Wanneer is je organisatie écht klaar voor een AI-usecase?

Snelle samenvatting

AI-gereedheid betekent dat jouw organisatie beschikt over een helder businessprobleem, voldoende datakwaliteit, intern draagvlak en een governance-kader voordat een AI-use case van start gaat. Zonder die basis stranden projecten voor ze ooit in productie komen.

• Formuleer het businessprobleem eerst: AI is een middel, niet het doel
• Controleer of data beschikbaar, volledig en betrouwbaar is voordat je modelleert
• Breng draagvlak in kaart bij zowel eindgebruikers als management
• Stel governance op orde: dataclassificatie, audit logging en escalatieprotocol
• Maak schaalbaarheid expliciet: hoeveel voorspellingen per dag, welke systemen integreren?
• Gebruik CRISP-DM als procesraamwerk voor transparantie en herhaalbaarheid

Waarom zoveel AI-trajecten stranden vóór productie (Solutions)

Je wil AI inzetten. Het managementteam is enthousiast, er is budget vrijgemaakt en een externe partner is gevonden. Zes maanden later: een proof of concept dat niemand gebruikt, een data-team dat vastloopt op ontbrekende velden en een eindgebruiker die terugvalt op zijn Excel-bestand.

Dit patroon is geen uitzondering. Volgens onderzoek van Info Support onder 414 Nederlandse IT-managers (november 2024) heeft ruim twee derde van de bedrijven die AI heeft geïmplementeerd geen formeel ethisch beleid voor AI-gebruik, en slechts 3 procent heeft AI organisatiebreed op grote schaal uitgerold. AI wordt veel gestart, maar zelden structureel verankerd.

De reden is bijna altijd dezelfde: organisaties beginnen bij de techniek in plaats van bij de uitdaging. Ze kiezen een model, huren een data scientist in en ontdekken halverwege dat de data onbetrouwbaar is, het businessprobleem vaag is geformuleerd, of dat eindgebruikers het systeem niet vertrouwen.

Twentynext signaleert dit patroon regelmatig bij middelgrote en grote organisaties die voor het eerst een AI-use case willen uitrollen. De projectaanpak die het bureau hanteert, start dan ook altijd bij de businessuitdaging, niet bij de keuze van een algoritme. Dit artikel beschrijft de zes stappen waarmee jij kunt bepalen of jouw organisatie klaar is.

Stap 1: Formuleer het businessprobleem scherp (Service beheer)

Een goed AI-project begint niet met een model, maar met een meetbare businessvraag. Dat klinkt voor de hand liggend, maar in de praktijk starten veel trajecten met iets als: "we willen AI inzetten voor klantenservice" of "we willen voorspellende analyses doen". Dat zijn richtingen, geen problemen.

Van richting naar concreet vraagstuk

Een bruikbare probleemstelling bevat drie elementen: wat wil je voorspellen of automatiseren, welke beslissing volgt daaruit, en hoe meet je het succes? Neem een inkoopafdeling bij een productiebedrijf met 300 medewerkers. "We willen AI" wordt dan: "Welke inkooporders lopen risico op vertraging, zodat onze planner 48 uur eerder kan bijsturen en de doorlooptijd met een meetbare factor daalt?"

Koppel het probleem aan een KPI

Als je het businessprobleem niet kunt uitdrukken in een bestaande KPI, doorlooptijd, foutpercentage, verwerkingstijd of klanttevredenheidsscore, is de kans groot dat de use case nog niet rijp is. Twentynext gebruikt bij het vaststellen van de businessuitdaging de eerste fase van CRISP-DM (Cross-Industry Standard Process for Data Mining): begrijp het bedrijfsdomein eerst volledig voordat er ook maar één dataset wordt bekeken. Lees meer over hoe die methodiek concreet werkt in dit artikel over CRISP-DM in de praktijk.

Zelf aan de slag:

• Schrijf het businessprobleem op in één zin die begint met: "We willen weten / voorspellen / automatiseren..."
• Koppel er een bestaande KPI aan: welke metric verbetert als het model goed werkt?
• Vraag drie collega's buiten het data-team of ze de probleemstelling begrijpen zonder uitleg
• Als dat niet lukt: het probleem is nog niet scherp genoeg

Stap 2: Beoordeel de datakwaliteit eerlijk

Datakwaliteit is de meest onderschatte bottleneck in AI-trajecten. Niet de modelleerkennis, niet het rekenbudget. Data die verspreid zit over meerdere systemen, niet gestandaardiseerd is, of veel ontbrekende velden bevat, maakt elk model onbetrouwbaar, ongeacht hoe geavanceerd het algoritme is.

