Bijna elk productiebedrijf experimenteert vandaag met AI. Medewerkers ontdekken zelf handige toepassingen, managementteams zetten het op de agenda en leveranciers beloven aanzienlijke productiviteitswinsten. Dat is op zich positief. Maar in veel organisaties worden nog altijd de verkeerde dingen gemeten.
- Hoeveel medewerkers gebruiken Copilot?
- Hoeveel prompts worden er per week geschreven?
- Hoeveel processen bevatten ondertussen een AI-component?
Dat zijn adoptiecijfers. Ze vertellen ons of mensen de tool openen. Ze vertellen ons niet of het bedrijf er daadwerkelijk beter van wordt.
De echte vraag is dus niet hoeveel AI er gebruikt wordt. De echte vraag is welke waarde AI oplevert.
Tijd winnen is nog geen winst maken
Stel dat een medewerker een taak die vroeger drie uur kostte, dankzij AI nu in één uur kan afronden. Dat klinkt indrukwekkend: twee uur gewonnen.
Maar daarmee is er nog geen euro verdiend. De cruciale vervolgvraag is: wat doen we met die twee uur?
- Bedienen we meer klanten?
- Kunnen we sneller leveren?
- Verbetert de kwaliteit?
- Verdwijnt er administratief werk?
- Kunnen we groeien zonder evenredig meer mensen aan te werven?
Hier begint de echte businesscase.
Om die vraag te beantwoorden, heeft u cijfers nodig waar verrassend weinig bedrijven effectief zicht op hebben. Hoe lang duurt een taak vandaag? Hoe vaak komt die taak voor? En welke impact heeft ze op de rest van het proces. Als u dat vertrekpunt niet helder in kaart brengt, is het moeilijk om achteraf te bepalen of AI werkelijk iets verbeterd heeft.
Waar het bij een klant écht fout liep
Om het even concreet te maken, haal ik een mooi voorbeeld aan van een dienstverlener in medische toestellen. Hier kwam de echte uitdaging bovendrijven. Elke dag kregen de medewerkers immers dezelfde vraag: welk onderdeel past op dit toestel en hebben we het op voorraad?
Het antwoord zat verspreid over drie verschillende plaatsen:
- De handleiding op SharePoint
- De voorraadgegevens in het ERP-systeem
- De compatibiliteitsinformatie van de leverancier
Het gevolg? Drie zoekacties, meerdere schermen en vaak nog een telefoontje naar die ene collega die alles uit het hoofd kent. Die collega werd soms tien keer per dag gestoord voor exact dezelfde vraag.
Dat is geen AI-probleem. Dat is een procesprobleem waar AI mogelijk een oplossing voor kan bieden. En precies daarin zit een belangrijk onderscheid. Succesvolle AI-projecten vertrekken niet vanuit technologie, maar vanuit frictie in het dagelijkse werk.
Begin bij het werk dat vandaag vastloopt
Wanneer we met medewerkers rond de tafel zitten, starten we niet met een demonstratie van een nieuwe tool. We brengen eerst in kaart waar mensen tijd verliezen door zoeken, wachten, navragen of dubbel werk. We noteren letterlijk welke vragen collega’s dagelijks aan elkaar stellen.
Vervolgens wordt elk idee concreet uitgewerkt:
- Welk probleem lossen we op?
- In welk proces zit dat probleem?
- Wie gebruikt de oplossing?
- Uit welke systemen moet de informatie komen?
- Hoe meten we achteraf of het gewerkt heeft?
Die laatste vraag blijkt vaak de moeilijkste én de belangrijkste.
Ze verplicht organisaties om vooraf te bepalen wat succes betekent. Niet “we hebben AI geïmplementeerd”, maar “we besparen X minuten per aanvraag”, “we verwerken Y% meer dossiers” of “we verminderen het aantal fouten met Z%”.
