AI operating model: van losse experimenten naar structurele businesswaarde
Steeds meer organisaties experimenteren met AI. Dat is logisch.
Er zijn inmiddels volop mogelijkheden voor:
- generatieve AI;
- chatbots;
- procesautomatisering;
- copilots;
- data-analyse;
- besluitondersteuning;
- klantinteractie.
De eerste pilots zijn vaak verrassend snel gestart.
Maar daarna ontstaat een lastiger vraag: hoe zorgen we ervoor dat AI niet blijft hangen in losse experimenten?
Dat is voor mij precies waar een AI operating model relevant wordt. Niet als nieuw managementmodel op papier. Maar als praktische manier om van:
idee → pilot → implementatie → adoptie → businesswaarde
te komen.
Een AI-pilot is nog geen businesswaarde
Dit is misschien wel de belangrijkste les. Een AI-oplossing kan technisch prima werken. Dat betekent nog niet dat de organisatie er werkelijk beter van wordt.
Een pilot kan bijvoorbeeld:
- tijd besparen;
- goede antwoorden geven;
- medewerkers enthousiast maken;
- technisch overtuigend zijn.
Maar daarna komen de echte vragen.
Bijvoorbeeld:
- Wie wordt eigenaar?
- In welk proces komt de toepassing?
- Welke data gebruikt zij?
- Wie controleert de kwaliteit?
- Hoe wordt security geregeld?
- Wie ondersteunt gebruikers?
- Hoe meten we het resultaat?
- Wat gebeurt er bij fouten?
- Welke oude werkwijze stopt?
- Wie besluit of we opschalen?
Zolang die vragen openstaan, is het nog steeds vooral een experiment.
Mijn praktische regel
Een pilot is pas interessant als duidelijk is welk bedrijfsresultaat hij moet veranderen.
Niet alleen:
“De technologie werkt.”
Maar bijvoorbeeld:
- doorlooptijd daalt;
- medewerkerproductiviteit stijgt;
- klantvragen worden sneller opgelost;
- minder handmatig werk;
- minder fouten;
- lagere cost-to-serve;
- hogere conversie;
- betere besluitvorming.
Daar begint businesswaarde.
Het probleem is vaak niet te weinig AI-ideeën
In organisaties zie ik meestal geen gebrek aan ideeën. Eerder het tegenovergestelde.
Er ontstaan al snel:
- pilots vanuit IT;
- initiatieven vanuit Marketing;
- tools vanuit HR;
- experimenten binnen Operations;
- individuele medewerkers met eigen AI-oplossingen;
- leveranciers die nieuwe toepassingen voorstellen.
Dat is op zichzelf positief. Maar zonder samenhang ontstaat versnippering.
Dan krijg je bijvoorbeeld:
- meerdere tools voor hetzelfde probleem;
- dubbele licenties;
- verschillende beveiligingsstandaarden;
- uiteenlopende datakeuzes;
- meerdere contracten;
- onduidelijk ownership;
- pilots zonder vervolgbesluit.
Dat kost geld. Maar belangrijker: de organisatie leert niet als één geheel.
Mijn eerste vraag is daarom niet: welke AI-tool willen we?
Ik begin liever met:
welk bedrijfsprobleem willen we aantoonbaar verbeteren?
Daarna pas:
- welk proces raakt dit?
- welke medewerkers werken ermee?
- welke data is nodig?
- welke technologie past?
- welke risico’s zijn relevant?
- welke verandering is nodig in het werk?
Dat voorkomt dat AI een oplossing wordt die nog op zoek is naar een probleem.
Van AI-strategie naar dagelijkse uitvoering
Een AI-strategie kan prima beschrijven dat AI moet bijdragen aan:
- groei;
- efficiency;
- klantbeleving;
- innovatie;
- betere besluitvorming.
Maar daarmee gebeurt nog weinig. Het operating model vertaalt die strategie naar de praktijk.
Het maakt bijvoorbeeld duidelijk:
- wie ideeën mag indienen;
- hoe use cases worden beoordeeld;
- wie budget vrijmaakt;
- welke standaarden gelden;
- wie eigenaar wordt;
- wanneer een pilot stopt;
- wanneer een pilot opschaalt;
- wie resultaten volgt.
