AI wordt pas schaalbaar als de uitvoeringskern meedoet

Inleiding

Veel organisaties hebben inmiddels toegang tot sterke modellen, copilots en steeds meer agentachtige software. Daardoor lijkt het alsof de echte uitdaging vooral aan de voorkant zit: betere prompts, betere interfaces, meer use-cases. Maar meerdere actuele bronnen uit augustus 2026 wijzen een andere kant op. De moeilijkste stap is niet meer om AI iets slims te laten voorstellen. De moeilijkste stap is om die intelligentie veilig, snel en herhaalbaar te laten landen in de operatie.

Daarmee verschuift de managementvraag. Niet: welke AI-tool missen we nog? Wel: kan onze uitvoeringskern de nieuwe snelheid, automatisering en besluitlogica eigenlijk wel dragen? Denk aan de transactielaag, de datafundering, de regels, de audittrail, de uitzonderingsroutes en de systemen waarin een advies uiteindelijk een order, boeking, planning of klantactie moet worden.

Voor ondernemers en bestuurders is dat een nuttige correctie. De volgende AI-voorsprong komt waarschijnlijk minder uit nog een slimme voorkant, en meer uit een betrouwbare kern die beslissingen ook echt kan omzetten in actie.

PwC maakt duidelijk waarom de kern juist strategischer wordt

PwC beschrijft deze verschuiving opvallend scherp in meerdere recente publicaties. In hun stuk van 25 augustus 2026 over AI-transformatierisico in ERP staat dat AI nu rechtstreeks in finance- en operationele workflows terechtkomt. Dat levert snellere inzichten, betere voorspellingen en meer automatisering op, maar ook een ingewikkelder control- en risicolandschap. Hun praktische conclusie is dat organisaties AI niet als losse feature moeten behandelen, maar als een besliscapaciteit die governance, eigenaarschap en auditability vanaf dag één nodig heeft.

Nog fundamenteler is PwC's bredere architectuurles in het stuk van 12 augustus 2026. ERP levert de intelligente kern en het vertrouwde uitvoeringssysteem voor transacties, controles en consistente bedrijfsprocessen. AI voegt daar intelligentie, patroonherkenning en orkestratie aan toe. Zo kunnen agents beslissingen omzetten in bedrijfsactie op basis van een kern waarop zij kunnen vertrouwen.

Dat is zakelijk gezien een belangrijk onderscheid. Veel directieteams praten over AI alsof waarde vooral ontstaat in analyse en advies. PwC laat zien dat waarde pas zichtbaar wordt wanneer dezelfde organisatie ook een kern heeft die orders, voorraadbewegingen, financiële boekingen, prijswijzigingen en andere operationele stappen betrouwbaar kan uitvoeren. Zonder die laag wordt AI hooguit een slimme adviseur naast het werk.

Deloitte laat zien dat een stabiele backoffice nu een groeivraagstuk is

Deloitte Canada sluit daar op 4 augustus 2026 direct op aan. Hun stelling is helder: AI vervangt de behoefte aan gecentraliseerde backoffice-data niet, maar vergroot die juist. Zodra AI in kernprocessen terechtkomt, worden betrouwbare data, compliance en governance belangrijker in plaats van minder belangrijk.

Dat maakt de backoffice ineens een strategisch onderwerp. Waar deze laag vroeger vaak als technisch of administratief werd gezien, wordt zij nu bepalend voor de vraag of AI veilig kan schalen. Deloitte schrijft expliciet dat de toekomst van ERP niet in vervanging ligt, maar in herinrichting rond een stabiele kern met daaromheen een breder ecosysteem van AI, automatisering en intelligente services.

Voor bestuurders betekent dat iets heel praktisch. Wie AI wil versnellen, moet tegelijk voorkomen dat de operationele basis verder versnippert. Een extra agent op een rommelige datalaag maakt de organisatie niet slimmer, maar onvoorspelbaarder. Dan nemen de snelheid van aanbevelingen en de kans op verkeerde acties tegelijk toe.

BCG verschuift de COO-rol van optimalisatie naar orkestratie

BCG beschrijft in hun publicatie van 12 augustus 2026 wat deze ontwikkeling betekent voor operations. Hun kernpunt: agentic AI verplaatst operations van periodieke optimalisatie naar continue orkestratie. In de praktijk zien zij verbeteringen in leverbetrouwbaarheid, logistiek en voorraad, maar alleen wanneer losse optimalisatietools niet langer apart draaien.

Dat is relevant omdat veel organisaties precies daar blijven hangen. Ze hebben een forecastingtool, een planningsapp, een voorraadmodel en misschien nog een salesdashboard, maar die werken zelden als een samenhangend systeem. BCG noemt dat expliciet: veel operationsfuncties zitten vol losse puntoplossingen die niet goed op elkaar aansluiten. AI-agents kunnen die rol van orkestrator overnemen, maar alleen als de onderliggende systemen, bevoegdheden en datastromen voldoende samenhang hebben.

De managementles is dus breder dan operations alleen. Naarmate AI meer systemen tegelijk aanstuurt, verschuift de bottleneck van individuele nauwkeurigheid naar samenhang in de uitvoering. Niet het ene model, maar de kwaliteit van de keten eromheen bepaalt dan of waarde echt landt.

