Innovatie & AI
AI kan overal binnendringen. De echte beslissing is waar je haar macht geeft.
Naarmate toegang tot technologie gemeengoed wordt, verschuift het voordeel naar de kwaliteit van de beslissingen eromheen.
AI is gemakkelijk uit te proberen geworden. Kiezen wordt het echte vraagstuk.
Bedrijven hebben nog nooit zo eenvoudig toegang gehad tot mogelijkheden van artificiële intelligentie. Schrijven, analyseren, zoeken, voorspellen, classificeren, aanbevelen, dialogeren, een actie starten: de technische grens schuift snel op. Voor een bedrijfsleider verandert het probleem daardoor van aard. Het gaat niet langer alleen om AI invoeren. Het gaat erom te beslissen waar AI haar plaats verdient in de onderneming, wat we eraan willen toevertrouwen en hoe we bewijzen dat ze werkelijk waarde creëert.
van de EU-ondernemingen met 10 werknemers of meer gebruikte AI in 2025.
voor de Europese kmo’s die in de statistiek zijn opgenomen.
in België, een van de hoogste percentages in de Unie.
van de kmo’s die GenAI gebruiken, zetten het in voor hun kernactiviteiten.
Het tafereel is samengesteld. Het vertelt niet het verhaal van één specifieke onderneming, maar bundelt situaties die alledaags zijn geworden.
Een directievergadering. Enkele verantwoordelijken rond de tafel. In het midden een lijst met ideeën.
Een assistent die commerciële afspraken voorbereidt. Een AI die contracten kan lezen. Een agent voor klantvragen. Automatisering voor facturen. Een tool voor verkoopprognoses. Copilot voor de teams. Een systeem dat verspreide kennis in de onderneming kan terugvinden.
Aan ideeën ontbreekt het niemand.
Toch volstaat één vraag om de vergadering te veranderen.
Welk van deze ideeën verdient werkelijk ons geld, onze tijd en onze aandacht?
Dit is niet langer een discussie over wat technologie kan. Het is een discussie over de onderneming. En waarschijnlijk begint daar het moeilijke deel.
In 2025 gaf 20% van de Europese ondernemingen met tien werknemers of meer aan minstens één AI-technologie te gebruiken, tegenover 13,5% een jaar eerder. Bij kmo’s bedroeg het aandeel 19%, tegenover 55% bij grote ondernemingen. Met 35% behoorde België tot de Europese landen waar het gebruik het meest verbreid was. [1]
Een ander onderzoek, eind 2024 uitgevoerd door de OESO bij meer dan 5.000 kmo’s in Oostenrijk, Canada, Duitsland, Ierland, Japan, Korea en het Verenigd Koninkrijk, kwam voor generatieve AI alleen tot een nog hoger cijfer: bijna 31% van de bevraagde ondernemingen gaf aan ze te gebruiken. De twee statistieken meten noch exact dezelfde populatie, noch exact dezelfde technologieën en mogen dus niet worden vergeleken alsof ze van dezelfde thermometer afkomstig zijn. Maar ze beschrijven dezelfde beweging. Het gebruik verlaat de kring van pioniers. [2]
Het interessantste detail van het OESO-onderzoek ligt elders. Van de kmo’s die generatieve AI gebruikten, gaf minder dan drie op tien aan die in hun kernactiviteiten te gebruiken, dus in activiteiten die rechtstreeks hun belangrijkste goederen, diensten of inkomsten voortbrengen. Het gebruik bleef sterker geconcentreerd op perifere taken, vaak eenvoudig of occasioneel. [2]
Daar staan veel ondernemingen misschien vandaag. Ze ontdekken AI niet meer. Ze zoeken nog waar ze haar moeten inzetten.
En binnenkort zal zelfs die vraag niet meer volstaan.
Wanneer een technologie theoretisch bijna overal kan ingrijpen, komt het voordeel immers niet langer van het vermogen om een use case te vinden. Het komt van het vermogen om de slechte uit te sluiten.
