AI rendeert pas als je datafundament en werkontwerp kloppen

Data en organisatie verdienen evenveel aandacht

In veel organisaties is de AI-discussie nog steeds verrassend oppervlakkig. Welk model kiezen we? Welke copilots moeten we testen? Welke prompttraining geven we het team?

Een belangrijke zakelijke les is dat AI naast een passend model ook een stevige basis nodig heeft. Versnipperde data, onduidelijke verantwoordelijkheden, verouderde processen en losse governancerichtlijnen kunnen opschaling in de weg staan.

Juist daarom boeken veel organisaties wel lokaal resultaat met AI, maar nog geen brede bedrijfswinst. De pilot werkt. De demo oogt slim. De echte opschaling blijft uit.

Adoptie groeit hard, maar opschaling blijft achter

De OECD meldde op 28 januari 2026 dat 20,2% van de bedrijven in 2025 AI gebruikte in de OECD-landen waarvoor gegevens beschikbaar waren, tegenover 14,2% in 2024. Bij grote bedrijven was dit 52,0% en bij kleine bedrijven 17,4%.

Meer gebruik betekent nog geen brede bedrijfswaarde. In McKinseys AI-enquête uit 2025 zegt bijna negen op de tien respondenten dat hun organisatie AI gebruikt in ten minste één bedrijfsfunctie. Ongeveer twee derde is nog niet begonnen met organisatiebrede opschaling. 39% rapporteert enige invloed van AI op het bedrijfsresultaat vóór rente en belastingen (EBIT).

Veel bedrijven hebben inmiddels AI-activiteit, maar nog geen AI-systeem dat echt meedraait in de bedrijfsvoering.

Data kunnen de opschaling belemmeren

McKinsey beschreef op 23 juni 2026 hoe data een knelpunt kunnen worden bij het opschalen van AI. Het bureau verwijst daarbij naar het cijfer van 7% volledig opgeschaalde organisaties uit zijn AI-enquête. Dit cijfer geldt voor de onderzochte organisaties die AI gebruiken.

Een AI-toepassing knipt informatie op, verrijkt die, combineert context uit meerdere systemen en produceert nieuwe afgeleide bestanden en gegevens. Als die keten niet traceerbaar, herbruikbaar en consistent is, kunnen er verschillende antwoorden op basis van dezelfde bron ontstaan.

• Onvoorspelbare output.
• Oplopende kosten.
• Verschillende waarheden per team.
• Zwakke controle op gevoelige informatie.
• Afnemend vertrouwen bij medewerkers en klanten.

Werkontwerp hangt samen met AI-resultaten

In Microsofts 2026 Work Trend Index wegen organisatorische factoren in het verklaringsmodel zwaarder dan individuele factoren: 67% tegenover 32%. Het gaat om het relatieve belang van factoren in een statistische analyse van zelfgerapporteerde AI-resultaten, niet om een gemeten oorzakelijk effect.

Veel leiders investeren eerst in trainingen voor medewerkers en pas later in procesherontwerp, mandaten en KPI's. Als de organisatie medewerkers nog steeds afrekent op oud werk, blijft AI een productiviteitslaag bovenop een verouderd systeem.

Van de ondervraagde AI-gebruikers vreest 65% achter te raken zonder snel met AI mee te veranderen. Tegelijk voelt 45% zich veiliger bij bestaande doelen dan bij herontwerp van werk met AI. Slechts 13% zegt daarvoor beloond te worden, ook wanneer de beoogde resultaten uitblijven.

Agents maken het managementprobleem nog groter

AI wordt autonomer. Het vraagstuk verschuift van "welke tool gebruiken we?" naar "welke beslissingen durven we aan software toe te vertrouwen?"

In een enquête van BCG en MIT Sloan Management Review zegt 35% van de respondenten dat hun organisatie agentic AI al verkent of gebruikt. Nog eens 44% verwacht daar binnenkort mee te beginnen. Volgens het rapport zijn werkprocessen, governance en personeelsbeleid vaak nog onvoldoende aangepast.

Zodra agents taken plannen, uitvoeren en doorzetten in workflows, worden escalatieregels, controlepunten, logging, rechten en eindverantwoordelijkheid operationele ontwerpkeuzes.

Verantwoord gebruik is geen rem, maar een voorwaarde voor rendement

Veel organisaties hebben inmiddels beleid, principes en een basistraining. Dat is nodig, maar niet voldoende.

BCG verwijst naar onderzoek waarin koplopers in verantwoord AI-gebruik twee keer zo vaak zakelijke voordelen uit hun inspanningen op dat gebied rapporteren als andere organisaties. Dat verband bewijst geen oorzakelijk effect. Validatie, transparantie en risicobeheersing kunnen wel helpen om AI verantwoord in processen te gebruiken.

Wat dit concreet betekent voor bedrijven

• Welke data worden door meerdere AI-toepassingen hergebruikt, en zijn die betrouwbaar genoeg?
• Waar ontstaan verschillende antwoorden uit dezelfde bron?
• Welke processen verdienen fundamenteel herontwerp in plaats van een extra AI-stap?
• Op welke punten moet een mens altijd valideren, overrulen of escaleren?
• Welke managers worden nu echt afgerekend op AI-adoptie die verder gaat dan experimenteren?

Vijf acties die je deze zomer kunt nemen

• Kies een kernproces, geen tien losse use-cases: offertevoorbereiding, klantservice, kennisontsluiting of compliancecontrole.
• Maak dataherkomst en eigenaarschap zichtbaar per AI-stroom.
• Herontwerp KPI's samen met lijnmanagement: voeg kwaliteitscontrole en leersnelheid toe.
• Bouw governance in de workflow, niet erbuiten: validatiestappen, escalatieregels en logging.
• Beoordeel AI niet alleen op tijdswinst: kijk ook naar foutreductie, besluitvorming en kennisoverdracht.

Concurrentievoordeel vraagt om een passende organisatie

Het onderscheid gaat verder dan toegang tot AI. Ook de bereidheid om data, governance en werkontwerp aan te passen bepaalt hoe bruikbaar de technologie in de dagelijkse praktijk wordt.

Wie data en werkontwerp in samenhang aanpakt, bouwt aan een organisatie waarin AI betrouwbaar kan meedraaien, managers weten waar menselijke controle hoort en teams sneller leren van hun eigen werk.

Het echte concurrentievoordeel ontstaat niet in de slimste prompt, maar in de best ontworpen organisatie.