Wat 35+ AI-implementaties ons leerden.
Sinds februari 2025 deed ik in mijn vorige rol meer dan 35 AI-implementaties bij bedrijven van 50 tot 500 medewerkers. Verzekeringen, productie, onderwijs. Niet elk traject verliep vlekkeloos. Een paar eindigden met wat we intern een "lichtgroen vinkje" noemden: het werkt, het is bruikbaar, maar het was niet de home run die we wilden leveren.
Dit zijn de zes lessen die ik keer op keer tegenkom. Niet als theorie. Als de patronen die het verschil maakten tussen een werkende tool en een mooie PoC die nooit productie haalde.
Les 1Het probleem zit zelden waar de klant zegt dat het zit.
Eerste gesprekken beginnen met een oplossing. "Wij willen een chatbot." Of: "Wij willen onze documenten doorzoekbaar maken met AI." Zelden met het probleem zelf.
De eerste stap in elk traject: die oplossing terugschroeven naar de vraag. Welk probleem lost dit op, voor wie, hoeveel tijd scheelt het, en is dit het grootste probleem dat er is?
Bij VAPRO, een exameninstituut, vroegen ze om automatisering van hun kennisbank. Na doorvragen: de grootste pijn zat in de kandidaatregistratie in het Stipel-portaal. Eén uur per tien kandidaten, handmatig, foutgevoelig. Dát was het probleem dat we aanpakten. De kennisbank kwam later, of nooit.
De vraag waar je tijd in moet steken is niet "kunnen we het bouwen", maar "is dit het probleem dat we moeten oplossen".
Les 2Adoptie begint niet na de launch.
De meest gemaakte fout: adoptie als aparte stap plannen na de implementatie. "We bouwen de tool, dan doen we een training, dan gaan mensen het gebruiken."
Dat werkt niet. Adoptie begint bij de probleemanalyse. De mensen die de tool straks gebruiken moeten betrokken zijn bij het definiëren van het probleem. Niet als checkbox, maar omdat hun input de tool beter maakt en hun betrokkenheid de adoptie vergroot.
Bij FedEx vroeg een manager of zijn team de training kon betalen via het bedrijf, direct, niet declareren. Dat klinkt als een administratieve vraag. Het was een adoptiesignaal. Hij wilde zijn team achter dit zetten. Die bereidheid is goud waard, en begint niet op de dag van de lancering.
Les 3De champion is de bottleneck én de sleutel.
In elk succesvol project zat een champion: iemand intern die het echt wilde begrijpen. Niet de IT-manager, niet de directeur. Een medewerker die zag wat AI voor zijn eigen werk betekende en anderen daarin meenam.
Projecten zonder duidelijke champion lopen vast, ook als de tool goed is. De tool wordt niet gebruikt, de feedback blijft weg, en na drie maanden weet niemand meer wat er ook alweer gebouwd was.
Identificeer de champion in week één. Geef diegene toegang, tijd, input. De rest van de organisatie volgt op basis van wat die persoon uitstraalt.
Les 4Het platform bepaalt het plafond.
Een kickstart bij een grote energieleverancier op Copilot Studio. Halverwege bleek: het platform blokkeert externe toolintegraties, biedt alleen GPT zonder reasoning, en gedraagt zich inconsistent tussen Teams- en Copilot-interface.
Dat zijn fundamentele beperkingen die je niet kunt omzeilen met een betere prompt.
Sindsdien: platform-assessment hoort vóór de kickoff, niet erna. Dat voorkomt dat je vier weken later ontdekt dat wat je wilt bouwen technisch niet haalbaar is op het platform dat de klant wil gebruiken. Soms is het juiste antwoord: kies een ander platform. Soms: bouw deze use case ergens anders.
Les 5Verwachtingen zijn asymmetrisch.
Klanten horen "PoC" en denken "werkend product". Ze horen "vier weken" en denken "alles klaar".
Dat is geen onwil. Het is het gevolg van marketing die AI presenteert als een eenvoudige oplossing, en van consultants (inclusief mij, soms) die de onderkant van de verwachtingslat niet expliciet genoeg neerzetten.
Aanpak sindsdien: stel in week één een definitie van done op. Niet vaag ("een werkende chatbot") maar concreet: welke vragen beantwoordt het, met welk foutpercentage, in welk systeem, beoordeeld door wie?
Dat gesprek is ongemakkelijk. Het is ook het nuttigste gesprek dat je vroeg in een project kunt hebben.
Les 6Kleine scope, groot vertrouwen.
De projecten die het beste uitpakten waren niet de grootst geambitieerde. Ze waren de meest afgebakende.
Eén probleem, één team, vier weken. Dan meten. Dan beslissen of je verder gaat.
Klanten die willen beginnen met "een compleet AI-platform voor de hele organisatie" rem ik af. Niet omdat het niet kan, maar omdat het zelden een goed startpunt is. Eén werkende tool die twintig mensen dagelijks gebruiken zegt meer dan een roadmap van honderd pagina's.
De rode draad.
35+ implementaties zijn geen bewijs dat ik alles goed doe. Ze zijn bewijs dat ik genoeg fout heb gedaan om te weten wat werkt.
De rode draad in de succesvolle projecten: concreet probleem, betrokken champion, eerlijke verwachtingen, platform dat past bij de ambitie, en adoptie die begint op dag één, niet op dag dertig.
Dat klinkt simpel. De meeste bedrijven slaan toch minstens één van deze stappen over.
Welke sla jij over?
Eén AI-traject, eerlijk doorgelicht?
Boek 30 minuten. Vertel me wat je bouwt of overweegt. Ik zeg je wat ik zou veranderen, en wat ik zou killen.
Boek een werksessie