De ontbrekende schakel in AI-transformatie
Organisaties staan onder steeds grotere druk om AI te integreren, maar individuele productiviteitswinst heeft zich nog niet vertaald naar bredere resultaten op organisatieniveau. Hoewel Large Language Models (LLM’s) de productiviteit van medewerkers verhogen op het gebied van schrijven, programmeren en analyse, blijkt uit onderzoek van PwC dat slechts 12% van de CEO’s een significante ROI uit generatieve AI ziet. Hoe kunnen leiders AI-transformatie dan benutten om op grote schaal aantoonbare waarde te creëren?
Wat zijn de grootste uitdagingen bij de transformatie naar AI?
Toen elektriciteit aan het einde van de negentiende eeuw voor het eerst zijn intrede deed in de industrie, maakten vroege gebruikers een cruciale fout: ze vervingen stoommachines door elektromotoren, maar hielden de traditionele indeling van de fabriek intact. Hoewel individuele machines sneller werden, nam de productiviteit van de fabriek als geheel nauwelijks toe. Pas toen het volledige productieproces opnieuw werd ingericht rond de mogelijkheden van elektriciteit, ontstonden er aanzienlijke productiviteitswinsten.
Hetzelfde geldt voor AI: bedrijven hebben de ‘motor’ vervangen, maar de ‘fabriek’ nog niet opnieuw ingericht. Om AI, en met name agentic AI, organisatiebreed te benutten, moeten bedrijven eerst begrijpen hoe hun organisatie opereert: waar overdrachtsmomenten, knelpunten en beslismomenten zich bevinden. Door een duidelijk blauwdruk te creëren van de huidige bedrijfsprocessen, workflows, architecturen en werkwijzen, zijn bedrijven beter in staat om AI-transformatie organisatiebreed en volledig te implementeren.
De drie fasen van AI-transformatie
AI-transformatie vraagt van organisaties dat zij de stap maken van geïsoleerde productiviteitswinst naar een gedeeld inzicht in hoe werk wordt uitgevoerd en uiteindelijk naar workflows die rondom AI zijn ontworpen. Deze transformatie verloopt in drie samenhangende fasen.
Fase één: Individuele AI
In deze fase gebruiken medewerkers tools als ChatGPT, Copilot en Claude om hun dagelijkse taken efficiënter uit te voeren. Hoewel deze fase belangrijke AI-vaardigheden ontwikkelt en zorgt voor lokale efficiëntiewinst, blijft de bredere impact op de organisatie beperkt. Individuele productiviteitswinst vertaalt zich namelijk niet automatisch naar waarde op organisatieniveau.
Fase twee: Inzicht en in kaart brengen
Het uiteindelijke doel is een opnieuw ontworpen organisatie die optimaal gebruikmaakt van AI. Maar voordat je iets opnieuw kunt ontwerpen, moet je eerst begrijpen hoe de huidige situatie eruitziet. Daarom draait fase twee om documentatie: het in kaart brengen van processen, systemen en onderlinge afhankelijkheden. Zodra zogenaamde organisatiekennis uit de hoofden van medewerkers wordt gehaald en vastgelegd in een gedeeld visueel model, wordt het veel eenvoudiger om de bestaande inrichting kritisch te bekijken en te bepalen waar AI de meeste waarde kan leveren. Door vast te leggen hoe de organisatie werkt, krijgen medewerkers meer inzicht en beschikken AI-agents over de context die nodig is om effectief te kunnen opereren.
Fase drie: Institutionele AI
Institutionele AI, oftewel organisatiebrede AI is het uiteindelijke doel: opnieuw ontworpen, door AI aangedreven workflows die de productiviteit binnen de hele organisatie verhogen. In deze fase zijn de belangrijkste processen volledig opnieuw ingericht om AI-agents optimaal te integreren. AI is niet langer alleen een individuele productiviteitstool, maar een beheerde en betrouwbare capaciteit die aansluit bij de bredere doelstellingen van de organisatie.
Hoe overbrug je de AI-kloof?
De meeste organisaties hebben moeite om de stap te maken van een eerste AI-adoptie naar organisatiebrede volwassenheid. In de haast om resultaten te boeken, wordt de tweede fase vaak overgeslagen, terwijl deze juist de essentiële basis vormt voor succes op de lange termijn. Tijdens deze transitie kunnen teams verschillende concrete stappen zetten om de samenwerking tussen afdelingen te versterken en blijvend draagvlak binnen de organisatie te creëren.
