De AI-adoptiekloof: waarom techniek sneller gaat dan je organisatie

Bijna elk mkb-bedrijf waar ik kom heeft inmiddels een paar AI-licenties. Iemand in de administratie gebruikt een chatassistent voor mails, de verkoper laat offertes samenvatten, de directeur heeft een abonnement waar niemand het over heeft. Dat is een prima begin. Het is ook het punt waarop een kloof ontstaat die je in het begin niet ziet.

Die kloof noemen we de AI-adoptiekloof: de afstand tussen wat AI mogelijk maakt en hoe snel een organisatie en haar mensen dat kunnen opnemen.

Twee lijnen

De grafiek hierboven heeft twee lijnen. De bovenste is wat de techniek kan. Die stijgt steil, en elke paar maanden komt er een model of functie bij die vorig jaar nog niet bestond. De onderste is wat jouw bedrijf er werkelijk mee doet. Die loopt rechter, omdat mensen leren in het tempo van mensen en processen veranderen in het tempo van processen.

Het vlak tussen de lijnen is de kloof. In het eerste jaar is hij klein. Je hebt een paar licenties, een paar enthousiaste collega's en niemand merkt dat je achterloopt op wat kan. In mijn ervaring is het beeld rond jaar drie tot vijf anders. Bedrijven die hun mensen en hun werkwijze hebben meegenomen, gebruiken AI dan voor dingen die ze eerder niet bedacht hadden. Bedrijven die het bij licenties hielden, doen nog steeds ongeveer hetzelfde als in het eerste jaar, terwijl de mogelijkheden ver zijn doorgegroeid. Het gebruik viel niet terug. Het potentieel liep weg.

Waar de kloof vandaan komt

Scott Brinker beschreef dit als de wet van Martec: technologie verandert exponentieel, organisaties veranderen veel langzamer, in een tempo dat steeds verder afvlakt. Je hoeft die wet niet als natuurwet te zien om te herkennen wat hij zegt. Software kun je in een middag uitrollen. Een gewoonte verander je niet in een middag.

In mijn gesprekken met ondernemers zie ik drie oorzaken steeds terugkomen.

Vaardigheid. Veel mensen gebruiken AI zonder te weten hoe ze de uitkomst beoordelen. Een taalmodel schrijft vloeiend, ook als het ernaast zit. Wie dat niet weet, controleert te weinig of juist alles, en in beide gevallen levert het gebruik niet op wat het kon opleveren. Dit is geen domheid. Niemand heeft het ze geleerd.

Data en processen. AI is zo goed als de informatie waar het bij kan. In een gemiddeld mkb-bedrijf staat die informatie verspreid: een deel in het boekhoudpakket, een deel in mailboxen, een deel in Excel-bestanden van een collega die er al tien jaar werkt. Voordat AI daar iets zinnigs mee kan, moet iemand de rommel op orde brengen. Dat werk is niet leuk en staat zelden op een planning.

Voorzichtigheid. De AVG, auteursrecht, de AI Act, afspraken met klanten over vertrouwelijke gegevens. Het is begrijpelijk dat een ondernemer of een jurist dan eerst op de rem trapt. Soms is dat verstandig. Als het een reden wordt om niets te doen, zit je na een jaar met medewerkers die op hun privételefoon toch een chatassistent gebruiken, zonder afspraken. Dat is het slechtste van twee werelden.

Daar komt de menselijke kant bij. Een deel van je team is bang dat AI hun werk overneemt. Die angst is niet gek. Als je er niets over zegt, vult iedereen het zelf in.

Wat je ervan merkt

De kloof laat zich niet aankondigen. Je merkt hem aan kleine dingen. Twee collega's gebruiken dezelfde tool op een totaal andere manier en niemand weet dat van elkaar. Een proef die goed ging, wordt nooit herhaald omdat de persoon die hem deed het druk kreeg. Een abonnement wordt stilletjes opgezegd omdat niemand kan aanwijzen wat het opleverde. Bij kosten is het hetzelfde verhaal: de licenties zijn zichtbaar, de tijd voor leren en inrichten nauwelijks, dus lijkt het rendement tegen te vallen.

Ik zeg niet dat AI per definitie veel tijd of geld bespaart. Dat hangt af van het werk, van de data en van wat je ermee doet. Wel zie ik dat bedrijven die iets zinnigs bereiken, meestal hetzelfde gedaan hebben: ze zijn klein begonnen, ze hebben gekeken wat het werk van mensen beter maakte en ze hebben die mensen betrokken.

Hoe je de kloof klein houdt

Maak experimenteren veilig. Zeg expliciet waar medewerkers mee mogen oefenen en waar niet. Zet een korte lijst op van wat nooit in een AI-tool hoort, zoals klantgegevens of personeelsdossiers. Binnen die grenzen mag iets mislukken. Een proef met een mislukking levert vaak meer op dan een proef die niemand durfde te starten.

Begin met één taak. Kies iets dat vaak terugkomt, dat niemand graag doet en waarvan je het resultaat zelf kunt beoordelen. Het sorteren van een gedeelde inbox, het uitwerken van notulen, een eerste concept van een offerte. Laat een mens altijd het laatste woord houden. AI stelt voor, jouw medewerker beslist en verstuurt.

Leer iedereen de basis, niet alleen IT. De mensen die AI dagelijks gebruiken zitten zelden op de IT-afdeling. Ze moeten weten wat een taalmodel is, wanneer het zich vergist, hoe je een antwoord controleert en wat je niet invoert. De AI Act (artikel 4) vraagt van organisaties die AI gebruiken dat ze maatregelen nemen die de AI-geletterdheid van hun medewerkers helpen ontwikkelen. Een bepaald niveau of certificaat hoeft niemand te garanderen. Ik zie dat vooral als een praktische aanleiding. Het is geen dreigement. Wat je doet hangt af van wie met welke AI werkt.

Praat over werk, niet over vervanging. Vertel je team wat je met AI wilt bereiken en wat er niet verandert. Als het doel is dat mensen minder tijd kwijt zijn aan sorteerwerk en meer aan het gesprek met de klant, zeg dat dan. Vraag welke taken zij het eerst zouden willen kwijtraken. Meestal weten ze dat beter dan jij.

Kijk na een paar maanden terug. Wat is blijven hangen, wat is gestopt en waarom? Pas aan en ga door. Dit werk is nooit af, het heeft alleen een ritme nodig.

Hoe wij het aanpakken

Bij Norwin AI beginnen we met een AI-kansenkaart: een overzicht van waar AI in jouw bedrijf iets kan betekenen, geordend naar wat haalbaar is en wat het werk van je mensen beter maakt. Daarna kies je zelf één of twee dingen om mee te starten, op kleine schaal. We nemen de mensen mee die het werk doen, en leren ze de basis van AI-geletterdheid, zodat ze weten wat ze doen.

Wil je zien waar jouw bedrijf kansen heeft, dan kun je een AI-kansenkaart laten maken. Als vertrekpunt om je AI ambities te vertalen naar eerste haalbare stappen.