Het AI-probleem in ondernemingen is misschien nu al niet langer een gebrek aan ideeën. Het is het ontbreken van voldoende solide criteria om ertussen te kiezen.
De eerste keuze is soms om géén AI te gebruiken.
Een AI-project kiezen betekent eerst kiezen tussen problemen, niet tussen modellen.
De verleiding is begrijpelijk. Er verschijnt een technologie. Ze is spectaculair. De instapkost is laag. Concurrenten praten erover. Medewerkers experimenteren al. Leveranciers voegen AI-functies toe aan bijna alle software.
De vraag komt vanzelf: Wat zouden we ermee kunnen doen?
Dat is misschien de verkeerde eerste vraag.
Een directie beschikt zelden over onbeperkte tijd, geld en verandervermogen. Een AI-project kiezen betekent bijna altijd iets anders níét doen.
Het vertrekpunt moet dus in de onderneming liggen, niet in de technologie.
Een te lange commerciële doorlooptijd. Informatie die moeilijk te vinden is. Administratieve fouten. Een overbelast team. Expertise die bij twee personen geconcentreerd zit. Niet meer dossiers kunnen behandelen zonder aan te werven. Een verslechterde klantervaring. Een beslissing die systematisch te laat komt.
Het probleem komt vóór de tool.
Die nuance lijkt banaal, tot blijkt dat de intelligentste oplossing soms helemaal geen artificiële intelligentie bevat.
Een goedkeuring schrappen kan doeltreffender zijn dan ze automatiseren. Twee softwaresystemen koppelen kan robuuster zijn dan een agent heen en weer laten pendelen. Een formulier aanpassen kan honderden correcties voorkomen. Een klassieke bedrijfsregel kan goedkoper, voorspelbaarder en eenvoudiger te auditen zijn dan een generatief model.
Innovatie bestaat er niet in zoveel mogelijk beschikbare technologie te gebruiken. Ze bestaat erin een betere manier te vinden om een resultaat te produceren dat ertoe doet.
AI ontsnapt niet aan die regel.
Controleer vóór je een stap automatiseert of die nog wel moet bestaan.
Een klassieke integratie kan robuuster en voorspelbaarder zijn.
AI is geen vervanging voor een bedrijfsregel of een goed ontworpen formulier.
Een goed probleem volstaat niet.
Het officiële proces en het werkelijke proces zijn niet altijd hetzelfde.
Laten we nu aannemen dat het probleem echt is.
Een kmo wil de tijd verkorten die nodig is om commerciële offertes op te stellen.
Op papier lijkt AI voor de hand te liggen. Ze zou de aanvraag kunnen lezen, relevante informatie terugvinden, een antwoord voorbereiden en een offerte voorstellen.
Daarna kijken we naar het werk zoals het werkelijk gebeurt.
Sommige aanvragen komen via een formulier, andere per e-mail. Trouwe klanten bellen rechtstreeks naar de verkoper. Tarieven staan in de ERP, behalve bepaalde onderhandelde voorwaarden. Kortingen volgen een rooster, behalve voor enkele strategische accounts. Een capaciteitscontrole is voorzien, maar wordt omzeild wanneer een dossier dringend is. Sommige essentiële informatie zit nog altijd in het hoofd van ervaren mensen.
Het officiële proces bestaat. Het werkelijke proces ook. Ze zijn niet altijd hetzelfde.
AI koppelen aan een vaag proces kan er gewoon voor zorgen dat de vaagheid sneller circuleert.
Het zou echter fout zijn daaruit te besluiten dat een proces perfect gestandaardiseerd moet zijn vóór AI kan worden gebruikt.
Dat zou net een deel negeren van wat deze technologieën interessant maakt.
Huidige modellen kunnen werken met natuurlijke taal, onvolmaakte documenten en minder gestructureerde situaties dan oudere automatiseringen. Daardoor kunnen ze soms variabiliteit verwerken die automatisering vroeger te complex zou hebben gemaakt.
Het echte onderwerp ligt elders.
