Samenvatting:

Wanneer ondernemingen baanbrekende AI-modellen zoals Claude of ChatGPT implementeren, stagneert het wekelijkse actieve gebruik steevast rond de 14%, waarbij het gebruik zich beperkt tot het herschrijven van eenvoudige e-mails, terwijl handmatig werk met veel weerstand onaangeroerd blijft. Het behandelen van geavanceerde AI als traditionele SaaS-aankopen mislukt omdat de waarde niet in het model zelf ligt – deze ligt in de kloof tussen het model en de interne data, machtigingen en dagelijkse workflows van het bedrijf. Waarde wordt bepaald door een eenvoudige rekensom: Waarde = Model × Implementatie × Laag. Zolang die kloof niet wordt overbrugd, beschikt een bedrijf niet over AI-capaciteiten; het heeft slechts een abonnement.

Enkele maanden geleden liet een CIO mij zijn Claude Enterprise-dashboard zien. Tweeduizend gebruikerslicenties, geïmplementeerd in zes weken, single sign-on via de identiteitsprovider van het bedrijf, een gebruiksbeleid dat door de juridische afdeling was goedgekeurd en door elke medewerker bij de eerste aanmelding werd bevestigd. Vervolgens scrolde hij naar het tweede tabblad. Wekelijkse actieve gebruikers: 14%. De meest voorkomende opdracht: “vat deze e-mail samen.” De op één na meest voorkomende: “herschrijf dit in een professionelere toon.” Geen enkele koppeling met het ERP-systeem, het data-magazijn of de documentarchieven. Geen enkele agent in productie. Drie verdiepingen onder ons opende het crediteurenadministratieteam één voor één de PDF-bestanden van leveranciers, las het factuurnummer, het bedrag en de kostenplaats af en voerde deze met de hand in het financiële systeem in — ongeveer honderd facturen per maand, wat neerkomt op ongeveer anderhalve werkdag aan werk.

Ik vind dit inmiddels niet meer verrassend. Ik ben nu van mening dat dit het gebruikelijke resultaat is van de manier waarop bedrijven AI aanschaffen, en ik wil heel duidelijk aangeven waarom.

Wij hebben gezamenlijk besloten om frontier-modellen te behandelen als software: de licentie aanschaffen, de gebruikersaccounts toewijzen, een webinar organiseren en verdergaan. Dat werkte voor e-mail en voor CRM, omdat de waarde van die tools in de tool zelf lag — de inbox was het product, het overzicht van de pijplijn was het product. De waarde van een geavanceerd model zit niet in het model zelf. Die ligt in de kloof tussen het model en de data, bevoegdheden, gewoonten en processen van een specifiek bedrijf: of het model de omzet van het afgelopen kwartaal per SKU kan weergeven, of het weet dat “netto-omzet” in dit bedrijf geen handelsuitgaven omvat, of een verkoopdirecteur het ooit ook maar één keer heeft gebruikt voor een vraag die zij die week daadwerkelijk moest beantwoorden. Niemand in de organisatie wordt betaald om die afstand te overbruggen. IT is verantwoordelijk voor de tenant en meet de uptime. De business is verantwoordelijk voor de use cases en meet niets. De leverancier is verantwoordelijk voor de roadmap en meet het aantal licenties. De ruimte daartussen behoort niemand toe, en juist in die ruimte schuilt de waarde.

Na een jaar lang bij bedrijven binnen te zijn gestapt op het 14%-moment, ben ik ervan overtuigd dat dit vakgebied een volwaardige discipline op zich is. Het is geen verandermanagement met betere presentaties, en het is geen systeemintegratie met een nieuwe API. Het betreft engineering, data, beveiliging en implementatiewerk dat gezamenlijk wordt uitgevoerd binnen de organisatie van de klant, door mensen die tevens deel uitmaken van de roadmap van het lab en die verantwoording afleggen voor een resultaat in plaats van een oplevering. Ik noem dit de implementatielaag, en dit artikel is mijn betoog waarom deze belangrijker is dan de volgende modelrelease.

Waarom de implementatie van AI binnen bedrijven tot stilstand komt nadat de licentieovereenkomst is ondertekend

Het patroon is hetzelfde in het bankwezen, bij consumptiegoederen, in de vastgoedsector en in de telecommunicatie, en het verloopt volgens een herkenbare volgorde. Een proefproject slaagt: een klein team binnen marketing of klantenservice, een begripvolle sponsor, een duidelijk gebruiksscenario, een demo die de raad van bestuur doet opleven. Een tweede proefproject slaagt binnen een andere afdeling. Het management keurt een bedrijfsbrede uitrol goed, vaak met een doelstelling als “AI voor iedereen tegen het tweede kwartaal”. De uitrol vindt plaats. Het gebruik neemt gedurende drie weken toe vanwege de nieuwigheid, vlakt vervolgens af op het niveau van een betere zoekmachine, en de medewerkers die de uitrol hadden moeten volgen, blijven steken bij een dia met de titel “Fase 2”.”

