Lauri Kien Kotcher, CEO en mede-oprichter van Different Day – Interviewreeks

Lauri Kien Kotcher, CEO en mede-oprichter van Different Day, is een ervaren bedrijfsleider, merkontwikkelaar, bestuurslid en strategisch adviseur wiens loopbaan zich uitstrekt over kunstmatige intelligentie, consumentenproducten, detailhandel, gezondheidszorg, financiële diensten en private equity. Voor ze Different Day oprichtte, was ze CEO en bestuurslid van quip, waar ze een bredere verschuiving van mondverzorging naar mondwelzijn leidde, nieuwe producten introduceerde, het direct‑to‑consumer abonnementsmodel van het bedrijf herstructureerde en operationele kosten verlaagde. Daarvoor leidde ze The Shade Store en Hello Products, waarbij ze het laatste door aanzienlijke groei en de overname door Colgate in 2020 loodste. Haar eerdere leiderschapsposities omvatten seniorrollen bij L Catterton, Godiva Chocolatier, Lehman Brothers en Pfizer Consumer Healthcare, evenals 15 jaar bij McKinsey & Company, waar ze partner werd en mede‑leidde van de North American consumer goods practice van het kantoor. Kotcher zit ook in de raad van bestuur van Freshpet, en brengt uitgebreide ervaring mee op het gebied van groeistrategie, innovatie, marketing, fusies en overnames, en organisatie‑transformatie.

Different Day helpt middelgrote bedrijven operationele uitdagingen om te zetten in praktische, op maat gemaakte kunstmatige‑intelligentie‑toepassingen die integreren met hun bestaande technologische omgeving. In plaats van zich te richten op experimentele AI‑projecten of algemene software, ontwikkelt het bedrijf end‑to‑end‑oplossingen die bedoeld zijn om handmatig werk te verminderen, zichtbaarheid te verbeteren, omzetgroei te versnellen, marges te versterken en bruikbare bedrijfsinzichten te onthullen. Het werk bestrijkt gebieden zoals vraagvoorspelling, supply‑ en voorraadplanning, sales intelligence, financiële‑bijstand‑reconciliatie, compliance, contractanalyse, klantrelatiebeheer en prestatierapportage. Different Day positioneert zijn team als partner vanaf de eerste probleemidentificatie tot en met implementatie en kennisoverdracht, zodat klanten de toepassingen intern kunnen exploiteren en blijven verbeteren.

U heeft tientallen jaren transformatie geleid bij McKinsey, Godiva, hello products, The Shade Store en quip voordat u Different Day mede‑stichtte. Wat overtuigde u ervan dat middelgrote bedrijven een nieuw soort AI‑partner nodig hadden, en welke operationele problemen geloofde u dat bestaande technologie‑leveranciers en adviesbureaus niet oplosten?

Schokkend genoeg leven bedrijfsleiders vaak in het duister. Als CEO en CMO die snelgroeiende, middelgrote consumentenmerken en retailers runt, kon ik nooit een helder beeld krijgen van de volledige reikwijdte van alle bewegende delen van het bedrijf. Onze data leefden vaak in losgekoppelde silo’s per kanaal, geografie en functionele eigenaar. Mijn instinct was dat AI die punten eindelijk kon verbinden en kon helpen ontdekken wat we misten, maar ik had geen idee wie ik moest bellen of waar ik moest beginnen. Different Day werd het antwoord op die vraag.

Middelgrote bedrijven hebben minder middelen dan grote ondernemingen, maar kunnen ook minder bureaucratie en technische schuld hebben. Hoe moet hun benadering van AI‑implementatie verschillen van het enterprise‑handboek?

