“Veel integraties of verandertrajecten mislukken niet door strategie, maar door onderschatting in de uitvoering.

Succesvolle integratie en organisatieverandering vraagt om meer dan alleen plannen: het vraagt om regie, samenhang, aandacht voor systemen, data én mensen.“

 

Wanneer schakel jij mij in?

✔ De integratie loopt vertraging op

✔ Teams werken langs elkaar heen

✔ Processen sluiten niet meer aan

✔ Er ontbreekt overzicht in data, IT en operatie

✔ Een lijnmanager valt uit en er ontstaat onrust in het team

✔ De verwachte synergie blijft uit

 

Wie ik ben:

Ik ben een hands-on interim-manager die strategie, mensen en operatie bij elkaar brengt. Geen dikke rapporten, maar uitvoering, grip en resultaat.

✔ 20+ jaar ervaring met complexe integraties

✔ Interim inzetbaar op directieniveau als COO, CIO of programmamanager

✔ Focus op synergie, rust, structuur en meetbaar resultaat

✔ Flexibel inzetbaar, met heldere afspraken en marktconforme tarieven

 

Meer info over Robrecht Heukers

 

Van al deze opdrachten zijn referenties beschikbaar:

Telecom: KPN, VodafoneZiggo, Vodafone ● Scheepsbouw: Royal IHC ● Bouw en industrie: ECI Solutions en Arcadis ● Medische sector: Canon Medical ● Woningcorporaties: Thuisvester, WonenBreburg, Portaal en Woonkwartier ● ICT dienstverleners: Getronics, PinkRoccade, MuleSoft ● Banken: ABN Amro, MeesPierson ● Betaaldiensten: Mollie ● Salarisverwerking en ziekteverzuim: VismaRaet en Robidus ● Verzekeraars: AON en Achmea ● Muziekindustrie: BumaStemra

 

Plan een kennismaking of bel direct:

Postmerger. BV 

Drs. ing. Robrecht Heukers LSSBB

06 – 44 99 04 98

robrecht.heukers@postmerger.nl

 

AI operating model: van losse experimenten naar structurele businesswaarde

Steeds meer organisaties experimenteren met kunstmatige intelligentie. Medewerkers gebruiken generatieve AI voor het schrijven van teksten, afdelingen starten pilots met chatbots en softwareleveranciers voegen AI-functionaliteiten toe aan bestaande systemen.

Dat levert vaak interessante resultaten op. Toch ontstaat na de eerste experimenten meestal een nieuwe uitdaging: hoe zorgen we ervoor dat AI niet blijft hangen in losse initiatieven, maar structureel bijdraagt aan de doelstellingen van de organisatie?

Daarvoor is een AI operating model nodig.

Een AI operating model beschrijft hoe een organisatie AI selecteert, ontwikkelt, implementeert, beheert en verbetert. Het maakt duidelijk wie verantwoordelijk is voor beslissingen, hoe use cases worden beoordeeld, welke standaarden gelden en hoe risico’s worden beheerst.

Zonder een operating model ontstaat versnippering. Verschillende afdelingen kiezen eigen tools, bouwen vergelijkbare oplossingen en hanteren verschillende eisen op het gebied van data, privacy en beveiliging. Hierdoor nemen kosten en risico’s toe, terwijl succesvolle toepassingen moeilijk kunnen worden opgeschaald.

Een goed AI operating model brengt strategie en uitvoering samen. Het helpt organisaties om sneller keuzes te maken, verantwoordelijkheden te beleggen en AI op een gecontroleerde manier onderdeel te maken van de dagelijkse bedrijfsvoering.

Een interim AI-manager kan tijdelijk de regie nemen over het ontwerpen en invoeren van dit model. Daarmee krijgt de organisatie snel toegang tot ervaren leiderschap, zonder dat direct een permanente structuur of functie hoeft te worden ingericht.

Wat is een AI operating model?

Een AI operating model is de organisatorische blauwdruk voor het werken met AI. Het beschrijft hoe mensen, processen, technologie, data en governance samenwerken om AI-toepassingen te realiseren.

Het model geeft antwoord op vragen als:

Wie bepaalt welke AI-use cases prioriteit krijgen?

Wie is eigenaar van een AI-oplossing?

Welke rol hebben directie, business, IT, data en risk?

Hoe worden investeringen goedgekeurd?

Welke eisen gelden voor privacy, security en ethiek?

