AI-strategie zonder bullshit: zo maak je een roadmap die echt resultaat oplevert

Bijna elke directeur of MT-lid die ik spreek heeft hetzelfde antwoord als ik vraag of ze al iets met AI doen: “Ja, we experimenteren met wat dingen.” Copilot is aangeschaft. Een paar medewerkers gebruiken ChatGPT. Iemand heeft vorig jaar een proof-of-concept gebouwd. Ergens is een chatbot.

En als ik doorvraag wat het heeft opgeleverd? Stilte. Of: “Dat is moeilijk te zeggen.”

Dat is geen falen van AI. Dat is een gebrek aan richting.

Organisaties die echt resultaat boeken met AI, doen dat niet door de meeste tools te kopen of de coolste pilotprojecten te draaien. Ze hebben een heldere keuze gemaakt: waarvoor zetten we AI in, hoe meten we of het werkt, en wie is er verantwoordelijk voor? Dat is een AI-roadmap. Geen dik rapport vol buzzwords, maar een praktisch stuurmiddel voor de komende 6 tot 18 maanden.

In dit artikel leg ik uit hoe je zo’n roadmap opbouwt, wat de veelgemaakte fouten zijn en hoe een concreet stappenplan eruitziet voor een MKB-organisatie van 20 tot 500 medewerkers.

Waarom losse AI-experimenten zelden werken

Stel je een productiebedrijf voor met 80 medewerkers. De IT-manager heeft Copilot ingericht. De salesmanager heeft een ChatGPT-abonnement voor zijn team. De HR-afdeling gebruikt een AI-tool voor vacatureteksten. En de directeur heeft gehoord dat AI ook helpt bij het samenvatten van rapporten, maar is er nog niet aan toegekomen.

Klinkt dit herkenbaar? Dan is er geen duidelijke AI-strategie.

Het probleem is niet dat de afzonderlijke tools slecht zijn. Het probleem is dat er geen samenhang is. Ieder team experimenterend op eigen houtje, zonder overkoepelende prioriteit. Als de IT-manager weggaat, is de kennis over Copilot weg. Als de salesmanager stopt, stopt ook het gebruik. Er is geen basis om verder op te bouwen, geen zicht op wat het oplevert en geen reden voor het management om meer te investeren.

Daar bovenop speelt shadow AI: medewerkers die op eigen initiatief AI-tools gebruiken met bedrijfsdata, klantgegevens of interne documenten, zonder dat er een beleid voor is. Dat is niet alleen onveilig, het ondermijnt ook elk AI-initiatief dat de organisatie officieel wil opzetten.

Wat ontbreekt is eigenaarschap, focus en een helder antwoord op de vraag: “Wat proberen we eigenlijk te bereiken?”

Wat een eerlijke AI-roadmap wel is

Een AI-roadmap is geen visiedocument. Het is ook geen lijst met tools die je gaat kopen. Het is een praktisch overzicht dat minimaal vijf vragen beantwoordt:

1. Waar liggen onze belangrijkste problemen en kansen?
2. Welke drie tot vijf AI-toepassingen pakken we als eerste op?
3. Welke randvoorwaarden moeten op orde zijn voordat we beginnen?
4. Hoe meten we of het werkt?
5. Wie is er eigenaar per toepassing?

Een eerlijke roadmap zegt ook wat je niet gaat doen. Dat is minstens zo belangrijk. Organisaties die alles tegelijk willen, bereiken niets. Bewust kiezen betekent ook bewust weglaten.

Een roadmap voor een MKB-bedrijf hoeft niet ingewikkeld te zijn. Twee A4’tjes met scherpe keuzes zijn meer waard dan een uitgebreid rapport dat na de presentatie in de la verdwijnt. Het gaat om de beweging die het oplevert, niet om de omvang van het document.

Stap voor stap: zo bouw je een AI-roadmap die echt werkt

Stap 1: Begin bij het werk, niet bij de tools

De meest gemaakte fout is dat organisaties een tool kiezen voordat ze weten welk probleem ze willen oplossen. Ze kopen Copilot omdat Microsoft het aanbiedt, of ze horen over een AI-tool op een beurs en willen het uitproberen.

Draai dat om. Ga in gesprek met de mensen die het dagelijks werk doen. Vraag: waar gaat nu veel tijd in zitten? Waar doe je herhaalwerk? Waar maak je fouten, of loop je steeds op dezelfde bottleneck?

Concrete voorbeelden:

• Offertes die elke keer opnieuw worden opgebouwd vanuit losse documenten.
• Inkooprapportages die handmatig worden samengesteld uit meerdere systemen.
• Klantvragen die altijd door dezelfde twee mensen worden beantwoord, terwijl de kennis eigenlijk in documenten staat.
• Vergaderingen waarbij niemand achteraf weet wat er is afgesproken.

Dit zijn potentiële AI-toepassingen. Niet op basis van wat AI kan, maar op basis van wat jouw organisatie nodig heeft.

