Executive summary & recap:

In Deel 1, hebben wij onderzocht waarom de implementatie van AI binnen ondernemingen stagneert bij een acceptatiegraad van 14% wanneer deze wordt behandeld als een standaardsoftwareaankoop. De waarde van geavanceerde AI ligt in de kloof tussen het model en het bedrijf data. In deel 2 brengen wij de vier structurele componenten van de Implementatielaag: Implementeren (governance), Opzetten (MCP en bedrijfsregels), Toepassen (training op het live data-systeem) en Bouwen (productieagenten). Wij illustreren dit aan de hand van het voorbeeld van Bora Brasil waarom gronding altijd vooraf moet gaan aan de training.

Tussen het model en de bedrijfsvoering bevindt zich een werkgebied dat noch puur IT, noch puur verandermanagement is. Ik deel dit op in vier onderdelen, en over elk daarvan heb ik een uitgesproken mening.

1. Implementeren

Het platform zelf — Claude Enterprise, Claude Code en Cowork, of ChatGPT Enterprise en Codex — is naar behoren geïmplementeerd. In de praktijk betekent dit een licentiemodel waarbij licenties worden toegewezen op basis van functie, afdeling en anciënniteit, in plaats van volgens het principe ‘wie het eerst komt, het eerst maalt’; identiteitsbeheer via de bedrijfs-SSO met groepsgebaseerde toegang; een gebruiksbeleid dat in duidelijke taal aangeeft wat wel en niet mag worden ingevoerd, en een gids met best practices die beschrijft hoe een goede werkwijze eruitziet; en kostenbeheer dat per afdeling laat zien wie wat gebruikt, vanaf de eerste week. Dit is het onderdeel waar de meeste organisaties redelijk goed in slagen, en het is op zichzelf het minst waardevolle onderdeel. Een perfect ingerichte tenant waaraan niets is gekoppeld, is een zeer duur chatvenster.

2. Grond

De contextlaag die ervoor zorgt dat het model antwoorden geeft op basis van de bedrijfsspecifieke gegevens. Concreet: één enkele MCP-server, die draait in de eigen cloud-tenant van de klant, en die de gestructureerde data (de verkooptabellen in Fabric of Snowflake, de budgetten, de KPI-marts) en de ongestructureerde opslagplaatsen (contracten, beleidsdocumenten, presentaties voor de raad van bestuur en procedures in SharePoint of Drive) via één gecontroleerde toegangspoort beschikbaar stelt.

Daarbovenop komt nog een laag met bedrijfskennis: de officiële woordenlijst, de KPI-definities zoals die door de afdeling Financiën zijn opgesteld, de bedrijfsregels (“een kwartaal wordt op de 25e afgesloten”, “sluit intercompany-omzet uit van de netto-omzet”), en een semantische beschrijving van elk document, zodat het model het juiste bestand kan vinden en dit volledig kan lezen in plaats van te moeten gissen op basis van een fragment. De toegang weerspiegelt de bestaande machtigingen van elke medewerker, zodat het model voor u alleen laat zien wat u zelf al zou kunnen openen. En elk antwoord bevat een bronvermelding: de tabel, het rijfilter, het document, de pagina.

Ik ben van mening dat dit het punt is waarop het succes van bedrijfs-AI staat of valt, en het is het onderdeel dat bijna iedereen overslaat omdat het op loodgieterswerk lijkt. Zonder dit onderdeel is het model een briljante vreemdeling. Met dit onderdeel is het een collega die alles heeft gelezen en dat ook kan aantonen.

3. Keur goed.

Training, afdeling voor afdeling, op het live bedrijfsysteem data. Ik ben allergisch geworden voor de standaard “masterclass in het opstellen van e-mails” met zijn voorbeeldmails en zijn fictieve bedrijf: dat leidt tot een week van nieuwsgierigheid en daarna tot stilte. De sessies die wel werken, zien er anders uit.

  • De verkoopafdeling besteedt tweeënhalf uur aan één concrete vraag over het afgelopen kwartaal.
  • De afdeling Financiën voert de afstemming uit van een daadwerkelijk maandafsluitingsbestand.
  • De afdeling HR stelt een rapport op over het werkelijke ziekteverzuim.
  • De juridische afdeling toetst een daadwerkelijke geheimhoudingsovereenkomst aan de interne richtlijnen van het bedrijf.

Elke deelnemer gaat naar huis met een ‘Claude Project’ waarin de regels van zijn of haar afdeling zijn vastgelegd, en een werkend artefact dat hij of zij maandag weer zal openen. Het verschil zit niet in de didactiek. Het gaat erom of het model al goed was uitgewerkt voordat er iemand in werd getraind.

4. Bouwen

Productieagenten, ontwikkeld in korte sprints door ingenieurs die samen met het team van de klant werken, op basis van een framework dat de klant zelf beheert. Het onopvallende werk — het invoeren van leveranciersfacturen in een schema en het markeren van niet-overeenkomende regels, het opstellen van notulen en actiepunten op basis van een Teams-transcript, het toetsen van een geheimhoudingsovereenkomst aan de interne richtlijnen en het samenvatten van de aansprakelijkheids- en beëindigingsclausules, het extraheren van de cijfers uit een stapel PDF’s naar het acceptatiesjabloon — daar gaat de meeste tijd in zitten, en dat is waar de meeste agentprogramma’s nooit terechtkomen, omdat ze beginnen met iets indrukwekkends in plaats van iets nuttigs.