Hoe wordt de kwaliteit van AI-uitkomsten gecontroleerd?

Hoe worden toepassingen beheerd en verbeterd?

Hoe worden medewerkers voorbereid op nieuwe manieren van werken?

Een AI operating model is dus meer dan een technisch ontwerp. Het gaat niet alleen over modellen, data en software. Het gaat vooral over de manier waarop de organisatie beslissingen neemt en verantwoordelijkheid organiseert.

Bij traditionele IT-systemen zijn processen voor ontwikkeling, beheer, beveiliging en besluitvorming meestal al aanwezig. AI introduceert aanvullende vraagstukken. Een AI-model kan bijvoorbeeld onnauwkeurige antwoorden produceren, veranderen wanneer onderliggende data wijzigen of onbedoelde patronen uit historische gegevens overnemen. Daarom vraagt AI om specifieke afspraken over menselijk toezicht, transparantie, monitoring en risicobeheersing.

Waarom losse AI-pilots niet voldoende zijn

Veel organisaties starten AI-initiatieven vanuit enthousiasme. Een afdeling ziet een kans, een leverancier biedt een pilot aan of een medewerker ontwikkelt zelfstandig een toepassing.

Deze aanpak kan nuttig zijn om ervaring op te doen. Het wordt echter problematisch wanneer het aantal experimenten groeit zonder centrale coördinatie. In dat geval ontstaan vaak meerdere versies van dezelfde oplossing. Verschillende teams selecteren verschillende tools en sluiten afzonderlijke contracten af. Data worden op uiteenlopende manieren verwerkt en er is onvoldoende zicht op de risico’s.

Daarnaast ontbreekt vaak een duidelijk proces om succesvolle pilots door te ontwikkelen. Een prototype kan technisch goed werken, maar dat betekent nog niet dat het geschikt is voor dagelijks gebruik. Om een AI-toepassing op te schalen, moeten onder andere integraties, gebruikersbeheer, beveiliging, support, training en monitoring worden geregeld. Ook moet duidelijk zijn wie verantwoordelijk is wanneer resultaten onjuist zijn of wanneer de toepassing niet meer aan de verwachtingen voldoet. Zonder operating model blijft de organisatie daardoor hangen tussen experiment en implementatie.

Van AI-strategie naar dagelijkse uitvoering

Een AI-strategie beschrijft wat een organisatie met AI wil bereiken. Het operating model bepaalt hoe dat in de praktijk gebeurt. De strategie kan bijvoorbeeld aangeven dat AI moet bijdragen aan een betere klantbeleving, lagere operationele kosten en snellere dienstverlening. Het operating model vertaalt deze ambities naar concrete werkafspraken. Het bepaalt welke afdelingen betrokken zijn, hoe besluiten worden genomen en welke stappen een use case moet doorlopen. Daardoor ontstaat een verbinding tussen de doelstellingen van de directie en de dagelijkse uitvoering door business-, data- en IT-teams.

Een effectief AI operating model voorkomt twee uitersten.

Aan de ene kant kan AI volledig worden gecentraliseerd. Eén centraal team beoordeelt en ontwikkelt dan alle initiatieven. Dit biedt controle, maar kan ook leiden tot lange wachttijden en te weinig aansluiting bij de praktijk. Aan de andere kant kan iedere afdeling zelfstandig met AI aan de slag gaan. Dat stimuleert snelheid en innovatie, maar vergroot de kans op versnippering, dubbele investeringen en onvoldoende risicobeheersing. Veel organisaties kiezen daarom voor een hybride model. Een centraal team bepaalt standaarden, biedt expertise en beheert gedeelde voorzieningen. Businessafdelingen blijven verantwoordelijk voor hun eigen processen, resultaten en adoptie.

De belangrijkste onderdelen van een AI operating model

Hoewel iedere organisatie anders is, bestaat een volwassen AI operating model meestal uit een aantal vaste onderdelen.

AI-governance

Governance beschrijft hoe besluiten worden genomen en wie waarvoor verantwoordelijk is.

Een AI-stuurgroep kan bijvoorbeeld besluiten over strategische prioriteiten en grotere investeringen. Een AI-reviewboard kan use cases beoordelen op waarde, haalbaarheid en risico. Producteigenaren kunnen verantwoordelijk zijn voor de prestaties van afzonderlijke toepassingen.