De onderneming moet weten hoeveel ambiguïteit ze aan de machine wil overlaten.
Een aanvraag lezen is één ding. Detecteren dat informatie ontbreekt is iets anders. Een prijs voorstellen is weer iets anders. Een korting toekennen, capaciteit vastleggen of zonder menselijke validatie een ongebruikelijke offerte versturen verandert de aard van het systeem volledig.
Op dat moment spreken we niet meer alleen over automatisering. We spreken over macht.
Vanaf een bepaald niveau spreken we niet meer alleen over automatisering. We spreken over macht.
Niet elke AI heeft hetzelfde recht om te handelen.
De vraag is niet alleen wat het systeem kan, maar ook wat de organisatie eraan wil delegeren.
Het gesprek wordt veel duidelijker zodra projecten niet meer per technologie maar per autonomieniveau worden ingedeeld.
Een AI kan observeren. Ze leest, classificeert, zoekt, extraheert of detecteert.
Ze kan ondersteunen. Ze vat samen, bereidt voor, vertaalt, herformuleert of maakt een eerste versie.
Ze kan aanbevelen. De mens blijft beslisser maar krijgt een voorstel.
Ze kan ook handelen. Een applicatie bijwerken, een bericht versturen, een bestelling aanmaken, een sequentie starten.
Tot slot proberen zogenaamde agentische systemen een doel na te streven door meerdere acties met meer autonomie na elkaar uit te voeren.
De grens tussen die niveaus is allesbehalve academisch.
Een fout in de samenvatting van een interne vergadering weegt niet even zwaar als een foutieve prijs die naar een klant wordt gestuurd. Een slechte formulering heeft niet dezelfde gevolgen als een beslissing die een aanwerving, betaling of contractuele verplichting beïnvloedt.
De technische vooruitgang gaat snel, maar autonomie betekent nog altijd geen absolute betrouwbaarheid. De Stanford AI Index 2026 toont grote vooruitgang op verschillende benchmarks en stelt tegelijk vast dat agentische systemen op gestructureerde taken onvolmaakt blijven. In de bevraagde organisaties bedroeg de algemene AI-adoptie in 2025 88%, terwijl de inzet van agents in bijna alle onderzochte functies nog in de lage enkelcijferige percentages bleef. [3]
Die kloof vertelt iets belangrijks.
Ondernemingen staan veel verder in het gebruik van AI dan in het delegeren van handelen aan AI.
En waarschijnlijk hebben ze gelijk om beide te onderscheiden.
De vraag is dus niet alleen of de technologie een taak kan uitvoeren. Het gaat erom te beslissen welk niveau van fout, autonomie en gevolg de organisatie bereid is te aanvaarden.
Lezen, zoeken, extraheren, detecteren.
Samenvatten, voorbereiden, herformuleren.
Voorstellen, de mens beslist.
Schrijven, versturen, creëren, activeren.
Acties na elkaar uitvoeren richting een doel.
Het beste model is niet noodzakelijk de beste beslissing.
Een benchmark kiest een model. Strategie kiest een capaciteit.
Probleem, volume, data, aanvaardbaar foutniveau.
Ingebouwde functie, model, API, RAG, bedrijfsoplossing, agent.
Integratie, kosten, controle, omkeerbaarheid, verantwoordelijkheid.
Een capaciteit kiezen
Zodra het probleem gekozen en het autonomieniveau bepaald is, komt de markt in beeld.
ChatGPT, Copilot, Gemini, Claude, AI-functies in CRM of ERP, gespecialiseerde bedrijfsoplossingen, API’s, interne zoekmachines voor documenten, automatiseringsplatformen, open modellen, agents.
De keuze is duizelingwekkend.
Dat duwt ondernemingen vanzelf naar modelvergelijkingen. Welk model is het krachtigst? Welke benchmark zet het ene voor het andere? Wie bracht de nieuwste functie uit?
Die vragen hebben nut. Toch beschrijven ze slechts een fractie van de beslissing.
