Het moeilijkste aan AI in grote organisaties is prioriteren, niet innoveren

De meeste organisaties hebben meer dan genoeg ideeën voor AI. Maar hoe kunnen ze die ideeën succesvol omzetten in toepassingen die daadwerkelijk bijdragen aan het rendement op investering (ROI)?

Voor bedrijfs- en technologieleiders klinkt deze vraag eenvoudig, maar ze is verrassend moeilijk te beantwoorden: er komt veel kijken bij het identificeren, beoordelen en prioriteren van AI-kansen die daadwerkelijk waarde opleveren.

Hoewel de technologie er klaar voor is en er volop creativiteit aanwezig is, stranden de meeste AI-initiatieven voordat ze ooit in de praktijk worden gebracht. De kloof tussen experimenteren en uitvoeren is duidelijk: S&P Global stelde vast dat organisaties gemiddeld 46% van hun proof-of-conceptprojecten voor AI stopzetten voordat deze in productie gingen. Dat komt doordat organisaties AI-ideeën beoordelen voordat ze het probleem dat ze willen oplossen volledig hebben gedefinieerd.

Veel organisaties zijn inmiddels voorbij de experimenteerfase, waarin ze proberen te bepalen op welke AI-toepassingen ze moeten inzetten en in welke volgorde. Adoptie leidt echter niet automatisch tot bedrijfsresultaten: uit McKinsey’s State of AI-onderzoek uit 2026 bleek dat 44% van de organisaties inmiddels meldt AI binnen de hele onderneming op te schalen, terwijl slechts 37% aangeeft dat AI een meetbare impact heeft op de bedrijfswinst. Deze organisaties hebben een herhaalbaar besluitvormingssysteem nodig dat snelle successen, strategische kansen, noodzakelijke voorwaarden en problemen die niets met AI te maken hebben van elkaar onderscheidt voordat middelen worden toegewezen.

Het probleem begint bij de manier waarop ideeën worden aangedragen

Binnen managementteams komen AI-ideeën niet binnen als overzichtelijke, afzonderlijke kansen. Vaak worden ze aangedragen als bundels: rijke, rommelige en ambitieuze voorstellen, zoals: “AI is nodig om te helpen met communicatie, rapportage, vergaderingen, kennisoverdracht, prestatiebeheer en misschien zelfs om AI-agenten onze projecten te laten uitvoeren.”

Voor zo’n probleem is niet één idee nodig, maar minstens zes. Elk idee verschilt fundamenteel in reikwijdte, complexiteit, vereisten op het gebied van governance en verwachte waarde.

In één uitspraak als “we hebben AI nodig voor rapportages” kunnen bijvoorbeeld de volgende zaken schuilgaan:

• Een repetitieve taak die binnen enkele weken kan worden geautomatiseerd
• Een proces dat opnieuw moet worden ingericht voordat AI kan helpen
• Een werkelijk nieuwe mogelijkheid die dankzij AI voor het eerst binnen bereik komt
• Een probleem met gegevens of systemen dat niet met AI alleen kan worden opgelost

Als je al deze zaken op dezelfde manier behandelt, met dezelfde beoordelingscriteria, tijdlijn en ROI-methode, leidt dat tot verkeerde prioriteiten en verspilde inspanningen. Snelle successen raken bedolven onder governance die is ontworpen voor grote initiatieven. Vernieuwende ideeën krijgen nooit de steun die ze nodig hebben. En initiatieven die helemaal geen AI-problemen aanpakken, slokken capaciteit op die elders nodig is.

Een raamwerk voor het prioriteren van AI-kansen

Organisaties hebben een gestandaardiseerde reeks principes nodig waarmee ze kunnen bepalen welke kansen geschikt zijn voor AI-oplossingen. Ik stel het volgende voor:

