10 tehokkainta tapaa hyödyntää tekoälyä

1. Inleiding: AI levert waarde door herhaling, niet door experimenteren

AI wordt vaak voorgesteld als een grote sprong naar de toekomst. In werkelijkheid zit de grootste winst in iets alledaags: AI koppelen aan terugkerende processen die tijd kosten, werk laten opstapelen en energie vragen voor taken waarvan een machine de eerste 70 procent kan uitvoeren.

De waarde van AI ontstaat dus niet doordat iemand één keer ChatGPT probeert en onder de indruk is. Waarde ontstaat wanneer AI onderdeel van de werkprocessen wordt.

McKinsey meldt in het onderzoek State of AI uit 2025 dat organisaties nog altijd moeite hebben om van pilots naar impact op schaal te komen. Het realiseren van AI-waarde hangt vooral samen met het opnieuw inrichten van werkprocessen, naast de invoering van tools.^[1]

AI is geen toverstaf. Het is een hefboom. Maar die werkt alleen op het juiste aangrijpingspunt.

2. Denken in rendement: waarom levert niet elke AI-toepassing evenveel op?

Bedrijven moeten minder over het wonder van AI praten en meer over de opbrengst. ROI, return on investment, is het rendement op een investering. Bij een AI-project is de vraag: Wat levert het op in verhouding tot de invoeringskosten?

De opbrengst kan op vier manieren zichtbaar worden:

in bespaarde werktijd
in minder fouten
in meer omzet
in betere beslissingen

Niet alle voordelen zijn even eenvoudig te meten. Bij financiële automatisering wordt een besparing vaak snel zichtbaar: minder handmatige factuurverwerking, minder fouten en een snellere afhandeling. Bij verkoop kan het potentieel veel groter zijn, maar ook onzekerder. Agentsystemen beloven veel, terwijl ook het risico toeneemt.

Gartner voorspelde in 2025 dat meer dan 40 procent van de agentische AI-projecten tegen eind 2027 wordt stopgezet, onder meer door kosten, onduidelijke bedrijfswaarde en ‘agent washing’. Gartner verwacht ook dat in 2028 15 procent van de dagelijkse bedrijfsbeslissingen autonoom met agentische AI wordt genomen.^[2]

Dat betekent: hoe groter de belofte, hoe meer er van het management wordt gevraagd.

3. Vier niveaus: zekere besparingen, groei, systeemintelligentie en beter inzicht

Je kunt het gebruik van AI in vier niveaus verdelen.

Niveau 1: Zekere besparingen en snelle terugverdientijd. AI verwerkt de grote aantallen en een medewerker controleert de uitzonderingen. Dit is meestal het beste beginpunt.

Niveau 2: Groeikansen en inkomstenstromen. AI helpt meer te verkopen, betere service te bieden en communicatie op te schalen. Het potentieel is groot, maar de rol van mensen wordt belangrijker.

Niveau 3: Systeemintelligentie en multi-agentsystemen. AI verschuift van de gebruikersinterface naar de achterliggende systemen. Dat kan veel opleveren, maar vraagt om een doordacht ontwerp van processen, data en toezicht.

Niveau 4: Meer inzicht, grotere slagkracht. AI verbetert het leren, analyseren en beslissen in de hele organisatie. Dat is niet altijd meteen in één cijfer terug te zien, maar kan de hele organisatie op een hoger niveau brengen.

Niveau 1 — Zekere besparingen en snelle terugverdientijd

1. Financiële administratie en geautomatiseerde boekhouding

Financiële administratie is een van de beste beginpunten voor AI: de processen herhalen zich, de data zijn gestructureerd of deels gestructureerd en fouten hebben duidelijk meetbare kosten.

AI kan bonnetjes en inkoopfacturen lezen en de leverancier, het bedrag, het btw-tarief, de datum en de kostensoort herkennen. Op basis van eerdere data kan het een boeking voorstellen en afwijkingen signaleren: een vreemd bedrag, een verkeerd btw-tarief, een ongebruikelijke leverancier of een ontbrekende goedkeuring.

