Waarom ‘even AI implementeren’ zelden het echte probleem oplost

"Kunnen jullie even AI implementeren?" Het is misschien wel de meest gestelde vraag van het afgelopen jaar. En ik snap hem volledig. De demo’s zien er indrukwekkend uit, iedereen praat erover, en niemand wil de boot missen. Maar als ik daarna doorvraag, wélk probleem moet die AI eigenlijk oplossen?, valt het vaak stil. Dat is precies waar het misgaat. Want "even AI implementeren" lost bijna nooit het echte probleem op. De winst zit zelden in het model. Die zit in het proces, de data en de architectuur eromheen. En soms zit de grootste winst in eerlijk durven zeggen wat je juist niet met AI moet doen.

Een demo is geen werkend systeem

Een demo is gemaakt om indruk te maken. Een werkend systeem is gemaakt om dag in, dag uit te draaien, ook als de input rommelig is, de gebruiker iets onverwachts doet, of er een koppeling uitvalt om half elf ’s avonds.

Dat verschil is enorm, en het wordt structureel onderschat. In een demo werkt alles met nette, voorgekookte voorbeelden. In de praktijk komt je data uit drie verschillende systemen die elkaar niet kennen, staan er typefouten in klantnamen, en zijn er tien uitzonderingen op elke regel. De AI is daar vaak het makkelijkste onderdeel van. Het zware werk zit in alles eromheen: data ontsluiten, opschonen, koppelen, fouten opvangen, resultaten terugschrijven naar de plek waar mensen echt werken.

Ik zie het zo: een demo bewijst dat iets kan. Een product bewijst dat iets blijft werken. Tussen die twee zit negentig procent van het werk, en dat is precies het deel dat in de verkoopgesprekken nooit ter sprake komt.

Waarom losse tools en chatbots stranden

De afgelopen periode is er een wildgroei ontstaan aan losse AI-tools. Een chatbot hier, een schrijfassistent daar, een slim dashboard ergens anders. Stuk voor stuk leuk in een proefperiode. En stuk voor stuk vaak een paar maanden later weer verlaten.

De reden is bijna altijd dezelfde: zo’n tool staat náást je werk in plaats van erin. Hij kent je klanten niet, je geschiedenis niet, je afspraken niet. Je moet er telkens naartoe, context erin plakken, het antwoord eruit halen en het weer ergens anders plakken. Dat is geen automatisering, dat is een extra handeling met een glimmend randje.

Een chatbot die niet bij je echte systemen kan, blijft een goocheltruc. Indrukwekkend de eerste keer, vermoeiend de tiende keer. Echte waarde ontstaat pas als AI is ingebed in het proces zelf: wanneer hij automatisch de juiste gegevens ziet, de juiste actie onderneemt en het resultaat op de juiste plek belandt, zonder dat iemand het hoeft te kopiëren. Dat vraagt geen slimmer model. Dat vraagt om integraties en een doordachte architectuur.

Goede automatisering is saai en onzichtbaar

Hier wil ik eerlijk zijn, ook als het minder spannend klinkt: de beste automatisering die ik bouw, ziet niemand.

Geen futuristische interface, geen pratende assistent op het scherm. Gewoon een offerte die zichzelf samenstelt uit de juiste gegevens. Een factuur die op het juiste moment de juiste kant op gaat. Een lead die automatisch in het systeem belandt mét de context erbij. Een rapport dat er gewoon is op maandagochtend, zonder dat iemand er een avond aan kwijt was.

Dat is niet sexy. Het levert geen mooie schermafbeelding op voor op LinkedIn. Maar het bespaart elke week uren, het maakt geen typefouten, en het blijft draaien terwijl jij iets nuttigers doet. Goede techniek roept geen aandacht. Ze verdwijnt naar de achtergrond en doet gewoon haar werk.

Dat is ook waarom ik wantrouwig word als iets vooral spectaculair moet zijn. Spektakel is vaak verkoop. Onzichtbaarheid is vaak waarde. Met slim werken, loont hard werken, en slim werken betekent dat de machine het saaie deel overneemt, niet dat je een nieuwe glimmende knop krijgt om op te drukken.

Hoe ik een vraagstuk aanpak: eerst het proces, dan pas de tech

Als iemand bij mij komt met "we willen iets met AI", is mijn eerste vraag nooit welk model. Mijn eerste vraag is: waar loopt het nu vast?

1. Eerst het proces in kaart

Ik wil snappen hoe het werk nú echt gaat. Niet hoe het op papier hoort, maar hoe het in de praktijk gebeurt, inclusief de omwegen, de Excel-bestanden en het handwerk dat iedereen normaal vindt omdat het er altijd al was. Negen van de tien keer zit het echte probleem in een stap die niets met AI te maken heeft.

2. Dan de data

AI is zo goed als de informatie waar hij bij kan. Staat je data verspreid, verouderd of vervuild, dan helpt geen enkel model. Vaak is de data op orde brengen en de juiste systemen aan elkaar knopen al de helft van de oplossing, soms zelfs de hele oplossing.

3. Dan pas de techniek, en eerlijk over wat níet met AI moet

Pas als het proces helder is en de data klopt, kijk ik naar de invulling. En soms is mijn advies: hier hoeft geen AI bij. Een simpele regel, een nette koppeling of een stukje klassieke automatisering is goedkoper, betrouwbaarder en beter te onderhouden. AI inzetten waar een eenvoudige als-dan-regel volstaat, is geen innovatie, dat is een dure manier om iets onvoorspelbaars te maken.

Ik zet AI in waar hij echt iets toevoegt: bij taal, bij oordeel, bij het herkennen van patronen in rommelige input. Voor de rest pak ik het gereedschap dat het werk gewoon af krijgt. Dat is geen anti-AI-houding. Het is respect voor jouw geld en jouw tijd.

De eerlijke conclusie

"Even AI implementeren" is de verkeerde opdracht. De juiste vraag is: welk probleem kost ons nu het meeste tijd, geld of frustratie, en wat is de eenvoudigste, meest betrouwbare manier om dat op te lossen? Soms is het antwoord AI. Vaak is het een slimmer proces, schonere data en een paar koppelingen die nooit meer breken.

De organisaties die daar het meest van profiteren zijn niet degenen die het snelst AI omarmen. Het zijn degenen die het scherpst weten wat het probleem is, eerlijk durven zeggen wat er niet hoeft en pas dan kiezen voor het juiste gereedschap. Technologie volgt strategie, nooit andersom.