Voor een onderneming kan een iets minder performant model dat al geïntegreerd is in haar omgeving, correct wordt bestuurd en voldoende betrouwbaar is veel nuttiger zijn dan een benchmarkkampioen die losstaat van de rest van het systeem.
Wat de onderneming werkelijk kiest, is dus niet alleen artificiële intelligentie. Ze kiest een gebruiksarchitectuur.
Hoe komt de data binnen? Wat mag het systeem raadplegen? Wat bewaart de leverancier? Met welke software moet het communiceren? Hoe wordt een antwoord gecontroleerd? Wat gebeurt er wanneer het onzeker is? Hoeveel kost het systeem wanneer het de pilotfase verlaat en duizenden operaties verwerkt? En vooral: kunnen we van tool veranderen zonder onze volledige manier van werken opnieuw op te bouwen?
Het onderwerp is niet het logo bovenaan het scherm. Het onderwerp is de afhankelijkheid die errond wordt opgebouwd.
Het gebruik besturen
Terwijl de directie haar beleid voorbereidt, experimenteren de teams al.
AI-governance heeft een bijzonder kenmerk: in veel ondernemingen begint ze nadat het gebruik al gestart is.
Een medewerker vat een contract samen in een chatbot. Een andere bereidt een antwoord voor een klant voor. Iemand van HR herwerkt een vacature. Een verkoper analyseert een voorstel. Een manager vat vertrouwelijke notities samen.
Niemand heeft noodzakelijk gewacht tot een directiecomité een officieel beleid goedkeurde.
Precies daarom kan governance niet beperkt blijven tot verbieden.
Een te strikte regel duwt gebruik in de schaduw. Het ontbreken van regels laat elke medewerker alleen beslissen over vragen rond data, vertrouwelijkheid, kwaliteit of verantwoordelijkheid die hij of zij niet noodzakelijk hoeft te beheersen.
Het Europese regelgevingskader maakt de kwestie nu concreter. Bepalingen van de AI Act over onder meer definities, bepaalde verboden en AI-geletterdheid zijn van toepassing sinds 2 februari 2025. Sinds 2 augustus 2026 zijn de transparantieregels van artikel 50 en verschillende andere bepalingen van toepassing geworden, en voor de betrokken regels is de handhaving gestart. Bepaalde verplichtingen voor hoogrisicosystemen volgen later volgens de voorziene kalender. [5]
Voor een kmo zou dit meteen omvormen tot een juridisch traktaat echter de essentie missen.
De eerste governance is praktisch.
Teams moeten weten welke tools ze mogen gebruiken, welke informatie er niet in mag worden ingevoerd, in welke situaties een output verplicht gecontroleerd moet worden en wie verantwoordelijk blijft voor de beslissing.
Ze moeten ook een probleem kunnen melden. En de onderneming moet weten hoe ze kan stoppen wat ze in productie heeft gebracht.
Het vrijwillige NIST-kader formaliseert die logica rond vier functies: Govern, Map, Measure en Manage. Het benadrukt onder meer het testen van systemen vóór implementatie, monitoring tijdens gebruik, herstelmogelijkheden en mechanismen om systemen te stoppen of terug te trekken.
Achter de terminologie zit een eenvoudig idee.
Een uitgerolde AI is nooit een afgewerkt project. [6]
Het is een systeem dat blijvend geobserveerd moet worden.
Verantwoordelijkheden, regels, vaardigheden en beleid.
Gebruik, context, mensen, data en gevolgen.
Tests, kwaliteit, fouten, risico’s, prestaties.
Monitoring, correctie, herstel, stopzetting of terugtrekking.
Innovatie begint waar zekerheid stopt.
Het recht om te experimenteren heeft geen waarde zonder het recht om te stoppen.
Er blijft dan één probleem dat procedures niet kunnen oplossen.
Niemand weet vooraf met zekerheid welke AI-toepassingen de meeste waarde zullen creëren.
Precies daarom moet je experimenteren.
Maar een experiment is geen kleine implementatie. Het is een georganiseerde manier om onzekerheid te verminderen.