1. Visualiseer de huidige situatie
Transformatie begint met operationele transparantie. Dit betekent dat niet alleen formele procedures worden vastgelegd, maar ook informele werkwijzen, ongeschreven regels en impliciete kennis die bepalen hoe het dagelijkse werk wordt uitgevoerd. Door deze realiteit in kaart te brengen in een gedeelde visuele omgeving, ontstaat een basis voor AI-readiness en wordt duidelijk welke processen moeten worden geoptimaliseerd voordat AI wordt toegepast. Belangrijke activiteiten in deze fase zijn:
- Het vastleggen van impliciete kennis in visuele proceskaarten en diagrammen;
- Het identificeren van use cases voor agentic AI en afhankelijkheden binnen workflows.
2. Bepaal een strategie
Vervolgens is het belangrijk om teams op één lijn te brengen rond een gedeelde AI-strategie die een gemeenschappelijke visie vastlegt, nieuwe workflows definieert om die visie in de praktijk te brengen en governance-richtlijnen opstelt voor een effectieve implementatie. Denk hierbij aan vragen als:
- Hoe worden processen opnieuw ingericht?
- Waar werken mensen en AI-agents samen?
- Welke systemen moeten binnen elke workflow toegankelijk zijn?
- Hoe zorgt de organisatie ervoor dat iedereen toegang heeft tot de juiste informatie?
Teams hebben toegang nodig tot documentatie die centraal wordt beheerd, voorzien is van versiebeheer, is goedgekeurd en actueel wordt gehouden. Dit proces omvat doorgaans:
- Het faciliteren van strategische planning om AI-investeringen te prioriteren op basis van doelen, risico's en verwachte rendementen;
- Het herontwerpen van workflows en het definiëren van rollen tussen mensen en AI-agents met behulp van RACI-schema's en swimlane-diagrammen;
- Het instellen van governance, goedkeuringsprocessen en compliance-grenzen voor AI-initiatieven.
3. Voer de strategie uit binnen de juiste context
Met een duidelijk inzicht in zowel de huidige als de gewenste situatie kunnen organisaties AI effectief implementeren en opschalen. Deze stap draait om het coördineren van uitvoerende taken, het inzetten van agents op basis van opnieuw ontworpen workflows en het verder verfijnen en opschalen van processen binnen teams. Documentatie wordt hiermee onderdeel van de infrastructuur: een centrale contextlaag die de besluitvorming van AI-agents ondersteunt. Dit omvat:
- Het creëren van flexibele implementatietijdlijnen met duidelijke mijlpalen, afhankelijkheden en taakverantwoordelijken;
- Het rechtstreeks invoeren van goedgekeurde procesdocumentatie in een AI-uitvoeringsomgeving zodat agents deze kunnen volgen;
- Het monitoren van resultaten en het bijwerken van documentatie binnen een beheerde, centrale bron van waarheid.
Organisaties over de hele wereld laten al zien hoe deze aanpak aanzienlijke operationele voordelen kan opleveren.
Uber Technologies toont aan hoe visuele documentatie AI-initiatieven kan versnellen en kosten kan verlagen. Het bedrijf wilde miljoenen supporttickets per week automatiseren met behulp van agentic AI. Daarvoor gebruikte Uber bestaande beslisbomen in Lucid als basis voor uitgebreide supportdocumentatie, waardoor de AI-agent over de benodigde context beschikt om effectief te kunnen reageren. Het project ligt op koers om tegen het einde van 2026 70% van de reacties te automatiseren en zal naar verwachting jaarlijks 500 miljoen dollar besparen.
Zet de volgende stap in uw AI-transformatie
Om de kloof tussen individuele en institutionele AI te overbruggen, zijn inzicht, afstemming en governance essentieel. De basis is daarbij eenvoudig: begrijp eerst hoe uw organisatie werkt, bepaal waar AI waarde kan toevoegen en ontwerp van daaruit processen opnieuw. Zo groeit AI van een individueel hulpmiddel uit tot een organisatiebrede kracht.
Nathan Rawlins, CMO bij Lucid Software