Vier vragen voor een snelle datassessment

Vier vragen geven snel inzicht in de datagereedheid voor een specifieke use case. Ten eerste: is de data die het model nodig heeft daadwerkelijk beschikbaar, en zo ja, waar? Ten tweede: hoe volledig zijn de relevante velden over de afgelopen twee tot drie jaar? Ten derde: wie is eigenaar van de data en heeft toestemming voor gebruik gegeven? Ten vierde: hoe is de data gedocumenteerd, bestaat er een datadictionary?

Wat is "goed genoeg"?

Er bestaat geen universele drempelwaarde, maar in de praktijk geldt dat een dataset met meer dan 20 procent ontbrekende waarden in sleutelvariabelen doorgaans eerst Data Engineering-werk vergt voordat modelleren zinvol is. Bij Twentynext's projecten in de zorgsector, zoals het ontwikkelen van een voorspellend model voor migraine-aanvallen samen met Salvia BioElectronics, bleek datavoorbereiding en contextintegratie van persoonlijke en omgevingsdata de meest tijdsintensieve fase. Dat is geen uitzondering.

Ook de CBS AI-monitor 2024 bevestigt indirect dat datavolwassenheid en bedrijfsomvang sterk samenhangen: van de bedrijven met 500 of meer medewerkers gebruikt doorgaans een aanzienlijk deel al AI, terwijl dit bij bedrijven met 10 tot 19 medewerkers veel lager ligt. De beschikbaarheid van gestructureerde data speelt daarin een grote rol.

Zelf aan de slag:

• Inventariseer de drie databronnen die het meest relevant zijn voor jouw use case
• Bereken het percentage ontbrekende waarden per sleutelveld over de afgelopen 24 maanden
• Controleer of de data toestemming heeft voor het beoogde gebruik (AVG-check)
• Als twee of meer bronnen niet direct koppelbaar zijn: plan eerst een Data Engineering-sprint

Stap 3: Check intern draagvlak en eigenaarschap

Geen enkel AI-model overleeft een organisatie die het niet wil gebruiken. Dit is het meest genegeerde risico in AI-trajecten. Een model dat te maken krijgt met wantrouwen van eindgebruikers, of dat wordt opgeleverd zonder eigenaar die verantwoordelijk is voor beheer en doorontwikkeling, verdwijnt binnen zes maanden uit gebruik.

Drie niveaus van draagvlak

Draagvlak bestaat op drie niveaus. Op directieniveau: is er iemand bereid de businessverantwoordelijkheid te nemen voor het model, inclusief de beslissingen die het model beïnvloedt? Op teamniveau: begrijpen de eindgebruikers wat het model doet en waarom? Op IT-niveau: is er capaciteit en bereidheid om het model te integreren, te monitoren en te onderhouden?

Het eigenaarschapsvraagstuk

Twentynext hanteert als vuistregel dat een AI-use case pas opschaalt als er een benoemde eigenaar is, iemand die bij afwijkende modeluitkomsten de eerste telefoontjes krijgt en bevoegd is om bij te sturen. Ontbreekt die persoon aan het begin van het traject, dan is dat een signaal om eerst de governance te regelen.

Zelf aan de slag:

• Vraag voor de use case: wie is de businesseigenaar? Stel die vraag expliciet, niet als aanname
• Organiseer één sessie met eindgebruikers: wat zijn hun grootste zorgen over AI in dit proces?
• Controleer of IT-beheer in staat is een productie-model te monitoren op drift en performance
• Ontbreekt een eigenaar: stop het AI-traject tijdelijk en los dit organisatorisch eerst op

Stap 4: Bouw het governance-kader op voordat je begint

AI-governance is geen sluitstuk, maar een startvoorwaarde. Veel organisaties behandelen governance als iets dat na de bouw van een model wordt ingeregeld. Dat is precies de volgorde die zorgt voor problemen.

Wat minimale governance inhoudt

Volgens ISO/IEC 42001:2023, de eerste internationale norm voor een AI-managementsysteem, werkt governance via de Plan-Do-Check-Act-cyclus en omvat het onder meer risicobeheer, documentatie van modelkeuzes en naleving van wet- en regelgeving. Dat hoeft voor een eerste use case niet meteen volledig uitgerold te zijn, maar de basisvragen moeten beantwoord zijn: welk risiconiveau heeft de use case, welke data wordt gebruikt en hoe is dat geclassificeerd, en wie autoriseert beslissingen op basis van het model?