Volgens het rapport Accounts Payable Automation Trends uit 2025 gebruikte 29 procent van de respondenten AI bij inkoopfacturen, tegenover 7 procent een jaar eerder. Nog eens 51 procent overwoog AI binnen twaalf maanden in te voeren.^[3]

Waar ontstaat het rendement? Minder handmatige verwerkingstijd, minder fouten en correcties, snellere rapportage en beter zicht op de kaspositie.

Wat moeten mensen nog steeds doen? De rol van mensen verdwijnt niet, maar verschuift van routine naar interpretatie: fiscale grensgevallen, nieuwe leveranciers, onduidelijke kosten, afwijkende inkopen en de werking van interne controles.

Goede AI voor de financiële administratie is geen zelfstandige boekhouder. Het is een onvermoeibare assistent die nooit genoeg krijgt van stapels bonnetjes.

2. Grote aantallen klantvragen verwerken

Klantenservice is een klassieke toepassing met meetbaar AI-rendement. Hoe meer berichten, hoe duidelijker de winst. AI kan binnenkomende berichten indelen, spoedgevallen herkennen, lange gesprekken samenvatten, antwoorden voorstellen, routinevragen zelfstandig beantwoorden, gesprekssamenvattingen aan het CRM toevoegen en gevoelige gevallen aan een medewerker overdragen.

Het sleutelwoord is doorsturen. Je moet niet alles automatiseren. Irritatie bij een klant, een klacht, een contractgeschil of een grote klantrelatie kan om menselijk contact vragen.

Verschillende benchmarks en sectorrapporten benadrukken dat AI vooral resultaat oplevert als de kennisbasis op orde is, de overdracht tussen mens en machine werkt en de meetcriteria de kwaliteit van de oplossing volgen, naast de reactiesnelheid. Rapporten over het beoordelen van AI-agenten in klantenservice waarschuwen dat het meten van de verkeerde dingen op het verkeerde moment pilots kan laten vastlopen en potentieel onbenut laat.^[4]

Waar ontstaat het rendement? Lagere kosten per ticket, snellere reacties, productievere medewerkers en een constantere servicekwaliteit.

Het grootste risico is verkeerd ingezette automatisering. Als AI een onjuist, te stellig of kil antwoord geeft, denkt de klant niet ‘de AI faalt’. Die denkt: het bedrijf geeft niet om mij.

Begin zo: een interne antwoordassistent, goedkeuring van antwoorden door medewerkers, een afgebakende reeks routinevragen, duidelijke overdracht aan een medewerker en doorlopende kwaliteitsbewaking.

3. Inkoop en contractbeheer — onbenut potentieel

Inkoop is bij veel bedrijven een onderschatte goudmijn voor AI. Waarom? Omdat je er zowel werktijd als geld mee kunt besparen.

AI kan contracten, leveranciersvoorwaarden, prijsmodellen en inkoophistorie doorlichten. Het kan afwijkende betalingsvoorwaarden, automatische prijsverhogingen, opzegtermijnen, aansprakelijkheidsbepalingen, dubbele leveranciers, versnipperde inkoop, verlengingsdata, riskante voorwaarden en aanbestedingskansen automatisch signaleren.

In rapporten over inkoop uit 2025 ligt de nadruk bij AI vooral op uitgavenanalyse en contractbeheer. Procurement Magazine meldt onder verwijzing naar het ProcureCon CPO-rapport uit 2025 dat 90 procent van de inkoopdirecteuren AI-agenten onderzoekt of invoert om inkoopprocessen efficiënter te maken.^[5]

AI wordt niet moe van contracten van 80 pagina’s. Het kan afwijkingen signaleren die in de drukte aan mensen voorbijgaan.

Waar ontstaat het rendement? Betere prijzen, minder contractrisico’s, een overzichtelijker leveranciersbestand, betere betalingsvoorwaarden, snellere aanbestedingen en grip op verlengingen.

Bij inkoop valt de waarde van AI vaak minder op dan bij marketing. Op de resultatenrekening kan de winst echter veel duidelijker zichtbaar zijn.

Niveau 2 — Groeikansen en inkomstenstromen

4. Bestaande klantrelaties verder uitbouwen

Nieuwe klanten werven is duur. Bestaande klanten behouden en de relatie uitbouwen is vaak rendabeler.