Het is belangrijk dat governance niet alleen uit controle bestaat. Wanneer iedere toepassing door een groot aantal commissies moet worden goedgekeurd, verdwijnt de snelheid die AI juist aantrekkelijk maakt.

Goede governance brengt snelheid en beheersing met elkaar in balans. Eenvoudige toepassingen met een beperkt risico kunnen een kort beoordelingsproces doorlopen. Toepassingen met grote gevolgen voor klanten, medewerkers of financiële beslissingen vragen om uitgebreidere toetsing.

Rollen en verantwoordelijkheden

AI-projecten raken vrijwel altijd meerdere afdelingen. De business kent het proces en de klantbehoefte. IT beheert systemen en integraties. Data-experts zorgen voor betrouwbare informatie. Juridische, privacy- en securityspecialisten beoordelen risico’s.

Wanneer verantwoordelijkheden niet duidelijk zijn, ontstaan vertragingen. Teams wachten op elkaar, belangrijke controles worden te laat uitgevoerd en niemand voelt zich eigenaar van het eindresultaat. Een AI operating model maakt daarom duidelijk wie verantwoordelijk, uitvoerend, adviserend en besluitvormend is.

Ook na de implementatie moet het eigenaarschap helder zijn. Wie controleert de kwaliteit van de antwoorden? Wie verwerkt meldingen van gebruikers? Wie bepaalt of een model moet worden aangepast of uitgezet? AI vraagt om actief beheer. Een oplossing is niet klaar op het moment dat deze technisch wordt opgeleverd.

Use-casemanagement en prioritering

Organisaties hebben vaak meer AI-ideeën dan beschikbare capaciteit. Een transparant proces voor selectie en prioritering is daarom essentieel. Use cases kunnen worden beoordeeld op onder andere:

potentiële omzetgroei;

kostenbesparing;

verbetering van klant- of medewerkerstevredenheid;

technische haalbaarheid;

beschikbaarheid van data;

implementatietijd;

risico en complexiteit;

strategische relevantie.

Een goede prioritering voorkomt dat vooral zichtbare of technisch interessante projecten worden gekozen. De toepassingen met de beste combinatie van waarde, haalbaarheid en strategische aansluiting moeten voorrang krijgen.

Het operating model beschrijft ook hoe een idee zich ontwikkelt tot een werkende oplossing. Denk aan fasen zoals intake, beoordeling, businesscase, experiment, pilot, implementatie en beheer.

In iedere fase gelden andere besliscriteria. Daardoor kan de organisatie tijdig stoppen met initiatieven die onvoldoende waarde opleveren.

Data en technologie

AI is sterk afhankelijk van data. Wanneer informatie onvolledig, verouderd of slecht toegankelijk is, neemt de betrouwbaarheid van toepassingen af. Het operating model moet daarom afspraken bevatten over datakwaliteit, toegang, eigenaarschap en beveiliging. Ook moet worden bepaald welke technologie centraal wordt aangeboden en welke vrijheid afdelingen krijgen om eigen oplossingen te selecteren.

Centrale voorzieningen kunnen schaalvoordelen opleveren. Denk aan een beveiligde omgeving voor generatieve AI, gedeelde koppelingen met databronnen, monitoringsoftware en standaardcomponenten voor toegangsbeheer. Tegelijkertijd moet worden voorkomen dat een centraal platform zo complex wordt dat innovatie vertraagt. De technische architectuur moet aansluiten bij de volwassenheid en schaal van de organisatie.

Risicomanagement en compliance

AI brengt nieuwe en bestaande risico’s samen. Voorbeelden zijn onjuiste uitkomsten, discriminatie, verlies van vertrouwelijke informatie, auteursrechtelijke vragen en onvoldoende uitlegbaarheid.

Niet iedere toepassing brengt hetzelfde risico met zich mee. Een interne schrijfassistent heeft een ander risicoprofiel dan een systeem dat sollicitanten beoordeelt of financiële beslissingen ondersteunt.

Een AI operating model bevat daarom een classificatie van use cases op basis van hun impact en risico. Per categorie worden passende eisen vastgesteld. Zo kan voor een toepassing met een laag risico een eenvoudige controle voldoende zijn. Bij een toepassing met hoge impact kunnen aanvullende maatregelen nodig zijn, zoals uitgebreide documentatie, onafhankelijke validatie, menselijke goedkeuring en continue monitoring. Risicomanagement moet vanaf het begin onderdeel zijn van de ontwikkeling. Wanneer privacy, security en juridische experts pas vlak voor de implementatie worden betrokken, ontstaan vaak vertragingen en kostbare aanpassingen.

