De meeste organisaties die bij ons aankloppen voor een AI-scan verwachten dat het oordeel over technologie gaat. Dat is het bijna nooit.

Het patroon bij MKB+ organisaties is consistent, en positiever dan mensen verwachten. Heb je de afgelopen jaren geïnvesteerd in Power BI, dan staat je datafundament meestal verder dan je denkt. Wat achterblijft is governance, training en meten: toegang die per rapport is ingericht door wie dat rapport bouwde, licenties die zijn uitgedeeld zonder training, en pilots waarvan niemand vooraf afsprak hoe je ze zou beoordelen.

Dat is een goede positie, want juist die drie zijn het goedkoopst om te verhogen. Ze vragen besluiten en een beetje structuur, geen nieuw platform.

Een AI maturity model is een schaal. Het verandert een vage vraag, zijn we er klaar voor, in een positiebepaling: we staan hier, en dit is de volgende stap. Het model hieronder is van ons. We bouwden het voor organisaties die al met Power BI werken, want daar beginnen de meeste van onze klanten.

1. Ad hoc. Individuen experimenteren. Prompts leven in browsertabs, resultaten in screenshots, en niets wordt gedeeld. Veel enthousiasme, geen eigenaar. Het gevaar is dat je hier twee jaar blijft terwijl je denkt dat je op niveau drie staat.
2. Bewust. Meerdere teams draaien pilots en de directie is geïnteresseerd. Data reist nog steeds via exports, en eigenaarschap wordt nooit belegd. Het drukste niveau, en het meest misleidende, omdat activiteit zo sterk op voortgang lijkt.
3. Gestructureerd. Er is een beheerst datafundament. Omzet, marge en actieve klant zijn één keer afgesproken en overal toegepast. Dit is het eerste niveau waarop je een AI-antwoord kunt vertrouwen, omdat je kunt vertrouwen waar dat antwoord vandaan komt.
4. Geschaald. AI zit in bedrijfsprocessen met benoemde eigenaren, en waarde wordt gemeten in plaats van geclaimd. McKinsey vond dat 73 procent van de high performers processen opnieuw had ingericht, tegenover 25 procent van alle anderen.
5. Verankerd. AI verandert hoe beslissingen tot stand komen. Weinig middelgrote organisaties staan hier, en dat is geen tekortkoming. Niveau vier is een prima plek om een winstgevend bedrijf vanuit te runnen.

• Het maakt de beperking zichtbaar. Meningen middelen elkaar uit tot alles oranje lijkt. Een score benoemt de ene dimensie die je volgende use case tegenhoudt, en dat is zelden degene waarover werd gediscussieerd.
• Het maakt van readiness een businesscase. We zijn er niet klaar voor is geen businesscase. Governance scoort twee, dit kost niveau drie en dit levert het op, is dat wel.
• Het geeft je een startpunt om te verbeteren. Meet je jaarlijks, dan wordt readiness een trendlijn, en dat is de enige eerlijke manier om te beantwoorden of de AI-uitgaven van vorig jaar iets hebben opgeleverd.

Dit is het deel dat mensen positief verrast. Je semantische model, de laag in Power BI waar je cijfers worden gedefinieerd, is het waardevolste bezit in een AI readiness assessment. Zijn omzet, marge en actieve klant één keer gedefinieerd en overal hergebruikt, dan heb je het dure deel al gedaan.

Drie checks bepalen of AI-functies echt voor je gaan werken, en niet alleen beschikbaar zijn.

• Heb je de juiste Fabric-capaciteit en is Copilot goed ingericht? Copilot is standaard ingeschakeld voor tenants met een betaalde Fabric-capaciteit vanaf F2. Beheerders kunnen vervolgens bepalen welke gebruikers en workspaces toegang krijgen en hoe het gebruik binnen de organisatie wordt ingericht.
• Is je model begrijpelijk voor een machine? Copilot leest je tabel- en kolomnamen als betekenis en kan niet vanzelf bepalen welke van je drie omzetmaatstaven de juiste is. Duidelijke namen en één gezaghebbende maatstaf per begrip doen het meeste werk.
• Blijft toegang gelden als een agent vraagt in plaats van een mens? Iemand die een cijfer ziet dat hij niet hoort te zien, merkt dat meestal. Een agent vat het samen en geeft het door.