Daar zit voor mij de echte waarde.
Mijn AI-value-funnel
Ik vind het nuttig om AI-initiatieven als een funnel te behandelen:
1. Idee: Wat willen we verbeteren?
2. Waardehypothese
Welke businesswaarde verwachten we?
Bijvoorbeeld:
- urenbesparing;
- omzet;
- marge;
- foutreductie;
- snellere service.
3. Haalbaarheid
Zijn data, technologie en capaciteit beschikbaar?
4. Risico
Welke privacy-, security-, juridische of operationele risico’s spelen?
5. Pilot
Werkt het technisch én in de praktijk?
6. Businessvalidatie
Wordt het verwachte resultaat daadwerkelijk bereikt?
7. Opschaling
Kan het veilig en betrouwbaar breed worden gebruikt?
8. Beheer
Wie blijft verantwoordelijk voor kwaliteit, kosten en performance?
Mijn tip
Laat niet iedere pilot automatisch doorstromen.
Stoppen is ook een goede uitkomst.
Een professioneel AI operating model zorgt ervoor dat slechte ideeën vroeg stoppen en goede ideeën sneller doorgaan.
Businesswaarde moet vanaf het begin meetbaar zijn
AI-programma’s krijgen snel technisch georiënteerde KPI’s.
Bijvoorbeeld:
- aantal pilots;
- aantal gebruikers;
- aantal prompts;
- aantal modellen;
- aantal toepassingen.
Dat vertelt mij weinig over echte waarde.
Ik kijk liever naar:
- bespaarde uren;
- doorlooptijd;
- fouten;
- omzet;
- marge;
- klanttevredenheid;
- medewerkertevredenheid;
- kwaliteit;
- cost-to-serve.
Mijn praktische vraag
Bij iedere use case:
“Welke KPI moet over zes maanden aantoonbaar anders zijn als dit een succes is?”
Als daar geen helder antwoord op komt, is de businesscase waarschijnlijk nog niet scherp genoeg.
Een AI operating model moet ownership regelen
Een van de grootste problemen bij AI is dat veel partijen betrokken zijn.
Denk aan:
- business;
- IT;
- data;
- security;
- legal;
- privacy;
- risk;
- leveranciers.
Daardoor ontstaat gemakkelijk gedeeld eigenaarschap.
En gedeeld eigenaarschap betekent in de praktijk soms:
niemand is echt eigenaar.
Voor iedere AI-toepassing wil ik daarom minimaal weten:
- wie business owner is;
- wie technisch owner is;
- wie kwaliteit bewaakt;
- wie risico accepteert;
- wie budget beheert;
- wie besluit over stopzetten of opschalen.
Dat moet ook na livegang duidelijk blijven.
Mijn regel: de business blijft eigenaar van het resultaat
IT kan technologie leveren.
Data kan modellen ondersteunen.
Risk kan kaders stellen.
Maar de business moet eigenaar blijven van de waarde.
Waarom?
Omdat AI uiteindelijk iets in het werkproces moet verbeteren.
Bijvoorbeeld:
- snellere klantservice;
- betere planning;
- minder administratief werk;
- hogere verkoop;
- betere kwaliteitscontrole.
Als niemand uit de business verantwoordelijk is voor dat resultaat, wordt AI gemakkelijk een technisch programma.
De grootste stap is vaak niet techniek, maar procesverandering
Een AI-oplossing levert meestal pas waarde als het proces verandert.
Stel:
een AI-tool maakt automatisch een eerste concept voor een klantantwoord.
Maar medewerkers:
- schrijven het antwoord alsnog helemaal opnieuw;
- gebruiken daarnaast het oude systeem;
- voeren dezelfde data dubbel in;
- moeten extra controles uitvoeren.
Dan is de technologie misschien succesvol.
Het proces niet.
Mijn praktische tip
Vraag bij iedere AI-implementatie:
Welke oude handeling stopt als dit werkt?
Als het antwoord is:
“Eigenlijk geen.”
dan ontstaat waarschijnlijk extra complexiteit in plaats van productiviteit.
Van pilot naar productie is vaak de moeilijkste stap
Een pilot kan in een paar weken worden gebouwd.