1. Splits op voordat je prioriteiten stelt. De kwaliteit van AI-beslissingen hangt volledig af van de kwaliteit van de ideeën die het proces ingaan. De belangrijkste stap is brede verzoeken op te splitsen in afzonderlijke kansen, elk met een duidelijk omschreven resultaat, één verantwoordelijke en een realistische reikwijdte. Als brede ideeën op deze manier worden beoordeeld, kunnen enkele eerste voorstellen uitgroeien tot meerdere afzonderlijke kansen die elk een score kunnen krijgen. Sommige kunnen meteen als pilot worden getest. Voor andere moeten eerst de noodzakelijke voorwaarden worden geregeld. Sommige hebben misschien helemaal niets met AI te maken.
2. Het type bepaalt de governance. De score bepaalt de volgorde. Het type AI-implementatie dat nodig is om een bedrijfsuitdaging aan te pakken en de score ervan (oftewel het vermogen om waarde te creëren) zijn twee heel verschillende vragen die in de meeste prioriteringsprocessen door elkaar worden gehaald. Om wat voor soort kans gaat het? Gaat het om taakautomatisering, het herontwerpen van een proces, een volledig nieuwe AI-toepassing of iets anders? Het antwoord bepaalt hoe de kans moet worden beheerd: welke goedkeuringsprocedure geldt, wat de tijdlijn is en hoe de waarde wordt gemeten. De vergelijking met andere kansen bepaalt wanneer deze moet worden nagestreefd. Zowel een snelle automatisering als een tactische AI-toepassing kan waardevol zijn. Toch mogen ze nooit hetzelfde governancetraject volgen.
3. Definieer het probleem voordat je de technologie kiest. Een van de grootste valkuilen bij AI is dat je te snel vragen gaat stellen over modellen, platforms of leveranciers. Een beter vertrekpunt is het probleem zelf begrijpen: wie ondervindt er hinder van, waardoor loopt het vast en welk resultaat moet verbeteren? Dat onderscheid is belangrijk, want organisaties kunnen vertrouwen hebben in hun AI-strategie en toch niet beschikken over de onderliggende capaciteiten om die uit te voeren: uit een onderzoek van UST uit 2026 bleek dat 44% van de bedrijfsleiders de kwaliteit van gegevens als een belemmering voor AI-adoptie beschouwde. Als het gesprek over technologie begint voordat er overeenstemming is over die basisprincipes, is dat meestal te vroeg. Door de eerste gesprekken op het probleem te richten, kunnen de uiteindelijke technologische keuzes veel duidelijker worden.
4. Breng belemmeringen net zo expliciet in beeld als kansen. Een hoge score is op zichzelf niet voldoende. Een idee met veel impact en steun van de leiding, maar met een harde haalbaarheidsbelemmering, zoals ontbrekende gegevens, een onopgeloste systeemafhankelijkheid of een nalevingsbeperking, moet zichtbaar zijn op de routekaart, maar mag pas worden uitgevoerd als de belemmering is weggenomen. Governance en naleving behoren al tot de belangrijkste obstakels voor het opschalen van AI: uit Moody’s onderzoek uit 2025 bleek dat 33% van de respondenten onzekerheid over regelgeving of nalevingsrisico’s noemde als uitdaging bij de grootschalige invoering van AI, terwijl 30% aangaf dat het moeilijk was AI te integreren met verouderde systemen. Zo kan een kans op elke dimensie hoog scoren, behalve op haalbaarheid, omdat daarvoor een ander team een tekort aan gegevens moet oplossen. Die kans kan duidelijk gemarkeerd blijven op de routekaart en klaarstaan om verder te gaan zodra de afhankelijkheid is opgelost.
5. Houd de routekaart flexibel. De technologische mogelijkheden ontwikkelen zich, bedrijfsprioriteiten verschuiven en afhankelijkheden veranderen in de loop van de tijd. Een sterke portefeuille moet het eenvoudig maken om individuele kansen opnieuw te beoordelen wanneer de omstandigheden veranderen, zonder dat het hele plan opnieuw hoeft te worden opgesteld. Jaarlijkse planningscycli zijn vaak te star voor een domein dat zich zo snel ontwikkelt.

In de praktijk brengen

Opvallend genoeg kan AI zelf helpen dit raamwerk in de praktijk toe te passen. Organisaties kunnen hulpmiddelen inzetten, zoals speciaal ontwikkelde AI-vaardigheden en lichte toepassingen voor routekaartbeheer, om leidinggevenden te begeleiden bij het verzamelen, uitsplitsen, indelen, beoordelen en prioriteren van kansen. In plaats van volledig te vertrouwen op workshops en handmatige begeleiding, kan AI ongestructureerde ideeën beoordelen, afzonderlijke kansen herkennen, verhelderende vragen aandragen, aannames ter discussie stellen en gestructureerde beoordelingen van kansen opstellen ter beoordeling.

Die beoordelingen kunnen vervolgens worden opgenomen in een centrale routekaart, waarin kansen, afhankelijkheden, belemmeringen en prioriteiten op een consistente manier binnen de organisatie worden beheerd. Leidinggevenden krijgen inzicht in welke kansen er zijn, welke klaar zijn om verder te gaan en voor welke eerst aan voorwaarden moet worden voldaan of aanvullende evaluatie nodig is. Daardoor verandert het gesprek van “wat zijn onze ideeën?” in “wat moeten we als eerste aanpakken?”

Dit kan leiden tot veel productievere prioriteringssessies. Leidinggevenden hebben de belangrijkste vragen dan al doordacht, zodat het gesprek kan draaien om het op elkaar afstemmen van prioriteiten en het nemen van beslissingen, in plaats van helemaal vanaf nul te beginnen.

In plaats van AI-ideeën te beheren met losse spreadsheets en vergaderingen, kunnen organisaties een herhaalbaar besluitvormingssysteem opzetten dat kansen voortdurend beoordeelt en prioriteert naarmate de bedrijfsbehoeften en technologische mogelijkheden veranderen.

Wat dit betekent voor AI in ondernemingen

De organisaties die blijvend waarde uit AI zullen halen, zijn niet per se de organisaties met de meest geavanceerde modellen of de grootste budgetten. Het zijn de organisaties die het vermogen opbouwen om AI-kansen grondig te beoordelen voordat ze middelen inzetten. De uitdaging draait steeds meer om gedisciplineerde investeringen: uit het onderzoek van Deloitte uit 2025 naar het rendement op investeringen in AI bleek dat de meeste organisaties aangaven binnen twee tot vier jaar een bevredigend rendement op een gangbare AI-toepassing te behalen, tegenover een verwachte terugverdientijd van zeven tot twaalf maanden voor technologische investeringen.

Dat betekent dat bedrijfsleiders brede ideeën moeten helpen uitsplitsen in duidelijk omschreven kansen voordat ze verdergaan, terwijl technische teams de ruimte krijgen om aannames te toetsen en mogelijke uitdagingen vroegtijdig te signaleren. Het betekent ook dat er een routekaart wordt bijgehouden waarin rekening wordt gehouden met belemmeringen, afhankelijkheden en kansen die later wellicht beter van pas komen.

Uiteindelijk hangt het creëren van waarde met AI in ondernemingen af van meer dan de modellen of agents die een organisatie inzet. Het hangt ervan af of er doordachte beslissingen worden genomen over waar, wanneer en waarom ze worden gebruikt.