Kunstmatige intelligentie (AI) heeft zich in hoog tempo ontwikkeld tot het meest besproken onderwerp op het gebied van bedrijfstechnologie. De belofte is aantrekkelijk: slimmere beslissingen, snellere processen en nieuwe inzichten op basis van decennia aan verzamelde gegevens. Voor grote en complexe organisaties lijkt het potentieel grenzeloos, en in veel opzichten is dat ook zo.
Maar potentieel en realiteit zijn niet hetzelfde.
Wanneer we het onderwerp voor het eerst met onze klanten bespreken, is de verwachting vaak dat AI een wondermiddel is. Eén enkel initiatief dat in één klap het tekort aan personeel compenseert, de bedrijfsvoering moderniseert, kosten bespaart en concurrentievoordelen oplevert. Hoewel die ambitie gezond is, wordt daarbij vaak de belangrijkste vraag over het hoofd gezien: wat is er eigenlijk nodig om dat te bereiken? In plaats van mee te doen aan de hype, proberen we die vraag zo praktisch mogelijk te beantwoorden, op basis van onze eigen ervaringen in de praktijk.
Oneindige mogelijkheden - toch?
Onze klanten zijn vaak enthousiast over de mogelijkheden van AI, maar als we vragen wat ze overwegen te gaan gebruiken, is het antwoord bijna altijd Copilot of ChatGPT. Dat is begrijpelijk. AI is via chatbot-interfaces mainstream geworden, dus het is niet meer dan logisch dat onze gedachten daar beginnen en eindigen. Het resultaat? Bedrijven investeren in dure licenties voor conversationele AI zonder een duidelijk beeld te hebben van hoe hun daadwerkelijke gebruiksscenario’s eruitzien, en zijn teleurgesteld als er geen impact volgt.
Wij raden aan om de aanpak om te draaien. Begin met het in kaart brengen van je gebruiksscenario’s, niet van je tools. Welke problemen probeer je op te lossen, en wat is daarvoor daadwerkelijk nodig? Blijf in deze eerste fase technologie-neutraal. Sommige van die problemen zullen uitstekend geschikt blijken voor een oplossing op basis van AI. Andere niet, en geloof het of niet, dat is juist een goede zaak. Als een probleem zonder AI op een vooraf bepaalde manier kan worden opgelost met strikte bedrijfsregels, gestructureerde workflows of traditionele automatisering, levert die aanpak je een stabielere kwaliteit, betere controleerbaarheid en lagere kosten op. Het dwingt je ook om domeinlogica te formaliseren, iets wat je sowieso al zou moeten doen voor AI. In de AI-wereld staat dit bekend als het opbouwen van ontologieën, en het is een van de meest waardevolle fundamenten die je kunt leggen.
Hoe ziet een sterke AI-toepassing er dan eigenlijk uit?
- Kritieke organisatiekennis ligt verborgen in decennia aan ongestructureerde documenten, waardoor deze moeilijk te vinden en te hergebruiken is. Met behulp van een Retrieval Augmented Generation (RAG)-pijplijn kun je medewerkers in staat stellen vragen te stellen en op bronnen gebaseerde antwoorden op bedrijfsspecifieke inhoud op te halen. Afhankelijk van waarvoor je de kennis nodig hebt, moet je wellicht heel verschillende interfaces overwegen.
- Zakelijke gebruikers zijn voor toegang tot gegevens afhankelijk van BI-teams, wat leidt tot vertragingen tussen vragen en inzichten. Met behulp van AI-aangedreven selfservice-analyses op ongestructureerde gegevens kunnen gebruikers met hun gegevens ‘praten’ om rapporten te genereren en trends te verkennen zonder technische vaardigheden.
- Processen lopen vast bij stappen die menselijk oordeel vereisen, waardoor automatisering wordt beperkt en knelpunten ontstaan. Door AI te gebruiken voor het interpreteren van documenten, het classificeren van invoer en het afhandelen van uitzonderingen met een ‘human-in-the-loop’ (HITL)-workflowontwerp, worden efficiëntie en kwaliteit verhoogd.
Een use case tot een succes maken: je hebt sterke schouders nodig om op voort te bouwen
Zodra je de juiste use cases hebt geïdentificeerd, is de volgende vraag of je organisatie klaar is om deze te ondersteunen. AI vereist investeringen op alle fronten, niet alleen in technologie, maar ook in het werk dat je verricht om de kwaliteit te verbeteren, vertrouwen op te bouwen en continu gebruik te waarborgen.
Datareadiness – waarom dit het grootste deel van het werk uitmaakt
Datareadiness is de AI-voorwaarde die de meeste organisaties onderschatten. Om een idee te geven van de vragen die je zou moeten overwegen: werk je met een centraal dataplatform of zijn er veel afzonderlijke applicaties die aangepaste verbindingen vereisen? Werken medewerkers van de operationele afdelingen de gegevensrecords vaak genoeg bij om tijdige inzichten te bieden? Zijn metadatatags correct en consistent toegewezen gedurende de levensduur van meer dan 20 jaar van het bronsysteem?