McKinsey laat zien dat waarde pas ontstaat wanneer beslissingen daadwerkelijk landen

McKinsey levert daarvoor een overtuigend praktijkbeeld met hun case over Reckitt van 6 augustus 2026. Daar was de planning aan de voorkant al slim geworden door data, AI en fijnmazige commerciële beslissingen. Toch zat de echte waardegrens nog in de uitvoering in de winkel: welke winkels krijgen aandacht, in welke schappen ontbreken producten en welke acties beperken omzetverlies?

Hun beschrijving is precies daarom interessant. Het systeem werkte pas echt toen miljoenen signalen werden vertaald naar concrete acties per winkel. De impact zat niet alleen in betere analyses, maar in betere uitvoering: betere naleving van afspraken over productpresentatie, minder voorraadtekorten en aantoonbare omzetgroei. McKinsey benoemt ook expliciet dat Reckitt dit niet als technologieproject behandelde, maar als businesstransformatie rond productbeschikbaarheid, productiviteit en groei.

Dat patroon zie je ook terug in McKinseys managementhandboek van 28 augustus 2026. In McKinseys State of AI-enquête behoort ongeveer 6 procent van de respondenten tot de groep AI-high performers: zij schrijven minstens 5 procent van de EBIT toe aan AI én noemen de impact significant. Dat betekent niet dat de overige 94 procent geen waarde realiseert; 37 procent meldt enige positieve EBIT-impact. De organisaties die wel presteren, bouwen volgens McKinsey geen losse puntoplossingen maar AI-systemen, met economische focuspunten, platforms, datafunderingen en leiders die business, technologie en verandering samenbrengen.

Dat sluit naadloos aan op het punt van PwC, Deloitte en BCG. De echte voorsprong zit niet in een los model, maar in het vermogen om intelligentie, operatie en uitvoering als een bestuurbaar systeem te laten samenwerken.

De nieuwe fout is AI bovenop een zwakke kern stapelen

Hier zit ook een risico dat in veel directiekamers nog wordt onderschat. Zodra AI sneller gaat adviseren, samenvatten, voorspellen en routeren, wordt een zwakke uitvoeringskern niet minder zichtbaar maar juist meer. Onduidelijk data-eigenaarschap, dubbele systeemlogica, losse controles, handmatige uitzonderingsroutes en niet-gekoppelde tools worden dan de plekken waar waarde weglekt.

Dat heeft drie gevolgen. Ten eerste ontstaat schijnsnelheid: teams lijken sneller te werken, maar de organisatie als geheel blijft stroperig. Ten tweede groeit de controlestress: meer AI-output vraagt meer checks omdat niet helder is wie verantwoordelijk is voor welke actie. Ten derde versnippert de architectuur verder: teams bouwen snelle AI-laagjes om een kern heen die daar nooit voor is ontworpen.

Juist daarom is dit geen exclusief IT-thema. Dit gaat over marge, werkkapitaal, leverbetrouwbaarheid, klantvertrouwen en bestuurbaarheid. De uitvoeringskern bepaalt immers of een voorspelling leidt tot een betere inkoopactie, een prijswijziging, een snellere financiële afsluiting of een betrouwbaarder servicebesluit.

Wat directie en MT vandaag concreet kunnen doen

Voor ondernemers en bestuurders is een verstandig startpunt om AI-initiatieven niet alleen te beoordelen op slimheid of productiviteit, maar vooral op uitvoerbaarheid.

Begin met vier scherpe vragen:

• In welke systemen moet een AI-advies uiteindelijk landen om echte bedrijfswaarde te creëren?
• Welke data, controles en bevoegdheden moeten daarvoor betrouwbaar en actueel zijn?
• Waar gebruiken teams nu al losse AI- of analysetools die hetzelfde proces elk vanuit een eigen logica aansturen?
• Welke uitzonderingen, menselijke interventies en auditsporen zijn vooraf nodig om sneller te kunnen schalen?

Vertaal dat vervolgens naar een eenvoudige portefeuilleaanpak:

• Versterk eerst de processen waar betere uitvoering direct effect heeft op omzet, marge, voorraad, cash of service.
• Ontwerp AI rond een stabiele kern en niet als parallelle route naast de bestaande operatie.
• Scheid standaardwerk van uitzonderingen, zodat niet elk AI-signaal door dezelfde zware governance-route hoeft.
• Maak een eigenaar verantwoordelijk voor het volledige traject van signaal tot uitgevoerde actie.

Daarmee wordt ook meteen duidelijk waar investeringen het meeste opleveren. Soms is dat een nieuw model. Vaak is het eerst een betere gegevensstructuur, helderder eigenaarschap of een strakkere koppeling tussen systemen.

De slimste AI-strategie heeft ook een harde onderkant

De opvallendste les uit deze bronnen is misschien wel deze: in het AI-tijdperk wordt de onderkant van de organisatie weer topprioriteit. Niet omdat innovatie vertraagt, maar juist omdat die versnelt. Hoe slimmer de voorkant wordt, hoe belangrijker de kern eronder.

Bedrijven die dat begrijpen, behandelen hun uitvoeringslaag niet langer als een noodzakelijk kwaad of louter IT-erfenis. Zij zien die laag als voorwaarde voor snelheid, betrouwbaarheid en schaalbare waardecreatie. Daar wordt bepaald of AI een interessante assistent blijft, of uitgroeit tot een operationele kracht die echt meetelt in resultaat en concurrentievermogen.

De volgende strategische vraag is dus niet alleen welke AI je toevoegt. De belangrijkere vraag is: kan jouw organisatie die intelligentie ook gecontroleerd laten landen in het werk?