Productie vraagt veel meer.
Bijvoorbeeld:
- koppelingen;
- autorisaties;
- monitoring;
- logging;
- support;
- security;
- documentatie;
- training;
- beheer;
- continuïteit.
Daarom zie ik regelmatig een soort pilotkerkhof.
Er zijn veel interessante experimenten.
Maar weinig toepassingen die structureel onderdeel worden van het werk.
Een goed AI operating model moet juist die overgang organiseren.
Mijn pilot-to-production-check
Voordat ik zou opschalen, wil ik antwoord op vragen als:
- Is de businesswaarde bewezen?
- Is ownership geregeld?
- Is de data betrouwbaar?
- Is security akkoord?
- Zijn gebruikers betrokken?
- Is support geregeld?
- Is monitoring ingericht?
- Is de integratie met bestaande systemen stabiel?
- Is duidelijk wat bij fouten gebeurt?
- Is het oude proces aangepast?
Als meerdere antwoorden “nee” zijn, is opschalen meestal te vroeg.
Centraliseren of decentraliseren?
AI roept vaak dezelfde organisatievraag op. Moet alles centraal? Of laat je businessunits zelf experimenteren? Mijn ervaring is dat beide uitersten problemen geven.
Alles centraal
Voordelen:
- meer controle;
- standaardisatie;
- schaal.
Risico’s:
- wachttijden;
- weinig businesskennis;
- centrale bottleneck.
Alles decentraal
Voordelen:
- snelheid;
- ondernemerschap;
- oplossingen dicht bij de praktijk.
Risico’s:
- dubbele tools;
- verschillende standaarden;
- meer risico;
- versnippering.
Daarom werkt vaak een hybride model beter.
Mijn voorkeursmodel: centraal waar schaal nodig is, lokaal waar waarde ontstaat
Centraal kun je bijvoorbeeld organiseren:
- securitystandaarden;
- technologieplatform;
- modelselectie;
- leveranciers;
- data governance;
- risk framework;
- specialistische AI-expertise.
De business blijft verantwoordelijk voor:
- use cases;
- procesverandering;
- adoptie;
- resultaten;
- businesswaarde.
Dat vind ik vaak de meest werkbare verdeling.
Governance moet AI versnellen, niet verlammen
AI-governance kan snel zwaar worden.
Dan moet een kleine interne toepassing langs:
- IT;
- privacy;
- legal;
- security;
- risk;
- architectuurboard;
- stuurgroep.
Dat kan weken kosten.
Mijn uitgangspunt is daarom:
meer risico = meer controle.
Niet iedere use case hetzelfde proces.
Bijvoorbeeld:
Laag risico
Interne assistent zonder gevoelige data.
→ lichte toets.
Middel risico
AI ondersteunt medewerkerbeslissingen.
→ uitgebreidere validatie.
Hoog risico
AI beïnvloedt klanten, personeel of financiële beslissingen.
→ zware toets en menselijk toezicht.
Dat houdt governance proportioneel.
Use-caseprioritering: niet de leukste pilot wint
Nieuwe technologie trekt aandacht.
Daardoor worden soms projecten gestart omdat ze indrukwekkend zijn.
Niet omdat ze de meeste waarde opleveren.
Ik gebruik liever een simpele vergelijking.
Beoordeel use cases op:
- potentiële businesswaarde;
- haalbaarheid;
- datakwaliteit;
- implementatietijd;
- risico;
- strategische relevantie;
- adoptiekans.
Mijn praktische tip
Maak een simpele value-versus-effort-matrix.
En start vooral met toepassingen die:
- concrete pijn oplossen;
- relatief snel implementeerbaar zijn;
- voldoende data hebben;
- weinig gedragsverandering vragen;
- meetbaar resultaat opleveren.
Daarmee bouw je vertrouwen.
Adoptie is geen communicatieactiviteit
Een AI-tool live zetten betekent niet dat medewerkers hem gebruiken.
Adoptie ontstaat pas als mensen begrijpen:
- waarom de toepassing helpt;
- wanneer ze hem gebruiken;
- wat ze zelf blijven controleren;
- wat ze niet meer hoeven te doen;
- wie ze kunnen bellen bij problemen.
