AI? Ja, daar doen we 'iets' mee

Medewerkers die effectief met AI-tools kunnen werken, zijn de sleutel tot slimme en efficiënte bedrijfsvoering. Zonder voldoende kennis en training blijft AI een vreemd instrument en geen geïntegreerd onderdeel van je organisatie. Volgens een recent Microsoft‑LinkedIn onderzoek is training de belangrijkste motor achter adoptie: “while 43% of employees who feel adequately trained are high frequency users of AI, less than 1% of employees who don’t feel adequately trained are high frequency users”. Met andere woorden: als mensen zich niet competent voelen met AI, gebruiken ze het vrijwel niet.

McKinsey ondersteunt dit beeld: bijna de helft van de medewerkers geeft aan dat formele training de belangrijkste stimulans is voor AI-gebruik binnen hun organisatie. Bovendien blijkt dat slechts 1% van bedrijfsleiders hun organisatie als “AI mature” bestempeld, ondanks de enorme ambitie binnen veel bedrijven. Het blijkt dat werknemers klaar zijn, maar leiderschap vaak achterblijft. Een andere studie onderzocht hoe AI-gebruik het leervermogen van medewerkers versterkt: betrokkenheid met AI-tools bevordert kennisdeling en helpt werknemers sneller te groeien in vaardigheden en ervaring.

Waarom dit essentieel is voor jouw organisatie:
Medewerkers die snappen hoe en wanneer ze AI kunnen inzetten, gebruiken het vaker en met meer vertrouwen. Goed gebruik komt immers niet vanzelf, daar is wat oefening en context voor nodig. Zodra mensen leren hoe ze AI-tools kunnen inzetten voor hun eigen werk, ontstaat er ruimte voor dagelijks gebruik. Denk aan een marketeer die ChatGPT inzet voor een eerste concepttekst, of een projectmanager die met AI sneller statusupdates schrijft. Zulke toepassingen ontstaan pas als mensen weten wat mogelijk is, en waar de grenzen liggen. Bovendien helpt werken met AI je teamleden ook om zelf slimmer te worden: ze leren sneller, stellen scherpere vragen en worden zich bewuster van de kwaliteit van hun input. Dat voorkomt blind vertrouwen of fout gebruik.

Ons advies: begin klein en praktisch. Geef korte, gerichte trainingen rondom herkenbare use-cases: een promptworkshop voor contentmakers, een sessie AI in Excel voor finance, of een demo van slimme tools voor planning en support. Laat mensen oefenen, ervaringen delen en vooral: fouten maken. Want precies daar zit de echte leercurve.

AI mag dan klinken als magie, maar zonder goede data komt er weinig uit de hoge hoed. Het is een simpel en bekend principe: garbage in, garbage out. Als je AI wilt inzetten voor waardevolle inzichten, voorspellingen of automatisering, moet de kwaliteit van je data op orde zijn. En minstens zo belangrijk: die data moet toegankelijk zijn voor de mensen en systemen die ermee moeten werken.
Toch worstelen veel organisaties met versnipperde informatie, vervuilde databronnen of datasilo’s waar niemand nog precies van weet wat erin zit. En dat is problematisch. Of zoals AI-expert Andrew Ng het zegt: “If 80 percent of our work is data preparation, then ensuring data quality is the most critical task for a machine learning team.”

Ook Zühlke, een internationaal technologie adviesbureau, stelt het glashelder: “High-quality data is the foundation of successful AI initiatives and ensures that prototypes evolve into scalable, reliable, and impactful solutions.”

Met andere woorden: als je AI serieus wilt nemen, moet je je data serieus nemen. Dat betekent investeren in opschoning, standaardisatie, goede documentatie en centrale toegankelijkheid. En ja, ook ongestructureerde data, zoals PDF productbladen of handleidingen kunnen waardevol zijn, mits je deze goed weet te structureren en labelen.

Samengevat, je AI is maar zo slim als de data die je erin stopt. Een robuuste datastructuur voorkomt niet alleen verkeerde beslissingen, maar legt ook de basis voor schaalbare en wendbare toepassingen die echt bijdragen aan je organisatie.

Als je aan de slag gaat met AI zonder duidelijke spelregels, loop je al snel vast. Je blijft óf hangen in losse experimenten die nergens landen, óf je raakt verlamd door twijfel en risico’s. In beide gevallen benut je de kracht van AI niet. Juist daarom is het belangrijk om als organisatie vooraf goed na te denken over wat je wel en niet accepteert bij het gebruik van AI. Wat mag er met klantdata? Wie is verantwoordelijk als AI een fout maakt? Hoe voorkom je dat er onbedoeld vooroordelen in je systeem sluipen? Heldere kaders zorgen ervoor dat iedereen, van medewerker tot manager, weet waar hij aan toe is. Je creëert ruimte om te innoveren, zonder de controle kwijt te raken.

Uit onderzoek blijkt dat organisaties die dit goed regelen niet alleen minder risico lopen, maar ook vaker succesvol AI inzetten én meer vertrouwen krijgen van klanten en stakeholders. 
“AI governance is the key to enabling trustworthy, responsible and efficient AI systems.”

Waarom dit relevant is voor jou:

• Veilig en transparant AI-gebruik bevordert vertrouwen, zowel intern als extern;
• Richtlijnen helpen organisaties om klaar te zijn voor nieuwe wet- en regelgeving (zoals de EU AI Act);
• Goed ontworpen governance voorkomt dat AI-projecten stranden of experimenten blijven.

Net zoals een verstandige investeerder niet al zijn kapitaal in één gok stopt, zo hoort ook de inzet van AI gestructureerd en gefaseerd te zijn. Laat AI niet bij demo’s en experimenten, maar bouw aan een strategie waarbij elke stap betekenis heeft en bijdraagt aan duurzame groei.

Onderzoeksartikelen en adviesrapporten benadrukken deze aanpak: McKinsey stelt dat veel organisaties wel AI-projecten starten, maar slechts 50‑60% daarvan opschalen naar structurele toepasbaarheid. Je moet dus denken in fasen, leren en daarna opschalen.

Een slimme manier om met AI aan de slag te gaan is dus via een gefaseerde aanpak. Begin met een duidelijk doel: welk probleem wil je oplossen of welk proces wil je slimmer maken? Koppel daar een kleine, haalbare AI-pilot aan, bijvoorbeeld het automatisch samenvatten van klantfeedback of het plannen van capaciteit binnen een team.

Gebruik die pilot om te testen, te leren en te finetunen. Wat levert het op? Wat werkt goed, en wat niet? Pas daarna schaal je op: breid de toepassing uit naar andere teams, processen of systemen. Deze manier van werken zorgt ervoor dat je niet verdwaalt in losse experimenten zonder vervolg. Je maakt bewust keuzes, bouwt voort op wat werkt en laat elke stap bijdragen aan structurele verbetering. Geen AI om het AI-gehalte, maar tastbare waarde, stap voor stap.