Je herkent waarschijnlijk het volgende scenario. Het bestuur vraagt waarom jouw organisatie niet meer doet met AI. Er wordt een pilot goedgekeurd. Zes maanden later kan niemand echt uitleggen wat er is veranderd. Controllers trekken nog steeds alles naar Excel voordat de maandafsluiting plaatsvindt. Sales en Finance discussiëren nog steeds over welk omzetcijfer correct is. Dashboards bestaan wel, maar de helft van het managementteam vertrouwt liever op zijn eigen spreadsheet. En ondertussen loopt de cloudrekening ongemerkt verder op.

Dit is momenteel het meest voorkomende verhaal binnen het Nederlandse bedrijfsleven. Niet omdat AI niet werkt, maar omdat de meeste organisaties nog niet klaar zijn om AI effectief te gebruiken.

De cijfers zijn opvallend. Slechts ongeveer 13 procent van de organisaties wereldwijd is daadwerkelijk klaar om waarde uit AI te halen, en dat percentage is de afgelopen drie jaar nauwelijks veranderd. Meer dan 80 procent van de AI-projecten levert niet op wat vooraf werd beloofd. Dat is twee keer zoveel als het faalpercentage van reguliere IT-projecten. Tegelijkertijd gebruikt bijna 90 procent van de organisaties AI ergens binnen de organisatie. Het verschil tussen AI gebruiken en daadwerkelijk waarde realiseren met AI is hét zakelijke vraagstuk van dit moment.

Het goede nieuws? Die kloof is te overbruggen en bovendien meetbaar.

AI-gereedheid is geen vaag begrip of modewoord. Het draait uiteindelijk om twee praktische vragen:

• Is je data klaar voor AI?
• Is je organisatie klaar voor AI?

Wanneer je die vragen eerlijk kunt beantwoorden, weet je precies wat je eerst moet verbeteren, in welke volgorde en wat daarvoor nodig is.

Deze gids geeft je dat inzicht. We leggen in begrijpelijke taal uit wat AI-gereedheid werkelijk betekent, waarom het juist voor jouw organisatie belangrijk is en hoe je nog dit kwartaal de eerste concrete stap kunt zetten voordat je ook maar één euro extra uitgeeft aan AI-licenties.

Herken je hier iets van in je eigen organisatie?

Voordat we het over modellen hebben, helpt het om te kijken hoe een organisatie die er nog niet klaar voor is er in de praktijk uitziet. Kijk eens hoeveel hiervan bekend voorkomt:

• Je controllers exporteren nog steeds alles naar Excel. De dashboards zijn er wel, maar het echte werk gebeurt in spreadsheets op de laptops van mensen zelf. Niemand vertrouwt de broncijfers echt, dus iedereen houdt een eigen versie bij.
• Drie afdelingen geven drie verschillende antwoorden op dezelfde vraag. Marketing zegt dat de omzet X was, finance zegt Y, sales zegt Z. Ieder gebruikt een net iets andere definitie, een ander filter of een andere peildatum. Niemand heeft bewust ongelijk, maar niemand heeft helemaal gelijk.
• Jullie dashboards bestaan, maar niemand vertrouwt ze. Ze zijn twee jaar geleden gebouwd, de bouwer is weg, en nu weet niemand zeker of de cijfers nog kloppen. Dus vraagt het management toch maar weer een verse Excel.
• Jullie maandafsluiting duurt nog steeds twee volle weken. Het grootste deel van die tijd is geen analyse. Het is cijfers zoeken, bestanden afstemmen, collega’s om input vragen en kapotte formules repareren.
• Iemand heeft AI-licenties gekocht, maar niemand gebruikt ze. Er was een kick-off, een webinar, misschien een pilot. Daarna werd het stil. De rekening blijft binnenkomen.

