Succesvolle AI-Implementatie in Organisaties: Van Theorie naar Praktijk - deel 2

Blog van November 2024

In november 2024 heb ik in deel 1 een eerste roadmap geschetst voor een succesvolle AI-implementatie in organisaties, waarbij ik het 8-stappenmodel van John Kotter en het McKinsey Influence Model combineerde met de praktische adviezen van Ethan Mollick.

Inmiddels, zes maanden later, staat voor mij vast dat de veranderingen door AI ingrijpend zullen zijn — én dat goede begeleiding van het veranderingsproces meer dan de helft zal bepalen van het uiteindelijke succes, zeker als je medewerkers aan boord wilt houden.

Onderaan deze blog vind je ook een audioversie, automatisch gegenereerd via NotebookLM.

Een korte statusanalyse

De invloed van AI en data op klantgerichte organisaties begint zichtbaar te worden. In sommige bedrijven neemt AI inmiddels repetitieve taken over, waardoor medewerkers zich kunnen richten op complexere werkzaamheden die empathie vereisen. Ook helpt AI bij het stroomlijnen en standaardiseren van interne processen, zoals werving en onboarding van klanten. In de B2B-sector wordt gewerkt aan de automatisering van workflows, voorraadbeheer en bijvoorbeeld predictive maintenance.

AI zal in eerste instantie vooral invloed hebben op taken die binnen een gestructureerd kader vallen: repetitief, op regels gebaseerd werk.

Maar ook in de dienstensector beginnen de veranderingen zich af te tekenen. Verdienmodellen in de advocatuur, bij fiscalisten en accountants worden inmiddels fundamenteel uitgedaagd door kunstmatige intelligentie.

/ Arjan Paardekooper, advocaat gespecialiseerd in ondernemingsrecht

“Uurtje-factuurtje” werkt niet meer in een wereld met AI

Neem de advocatuur en het partnerschapsmodel, gebaseerd op het zogeheten leverage model (zie artikel “Het artificiële befje”).

Een partner stuurt een piramidevormig team aan. Hoe breder de voet van de piramide, hoe groter de hefboomwerking – en des te beter de verdiensten voor de partner. Maar nu de onderlaag wordt vervangen door AI, die het werk tien keer sneller uitvoert en bovendien met een nauwkeurige inschatting van proceskansen, verdwijnt de hefboom. Het verdienmodel verschuift daarmee van uren facturatie naar output-gebaseerde beloning.

Beloning zal dus outputgericht en gebaseerd moeten zijn op toegevoegde waarde en succes.

Hetzelfde fenomeen doet zich overigens voor bij reclamebureaus en in de wereld van enterprise software. Ook daar zal het verdienmodel evolueren: van SaaS naar output- of consumption-based pricing.

Dit zijn de eerste contouren van de gevolgen van AI als systeemtechnologie. De technologische verandering overstijgt niet alleen de biologische evolutie van de mens, maar ook die van organisaties – waarbij organisatorische traagheid (inertia) een remmende factor vormt. Vandaar dat ik in deel 2 een verdere leidraad wil ontwikkelen voor het veranderingsproces binnen organisaties. '

Daarbij maak ik gebruik van het inspirerende werk The AI Labor Playbook van professor Jules White – een 21 pagina’s tellende paper die zonder meer de moeite waard is om te lezen.

Als hoogleraar Computerwetenschappen aan Vanderbilt University in Nashville (Tennessee) begrijpt hij als geen ander zowel de technologie als het potentieel ervan.

Prof. Jules White "The AI Labor Playbook"

Jules White AI as Labor.pdf

Download PDF • 220KB

the AI-labor Playbook

Jules White: AI is arbeid, geen software

Het is niet zomaar een tool — het is een nieuwe vorm van arbeid. Toch benaderen de meeste organisaties generatieve AI nog steeds alsof het om een gewone softwareaankoop gaat.

Het aansturen van AI-arbeid is een nieuwe vaardigheid — deels communicatie, deels systeemdenken — en het is essentieel om die in een organisatie breed te ontwikkelen als je de waarde van AI wilt opschalen voorbij een handvol experts of losse tools.

AI enables previously unscalable labor

Bij elke grote technologische verandering – van elektriciteit tot het internet - ging de grootste winst naar wie inzet op groei en niet op besparingen. Het opleiden en inspireren van een organsiatie om AI te omarmen is belangrijker dan het besparen van kosten door automatisering

In de kern gaat het niet om hetzelfde werk sneller doen, maar om beter werk, gedurfder werk en werk dat voorheen niet mogelijk was.

Prevent lock-in by proprietary systems

Technologie en AI mogen nooit een doel op zich worden — maar let op voor een vroege AI lock-in door bestaande aanbieders.

Houd de interface met de AI-labormarkt flexibel. In een verkokerd model bepalen je tools – en niet je strategie – welk type AI-arbeid je kunt inzetten, tegen welke kosten en onder welke beperkingen.

ROI formula for AI

Return on Investment (ROI) is bij het vervangen van mensen door AI nog redelijk goed te berekenen — maar hoe meet je de waarde van intelligentie en betere beslissingen op korte termijn?

AI brengt kosten met zich mee (tokens, modelabonnementen, menselijk toezicht) en kent implementatierisico’s.