AI kan signalen in klantdata herkennen die een verkoper of klantteam niet op tijd opmerkt. Het kan gebruiksdata, ondersteuningsvragen, factuurhistorie, NPS-feedback, gespreksnotities, verlengingsdata van contracten, functiegebruik, veranderingen bij de klant en afwijkend koopgedrag analyseren.

Dat kan twee waardevolle signalen opleveren: een risico op klantverloop en een kans op aanvullende verkoop.

AI kan bijvoorbeeld signaleren dat een klant het product slechts in één team actief gebruikt, terwijl het voor vijf teams geschikt zou zijn. Of dat het gebruik afneemt, het aantal ondersteuningsvragen stijgt en de beslisser is vervangen. De verkoper hoeft niet te gissen wie hij moet benaderen: AI kan prioriteiten voorstellen.

Waar ontstaat het rendement? Minder klantverloop, meer aanvullende verkoop, betere prioritering van klantrelaties, minder voorbereidingstijd voor verkopers en betere timing.

Er is wel één voorwaarde: de data moeten op orde zijn. Als het CRM vol verouderde, onvolledige en tegenstrijdige informatie staat, schaalt AI de chaos op.

Bij verkoop vervangt AI de klantrelatie niet. Het helpt de verkoper beter voorbereid het gesprek in te gaan.

5. Marketing en communicatie opschalen

Voor veel mensen was marketing de eerste kennismaking met generatieve AI. De reden is duidelijk: AI kan goed eerste versies schrijven.

Het kan helpen bij campagne-ideeën, doelgroepgerichte berichten, blogopzetten, nieuwsbrieven, socialemediaberichten, advertentievarianten, zoekmachinevriendelijke conceptteksten, vertalingen, personalisatie en het ontwerpen van A/B-tests.

Marketing kent echter ook een grote valkuil. AI kan de hoeveelheid geproduceerde content verveelvoudigen. Dat maakt die content niet automatisch evenredig interessanter.

Deloitte beschrijft in zijn bedrijfsonderzoeken naar generatieve AI uit 2025 een paradox: de investeringen groeien, maar rendement blijft voor velen moeilijk haalbaar. Koplopers zoeken snel resultaat met zorgvuldig gekozen toepassingen. Waarde op langere termijn vraagt echter om strategische verandering, vaardigheden en daadwerkelijke invoering.^[6]

Voor marketing betekent dat: AI kan schrijven. Maar een mens moet bepalen wat het zeggen waard is.

Waar ontstaat het rendement? Snellere contentproductie, betere aanpassing per kanaal, lagere vertaal- en lokalisatiekosten, sneller campagnes testen, gerichtere personalisatie en betere verkoopmaterialen.

Het grootste risico is eenheidsworst. Als iedereen dezelfde tools op dezelfde manier gebruikt, raakt de markt verzadigd met middelmatige teksten. Goed gebruik van AI in marketing begint met een visie, gevolgd door een prompt.

Niveau 3 — Systeemintelligentie en multi-agentsystemen

6. Multi-agentsystemen en procesautomatisering

Hier begint de volgende fase van AI. Eén prompt volstaat niet meer. Je bouwt een werkproces waarin meerdere gespecialiseerde AI-agenten elk een onderdeel afhandelen.

Een voorbeeld van een offerteproces:

AI leest een offerteaanvraag die per e-mail is binnengekomen.
Een tweede agent haalt prijzen en beschikbaarheid op uit het ERP.
Een derde controleert de contractvoorwaarden van de klant in het CRM.
Een vierde stelt de offerte op.
Een vijfde controleert de risico’s.
De verkoper keurt het concept goed of past het aan.

Dit is iets anders dan ‘ChatGPT om hulp vragen bij een offerte’. Hier draait AI mee achter de schermen.

Waar ontstaat het rendement? Kortere doorlooptijden, minder handmatige overdrachten, minder fouten, meer gestandaardiseerde processen en meer tijd voor medewerkers om uitzonderingen af te handelen.

Waarom begin je hier beter niet mee? Omdat een multi-agentsysteem zowel de voordelen als de risico’s vergroot. Als het proces onvoldoende wordt begrepen, automatiseren de agenten de chaos.