Adoptie en verandermanagement

Zelfs een technisch uitstekende AI-oplossing levert weinig waarde op wanneer medewerkers deze niet gebruiken. Een operating model moet daarom ook aandacht besteden aan communicatie, training en begeleiding. Medewerkers moeten begrijpen waarom een oplossing wordt ingevoerd, hoe deze werkt en welke verantwoordelijkheden zij zelf houden.

AI verandert vaak meer dan alleen een taak. Het kan invloed hebben op functies, samenwerking, besluitvorming en prestatiemeting. Daarom is het belangrijk om medewerkers vroeg te betrekken.

Gebruikers kunnen waardevolle informatie leveren over uitzonderingen, knelpunten en praktische risico’s. Door hen mee te laten denken, wordt de oplossing beter en neemt het draagvlak toe.

Ook leidinggevenden hebben een belangrijke rol. Zij moeten medewerkers stimuleren om nieuwe werkwijzen toe te passen en voorkomen dat oude en nieuwe processen langdurig naast elkaar blijven bestaan.

Verschillende organisatiemodellen voor AI

Er bestaat geen universeel AI operating model. De juiste inrichting hangt af van de omvang, strategie, sector en volwassenheid van de organisatie.

Centraal model

In een centraal model worden AI-expertise en besluitvorming samengebracht in één team. Dit team ontwikkelt standaarden, beoordeelt use cases en ondersteunt de implementatie.

Dit model biedt veel controle en is geschikt voor organisaties die nog aan het begin van hun AI-ontwikkeling staan. Het risico is dat het centrale team een knelpunt wordt en onvoldoende kennis heeft van specifieke bedrijfsprocessen.

Decentraal model

In een decentraal model hebben businessafdelingen veel vrijheid om zelf AI-toepassingen te ontwikkelen en in te voeren. Dit kan innovatie versnellen, omdat oplossingen dicht bij de praktijk worden ontwikkeld. Het risico is dat teams verschillende standaarden hanteren, vergelijkbare oplossingen inkopen en onvoldoende rekening houden met organisatiebrede risico’s.

Hub-and-spoke-model

Veel organisaties kiezen voor een combinatie van centrale en decentrale verantwoordelijkheid.

Een centrale AI-hub ontwikkelt beleid, standaarden, technologie en specialistische kennis. Decentrale teams binnen afdelingen identificeren use cases en begeleiden de implementatie in hun eigen processen. Dit model combineert centrale controle met lokale snelheid. Het werkt alleen wanneer verantwoordelijkheden goed zijn vastgelegd en de samenwerking tussen het centrale team en de afdelingen actief wordt georganiseerd.

Hoe meet je het succes van een AI operating model?

Een operating model is geen doel op zichzelf. Het moet leiden tot betere resultaten en een hogere uitvoeringskracht. Het succes kan worden gemeten aan de hand van verschillende indicatoren, zoals:

het aantal AI-use cases dat daadwerkelijk in productie komt;

de gemiddelde doorlooptijd van idee naar implementatie;

de gerealiseerde financiële waarde;

het percentage pilots dat succesvol wordt opgeschaald;

het gebruik en de tevredenheid onder medewerkers;

het aantal dubbele of overlappende initiatieven;

de snelheid waarmee risico’s worden beoordeeld;

de kwaliteit en betrouwbaarheid van AI-uitkomsten.

Naast deze cijfers is het belangrijk om te beoordelen of de organisatie zelfstandig betere beslissingen kan nemen. Zijn verantwoordelijkheden duidelijk? Weten medewerkers waar zij met ideeën terechtkunnen? Kunnen teams AI-oplossingen op een veilige en herhaalbare manier ontwikkelen?

Een volwassen operating model maakt innovatie voorspelbaarder. Niet iedere use case zal succesvol zijn, maar de organisatie kan sneller leren, eerder bijsturen en middelen doelgerichter inzetten.

Waarom een interim AI-manager?

Het ontwerpen van een AI operating model vraagt om kennis van strategie, organisatie-inrichting, technologie, governance en verandermanagement.

Binnen veel organisaties is deze combinatie van expertise nog niet aanwezig. IT kent de technologie, de business kent de processen en riskafdelingen kennen de regelgeving. Toch ontbreekt vaak iemand die deze perspectieven samenbrengt en verantwoordelijkheid neemt voor het geheel.