Stel dat een commercieel team veel tijd besteedt aan het voorbereiden van afspraken.
De verleiding bestaat erin een AI-assistent te installeren, enkele verkopers te laten testen en vervolgens te vragen of ze tevreden zijn.
Het experiment klinkt aantrekkelijk. Het leert weinig.
Een echte hypothese zou veeleisender zijn: Wij denken dat een assistent die automatisch klantcontext kan voorbereiden de voorbereidingstijd kan verkorten zonder de kwaliteit van afspraken te verminderen.
Vanaf daar verandert de aard van de test.
Je moet de situatie vóór de tool kennen. Een voldoende kleine scope kiezen. Observerenen wat er gebeurt. Vergelijken. De fouten begrijpen. Kijken naar wat gebruikers werkelijk doen, niet alleen naar wat ze zeggen dat ze doen.
En dan beslissen.
Doorgaan. Aanpassen. Uitbreiden. Of stoppen.
Die laatste mogelijkheid is essentieel.
Anders bezit de onderneming geen portefeuille van experimenten. Ze bouwt geleidelijk een portefeuille van kosten op.
Een mature directie tegenover AI doet niet alsof ze de toekomst kent. Ze kan zeggen: we weten nog niet of dit goed genoeg zal werken, maar we weten wat we willen leren, hoeveel we bereid zijn te investeren om dat te leren en welk bewijs ons zal doen doorgaan of stoppen.
Dat is vandaag misschien de nuttigste vorm van innovatiegovernance.
Noch absolute controle. Noch fascinatie. Een discipline van onzekerheid.
Startsituatie en hypothese.
Beheerste scope, duur en blootstelling.
Werkelijk gebruik, fouten, geobserveerde effecten.
Uitbreiden, aanpassen of stoppen.
Tijd winnen is nog geen geld verdienen.
meer opgeloste problemen per uur, gemiddeld, in de NBER-studie.
bij beginnende of minder goed presterende agents.
van de kmo’s die GenAI gebruiken melden betere prestaties.
melden geld te hebben bespaard.
Productiviteitswinst door AI is niet theoretisch.
In een studie bij 5.179 medewerkers van een klantendienst stelden Erik Brynjolfsson, Danielle Li en Lindsey Raymond na de invoering van een generatieve AI-assistent gemiddeld een stijging van 14% vast in het aantal opgeloste problemen per uur. Bij beginnende of minder goed presterende medewerkers bedroeg het effect 34%, terwijl het klein was bij de meest ervaren medewerkers. [4]
Dat is een indrukwekkend resultaat.
Het is ook een uitstekend voorbeeld van hoe je studies níét moet lezen.
Het betekent niet dat ‘AI de productiviteit met 14% verhoogt’.
Het betekent dat een specifieke tool, toegepast op een specifieke activiteit, in een specifieke omgeving en volgens een specifieke maatstaf, dit resultaat opleverde.
De context maakt deel uit van het resultaat.
Ook de door de OESO bevraagde kmo’s melden voordelen. Van de gebruikers van generatieve AI zegt 65% dat die de prestaties van medewerkers verbeterde, 45% dat ze geld konden besparen, ongeveer 35% dat ze nieuwe taken konden uitvoeren of nieuwe producten of diensten konden aanbieden, en 26% dat ze hielp de omzet te verhogen. De OESO preciseert echter dat haar onderzoek de omvang van deze effecten niet meet.
Die nuance is bijzonder belangrijk. [2]
‘AI bespaart ons tijd’ is nog geen businesscase.
Stel dat een verkoper vijf uur per week bespaart. Wat gebeurt er met die tijd?
Als hij of zij die capaciteit gebruikt om meer prospects te ontmoeten, betere voorstellen voor te bereiden of sneller te antwoorden, kan de onderneming de winst omzetten in waarde.
Als de persoon gewoon met iets minder druk werkt, bestaat het effect ook. Dat kan menselijk wenselijk en operationeel nuttig zijn. Maar het is niet hetzelfde economische resultaat.