Volgens Gartner is er veel hype rond agentische AI en kunnen veel projecten vastlopen op onduidelijke bedrijfswaarde en kosten.^[2]

Een goede volgorde: beschrijf het proces → herken terugkerende stappen → bepaal de beslismomenten → leg goedkeuringsgrenzen vast → automatiseer een afgebakend onderdeel → meet → breid uit.

7. Kennismanagement en eigen data benutten

Bij veel bedrijven is het grootste probleem niet een gebrek aan informatie. Het is informatie kunnen vinden. Informatie zit in het intranet, SharePoint, Slack, Teams, pdf’s, projectmappen, het CRM, e-mails en de hoofden van mensen.

RAG, oftewel Retrieval-Augmented Generation, brengt daar een grote verandering in. Daarbij haalt AI informatie uit eigen documenten of databases van de organisatie op en gebruikt die als basis voor het antwoord. AI wordt een toegangspoort tot het geheugen van het bedrijf.

IBM benadrukt in het rapport AI in Action dat koplopers hun AI-routekaart op vier pijlers baseren: strategie, tools, databeheer en toepassingen. Vooral toegankelijkheid en beheersing van data zijn nodig om AI-toepassingen betrouwbaar waarde te laten leveren.^[7]

Waar ontstaat het rendement? Minder zoektijd, sneller inwerken, betere beslissingen, hergebruik van projectlessen, meer waarde uit klantinformatie en minder interne informatiesilo’s.

Stel dat je vraagt: ‘Wat hebben we geleerd van de drie aanbestedingen die we vorig jaar in Zweden verloren?’ Als AI projectnotities, offertedocumenten en opmerkingen van verkopers kan ophalen, kan het een antwoord samenstellen waarvoor geen enkele medewerker afzonderlijk misschien tijd zou hebben.

Het grootste risico: RAG is geen wondermiddel. Bij een rommelige, verouderde of tegenstrijdige kennisbank kan AI een goed geformuleerd antwoord op slecht bronmateriaal baseren. Het echte werk in een RAG-project zit daarom vaak in het opschonen van documenten, toegangsrechten en het vastleggen wie verantwoordelijk is voor informatie.

AI vindt de informatie. Maar de organisatie moet eerst bepalen welke informatie betrouwbaar is.

8. Programmeren, softwarearchitectuur en testen

Bij softwareontwikkeling is AI al dagelijkse praktijk. Ontwikkelaars gebruiken het voor standaardcode, tests, uitleg over fouten, het doorgronden van oude code, refactoring, documentatie, het leren van een nieuwe taal of bibliotheek, concepten voor databasequery’s en het vergelijken van architectuuropties.

Stack Overflow meldt in het ontwikkelaarsonderzoek van 2025 dat de waardering voor AI-tools was afgenomen, ondanks het brede gebruik. Dat zegt iets belangrijks: AI is nuttig, maar ontwikkelaars hebben ook de grenzen ervan ervaren.^[8]

Bij softwareontwikkeling gaat de waarde van AI verder dan sneller code schrijven. Vaak zit de grotere winst in meer inzicht. AI kan een nieuwkomer uitleggen hoe een oud systeem werkt of helpen bepalen waar een wijziging het beste kan worden aangebracht.

Waar ontstaat het rendement? Snellere ontwikkeling, kortere inwerktijd, betere testdekking, minder achterstallige documentatie, snellere foutoplossing en meer inzicht in oudere systemen.

Het grootste risico: AI-code kan af lijken zonder veilig te zijn. Volgens berichtgeving over onderzoek van Veracode bevatte een aanzienlijk deel van de door AI gegenereerde code beveiligingsgebreken.^[9]

De regel is duidelijk: AI kan code schrijven. De ontwikkelaar blijft verantwoordelijk.

Niveau 4 — Meer inzicht, grotere slagkracht

9. Data-analyse en BI

Business intelligence, of BI, betekent bedrijfsinformatie gebruiken om beslissingen te nemen. Daarvoor waren traditioneel rapporten, dashboards en analisten nodig die data vertaalden naar de taal van het management. AI verandert dat.

Het management kan in gewone taal vragen: ‘Waarom daalde de marge vorige maand in Zweden?’ AI kan afwijkingen in data opsporen, trends vinden, segmenten vergelijken en vervolgvragen voorstellen.