Ik zie adoptie daarom als onderdeel van het operating model.
Niet als iets dat Marketing of Change Management achteraf nog even regelt.
Oude en nieuwe werkwijzen mogen niet eindeloos naast elkaar blijven bestaan
Dit is een belangrijke bron van verborgen kosten. Een nieuwe AI-tool wordt ingevoerd. Maar het oude proces blijft bestaan.
Dan krijg je:
- dubbele controles;
- dubbele systemen;
- extra werk;
- onzekerheid;
- lagere adoptie.
Mijn regel
Bij iedere implementatie moet duidelijk zijn:
wat stopt er?
En:
wanneer?
Anders wordt AI een extra laag bovenop bestaande complexiteit.
Hoe meet ik of het AI operating model werkt?
Niet alleen op aantal pilots.
Ik kijk liever naar:
- percentage pilots dat productie haalt;
- doorlooptijd idee → productie;
- gerealiseerde businesswaarde;
- gebruik door medewerkers;
- hoeveelheid dubbel werk;
- aantal overlappende tools;
- snelheid van risk review;
- betrouwbaarheid;
- aantal initiatieven dat bewust is gestopt.
Dat laatste vind ik juist positief. Een volwassen organisatie durft te stoppen.
Mijn periodieke AI-portfolio-review
Ik zou periodiek per use case vragen:
- Welke waarde beloofden we?
- Welke waarde realiseren we?
- Wat blokkeert opschaling?
- Is ownership nog duidelijk?
- Is de toepassing nog strategisch relevant?
- Kunnen we combineren met andere initiatieven?
- Moeten we doorgaan, aanpassen of stoppen?
Dat voorkomt dat pilots jarenlang blijven bestaan omdat niemand een expliciet besluit neemt.
Waarom een interim AI-manager hier waarde kan toevoegen
AI raakt meerdere werelden tegelijk:
- business;
- technologie;
- data;
- organisatie;
- risico;
- verandering.
Daar ontstaat gemakkelijk versnippering. In een interim-rol kan ik juist helpen om die onderdelen bij elkaar te brengen. Niet alleen een AI-strategie maken.
Maar zorgen dat er een werkend systeem ontstaat voor:
- prioritering;
- ownership;
- besluitvorming;
- pilots;
- opschaling;
- adoptie;
- waarde;
- beheer.
Dat is in mijn ervaring het verschil tussen experimenteren met AI en AI daadwerkelijk onderdeel maken van de bedrijfsvoering.
Mijn aanpak zou meestal beginnen met rationaliseren
Wanneer een organisatie al veel initiatieven heeft, zou ik niet automatisch nieuwe pilots starten.
Eerst wil ik weten:
- Welke pilots bestaan?
- Welke tools worden al gebruikt?
- Welke businessproblemen lossen ze op?
- Welke initiatieven overlappen?
- Welke pilots zijn succesvol?
- Welke zijn al maanden blijven hangen?
- Waar ontbreekt een owner?
- Wat kan worden gestopt?
Dat levert vaak direct focus op.
Van losse experimenten naar businesswaarde
Voor mij is dat uiteindelijk de echte functie van een AI operating model.
Niet:
- meer governance;
- meer overleg;
- een nieuwe afdeling;
- een dik beleidsdocument.
Maar een organisatie waarin goede ideeën:
sneller worden geselecteerd,
veiliger worden getest,
sneller worden opgeschaald
en uiteindelijk:
meetbare businesswaarde opleveren.
Dat is de echte test.
Niet hoeveel AI-experimenten de organisatie heeft.
Maar hoeveel toepassingen aantoonbaar:
- klanten beter helpen;
- medewerkers productiever maken;
- processen verbeteren;
- kosten verlagen;
- groei ondersteunen.
Een goed AI operating model verandert AI daarmee van een verzameling interessante experimenten in een structurele capability van de organisatie.
En de centrale vraag wordt dan niet meer:
“Wat kunnen we allemaal met AI?”
Maar:
“Welke AI-toepassingen leveren aantoonbare waarde op, en hoe zorgen we ervoor dat we die betrouwbaar kunnen opschalen?”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