Stap 2: Kies een klein aantal scherpe use-cases

Je hebt waarschijnlijk tien ideeën na de inventarisatie. Kies er drie. Maximaal vijf.

Een use-case formuleer je in gewone mensentaal, niet in technisch jargon. Niet: “we implementeren een NLP-gedreven documentmanagementsysteem.” Wel: “we willen dat sales niet meer twee uur kwijt is per offerte” of “we willen dat management elke maandag zonder handmatig werk een actueel overzicht heeft van de orderportefeuille.”

Een goede use-case heeft:

• Een concreet probleem als vertrekpunt.
• Een meetbaar gewenst resultaat.
• Een duidelijke groep medewerkers die ermee gaat werken.
• Een aanwijsbare eigenaar.

Als je de use-case niet in twee zinnen kunt beschrijven, is hij nog niet scherp genoeg.

Stap 3: Check data, security en governance voordat je begint

Dit is de stap die het vaakst wordt overgeslagen, en die het vaakst voor vertraging zorgt.

Voor elke use-case stel je dezelfde vragen:

• Welke data is nodig om dit te laten werken?
• Hoe betrouwbaar en actueel is die data?
• Waar staat die data nu, en wie heeft er toegang toe?
• Welke privacyeisen gelden er (AVG, sectorspecifieke regels)?

Als je bedrijfsdata gaat gebruiken met een AI-tool, moet je weten welke data naar welk systeem gaat en of dat acceptabel is. Gebruik je een publiek toegankelijke AI-dienst, dan gaat die data naar externe servers. Voor veel use-cases is dat ongewenst.

Een alternatief is werken met een eigen, afgeschermd AI-ecosysteem: een omgeving waarin AI-modellen direct gekoppeld zijn aan jouw interne systemen, zonder dat jouw data naar buiten gaat. Dit vergt meer technische inrichting, maar geeft je volledige controle over wat er met jouw data gebeurt. Met name voor organisaties die werken met klantdata, financiële informatie of bedrijfsgevoelige documenten is dit vaak de juiste keuze.

Stap 4: Kies pas dan de juiste tools

Na de vorige stappen weet je wat je wilt bereiken, welke data je nodig hebt en welke eisen er gelden. Nu pas kies je de tools.

Een voorbeeld: een zakelijke dienstverlener met 60 medewerkers had als use-case dat consultants minder tijd kwijt moeten zijn aan het doorzoeken van interne kennisdocumenten. De data staat in SharePoint: honderden rapporten, presentaties en procesbeschrijvingen. De consultants hadden uren nodig om de juiste informatie te vinden.

De oplossing was een AI-assistent die direct koppelt met hun SharePoint-omgeving. De consultants kunnen in gewone taal vragen stellen en krijgen antwoorden op basis van de daadwerkelijke interne documenten. Geen kopie van data naar externe systemen. Geen risico op lekken.

Een tool als Claude Cowork past goed in dit type scenario. Het is een AI-assistent die werkt op basis van jouw eigen bestanden en workflows: zoeken, samenvatten, conceptteksten schrijven, informatie uit meerdere documenten combineren. De kracht zit niet in de tool zelf, maar in de combinatie van de tool met jouw eigen data en processen.

Nog een ander scenario: een productiebedrijf dat klanten regelmatig terugkerende offertes stuurt. Salesmedewerkers besteden gemiddeld anderhalf uur per offerte aan het verzamelen van technische specs, prijzen en klantgegevens uit verschillende systemen. Een AI-assistent die toegang heeft tot die systemen, kan een concept-offerte genereren in enkele minuten. De salesperson beoordeelt en past aan. Tijdwinst: 60 tot 70 procent per offerte.

De tool volgt uit de use-case, niet andersom. Dat klinkt voor de hand liggend, maar het is in de praktijk zeldzaam.

Stap 5: Bouw klein, lever snel op en leer

Begin met één use-case. Liever een smallere toepassing goed implementeren dan vijf tegelijk half.

Plan een korte doorlooptijd: van ontwerp naar eerste gebruik in vier tot acht weken. Dat is lang genoeg om iets serieus te bouwen en kort genoeg om te voorkomen dat het project verzandt in eindeloos overleg.

Wat “klein beginnen” niet betekent: het slecht doen. Een eerste versie moet goed genoeg zijn om echte gebruikers mee te laten werken en echte conclusies te trekken. Een demo die niemand echt gebruikt, levert niets op.

Bouw in korte cycli. Test met echte gebruikers in jouw organisatie. Stel bij op basis van wat je leert. Dat is de methode die werkt, niet het watervalmodel waarbij je zes maanden werkt aan iets dat dan niet aansluit bij de praktijk.

Stap 6: Borg adoptie en eigenaarschap

Technologie die niemand gebruikt, heeft geen waarde. Dit is de stap die in bijna elk AI-project wordt onderschat.