Jules White heeft een poging gedaan om dit met een formule te kwantificeren. Zijn aanpak biedt leiders een manier om in te schatten welke interacties ze het beste kunnen prioriteren, automatiseren of juist vermijden.

Cultural permission

Voor de implementatie van AI in een organisatie is een verandering in cultuur én een mindset van unlearning nodig.

Begin met het selecteren van een groep mensen die gemotiveerd zijn om aan de slag te gaan. Een intern AI-manifest met duidelijke spelregels én richtlijnen kan daarbij helpen.

Zorg er bovendien voor dat deze geselecteerde groep toegang krijgt tot de enterprise-versies van AI-chatbots, zodat dataveiligheid en het uploaden van bedrijfsinformatie goed zijn geborgd.

Build a culture of curiosity

Gun medewerkers de tijd om te experimenteren in een veilige omgeving.

Vaak weten domein managers in procurement, product of marketing zelf het beste welke problemen en kansen ze als eerste willen aanpakken. Vier de eerste successen, laat de organisatie leren van fouten en meet daadwerkelijk gebruik en schaalbaarheid.

Vergeet ook training niet. De meeste projecten falen omdat er te weinig tijd en aandacht aan training is besteed.

value creation between the silo's

De grootste waarde wordt gecreëerd over systemen en functies heen.

De meest waardevolle interacties ontstaan tussen silo’s – niet daarbinnen.

Met AI kunnen rollen anders worden verdeeld en zijn er minder specialisten nodig. De organisatie wordt minder rigide, en je kunt mensen inzetten op wat ze écht interessant vinden.

Mijn advies is te beginnen met experimenteren op basis van je eigen content en data. Wat zijn de problemen en opportunities die we willen aanpakken? Ook het onderzoeken van de tien meest tijdrovende en repetitieve workflows in een crossfunctioneel team is een goede start. Laat medewerkers deze workflows in kaart brengen, en onderzoek of deze met behulp van AI opnieuw kunnen worden ontworpen.

Breng het aantal vervolgens terug tot drie prioriteiten.

Ontwikkel een playbook om het proces en de impact te illustreren. Besteed het werk uit waar nodig, versnel het proces en schaal het op. Zo kunnen mensen met eigen ogen zien dat het werkt.

Een dergelijk traject zal naar verwachting zes tot twaalf maanden duren. Uiteindelijk zou je in een middel grote organsiatie minimaal 50% adoptie moeten kunnen realiseren met bestaande (off-the-shelf) AI-oplossingen zoals ChatGPT, Co-Pilot of Google Gemini. Minder dan dat is in feite een gemiste kans.

Een meer dwingende aanpak zie je bij bedrijven zoals Shopify (e-commerce) en Duolingo (taalonderwijs) – je zou ze ‘digital natives’ kunnen noemen.

In een interne e-mail aan het personeel, die later op LinkedIn werd gedeeld, kondigde Duolingo-CEO Luis von Ahn aan dat het bedrijf een “AI-first” benadering zal hanteren. Deze strategische verschuiving houdt in dat Duolingo kunstmatige intelligentie (AI) centraal stelt in zijn bedrijfsvoering.

Ik denk dat deze aanpak voor veel bedrijven niet zal werken en eerder tot onrust onder medewerkers zal kunnen leiden.

Tegelijk ligt het probleem ook op het gebied van motivatie op C-level.

In deze transitiefase zullen veel CEO’s denken dat AI (nog) niet op hen van toepassing is. Ondanks alle hype zijn er namelijk nog weinig concrete case studies, en het rendement op investering (ROI) is vaak lastig aantoonbaar. Bovendien is er nog geen directe “pijn” voelbaar als je AI níét inzet.

Toch is vaak een externe katalysator nodig om écht in beweging te komen:

een concurrent die met AI aan de slag gaat en je voorbijstreeft, of een klant die ontevreden raakt.

Ironisch genoeg: zodra AI wél effectief wordt ingezet, willen veel organisaties er juist níét over praten – om hun concurrentievoordeel niet prijs te geven.

In deze overgangsfase zie je dan ook vaak: veel hype, weinig tastbare voorbeelden en te weinig impact – simpelweg omdat de technologie nog niet daadwerkelijk en op schaal wordt toegepast.

Hopelijk heeft deze blog met The AI Labor Playbook van Jules White hier waardevolle stof tot nadenken geboden.

Hieronder vind je de audioversie van deze blog, automatisch gegenereerd met behulp van NotebookLM.

BD_AI_ Van Theorie naar Praktijk Deel 2

0:00

---

Bronnen:

White, Jules. The AI Labor Playbook: How to Build, Lead, and Scale Generative AI in Your Organization. Generative AI Innovation Network, 15 Apr. 2025.

Paardekooper, A. (2024, 11 april). AI betekent het einde van de advocatuur zoals we die kennen. Quote. Geraadpleegd op 24 april 2025, van https://www.quotenet.nl/zakelijk/a64560171/ai-einde-advocatuur-arjen-paardekooper/

Keller, S., & Price, C. (2011). Beyond performance: How great organizations build ultimate competitive advantage. John Wiley & Sons.

(Het Influence Model wordt hierin geïntroduceerd door McKinsey-partners Keller & Price.)

Kotter, J. P. (1996). Leading change. Harvard Business School Press.