Een interim AI-manager kan deze rol tijdelijk vervullen.

Het voordeel van een interimmanager is dat de organisatie direct kan starten. Er is geen langdurige werving nodig en de opdracht kan worden afgestemd op een concrete veranderfase.

De interim AI-manager kan onafhankelijk beoordelen welke structuur nodig is. Bestaande belangen, afdelingsgrenzen en historische keuzes spelen daarbij een kleinere rol. Hierdoor kunnen verantwoordelijkheden en besluitvorming objectiever worden ingericht.

Daarnaast brengt een ervaren interimmanager kennis mee uit andere transformaties. Niet om een standaardmodel te kopiëren, maar om bekende valkuilen te vermijden en bewezen werkwijzen aan te passen aan de organisatie.

Wat doet een interim AI-manager?

Een interim AI-manager kan verantwoordelijkheid nemen voor zowel het ontwerp als de implementatie van het operating model.

De opdracht kan onder andere bestaan uit:

het beoordelen van de huidige AI-volwassenheid;

het inventariseren van bestaande initiatieven en tools;

het ontwerpen van governance en besluitvorming;

het vastleggen van rollen en verantwoordelijkheden;

het ontwikkelen van een proces voor use-caseselectie;

het opstellen van criteria voor risico en compliance;

het organiseren van samenwerking tussen business, IT en data;

het selecteren van centrale technologie en voorzieningen;

het ontwikkelen van KPI’s en rapportages;

het begeleiden van de eerste implementaties;

het opbouwen en trainen van interne teams;

het voorbereiden van structureel eigenaarschap.

De interimmanager kan ook helpen om bestaande initiatieven te rationaliseren. Welke pilots moeten worden opgeschaald? Welke initiatieven kunnen worden gecombineerd? Welke tools passen niet binnen de gewenste architectuur? En welke projecten moeten worden gestopt?

Dit brengt focus en voorkomt dat capaciteit verdeeld blijft over te veel losse experimenten.

Tijdelijke regie, blijvende structuur

Het doel van een interimopdracht is niet om een permanente afhankelijkheid van externe ondersteuning te creëren. Een goed ingerichte opdracht leidt juist tot blijvende interne kennis, duidelijke verantwoordelijkheden en herhaalbare processen. De interimmanager bouwt het model op, begeleidt de eerste toepassing en draagt de verantwoordelijkheid vervolgens over aan de organisatie.

Dat kan bijvoorbeeld aan een vaste AI-manager, chief data officer, CIO, innovatiemanager of multidisciplinair AI-team zijn. De opdracht is succesvol wanneer de organisatie zelfstandig in staat is om nieuwe AI-use cases te beoordelen, ontwikkelen, implementeren en beheren.

Daarbij moet het operating model praktisch blijven. Te veel regels en overlegstructuren kunnen innovatie afremmen. Te weinig structuur leidt juist tot risico’s en versnippering. De kracht ligt in een model dat voldoende controle biedt en tegelijkertijd ruimte laat voor experimenten en ondernemerschap.

Van experimenteren naar professioneel organiseren

AI kan pas op grotere schaal waarde opleveren wanneer de organisatie meer regelt dan technologie alleen. Er zijn duidelijke prioriteiten, verantwoordelijkheden en werkprocessen nodig. Medewerkers moeten weten welke mogelijkheden zij hebben, welke kaders gelden en waar besluiten worden genomen. Succesvolle pilots moeten snel kunnen worden opgeschaald en toepassingen moeten na de implementatie actief worden beheerd.

Een AI operating model maakt dit mogelijk.

Het verbindt strategie met uitvoering, innovatie met risicobeheersing en centrale standaarden met lokale verantwoordelijkheid. Een interim AI-manager kan tijdelijk de regie nemen om dit model te ontwerpen en in te voeren. Daarmee versnelt de organisatie de professionalisering van AI, zonder direct een omvangrijke permanente structuur op te bouwen.

De centrale vraag is niet langer alleen: welke AI-toepassingen willen we ontwikkelen?

De belangrijkere vraag is: hoe richten we onze organisatie zo in dat we voortdurend waardevolle, betrouwbare en schaalbare AI-oplossingen kunnen realiseren? Het antwoord op die vraag vormt de basis van een toekomstbestendig AI operating model.