Dat maakt analisten niet overbodig. Het verhoogt de waarde van het werk van analisten. In plaats van routinerapportages kan een analist zich richten op interpretatie, modellering en het beoordelen van de gevolgen van beslissingen.

Waar ontstaat het rendement? Snellere analyses, betere vragen, eerder afwijkingen herkennen, bredere toegang tot data en betere beslissingen.

Dit is een van de belangrijkste ‘toepassingen die ons inzicht vergroten’. Als gegevens makkelijker te bevragen zijn, leert de hele organisatie beter verbanden tussen oorzaak en gevolg herkennen.

Het grootste risico: AI kan correlaties vinden zonder dat er een oorzakelijk verband bestaat. Ook kan het data overtuigend verkeerd uitleggen. Bij BI moet AI daarom laten zien welke data en afbakeningen zijn gebruikt, welke bevindingen statistisch significant zijn, wat interpretatie is en wat nader onderzoek vraagt.

Een goede AI-analyse geeft niet alleen antwoord, maar leert je ook betere vragen stellen.

10. Leren en vaardigheden ontwikkelen

AI is een onvermoeibare mentor. Het kan iets op vijf manieren uitleggen, een leertraject samenstellen, oefenvragen stellen, een klantgesprek nabootsen of als sparringpartner dienen.

AI kan helpen bij het inwerken van nieuwe medewerkers, verkooptraining, coaching van leidinggevenden, het leren van technische vaardigheden en talen, het oefenen van klantgesprekken, het begrijpen van interne richtlijnen en doorlopend leren.

Deloitte benadrukt in zijn rapportage uit 2025 over AI-rendement het belang van AI fluency oftewel vaardig omgaan met AI: koplopers in rendement zien AI-vaardigheden als een kerncompetentie en 40 procent stelt AI-training verplicht.^[6]

AI is meer dan een tool die je leert gebruiken. Het helpt ook om andere dingen sneller te leren.

Waar ontstaat het rendement? Sneller inwerken, kennis beter delen, minder knelpunten in opleidingen, persoonlijkere leertrajecten, betere voorbereiding op klantcontact en verkoop, en vaardigheden die actueel blijven.

Het grootste risico: AI kan verkeerde uitleg geven. Maak bij leren daarom onderscheid tussen algemeen sparren, officiële informatie van de organisatie en onderwerpen waarvoor een deskundige nodig is. AI kan een mentor zijn. Maar een mens moet verantwoordelijk blijven voor het leerprogramma.

De rendementsformule: hoe kies je je eerste AI-project?

Een praktische vuistregel:

Mogelijke besparing × het aandeel dat AI realistisch kan afhandelen × kans van slagen − invoeringskosten

Mogelijke besparing

Hoeveel tijd, geld of fouten zijn met het proces gemoeid? Bijvoorbeeld: 1 000 facturen per maand, 12 minuten handmatig werk per factuur, 200 uur per maand en 40 euro per uur → een mogelijke tijdsbesparing ter waarde van 8 000 euro per maand.

Het aandeel dat AI realistisch kan afhandelen

Welk deel kan AI werkelijk uitvoeren? Maak een realistische schatting. Als AI 60 procent van de gevallen kan afhandelen en de rest doorgeeft aan een medewerker, reken je met 0,6.

Kans van slagen

Hoe groot is de kans dat het project slaagt? Dat hangt af van data, processen, systemen, verantwoordelijkheden en verandermanagement. Begin liever met een project dat 90 procent kans van slagen heeft, ook als de opbrengst kleiner is.

Invoeringskosten

Tel alles mee: software, integraties, opleiding, beveiliging, data opschonen, projectwerk, onderhoud en kwaliteitsbewaking.

Deze formule voorkomt dat je AI door een roze bril bekijkt. Het dwingt je te vragen wat werkelijk werkt.

Waarom mislukken AI-projecten?

AI-projecten mislukken zelden doordat het model helemaal niets kan. Ze mislukken doordat de organisatie niet weet wat ze wil veranderen.

1. De toepassing is te vaag

‘AI inzetten in de verkoop’ is geen project. ‘Alle klantgesprekken samenvatten in het CRM en vervolgacties binnen 24 uur aan de verkoper doorgeven’ is dat wel.

2. Het proces is niet beschreven

Als niemand weet hoe het werk werkelijk verloopt, is automatiseren lastig.