De EU AI-verordening als harde deadline

De EU AI-verordening is op 1 augustus 2024 in werking getreden. Verplichtingen voor hoog-risico AI-systemen worden volledig handhaafbaar per 2 augustus 2026. Wie nu begint met een use case die betrekking heeft op personeelselectie, kredietverlening of medische diagnose, werkt al in het toepassingsgebied van deze regelgeving. Twentynext begeleidt klanten bij het opzetten van een AI-governance kader met zes onderdelen: use-case prioritering, dataclassificatie, modelkeuze, audit logging, hallucinatie-monitoring en een escalatieprotocol.

Zelf aan de slag:

• Classificeer de use case: valt die onder hoog-risico per de EU AI-verordening?
• Stel een minimale documentatieset op: businessdoel, datasources, modelkeuze, verwachte foutmarge
• Wijs een verantwoordelijke aan voor audit logging en periodieke modelreview
• Plan een governance-review op het moment dat het model in productie gaat, niet erna

Stap 5: Maak schaalbaarheid en beheer expliciet

De schaalvraag stuurt architectuurkeuzes sterker dan de modelkeuze. Dit is een inzicht dat Twentynext consequent terugziet in industriële projecten, zoals de AI-module voor AutoCAD die samen met MasterShip Software is ontwikkeld voor de scheepsbouw. Hoeveel ontwerpen per uur moeten worden gegenereerd? Hoeveel varianten parallel? Hoe snel kunnen nieuwe regels worden toegevoegd? Die vragen bepalen of een eenvoudig model voldoet of dat een complexere architectuur nodig is.

Productie is iets anders dan een pilot

Een pilot die goed werkt op 500 testrecords, gedraagt zich anders bij 50.000 records per dag met realtime-integratie in een ERP-systeem. Schaalbaarheid moet van tevoren worden gedefinieerd in concrete termen: verwacht volume, latentie-eisen en integratiepunten met bestaande systemen.

ISO-gecertificeerd beheer als continuïteitsgarantie

Na go-live begint het beheer: drift-detectie, periodieke retraining en incident-respons. Twentynext investeert in ISO-gecertificeerde service- en beheerprocessen, wat voor zorginstellingen en productiebedrijven een onderscheidende factor is ten opzichte van trajecten die stoppen bij de oplevering.

Zelf aan de slag:

• Definieer drie schaalbaarheidsparameters: verwacht dagelijks volume, maximale verwerkingstijd en uptime-eis
• Stel vast welke systemen het model moet integreren en of de API's daarvoor beschikbaar zijn
• Plan een retraining-cyclus in de kalender: doorgaans elk kwartaal tot jaarlijks, afhankelijk van datadrif
• Vraag je partner naar aantoonbaar beheer na oplevering, niet alleen ontwikkeling

Vergelijkingstabel: AI-gereedheid per dimensie

Stap 6: Voer een eerlijke gereedheidscheck uit

De gereedheidscheck is geen administratieve stap, maar het moment waarop een organisatie beslist of ze begint of eerst investeert in de randvoorwaarden. Twentynext past hiervoor een structured assessment toe dat aansluit op de CRISP-DM-methodiek: businessbegrip en databegrip komen altijd vóór modellering.

Hoe de check eruitziet in de praktijk

Stel: een logistiek bedrijf met 150 medewerkers wil AI inzetten voor route-optimalisatie. De data zit in drie systemen, waarvan één een legacy-pakket zonder API. Het businessprobleem is geformuleerd als "slimmere routes", maar de KPI ontbreekt. Er is geen eigenaar aangewezen. In dit geval adviseert Twentynext eerst een Data Engineering-sprint van vier tot acht weken om de databronnen te integreren, het businessprobleem te concretiseren en een eigenaar te benoemen. Pas dan is een AI-traject verantwoord.

Van assessment naar routekaart

De uitkomst van de gereedheidscheck is geen binair ja of nee, maar een routekaart: welke randvoorwaarden zijn al aanwezig, welke moeten eerst worden ingevuld, en in welke volgorde. Dat geeft directeuren en IT-managers een realistisch tijdspad zonder verrassingen halverwege. Voor organisaties in de Brainport-regio geldt daarbij dat korte lijnen met kennisinstellingen en gespecialiseerde bureaus de doorlooptijd van zo'n assessment sterk kunnen verkorten.

Zelf aan de slag:

• Doorloop de zes dimensies uit de tabel hierboven en scoor eerlijk op elk onderdeel
• Noteer per dimensie de grootste concrete gap
• Stel een volgorde vast: wat moet er geregeld zijn vóórdat modelleren begint?
• Bepreek de uitkomst met je externe partner voordat contractuele afspraken worden gemaakt

Veelgestelde vragen

Hoe weet ik of mijn organisatie klaar is voor een AI-use case?

