← terug

10 juni 2026

Je moet het kunnen bedenken, AI werkt vooral als je het grotere plaatje ziet

In bijna elk consultancytraject komt er een moment waarop iemand de vraag stelt: "Maar wat kán AI nou eigenlijk allemaal?" En elke keer merk ik dat het eerlijke antwoord een beetje teleurstelt. Want het antwoord is: meer dan jullie gaan vragen. De techniek is zelden het probleem. Het probleem is dat niemand aan tafel een vraag heeft die de techniek de moeite waard maakt.

Dat is een omkering die nog niet overal is doorgedrongen. Jarenlang was de bottleneck bij automatisering de techniek zelf. Je kon iets bedenken, en dan was de vraag of het gebouwd kon worden, voor hoeveel geld, en door wie. Bij AI is dat omgedraaid. De modellen kunnen tekst lezen, samenvatten, vergelijken, classificeren, herschrijven, vertalen, structureren en beoordelen, op een niveau dat voor het grootste deel van het kantoorwerk ruim voldoende is. De bottleneck is verschoven van kunnen naar bedenken. En bedenken blijkt verrassend moeilijk.

Waarom de demo je niet helpt

De manier waarop de meeste organisaties kennismaken met AI werkt hier tegen. Het begint met een tool-demo. Iemand laat zien hoe een model een mail herschrijft, een verslag samenvat of een plaatje genereert. Indrukwekkend, iedereen knikt, en daarna gaat elke afdeling op zoek naar een plek waar dat trucje past.

Het resultaat ken ik inmiddels uit mijn hoofd. Marketing krijgt een schrijftool. HR krijgt een samenvatter voor sollicitatiegesprekken. De servicedesk krijgt een chatbot. Allemaal losse gadgets, allemaal een beetje nuttig, en bij elkaar opgeteld verandert er bijna niets. De doorlooptijd van het werk blijft hetzelfde, de fouten blijven hetzelfde, de wachttijden blijven hetzelfde. Na een jaar concludeert het management dat AI "toch vooral hype" was, terwijl er nooit serieus iets is geprobeerd.

De fout zit niet in de tools. De fout zit in de richting van het denken. Een demo laat zien wat een model kan, en daarna ga je zoeken waar dat past. Dat is denken van techniek naar proces. De toepassingen die echt wat opleveren ontstaan precies andersom: iemand kent een proces door en door, ziet waar het knelt, en bedenkt dan pas dat AI daar een rol in kan spelen.

Het grotere plaatje is letterlijk het proces

Wat bedoel ik met het grotere plaatje? Niet visie of strategie. Ik bedoel iets veel platters: weten welke stappen er echt zitten tussen het begin en het eind van een stuk werk.

Neem een schadebehandeling bij een verzekeraar, een vergunningaanvraag bij een gemeente, of een intake bij een zorginstelling. Op papier zijn dat drie of vier stappen. In werkelijkheid zijn het er vijftien, en het grootste deel van de doorlooptijd is geen werk maar wachten. Wachten tot iemand het dossier oppakt. Wachten tot de ontbrekende bijlage is opgevraagd. Wachten tot een collega met de juiste kennis tijd heeft om even mee te kijken. Wachten tot het wekelijkse overleg waarin dit soort gevallen wordt besproken.

Wie alleen naar de losse taken kijkt, ziet AI-kansen in de vorm van: dit verslag kan sneller geschreven worden. Wie naar de hele keten kijkt, ziet iets anders. Die ziet dat de informatie die in stap elf wordt opgevraagd er in stap twee al was, alleen in een ander systeem. Die ziet dat de beoordeling waar het dossier drie dagen op wacht in tachtig procent van de gevallen routine is. Die ziet dat de ontbrekende bijlage voorspelbaar ontbreekt, en dus bij de eerste mail al opgevraagd had kunnen worden.

Dat zijn de plekken waar AI het verschil maakt. Niet omdat het model daar iets bijzonders doet, maar omdat de keten erdoor verandert. Een model dat binnenkomende dossiers direct controleert op volledigheid, de routinegevallen voorbereidt voor de behandelaar en de twijfelgevallen apart legt, doet technisch niets spannends. Het leest, vergelijkt en sorteert. Maar het haalt de wachttijd uit het proces, en wachttijd is meestal waar de echte kosten zitten.

Dit klinkt simpel, maar je moet het wel kunnen zien. En zien vraagt dat iemand het hele proces overziet, inclusief de delen die buiten de eigen afdeling vallen. Dat is precies de blik die in veel organisaties ontbreekt, omdat iedereen verantwoordelijk is voor een stukje en niemand voor de keten.

Waarom losse gadgets optellen tot bijna niets

Er zit ook een hardere logica achter waarom afdelingsgadgets zo weinig opleveren. Als een proces uit twaalf stappen bestaat en je maakt er één twee keer zo snel, dan merkt niemand dat. De doorlooptijd wordt bepaald door de traagste schakels, en dat zijn bijna altijd de overdrachten: de momenten waarop werk van de ene plek naar de andere gaat en informatie opnieuw verzameld, overgetypt of nagevraagd moet worden.