De gebruikelijke verklaringen kloppen niet. Het is niet zo dat medewerkers zich tegen verandering verzetten; degenen die ik ontmoet, willen dolgraag dat de tool hen bij hun dagelijkse werkzaamheden ondersteunt en zijn gefrustreerd dat deze de spreadsheet waarin zij werken niet kan herkennen. Het ligt niet aan onvolwassen modellen; twee generaties geleden waren ze al tot het grootste deel hiervan in staat, en de kloof tussen wat Claude of GPT kunnen en wat de organisatie van hen vraagt, is sindsdien alleen maar groter geworden. En het is ook geen gebrek aan gebruiksscenario’s. Elke workshop die ik heb geleid, levert in één ochtend tachtig voorbeelden op, waarvan de helft variaties zijn op “laat mij dit niet steeds opnieuw invoeren”.”

Het proces loopt vast omdat er drie vragen zijn zonder eigenaar:

  • Wat weet het model over ons? Welke systemen kan het inzien — het magazijn, de documentarchieven, het ticketingsysteem, het HR-platform? Op basis van wiens toegangsrechten kan het deze inzien: die van het serviceaccount of die van de persoon die erom vraagt? En wanneer het een nummer verstrekt, kan iemand dan terugvinden uit welke tabel of welk document dit afkomstig is?
  • Wie is binnen elke afdeling verantwoordelijk voor de implementatie? Niet om het aantal licenties te tellen — maar vanwege de gewoonte om de tool op maandagochtend in te zetten voor concreet werk binnen Verkoop, Financiën, Juridische Zaken en Bedrijfsvoering, waarbij elke afdeling zijn eigen data, eigen terminologie en een eigen definitie van “nuttig” hanteert.”
  • Wie ontwikkelt de agents, en wie zorgt voor het onderhoud ervan wanneer de consultants vertrekken? Een IT-achterstand die al achttien maanden oploopt, een externe leverancier met een tijd-en-materiaalcontract, of medewerkers binnen de organisatie die het proces dat zij automatiseren goed begrijpen?

Ik heb nog nooit een programma zien slagen waarbij deze vragen door een stuurgroep werden beantwoord. Ze worden beantwoord door de mensen die het werk ter plaatse uitvoeren en die over beslissingsbevoegdheid beschikken.

De wiskunde achter de waarde van AI

De rekensom waar ik steeds weer op terugkom, is eenvoudig: Waarde = Model × Implementatie × Laag

Het getal is zeer groot. Vermenigvuldigt u het met nul, dan krijgt u nul. Elke nieuwe versie die uit de laboratoria komt, maakt de eerste factor groter en de tweede factor doorslaggevender.

En hier komt het ongemakkelijke deel voor iedereen die hoopt zich hieruit te kunnen kopen: de implementatielaag kan niet als software worden aangeschaft. De laboratoria verkopen het model en het platform, en zij doen er goed aan het daarbij te laten. De context, de machtigingen, de gewoonten op afdelingsniveau en de eerste gebruikers zijn specifiek voor de data en de interne politiek van elk bedrijf — welk systeem geldt als de bron van waarheid voor een klant, wie mag de marge per product inzien, en hoe het financiële team de maand daadwerkelijk afsluit. Deze moeten ter plaatse worden ontwikkeld, door mensen die zowel de roadmap van het model als de systemen van de klant begrijpen. Er is geen snelle oplossing, en ik sta wantrouwig tegenover iedereen die er een verkoopt.

⏭️ Volgende in deel 2 – Het stappenplan: implementeren, verankeren, toepassen, uitbouwen

Als de implementatielaag niet als kant-en-klare software kan worden aangeschaft, waaruit bestaat deze dan? In Deel 2, zetten wij de vier concrete onderdelen uiteen die van een algemeen model een interne medewerker maken — Deploy, Ground, Adopt, Build — en onderzoeken wij hoe de haarverzorgingsgroep Bora Brasil heeft de klassieke verkoopvraag van maandagochtend opgelost door Claude in te zetten bij het live-bedrijf data.