Middelgrote bedrijven beschikken over een buitengewone superkracht die ze moeten omarmen. Ze moeten streven naar het inhalen van hun grotere concurrenten, omdat snelheid hun echte voordeel is. Volgens ons kunnen we de meeste middelgrote bedrijven omvormen tot AI‑native organisaties, alsof ze in 2026 vanaf de grond af aan worden gelanceerd. Grote ondernemingen zijn stilletjes bang dat AI kleinere rivalen het speelveld kan egaliseren, door AI‑teamgenoten sneller te laten werken zonder extra personeel toe te voegen. Minder mensen betekent minder mensen die beslissen wat te doen, hoe het te doen en wat de doelen zijn, waardoor een kleinere organisatiestructuur een troef wordt, geen beperking.

Wanneer u de bedrijfsvoering van een bedrijf evalueert, hoe onderscheidt u een workflow die echt profiteert van AI van een workflow die beter kan worden aangepakt met conventionele automatisering, verbeterde software of procesherontwerp?

Ik geloof in de ‘naked‑approach’: strip uw workflow terug tot de basis. Het vereenvoudigen van het proces moet vóór AI komen. Begin met een schoon vel papier – wat zou u hier doen als de legacy‑software en workarounds niet bestonden? De meeste bestaande processen zijn opgezet om om onhandige tools heen te werken, niet omdat ze de juiste manier van werken zijn. Wanneer contracten verlengd moeten worden, vraag dan welke functies u gebruikt, en met weinig uitzonderingen kan AI iets meer op maat bouwen dan wat u nu heeft. Hoewel er altijd systemen zijn die u wilt behouden, zoals uw ERP of CRM, ontwerpen wij precies de add‑ons die u nodig heeft en niets meer.

Different Day zegt dat ze kunnen starten met een prototype van 72 uur en binnen enkele weken overgaan naar een productie‑klare overdracht. Wat maakt dat tempo mogelijk, en welke technische, beveiligings‑ of organisatorische omstandigheden kunnen een implementatie vertragen?

Het lijkt een overbelofte, maar het weerspiegelt ons unieke voordeel als een bedrijf opgericht door mensen die zowel business als technologie begrijpen. Ons team is AI‑native, waardoor de bouw zelf veel sneller gaat dan traditionele software‑ontwikkeling. Wat niet verandert, is de ontdekking: wie bezit het proces, wie moet nog instemmen, welk resultaat u nastreeft en met hoeveel, wat eerder is mislukt. Als u dat werk vooraf overslaat, duikt het later weer op; bij integraties, bij implementatie, tegen veel hogere kosten. Het tempo is alleen mogelijk omdat we het begrip vooraf laden in plaats van te coderen.

Veel middelgrote bedrijven werken met losgekoppelde spreadsheets, legacy‑systemen en inconsistente databronnen. Hoeveel datavoorbereiding is doorgaans nodig voordat AI betrouwbare operationele resultaten kan leveren?

De losgekoppelde data waarmee de meeste middelgrote bedrijven leven, is eigenlijk de kans, niet de belemmering. Onze tools laten precies zien waar de gaten zitten, en het bedrijf beslist of en hoe die op te vullen. Voor AI waren die gaten onzichtbaar; iemand duwde de spreadsheets gewoon in een besluit of baseerde zich op onvolledige data zonder het te beseffen. Nu kunnen teams het gat zien en hun beslissing daarop afstemmen in plaats van aan te nemen dat de data solide was.

Welke KPI’s moeten leidinggevenden vaststellen voordat ze aan een AI‑project beginnen, en hoe snel mogen ze verwachten bewijs te zien dat een implementatie een betekenisvolle return on investment oplevert?

AI kan nieuw zijn, maar de klassieke bedrijfsdisciplines blijven gelden. Waar AI problemen ondervindt, is wanneer mensen denken dat alle oude regels verdwenen zijn. Elk AI‑project heeft één duidelijk doel nodig, of dat nu omzet, merkzichtbaarheid, marge, besluit‑snelheid, of meer output zonder extra personeel is, samen met een realistische tijdlijn om het te bereiken. Tijdlijnen variëren afhankelijk van het aantal dataverbindingen, interne en externe systemen, en hoeveel het hulpmiddel moet leren voordat de output solide is. U zou binnen drie maanden een vorm van resultaat moeten zien; complexere projecten duren langer. Het is cruciaal het project in fasen te ontwerpen, zodat u niet wacht op één grote uitkomst.