Bij de klant uit ons voorbeeld lag er na één workshop één duidelijke toepassing op tafel: een stappenplan voor de implementatie én een raming van de investering. De directie kon meteen beslissen: doen of niet doen.
Let op, ook “niet doen” kan een waardevolle uitkomst zijn. Die beslissing kost meestal veel minder dan zes maanden investeren in een oplossing die uiteindelijk geen echte meerwaarde creëert.
Waarom het eerst slechter kan gaan
Er leeft soms een hardnekkige verwachting dat nieuwe technologie automatisch leidt tot onmiddellijke productiviteitswinst. De realiteit is anders. Mensen moeten leren werken met nieuwe tools. Processen moeten aangepast worden. Taken verschuiven tussen afdelingen. Rollen veranderen.
Bovendien gebeurt vaak iets interessants: zodra één stap in een proces veel sneller wordt, verschuift de bottleneck naar een andere plek.
Offertes geraken bijvoorbeeld sneller afgewerkt, maar vervolgens loopt de planning vast. Klanten krijgen sneller antwoord, maar de uitvoering kan het tempo niet volgen.
Op korte termijn kan AI dus zelfs extra werk veroorzaken. Dat is geen teken dat de technologie faalt. Het betekent vooral dat u verder moet kijken dan individuele tijdswinst. De vraag is niet of de tool werkt. De vraag is of het volledige proces beter werkt. Want meer output is niet automatisch betere output. Als u dubbel zoveel produceert, maar achteraf meer fouten moet corrigeren, bent u niet vooruitgegaan.
AI beoordelen op drie niveaus
Daarom kijken we altijd naar drie niveaus tegelijk.
- Gebruiken mensen het effectief?
Zonder adoptie is er geen impact. Medewerkers moeten het hulpmiddel kennen, vertrouwen en integreren in hun dagelijkse werk.
- Wordt het proces beter?
Leidt AI tot een sneller, eenvoudiger of consistenter proces? Blijft de kwaliteit minstens gelijk of wordt ze zelfs beter?
- Ziet u het in de bedrijfsresultaten?
Levert het meer capaciteit op? Betere service? Hogere marges? Groeimogelijkheden zonder een evenredige stijging van de kosten? Pas wanneer die drie niveaus op elkaar aansluiten, ontstaat er duurzame waardecreatie.
Alleen naar gebruikscijfers kijken is te oppervlakkig. Maar vanaf dag één een onmiddellijke financiële return verwachten is evenmin realistisch. Organisaties hebben tijd nodig om kennis op te bouwen, processen aan te passen en nieuwe manieren van werken te ontwikkelen.
De echte uitdaging van de komende jaren
Ik geloof sterk in AI. Omdat technologie ons dwingt om opnieuw na te denken over hoe werk georganiseerd wordt.
De uitdaging van de komende jaren zal daarom niet zijn om zo veel mogelijk AI-oplossingen te implementeren. De uitdaging wordt om bewust te kiezen waar technologie mensen ondersteunt, waar processen anders moeten worden ingericht en waar daardoor meetbare waarde ontstaat.
De winnaar zal niet het bedrijf zijn dat het meeste AI gebruikt. Het wordt het bedrijf dat het best begrijpt wat het met AI wil verbeteren. En soms betekent dat ook dat u besluit om er vandaag nog niet aan te beginnen. Dat is geen gemiste kans. Dat is strategisch kiezen voor impact boven technologie.
Over de auteur
Karel Vandendriessche is CEO van Auxera en verbindt er technologie met business. Hij gelooft in groei door visie, eenvoud en focus. En in mensen die daarin de ruimte krijgen om te floreren.
Waar kan AI uw bedrijfsresultaten écht verbeteren?
In de workshop AI-verkenning zoeken we dat samen met uw medewerkers uit. We vertrekken vanuit uw eigen processen en werken de meest veelbelovende ideeën concreet uit. Zo krijgt u een onderbouwd beeld van waar AI waarde kan creëren, en waar vandaag nog niet.