Deze vier vormen een systeem, geen menu, en ik zou zelfs nog verder willen gaan: het uitvoeren van één ervan zonder de andere is vaak erger dan helemaal niets doen. Training zonder basis leert mensen dat de tool hallucineert, en zij hebben gelijk. Grounding zonder training leidt tot een kathedraal waar niemand binnenkomt. Agents zonder platform produceren een tiental losstaande automatiseringen zonder gezamenlijk beheer, en het beveiligingsteam schakelt deze uiteindelijk, terecht, uit.

Voorbeeld: Wie beantwoordt de verkoopvraag bij Bora Brasil?

Laten we eens kijken naar een eenvoudige vraag die een reclame-regisseur op een maandagochtend zou kunnen stellen: “Hoe heeft Skala het afgelopen kwartaal gepresteerd ten opzichte van dezelfde periode vorig jaar, en waar hebben wij marktaandeel verloren?”

Op Bora Brasil, de haarverzorgingsgroep die is ontstaan uit Skala Brasil en Lola From Rio, ging die vraag vroeger een hele weg afleggen. Van de directeur naar een analist, van de analist naar een BI-rapport, van het rapport naar een spreadsheet, van de spreadsheet naar een presentatie, en drie dagen later weer terug naar de directeur, waarbij de vervolgvraag inmiddels was veranderd. Ondertussen maakten vijftien early adopters al informeel gebruik van Claude, gekoppeld aan hun e-mail, agenda, Teams en bestanden. Zij kregen plausibele antwoorden waarvan niemand de bron kon achterhalen en waarin soms een definitie van “delen” werd gehanteerd die niemand bij Financiën herkende. De drie eisen van het management waren precies de drie bovenstaande vragen: antwoorden die gebaseerd zijn op de eigen data van de groep, toegang die bestaande machtigingen respecteert, en een gereguleerde omgeving zodat gevoelige commerciële informatie niet langer in ongeautoriseerde tools terechtkomt. Dat is het 14%-moment, gezien vanuit de organisatie zelf.

Wat er in negen weken veranderde, was niet het model. Er liepen drie trajecten parallel: een bottom-up implementatietraject, een top-down roadmap-traject en een governance-traject. Het technische werk resulteerde in een contextplatform op Azure, goedgekeurd door de eigen technische leiding van de groep, dat Microsoft Fabric (verkoop, KPI’s, budgetten) en SharePoint (contracten, beleidsregels, presentaties) via één enkele MCP-server beschikbaar stelt. Een zakelijke kennislaag bevat de woordenlijst, de KPI-definities en de bedrijfsregels, met een semantische beschrijving van elk document, zodat Claude het volledige bestand kan vinden en lezen. De toegang weerspiegelt de bestaande machtigingen van elke medewerker, en elk cijfer verwijst naar de bijbehorende brontabel of het bijbehorende document. Tegelijkertijd leverden interviews met de directeuren van Commerciële Zaken, Marketing, Innovatie en R&D, Operations, Financiën en HR 83 kansen op, die werden beoordeeld op bedrijfswaarde en technische complexiteit; dit aantal werd teruggebracht tot 24 en vervolgens, tijdens een workshop voor leidinggevenden, tot vijf voor de roadmap van het eerste jaar.

Pas daarna — en alleen dan — volgde de training, specifiek gericht op die verkoopvraag. Tijdens een sessie van 150 minuten zette elke deelnemer een Claude-project op met de bedrijfsregels, haalde de KPI-definities uit SharePoint, plande de query voordat deze in Fabric werd uitgevoerd, bouwde een interactief verkoopdashboard als een deelbaar artefact en controleerde de bron van elk cijfer. De snelste deelnemers maakten van het dashboard nog vóór het einde van de sessie een wekelijks terugkerende routine in Cowork. De handleiding voor de facilitator, zelf opgesteld met Claude, volgde de voortgang van elke deelnemer stap voor stap.

Er zijn vandaag 62 medewerkers actief, met een uitbreiding naar 150, waarbij licenties worden toegewezen op basis van functie en afdeling, met een AI-Office als centraal knooppunt en een Champion in elke bedrijfsafdeling. De eerste dertig licentiehouders melden gemiddeld een tijdwinst van ten minste vier uur per week; zeven op de tien besparen drie uur of meer. Eén conversie van een HR-salarisadministratie van data nam 90 minuten in beslag, in plaats van de 40 consultanturen die extern waren geraamd. Een tijdregistratierapport dat voorheen acht uur handmatige controle vergde, wordt nu volgens een vast schema uitgevoerd.

Ik vertel dit verhaal niet omdat de cijfers zo hoog zijn — het gaat om vroege cijfers die door de betrokkenen zelf zijn opgegeven — maar omdat de volgorde de les is. Eerst een stevige basis leggen. Oefenen op basis van die stevige basis. De gewoonte doorgeven aan iemand die blijft. Keer de volgorde om en u krijgt een webinar.

⏭️ Volgende in deel 3 – Het operatiemodel voor vooruitgeschoven inzet

Het opzetten en verankeren van dit systeem kan niet worden overgelaten aan traditionele stuurgroepen of externe presentaties. In Deel 3, gaan wij dieper in op het ‘forward deployed’-bedrijfsmodel: hoe het samenbrengen van strategen en ingenieurs binnen de organisatie leidt tot duurzame capaciteit, welke risico’s eraan verbonden zijn als men dit model niet toepast, en hoe Chancerygate heeft op eigen kracht meer dan 20 productieagenten ontwikkeld.