AI-gereedheid is het geval wanneer jouw organisatie een concreet, meetbaar businessprobleem heeft geformuleerd, de relevante data beschikbaar en voldoende compleet is, en er een benoemde eigenaar is die verantwoordelijkheid draagt voor het model en de beslissingen die daaruit volgen. Ontbreekt één van die drie elementen, dan is de use case doorgaans nog niet rijp voor uitvoering. Een structured assessment, zoals Twentynext dat toepast via CRISP-DM, brengt de gaps in kaart en leidt tot een concrete routekaart.

Waarom mislukt een AI-project zo vaak nog vóór productie?

Het meest voorkomende patroon is dat organisaties beginnen bij de technologie in plaats van bij het businessprobleem, of dat de datakwaliteit pas tijdens het traject als probleem naar voren komt. Volgens onderzoek van Info Support (november 2024) ontbreekt bij ruim twee derde van de Nederlandse bedrijven die AI hebben geïmplementeerd een formeel ethisch beleid voor AI-gebruik. Dat gebrek aan governance is in de praktijk een van de meest voorkomende oorzaken van strandende projecten.

Wat is de rol van de EU AI-verordening bij het starten van een AI-use case?

De EU AI-verordening is op 1 augustus 2024 in werking getreden en maakt governance niet langer optioneel voor organisaties die AI in risicovolle domeinen inzetten. Verboden AI-praktijken en AI-geletterdheidsverplichtingen gelden al vanaf 2 februari 2025, terwijl de verplichtingen voor hoog-risico systemen volledig handhaafbaar worden per 2 augustus 2026. Organisaties die nu starten met een use case in personeelselectie, medische diagnose of kredietverlening, doen er verstandig aan de regelgeving direct mee te nemen in de projectopzet.

Hoe helpt Twentynext bij het beoordelen van AI-gereedheid?

Twentynext past een gestructureerde projectaanpak toe op basis van CRISP-DM, waarbij businessbegrip en databegrip altijd aan modellering voorafgaan. Het bureau brengt de zes dimensies van gereedheid in kaart: businessprobleem, datakwaliteit, draagvlak, governance, schaalbaarheid en beheer. Klanten ontvangen een concrete routekaart met de volgorde van benodigde stappen, inclusief een inschatting van doorlooptijd en benodigde expertise. ISO-gecertificeerde service- en beheerprocessen borgen continuïteit na go-live.

Hoe snel kunnen Nederlandse bedrijven beginnen met een AI-use case?

De adoptie van AI in Nederland groeide in 2024 sterk: volgens CBS-data gebruikte doorgaans ruim 22 procent van de bedrijven met 10 of meer medewerkers al een of meer AI-technologieën, een toename van bijna 9 procentpunt ten opzichte van het jaar ervoor. Het grootste obstakel blijft ervaring: bij de bedrijven die AI hebben overwogen maar er toch van afzagen, noemde doorgaans driekwart gebrek aan ervaring als voornaamste reden. Een phased approach, beginnend met een pilotperiode van zes tot twaalf weken, verlaagt de drempel en maakt het succes meetbaar voordat grotere investeringen worden gedaan.

Conclusie

AI inzetten is geen technische beslissing, het is een organisatorische. De zes stappen in dit artikel (businessprobleem, datakwaliteit, draagvlak, governance, schaalbaarheid en gereedheidscheck) vormen samen een eerlijk zelfonderzoek dat voorkomt dat je halverwege een traject vastloopt.

De cijfers bevestigen de urgentie: CBS AI-monitor 2024 laat zien dat het gebruik van AI onder Nederlandse bedrijven in 2024 sterk is gestegen, maar dat gebrek aan ervaring structureel de grootste drempel blijft. Die ervaring bouw je op door klein te beginnen, de randvoorwaarden op orde te hebben en een partner te kiezen die niet alleen bouwt, maar ook beheer en governance begeleidt.

Of je nu in de Brainport-regio opereert of elders in Nederland: de aanpak is overal hetzelfde. Wil je weten hoe jouw organisatie scoort op de zes dimensies? Bekijk hoe Twentynext organisaties begeleidt bij AI-gereedheid en implementatie. En voor wie wil begrijpen hoe data engineers bij dit soort trajecten de praktijk instappen, biedt dit artikel over groeipaden bij een data- en AI-bureau extra context.