De pilot die nooit afkwam

AI staat op elke directieagenda. Bij de meeste organisaties die wij spreken, komt het er toch niet echt van. Dat komt niet door het budget of de techniek, maar doordat vooraf niet is afgesproken welk probleem AI moet oplossen.

Dit artikel beschrijft drie patronen die we steeds zien terugkomen bij mkb-organisaties die met AI aan de slag gaan, en een werkwijze die in onze praktijk wel rendeert.

Wat we steeds opnieuw zien

Een directie krijgt een demo te zien, raakt enthousiast en geeft groen licht voor een pilot. Er wordt een licentie aangeschaft, een werkgroep opgezet, een externe partij betrokken. Vier maanden later staat het project stil. De licentie loopt door.

Wat ontbreekt, is niet de techniek, maar een eenvoudige vraag die op papier had moeten staan voordat er één knop werd ingedrukt: welk probleem lossen we op, voor wie, en hoe meten we of het werkt.

De waarheid over ChatGPT
Een typische werkgroepsessie: veel ideeën, weinig prioritering. De vraag "welk probleem lossen we op?" staat zelden op het bord.

Dat klinkt voor de hand liggend, maar in de praktijk wordt deze stap overgeslagen, omdat de techniek er al is, omdat een leverancier zijn beste case al heeft laten zien en omdat het tempo binnen de organisatie zegt: doe iets. Het resultaat is een toepassing die op zoek gaat naar een probleem.

Drie redenen dat AI in het mkb vastloopt

We zien drie patronen die vaak terugkomen. Elk apart is op te lossen, maar samen zorgen ze ervoor dat een AI-traject vroeg of laat doodbloedt.

  1. Er is geen probleem, alleen een tool. Het gesprek begint met "wat kunnen we met ChatGPT doen?" in plaats van "welk werk kost ons te veel tijd?". De eerste vraag levert demo's op, de tweede toepassingen.
  2. De data klopt niet. AI versterkt wat er staat. Staan jullie klantgegevens op vier plekken, zijn drie ervan verouderd en weet niemand welke de waarheid is? Dan kan een model daar geen wonder van maken. Het wordt sneller fout in plaats van langzamer goed.
  3. Niemand is eigenaar. Een externe partij bouwt iets en een interne medewerker krijgt het "erbij". Daarna is iedereen verbaasd dat het stilvalt. Een AI-oplossing zonder duidelijke eigenaar met tijd en mandaat verwordt tot iets wat alleen in vergaderingen leeft.
De vraag is zelden of AI dit kan. Dat kan AI vaak wel. De vraag is of jullie organisatie er klaar voor is om er iets mee te doen.
JVDmediaWat we aan tafel steeds zeggen

Wat dan wel werkt

Dit is geen recept, maar een volgorde. Deze vijf stappen zijn niet revolutionair, maar worden zelden in deze volgorde gezet.

  1. Begin bij een vraag, niet bij een tool. Welk werk willen we niet meer met de hand doen? Welk antwoord moet sneller bij de klant? Schrijf de vraag in één zin op. Lukt dat niet, dan is de vraag nog niet scherp genoeg.
  2. Zoek jullie eigenaar voordat jullie iets bouwen. Dat is één persoon met mandaat, tijd en interesse, geen werkgroep van zes. Die ene persoon hakt knopen door zonder iedereen er weer bij te halen.
  3. Check jullie data vóór het model. Een AI-oplossing is zo goed als de data die hij krijgt. Eerst opschonen scheelt later veel terugdraaien.
  4. Houd het klein. Kies één proces, één afdeling en één meetbare uitkomst. Liever één duidelijke winst dan vijf vage beloftes. Wat werkt, schaal je daarna op.
  5. Meet wat het oplevert. Denk aan uren, fouten, doorlooptijd en klantcontact. Wat je niet meet, ben je over drie maanden vergeten. Maak het zichtbaar in een dashboard dat het team zelf kan openen.
Probeer dit zelf

Stel in de volgende vergadering deze vraag: "welk werk doen we nu dat niemand leuk vindt en dat altijd hetzelfde stappenplan volgt?" Daar zit de eerste echte AI-oplossing voor jullie.

Een voorbeeld uit eigen praktijk

Een klant in de zakelijke dienstverlening kreeg elke week offerteaanvragen binnen via een formulier. Een medewerker las ze, classificeerde ze en zette ze door naar het juiste team. Bij vakantie of ziekte liep de stapel op.

Strategisch automatiseren verhoogt conversie en bespaart tijd. Zo maak je marketing persoonlijker én effectiever.
De medewerker hield de classificatie zelf in de hand. Het model deed het voorwerk, de medewerker controleerde en verzond.

We bouwden geen "AI-bot", maar een eenvoudige voor-classificatie. Het model leest de aanvraag, kiest het waarschijnlijke team en stelt een conceptantwoord voor. De medewerker controleert het voorstel en grijpt bij twijfel in. Dat signaal gebruikt het model om zichzelf te verbeteren.

De medewerker doet nog steeds zelf de eindcheck. Niemand is overbodig geworden, maar er is wel ruimte voor het werk dat er eerder niet meer bij paste. Wil je weten waar voor jouw organisatie de meeste winst zit? Vraag dan een kosteloze GRIP-analyse aan.

Let op

Zo'n traject werkt alleen als de medewerker die het straks gebruikt, vanaf dag één meebouwt: niet als ontvanger achteraf, maar als medeontwerper.

Wat je hieruit meeneemt

Vijf zinnen die je in een vergadering kunt herhalen:

AI is een middel, geen doel
Data en proces komen eerst
Eigenaar zonder mandaat is geen eigenaar
Eén meetbare toepassing is meer waard dan tien pilots
Klein beginnen is verstandig