Different Day benadrukt toepassingen variërend van vraagvoorspelling, supply‑planning, contract‑intelligentie, financiële‑bijstand‑reconciliatie tot realtime verkoopsignalen. Welke use‑cases leveren vandaag de meest repliceerbare resultaten op, en welke blijven sterk afhankelijk van de sector en het bedrijfsmodel van een bedrijf?

Onderschrijf de herhaalbaarheid van AI niet. In veel opzichten zijn bedrijven structureel meer op elkaar gelijk dan we beseffen, van universele contracten tot het afstemmen van klantbehoeften op interne capaciteiten. Contract‑intelligentie en financiële‑bijstand‑reconciliatie zijn vandaag het meest repliceerbaar; beide hebben duidelijke parameters en uitkomsten, zodat het hulpmiddel precies weet wat het moet oplossen. Vraagvoorspelling en supply‑planning zijn moeilijker: meer datasets, meer kanalen en veel meer variatie tussen de operationele modellen van bedrijven. Real‑time klantnotificaties liggen ergens in het midden, afhankelijk van de huidige tech‑stack en kanalen van het bedrijf.

Hoe moet een bedrijf bepalen of het een kant‑en‑klaar AI‑product moet kopen, intern moet bouwen of een op maat gemaakte toepassing moet ontwikkelen met een externe partner? Welke vragen helpen onnodige complexiteit of vendor‑lock‑in bloot te leggen?

Vermijd AI‑clickbait en wees sceptisch over LinkedIn‑berichten die het bouwen van geavanceerde tools intern gemakkelijk laten klinken. Bouw intern alleen wanneer de tool echt eenvoudig is, zoals een dashboard dat een paar spreadsheets samenvoegt tot één helder overzicht voor een klein aantal collega’s. Zodra u real‑time data moet ophalen uit interne en externe systemen, is dat buiten bereik voor een niet‑technisch team met doe‑het‑zelf‑tools. Kant‑en‑klaar AI heeft dezelfde plafond als kant‑en‑klaar SaaS altijd had. Het geeft u een indruk van generieke data, maar levert niet de nuance die specifiek is voor uw bedrijf en uw concurrenten.

Wat zijn de meest voorkomende fouten die u ziet bij bedrijven wanneer ze van een indrukwekkende AI‑demo overstappen naar een systeem dat medewerkers dagelijks moeten vertrouwen en gebruiken?

Ik zie een epidemie van ‘prototype‑itis’: bedrijven die vallen voor de zichtbare 10 % van de ijsberg. Het prototype ziet er indrukwekkend uit, maar het echte werk gebeurt onder de oppervlakte: data‑testen en back‑testing, elke systeemkoppeling testen en de data beveiligen. Daarna volgt change‑management: mensen leren hoe ze het moeten gebruiken, waar de grenzen liggen, wanneer een mens in de lus moet blijven, en welke vragen ze moeten stellen over de output. AI moet geschikt zijn voor een doel, niet een vervanging van menselijk oordeel, vooral in een middelgroot bedrijf waar dat oordeel jaren heeft gekost om op te bouwen.

Naarmate AI wordt ingebed in kernprocessen, hoe verwacht u dat de rollen van managers en front‑line medewerkers veranderen, en wat moeten leiders van middelgrote bedrijven nu doen om ervoor te zorgen dat AI hun teams versterkt in plaats van simpelweg een extra technologische laag toe te voegen?

‘Managers’ betekende vroeger het aansturen van mensen. Snel is het beheer van agenten en systemen geworden. Begin met het in kaart brengen van de grootste pijnpunten van het team en het isoleren van handmatig, repetitief werk; daar hoort AI eerst, voordat u het complexere beslissingen toevertrouwt. Loop voordat u rent, vooral in een middelgroot bedrijf waar vertrouwen stap voor stap moet worden verdiend.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Different Day.