Herken je hier iets van, dan loop je niet achter. Je bent normaal. Maar elk van deze punten is ook een duidelijk signaal dat AI, als je het morgen zou aanzetten, je niet geeft wat je wilt. AI repareert geen dashboard dat niemand vertrouwt. Het brengt geen drie verschillende omzetdefinities samen. Het zorgt er niet voor dat een controller stopt met Excel. Die problemen moet je eerst oplossen, anders maakt AI ze alleen maar luider en sneller.

Gebied 1: Data Readiness

Dit gaat over de vraag of je data AI überhaupt kan dragen. Niet in technische termen, maar in praktische: weet je waar je data staat, kun je die vertrouwen, en is die consistent genoeg dat een AI-tool hetzelfde antwoord geeft als je beste analist? Als je data inconsistent is, lost AI dat niet op. Het herhaalt de inconsistentie alleen sneller en met meer overtuiging. Een data-ready organisatie kan met een gerust hart ja zeggen op stellingen als deze:

• We weten waar onze data staat opgeslagen, verspreid over onze systemen, databases en bestanden.
• Onze data is beschikbaar in een gestructureerd formaat, zodat die makkelijk te analyseren en te gebruiken is.
• Onze data gebruikt overal dezelfde definities, formaten en eenheden. Hetzelfde datumformaat, bedragen altijd in euro’s, duidelijke namen voor elk veld.
• We hebben een helder beeld van onze datakwaliteit, zoals volledigheid, juistheid en actualiteit.
• We hebben processen of tools om die datakwaliteit regelmatig te controleren en te verbeteren.
• We hebben bepaald welke data geschikt is voor AI, bijvoorbeeld verkoopcijfers waarbij we Copilot een stijging van de omzet kunnen laten verklaren.
• Voor het AI-gebruik dat we voor ogen hebben, zijn de juiste databronnen beschikbaar en toegankelijk.
• Er is voldoende betrouwbare data aanwezig om echt met AI aan de slag te gaan.

Wat dit betekent voor jouw organisatie. Kun je de meeste van deze punten niet aanvinken, dan ligt daar je startpunt, niet bij je tools. Het goede nieuws: het op orde brengen van je data readiness maakt ook je bestaande rapportages betrouwbaarder, dus het werk verdient zich dubbel terug.

Gebied 2: Organisatie Readiness

Het tweede gebied heeft bijna niets met techniek te maken. Het gaat erom of je mensen, leiderschap en cultuur zijn ingericht om AI te gebruiken. De beste data ter wereld levert niets op als niemand er eigenaar van is, niemand is getraind, en het management nog steeds om een aparte Excel vraagt. Een organisatie die hierop klaar is, kan ja zeggen op stellingen als deze:

• De verantwoordelijkheid voor het waarborgen van onze data en ons AI-gebruik is duidelijk aan iemand toegewezen.
• Het management communiceert duidelijk waarom AI belangrijk is en welke rol het voor ons speelt.
• We hebben duidelijke AI-doelen en toepassingen vastgesteld die aansluiten bij onze organisatiestrategie.
• Medewerkers weten welke AI-tools ze mogen gebruiken, zijn getraind in de kansen en risico’s, en weten hoe ze er goede resultaten mee halen.
• Onze organisatie is bereid en in staat zich aan te passen aan de veranderingen die AI met zich meebrengt.
• Datagovernance binnen onze organisatie is beschreven en wordt toegepast, met duidelijke afspraken over data-eigenaarschap, toegang en kwaliteit.
• Er heerst een experimentele cultuur waarin medewerkers zich vrij voelen om AI uit te proberen en nieuwe mogelijkheden te ontdekken.

Wat dit betekent voor jouw organisatie. Dit is de helft die de meeste organisaties overslaan, omdat het minder concreet is dan het kopen van een tool. Het is ook de plek waar de meeste AI-projecten stilletjes doodbloeden. Eigenaarschap, heldere communicatie vanuit het leiderschap en goede training zijn wat een pilot verandert in een gewoonte.