Dat is de versie op businessniveau, en voor een readiness-score is dat genoeg. De platformdetails staan in ons artikel over Microsoft Fabric en AI, en de bredere vraag over controle in AI-governance uitgelegd.

1. Universiteit Antwerpen. Data versnipperd over verouderde Oracle- en SAP-systemen, financiële rapportage per kwartaal. Na de herbouw op Microsoft Fabric daalde de dataverwerkingstijd met 65 procent en ging de rapportage naar dagelijks. Het detail dat ertoe doet is wat het project niet was. Er is geen AI-model uitgerold. Dit is niveau twee naar niveau drie, en dat is wat alles daarna mogelijk maakt.
2. CVC DIF. Onze klant, een wereldwijde infrastructuurinvesteerder met 19 miljard euro aan beheerd vermogen, had berekeningen nodig die de bestaande systemen niet konden modelleren. Wij bouwden de datapijplijnen, de datamodellen en de dashboards, en vervingen Excel-invoer door gestructureerde bronnen. Finance rapporteert nu vrijwel realtime. Verhoogde dimensies: datafundament en gedeelde definities. De volledige casestudy van CVC DIF staat op onze site.
3. Air Canada, als waarschuwing. In februari 2024 achtte een tribunaal de luchtvaartmaatschappij aansprakelijk nadat de chatbot op haar website een klant onjuiste informatie gaf over rouwtarieven. Air Canada voerde aan dat de chatbot een aparte rechtspersoon was, verantwoordelijk voor zijn eigen uitspraken. Dat argument werd volledig verworpen. Het principe blijft staan: een organisatie is eigenaar van wat haar AI zegt.

Geen van de eerste twee begon met het kopen van een AI-tool. Beide vonden hun laagst scorende dimensie en verhoogden die. Daar is een AI readiness assessment voor, en daarom werkt de AI-roadmap die eruit komt aanzienlijk beter.

1. Scoor het fundament vóór de ambitie. Begin bij data en definities, niet bij de lijst met use cases. Een briljante use case op een onbeheerst fundament is precies de 60 procent die Gartner beschrijft.
2. Spreek definities één keer af, in het semantische model. Niet in een begrippenlijst die niemand opent. Het semantische model dat je al onderhoudt is waar een AI-agent uit redeneert, dus daar hoort gedeelde betekenis te staan.
3. Scoor op bewijs, niet op mening. In onze scans beslechten we een discussie over datakwaliteit het snelst door de refreshgeschiedenis te openen en te kijken. Kun je een score niet onderbouwen, noteer hem dan als onbekend in plaats van optimistisch.
4. Behandel governance als ontwerpkeuze, niet als toetsmoment. Toegangsregels die je één keer vastlegt en overal afdwingt, kosten veel minder dan ze achteraf inbouwen nadat een agent de verkeerde vraag voor de verkeerde persoon heeft beantwoord.
5. Bepaal wat je gaat meten, en leg het vast in de AI-roadmap. Spreek de nulmeting af, de eenheid, uren of euro’s, en de evaluatiedatum. Een copilot aanzetten is geen resultaat. Een beslissing die aantoonbaar beter werd wel.

1. Begin met de gratis AI Readiness Check. Die scoort je datagereedheid en je organisatiegereedheid in een paar minuten, en geeft je iets concreets om mee te nemen naar het volgende MT-overleg. Doe de check.
2. Daarna de AI-scan. Twee weken, vaste scope, een vaste prijs van 2.500 euro. We brengen 10 tot 15 processen in kaart waar AI realistisch kan helpen, brengen die terug naar een top drie, bouwen een businesscase voor de sterkste kandidaat in uren en euro’s, en leveren een AI-roadmap voor 90 dagen. Meer over de AI-scan.
3. Daarna implementatie en training. Een roadmap is waard wat ervan gebouwd en gebruikt wordt. Daar komen implementatie en rolspecifieke training in beeld, wat meteen de verplichting uit artikel 4 afdekt die jouw organisatie al heeft.