Daarom zegt het aantal geactiveerde licenties, verstuurde prompts of zelfs theoretisch bespaarde uren weinig over het succes van een AI-strategie.
De interessante maatstaf ligt verderop.
Doorlooptijd. Marge. Conversie. Kwaliteit. Capaciteit. Fout. Servicekost. Klanttevredenheid. Omzet. Cash. Of eenvoudigweg een activiteit die vroeger onmogelijk was met de beschikbare middelen.
De indicator hangt af van het oorspronkelijke probleem. Hij moet dus bestaan vóór de onderneming verliefd wordt op de oplossing.
Vrijgemaakte capaciteit heeft alleen economische waarde als de onderneming weet wat ze ermee wil doen.
Menselijk werk verdwijnt niet. De waarde ervan verschuift.
Wanneer een deel van de uitvoering wordt overgenomen, waar willen we dan oordeel, relatie en expertise naartoe verschuiven?
Het gesprek over AI keert vaak terug naar een spectaculaire vraag: Welke beroepen zullen verdwijnen?
Voor een kmo-leider ligt de nuttige vraag vaak veel dichterbij.
Wat zal ik voortaan van deze persoon verwachten?
Als AI een eerste analyse maakt, verschuift meer waarde naar het vermogen om die te begrijpen en in vraag te stellen.
Als ze de commerciële afspraak voorbereidt, kan de mens meer tijd besteden aan het begrijpen van de klant, onderhandelen of de relatie opbouwen.
Als ze een eerste versie van een document opstelt, ligt de vaardigheid niet langer alleen in kunnen schrijven, maar in het oordeel waarmee je detecteert wat fout, onvolledig of gevaarlijk is. [4]
De studie van Brynjolfsson, Li en Raymond suggereert ook dat assistentie een deel van de praktijken van de best presterende medewerkers kan verspreiden naar minder ervaren medewerkers, waardoor zelfs leermechanismen kunnen veranderen. [2]
De OESO observeert dezelfde paradox vanuit een andere hoek. Van de kmo-gebruikers die met een tekort aan vaardigheden te maken hadden, vindt 39% dat generatieve AI hielp dit te compenseren. Tegelijk concludeert het onderzoek dat meer kmo’s een stijging dan een daling melden in hun behoefte aan hooggekwalificeerde werknemers.
AI vermindert de behoefte aan expertise dus niet noodzakelijk.
Ze kan verschuiven waar expertise waardevol wordt.
Die verschuiving moet worden gestuurd.
Automatisering verandert immers niet alleen een proces. Soms verandert ze een beroep. En wanneer een beroep verandert, belandt de vraag uiteindelijk bij het management.
van de kmo-gebruikers die met een tekort aan vaardigheden te maken hadden, zegt dat GenAI hielp dit te compenseren.
Zes dimensies om terug te keren naar een beslissing van de bedrijfsleiding.
Een onderneming heeft geen comitérapport van vijftig pagina’s nodig om een eerste idee kritisch te bekijken. Ze kan beginnen met zes dimensies.
Waarde
Welk bedrijfsprobleem willen we werkelijk verminderen, of welke kans willen we creëren?
Werk
Welk deel van het werk willen we veranderen en begrijpen we voldoende wat daar vandaag gebeurt?
Technologie
Waarom is hier AI nodig, en waarom deze oplossing in plaats van een eenvoudigere aanpak?
Autonomie
Observeert, ondersteunt, adviseert of handelt het systeem? Waar neemt de mens opnieuw de controle?
Governance
Welke data gebruikt het? Wie is verantwoordelijk voor het resultaat? Hoe wordt het systeem getest, gemonitord, gecorrigeerd en eventueel stopgezet?
Impact
Welk bewijs bepaalt de volgende stap: doorgaan, uitbreiden, aanpassen of stoppen?
Deze matrix is geen op zichzelf staande wetenschappelijke standaard. Ze vertaalt principes rond waardecreatie, transformatie van werk, experimenteren en risicobeheer die onder meer terugkomen in het werk van de OESO en in het AI Risk Management Framework van NIST naar een operationeel kader voor kmo’s.
