hele bedrijf als gedeelde fundamenten ontbreken: identiteit- en toegangscontroles die bedrijfsteams daadwerkelijk kunnen gebruiken, duidelijke gegevensgrenzen, herbruikbare integratiepatronen en een praktisch proces voor beoordeling, release en monitoring. S&P Global vond (SPGI ) dat het gemiddelde bedrijf 46% van de AI-proeven van concepten voor productie schrapte.
Dit is waarom het dataplatform zo veel uitmaakt. AI-klaar gegevens zijn geen luxe; het is de sleutel tot productiesucces. Zonder betrouwbare, toegankelijke, beleidsconforme gegevens, zelfs sterke use cases, komen tot stilstand.
De datavallei, en waarom u niet moet wachten
Hier is wat de meeste programma’s stopzet: de gegevens. Gartner voorspelt dat tot 2026, organisaties 60% van de AI-projecten die niet worden ondersteund door AI-klaar gegevens, zullen opgeven. De gebruikelijke reactie is om een groot dataplatformprogramma te lanceren, alles te moderniseren, de afkomst te perfectioneren en dan AI te doen.
Die sequentie klinkt gedisciplineerd, maar het vertraagt vaak de waarde voor jaren. Dataplatformmodernisering is echt, noodzakelijk en niet-onderhandelbaar. Het loopt ook op meerdere jaren in de meeste ondernemingen. Als elk AI-use case moet wachten op de eindstaatarchitectuur, verliest het vertrouwen van de directie voordat betekenisvolle resultaten verschijnen.
De betere aanpak is parallelle uitvoering: blijf het ondernemingsdataplatform bouwen en geef prioriteit aan AI-activatie in procesgebieden met de hoogste operationele wrijving.
Just-in-time, just-enough governance voor high-friction workflows
Begin met de procespijn, niet met de technologie-roadmap. Identificeer waar de wrijving het hoogst is en de bedrijfsimpact het duidelijkst is: vertraagde factuurcycli, langzame caseresolutie, uitzonderlijk zware goedkeuringen, herhaalde gegevensopzoeken of handmatige herstelloops. Richt dan die workflows eerst voor AI-activatie.
Gebruik just-in-time governance om dat mogelijk te maken. In plaats van alles te proberen te reguleren van tevoren, reguleer de specifieke gegevens die nodig zijn voor elk prioritaire use case wanneer de use case klaar is om te bewegen. Een klein cross-functioneel team kan eigendom, toegang, kwaliteitseisen en controles in dagen, niet in maanden, in commissiecycli, beoordelen.
Pas voldoende controle toe om de werkelijke risico’s te evenaren. Een use case die openbaar productinhoud behandelt, heeft niet dezelfde wachttorens nodig als een use case die klantpersoonlijke gegevens behandelt. Dit risicoproportionele model beschermt de organisatie terwijl het de leveringssnelheid behoudt, en het vermindert het schaduw-AI-gedrag dat ontstaat wanneer formele paden te langzaam zijn.
De backlog is de brug naar volledige datagereedheid
Elke frontline AI-implementatie moet gestructureerd leren genereren: welke gegevens werden gebruikt, welke kwaliteitsdefecten kwamen naar voren, welke transformaties waren vereist en welke governancebeslissingen werden genomen. Vang elke kloof op als een backlog-item voor platformremediatie.
Die backlog wordt een vraaggestuurde kaart voor datamodernisering. In plaats van te raden waar je eerst moet investeren, verbeter je de datasets en dataprodukten die al zijn gekoppeld aan meetbare bedrijfsresultaten. Na verloop van tijd creëert dit een versterkende lus: frontline AI-use cases onthullen de meest belangrijke gegevenskloven, platformteams remediëren ze, en de volgende golf van AI-oplossingen wordt sneller en met minder risico geleverd.
Laatste gedachte: Platform is het besluit
Het besluit is niet “pilot of geen pilot”. Het is of je een beheerd AI- en dataplatform bouwt dat je organisatie in staat stelt om te leren, te leveren en op te schalen op een veilige manier.
Behandel AI-klaar gegevens als mission-critical. Bouw het dataplatform als een strategisch programma. Maar wacht niet tot het hele ding is voltooid. Prioriteer de procesgebieden met de hoogste wrijving, activeer ze met AI en reguleer gegevens just-in-time. Dat is hoe je waarde creëert nu, terwijl je de basis bouwt die waarde op grote schaal in stand houdt.