Losse AI-tools versnellen de stappen. Een goed gekozen ketenoplossing pakt de overdrachten. Daarom kan één onopvallende toepassing op de juiste plek meer opleveren dan tien tools verspreid over de organisatie. Het is geen kwestie van meer AI, maar van AI op de plek waar de keten knelt.

Daar komt nog iets bij. De informatie die je voor zo'n ketenoplossing nodig hebt is er meestal al. Organisaties zitten op jaren aan dossiers, mails, verslagen en beslissingen. Wat ontbreekt is niet data maar de vraag: welk deel van dit proces zou verdwijnen als die informatie op het juiste moment op de juiste plek beschikbaar was? Dat is een procesvraag, geen AI-vraag. Maar AI is wel de techniek die hem voor het eerst betaalbaar beantwoordbaar maakt.

Eerlijkheidshalve: ketenoplossingen zijn ook de plek waar het serieus wordt. Een schrijftool die een matige mail produceert is een klein probleem. Een systeem dat dossiers voorsorteert en routinegevallen voorbereidt raakt aan rechten, aan controleerbaarheid en aan de vraag wie verantwoordelijk is als het model iets verkeerd inschat. Dat is geen reden om het niet te doen, het is een reden om het goed te doen: met een mens die de uitkomsten controleert, met logging zodat je terug kunt kijken waarom iets is gesorteerd zoals het is gesorteerd, en met een duidelijke afspraak over welke beslissingen het systeem nooit zelf neemt. De demo is makkelijk. Productie is waar AI serieus wordt.

Hoe je dat denken traint

Het goede nieuws: dit is geen talent maar een oefening. Twee dingen werken in mijn ervaring het best.

De eerste is ouderwets en ongemakkelijk effectief: teken het proces uit. Pak een echt geval, een echte aanvraag of een echt dossier, en volg het van begin tot eind. Schrijf elke stap op, ook de informele. Het telefoontje naar die ene collega die altijd weet hoe het zit, is ook een stap. Zet bij elke stap twee dingen: hoeveel tijd het werk kost, en hoeveel tijd het wachten kost. De meeste mensen die dit voor het eerst doen schrikken van de verhouding. Een proces dat veertien dagen duurt blijkt vier uur werk te bevatten.

De tweede is een gedachte-experiment dat ik in workshops gebruik. Kies een stap in het proces en stel de vraag: wat zou er gebeuren als dit onderdeel gratis was en oneindig snel? Niet goedkoper, niet sneller, maar gratis en direct. Als elke binnenkomende mail meteen volledig begrepen en gesorteerd zou zijn. Als elk verslag er al lag op het moment dat het gesprek eindigt. Als elke vraag over het archief binnen een seconde beantwoord werd.

Die vraag dwingt je voorbij de huidige inrichting te denken. Want veel processtappen bestaan alleen omdat iets vroeger duur of traag was. Het wekelijkse overleg bestaat omdat afstemmen tijd kostte. De voorsortering bestaat omdat lezen tijd kostte. De wachtrij bestaat omdat beoordelen schaars was. Als die aanname vervalt, vervalt vaak de stap zelf, en soms een hele rij stappen erachter. Dat is het moment waarop mensen toepassingen beginnen te bedenken die in geen enkele demo voorkomen, omdat ze alleen bestaan in de context van dit ene proces.

Een eenvoudige checklist voor wie hiermee aan de slag wil:

De waardevolle gesprekken gaan zelden over techniek

Misschien is dit de observatie die ik het vaakst terugzie in mijn eigen werk. De gesprekken die ergens toe leiden gaan bijna nooit over modellen, tokens of tools. Ze gaan over hoe het werk echt loopt. Over de behandelaar die uitlegt waarom een dossier drie keer langs dezelfde afdeling gaat. Over de planner die precies weet welke informatie altijd te laat komt. De techniekvragen komen daarna vanzelf, en zijn dan ineens makkelijk te beantwoorden, omdat duidelijk is waarvoor het antwoord dient.

De organisaties die nu het meest uit AI halen zijn dan ook niet de organisaties met de meeste tools of het grootste budget. Het zijn de organisaties waar iemand rondloopt die het hele proces in zijn hoofd heeft en de vrijheid krijgt om het opnieuw te bedenken. Dat kan een procesmanager zijn, een ervaren medewerker, een nieuwsgierige bestuurder. De functietitel maakt niet uit. De blik wel.

De techniek kan meer dan de meeste organisaties weten te vragen. Dat is de situatie van dit moment, en die gaat voorlopig niet weg. Wie morgen iets wil veranderen, hoeft dus geen nieuwe tool aan te schaffen. Pak een proces, teken het uit, en stel bij elke stap die ene vraag. Het bedenken is het werk geworden. De rest is bouwen, en bouwen is het probleem niet meer. 

↘︎ ALLE ARTIKELEN