Ons antwoord is eerlijk. We kunnen samen groot dromen, maar we zullen het datalandschap beoordelen en u vertellen wat nu haalbaar is en waarvoor investeringen nodig zijn om dit later te realiseren. Het goede nieuws? In de meeste gevallen kunnen we al samen de eerste stappen zetten met wat binnen handbereik ligt.
Wat veel organisaties verbaast, is hoe relatief weinig moeite er wordt gestoken in het configureren van de AI zelf. Het configureren van het AI-model of de AI-agent is zelden de bottleneck. Het voorbereiden, structureren en koppelen van gegevens zodat er efficiënt op kan worden gezocht, dat is doorgaans het grootste deel van het werk in onze sprints. Datapijplijnen, toegangsbeheer, verrijking van metadata, het inlezen van documenten: dit zijn geen glamoureuze taken, maar ze vormen wel het fundament waarop al het andere rust. Als je deze stap volledig overslaat of nalaat je fundament verder uit te bouwen terwijl je je AI opschaalt, bouw je je oplossing op drijfzand.
Governance – de vraag die niemand vroeg genoeg stelt
Onze directeur verwoordde het treffend: bij AI-beheer gaat het om het waarborgen van de kwaliteit van de output op de lange termijn. De technologie is van ondergeschikt belang.
Vóór de livegang moet elke organisatie een eenvoudige vraag beantwoorden: wie is hiervoor verantwoordelijk nadat wij zijn vertrokken? Moderne platforms bieden ingebouwde dashboards, logboekregistratie en evaluatiestatistieken. We kunnen monitoring en rapportage inbouwen in alles wat we opleveren. Maar een dashboard zonder eigenaar is slechts een scherm waar niemand naar kijkt.
Die eigenaar heeft meer nodig dan alleen toegang; hij of zij heeft invloed nodig. De bevoegdheid om afnemende outputkwaliteit te signaleren, advies te geven over bijscholing of aanpassingen, te zeggen „dit proces heeft aandacht nodig“ en gehoord te worden. Organisaties die hier niet van tevoren over nadenken, blijven uiteindelijk zitten met AI-oplossingen die stilletjes achteruitgaan, totdat iemand dat op de harde manier ontdekt.
Dit zijn slechts twee van de factoren die we het vaakst tegenkomen; er zijn er nog meer. Maar wacht niet op perfecte omstandigheden. AI is een vermogen dat je opbouwt. Zoek het snijpunt tussen gebruiksscenario en gereedheid dat ‘goed genoeg’ is om te beginnen, en laat het werk je leren waar je vervolgens in moet investeren.
Je tool opbouwen
Neem bijvoorbeeld een rapportageproces bij bedrijf X. De verleidelijke aanpak is een op chat gebaseerde AI die in „één keer“ volledige rapporten genereert op basis van gebruikersopdrachten. Misschien wordt deze zelfs ondersteund door RAG, maar hij staat nog steeds los van hoe het bedrijf echt werkt.
Een betere aanpak is om het proces in stappen op te splitsen: de reikwijdte definiëren, methodologieën en relevante kaders toepassen, informatie verzamelen, een concept opstellen en beoordelen. Ontwerp vervolgens de oplossing zo dat elke stap een afzonderlijke, door AI ondersteunde maar door mensen gestuurde interactie is. Laat de AI bijvoorbeeld relevante bronnen voorstellen, terwijl de gebruiker deze valideert en aanpast voordat hij verdergaat. Het resultaat is vertrouwen, betere kwaliteit en hogere efficiëntie, aangezien de AI het grootste deel van het werk voor zijn rekening neemt en tegelijkertijd de gebruikers aanvult in hun eigen manier van werken.
Deze aanpak kost tijd, en daar ligt de spanning. De druk om snel resultaten te leveren botst met de realiteit dat goede AI een diepgaand begrip van het bedrijf vereist. Wij raden aan deze fase niet te overhaasten. Als je dat wel doet, loop je het risico dat je uiteindelijk weer met zomaar een chatbot zit, en je gebruikers zullen die ook als zodanig behandelen.
Conclusie
AI is geen wondermiddel, maar het is ook niet zomaar een modewoord. Het is een vermogen dat je gebruiksscenario voor gebruiksscenario, sprint voor sprint, opbouwt, met de juiste basis eronder. De organisaties die succes boeken, zijn degenen die beginnen met een duidelijk probleem, serieus investeren in de dataklaarheid en hun mensen, en de neiging weerstaan om meteen naar de demo over te gaan. Zo evolueert AI van belofte naar praktijk, en van een eenmalig experiment naar duurzame impact.
Dit artikel weerspiegelt de praktijkervaring van BearingPoint met het toepassen van AI in grote, complexe organisaties. Het gaat niet om de nieuwste release van een framework, maar om wat er daadwerkelijk mogelijk is en hoe zij hun klanten helpen dit te realiseren.
Benieuwd hoe dit op jouw organisatie van toepassing is? Kom met BearingPoint in gesprek op Data Expo 2026; je vindt hen op hun stand of tijdens een van de rondetafelsessies. Zij gaan graag met je in gesprek over wat AI realistisch gezien voor jou kan betekenen. Je kunt ook terecht op www.bearingpoint.com.