Zorg per use-case voor:

• Een aanwijsbare eigenaar die verantwoordelijk is voor adoptie en resultaat.
• Training en begeleiding voor de mensen die ermee gaan werken. Niet alleen een handleiding, maar ook tijd om vragen te stellen en te oefenen.
• Een duidelijk moment waarop je evalueert: werkt het, voldoet het aan de verwachting, wat moet er beter?

Medewerkers hoeven niet enthousiast te zijn over AI. Ze moeten er wel mee kunnen werken en begrijpen waarom het hun werk makkelijker maakt. Dat bereik je met begeleiding, niet met een tool die je in hun schoot gooit.

Stap 7: Schaal wat werkt, stop wat niet werkt

Als een use-case aantoonbaar waarde oplevert, kijk dan hoe je die aanpak breder kunt uitrollen. Naar andere teams, andere processen of een volgende stap in hetzelfde proces.

Maak ook de bewuste keuze om te stoppen met wat niet werkt. Een pilot die na drie maanden nog geen concreet resultaat laat zien, is waarschijnlijk geen kwestie van meer tijd geven. Analyseer waarom het niet werkt. Is het de use-case, de data, de adoptie of de tool? Pas aan of stop.

Een eerlijke roadmap is geen statisch document. Het is een levend plan dat je elk kwartaal beoordeelt en waar nodig bijstelt.

Hoe dit eruitziet in de praktijk

Een logistiek MKB-bedrijf met 110 medewerkers had een stapel aan interne documenten: procedures, klantencontracten, tariefoverzichten en instructies voor chauffeurs. De documenten werden zelden gevonden, nooit bijgehouden en kwamen in de praktijk niet van de grond.

Na een inventarisatie kwamen drie concrete use-cases naar voren. De eerste: planners die dagelijks twintig minuten kwijt waren aan het opzoeken van specifieke klantafspraken verspreid over meerdere contracten. De tweede: nieuwe chauffeurs die instructies niet konden vinden, omdat die verspreid stonden over mail, mappen en WhatsApp-berichten. De derde: managers die elk kwartaal handmatig een prestatierapportage opstelden uit drie systemen.

We startten met de eerste use-case. Een AI-assistent, gekoppeld aan de bestaande documenten, gaf planners directe antwoorden op klantgerelateerde vragen. Geen zoekopdrachten meer, geen bellen met collega’s. Resultaat na zes weken: gemiddeld zeventien minuten tijdwinst per planner per dag en minder fouten door verouderde informatie.

Na evaluatie werd use-case twee opgepakt. Use-case drie werd uitgesteld omdat de data in de drie systemen onvoldoende betrouwbaar bleek. Die stap vereiste eerst opschoning van de bronsystemen.

Dat is hoe een roadmap werkt in de praktijk: niet alles tegelijk, leren van wat je doet en bijsturen op basis van feiten.

Veelgemaakte fouten (en hoe je ze voorkomt)

Te groot beginnen. “We willen onze hele organisatie met AI transformeren” is geen roadmap, dat is een wens. Kies drie concrete use-cases en begin daar.

Tool eerst, use-case later. Organisaties die een tool aanschaffen en daarna bedenken waarvoor ze hem gaan gebruiken, verspillen geld en energie. Draai het om.

Geen eigenaar. Als iedereen verantwoordelijk is, is niemand het. Elke use-case heeft één persoon nodig die er op aanspreekbaar is.

Alleen focussen op techniek. AI werkt niet als het proces niet werkt. Een geautomatiseerd slechte werkwijze is een snellere slechte werkwijze. Kijk eerst naar het proces, dan naar de technologie.

Data en security overslaan. Zonder helder beeld van je data en de bijbehorende risico’s, ga je onvermijdelijk een keer de mist in. Investeer hier tijd in aan het begin, niet na een incident.

Geen meetpunt. Als je niet van tevoren definieert hoe succes eruitziet, kun je achteraf ook geen conclusies trekken. Bepaal vooraf: wat is het resultaat dat we verwachten, en hoe meten we dat?

Van experiment naar volwassen AI-gebruik

AI werkt. Maar niet als een reeks losse experimenten zonder richting. De organisaties die er het meest van profiteren, zijn niet degenen met de meeste tools. Het zijn degenen met de helderste keuzes.

Een eerlijke AI-roadmap draait niet om de nieuwste technologie. Het draait om bewust kiezen waar AI in jouw organisatie verschil maakt, de randvoorwaarden op orde brengen, en klein beginnen met dingen die snel waarde opleveren.

De stap van “we doen wat met AI” naar “AI levert ons aantoonbaar resultaat” begint met het goede gesprek intern. Welke problemen willen we oplossen? Wie wordt er eigenaar van? Hoe meten we of het werkt?

Die vragen kun je vandaag al stellen.

Wil je sparren over hoe een eerlijke AI-roadmap eruitziet voor jouw organisatie? Plan dan een vrijblijvende call in of stuur een bericht. Dan denk ik met je mee.