De test die vaak meer onthult dan het antwoord
Neem één AI-project dat momenteel in de onderneming wordt overwogen. Vraag de betrokken personen afzonderlijk op deze zes dimensies te antwoorden. Vergelijk daarna.
Als drie bedrijfsleiders drie verschillende problemen aanwijzen, is technologie waarschijnlijk nog niet het onderwerp.
Als iedereen het product kent maar niemand kan uitleggen waarom AI nodig is, is de oplossing te vroeg gekozen.
Als de voordelen duidelijk zijn maar niemand weet hoe ver het systeem mag handelen, ligt de uitdaging bij autonomie.
Als het experiment geen stopvoorwaarde heeft, is het misschien al geen experiment meer.
En als alle zes antwoorden identiek zijn?
Dan is succes niet gegarandeerd. Maar de organisatie weet tenminste wat ze probeert te bewijzen.
Het volgende voordeel zal niet zijn dat je toegang hebt tot AI.
De technologie zal blijven vooruitgaan. Nieuwe functies zullen in dagelijkse software terechtkomen. Activiteiten die vandaag experimenteel zijn, zullen alledaags worden. Sommige huidige beloften zullen waarschijnlijk even snel verdwijnen als ze verschenen.
In die omgeving zal kunnen zeggen ‘wij gebruiken AI’ binnenkort even weinig strategische waarde hebben als kunnen zeggen ‘wij gebruiken internet’.
Toegang wordt gemeengoed. Oordeel kun je niet downloaden.
Je moet nog altijd weten welk probleem het verdient te worden aangepakt. Het werk voldoende begrijpen om te beslissen wat kan worden gedelegeerd. Technologie kiezen zonder onnodige afhankelijkheid te creëren. Autonomie geven in verhouding tot de gevolgen van een fout. Teams laten experimenteren zonder verantwoordelijkheid los te laten. Waarde meten in plaats van activiteit. Durven stoppen met wat niet werkt. En menselijk werk hertekenen wanneer de machine een deel van de uitvoering overneemt.
De strategische vraag is dus misschien niet: ‘Wat is onze AI-strategie?’
Ze kan veel concreter beginnen.
Welke beslissing zijn we bereid deze technologie in onze plaats te laten nemen, en waarom precies die?
[1] Eurostat, Digitalisation in Europe - 2026 edition, ‘AI in business’. 20% EU, 19% kmo’s, 55% grote ondernemingen, 35% België in 2025. ec.europa.eu/eurostat
[4] NBER, Brynjolfsson, Li & Raymond, Generative AI at Work, Working Paper 31161. 5.179 agents, gemiddeld +14%, +34% bij beginnende en minder goed presterende agents. nber.org
[2] OESO, Generative AI and the SME Workforce: New Survey Evidence, 2025. Representatieve enquête bij meer dan 5.000 kmo’s in 7 landen. oecd.org
[5] Europese Commissie, Timeline for the Implementation of the EU AI Act, geconsolideerde versie 2026. AI Act Service Desk
[3] Stanford HAI, AI Index Report 2026, Economy en Technical Performance. Organisatorische adoptie en prestaties van agents. hai.stanford.edu
[6] NIST, Artificial Intelligence Risk Management Framework, functies Govern, Map, Measure en Manage. airc.nist.gov
Welk AI-gebruik overweegt uw onderneming vandaag zonder nog duidelijk te kunnen zeggen welk probleem het oplost, welke macht u eraan wilt geven en welk bewijs een uitrol op grotere schaal zou rechtvaardigen?
lucid.dtsc.be · lucid@dtsc.be
Geschreven en gecreëerd door Junior Cantos voor LUCID by DTSC
LUCID · Kmo-management by DT Services & Consulting
11
Het eerste gesprek van 30 minuten is gratis. Daar wordt het gekaderd, zonder verbintenis.
Alle edities