3. De data deugen niet

AI lost slechte datakwaliteit niet op. Het maakt slechte data alleen geloofwaardiger.

4. De rol van mensen blijft onduidelijk

Wie keurt goed? Wie controleert? Wie is verantwoordelijk voor fouten?

5. De meetcriteria kloppen niet

Wie alleen de hoeveelheid geproduceerde content meet, krijgt veel content. Wie opgeloste klantvragen, tijdwinst of extra omzet meet, komt dichter bij de werkelijke waarde.

6. De invoering blijft steken bij een instructievideo

AI gaat niet leven in een organisatie door medewerkers een link naar een tool te sturen. Er zijn voorbeelden, afspraken, ondersteuning en betrokkenheid van het management nodig.

Volgens McKinsey onderscheiden organisaties die goed presteren met AI zich onder meer door menselijke controle van modeluitvoer. Ze creëren waarde langs zes dimensies: strategie, talent, bedrijfsvoering, technologie, data, en invoering en opschaling.^[1]

AI is geen IT-project. Het vraagt om een andere inrichting van het werk.

Een routekaart voor de invoering van AI in 90 dagen

Dag 1–15: processen in kaart brengen

Breng 20 terugkerende processen in kaart. Vraag wat veel tijd kost, wat vaak terugkomt, waar fouten ontstaan, waar informatie verloren gaat, waar klanten wachten en waar medewerkers gefrustreerd raken.

Dag 16–30: toepassingen beoordelen

Beoordeel elke toepassing op besparingspotentieel, omzetpotentieel, beschikbaarheid van data, technische eenvoud, risico, kans van slagen en invoeringskosten.

Kies één een project met een grote kans van slagen. Kies de beste eerste stap naar succes, hoe groot je ambities ook zijn.

Dag 31–45: een pilot bouwen

Baken de pilot duidelijk af: één team, één proces, één productgroep, één klantenservicekanaal of één documenttype. Bepaal de meetcriteria voordat je begint.

Dag 46–60: testen met medewerkers

Laat AI niet meteen zelfstandig in productie werken. Test fouten, uitzonderingen, gebruikerservaring, overdracht aan medewerkers, beveiliging, documentatie en kosten per handeling.

Dag 61–75: meten en verbeteren

Vergelijk de situatie voor en na invoering: verwerkingstijd, aantal fouten, klanttevredenheid, medewerkerstevredenheid, kosten, doorlooptijd en bevindingen uit kwaliteitscontroles.

Dag 76–90: beslissen over opschaling

Er zijn drie opties: opschalen, verbeteren en opnieuw testen, of stoppen. Goed AI-management betekent ook dat je slechte pilots snel stopzet.

Conclusies: begin bij de routine en werk toe naar strategie

De grootste waarde van AI zit niet in de indrukwekkendste demo. Die ontstaat in een proces dat elke dag draait.

Een organisatie die rendement vooropstelt, begint dus waar de kans van slagen groot is: facturen, tickets, contracten, CRM-samenvattingen, interne documenten, rapportages, softwaretests en het inwerken van medewerkers.

Als dat werkt, kun je complexere toepassingen aanpakken: agentsystemen, dynamische prijzen, voorspellingen over klantrelaties, bredere beslissingsondersteuning en een eigen AI-geheugen voor de organisatie.

De belangrijkste les:

Vraag waar werk zich herhaalt, informatie verloren gaat, klanten wachten of geld weglekt. Dáár zit het rendement van AI.

Praktisch overzicht: 10 toepassingen op volgorde van rendement

Financiële administratie en geautomatiseerde boekhouding — Snelle terugverdientijd, helder proces, meetbare besparing.
Grote aantallen klantvragen verwerken — Grote winst bij veel berichten, mits de overdracht aan medewerkers werkt.
Inkoop en contractbeheer — Onbenut potentieel: AI kan werktijd én inkoopkosten besparen.
Bestaande klantrelaties uitbouwen — AI vindt de signalen, mensen bouwen vertrouwen op.
Marketing en communicatie opschalen — Versnelt de productie, maar menselijk inzicht bepaalt de kwaliteit.
Multi-agentsystemen en procesautomatisering — Groot potentieel, maar vraagt om volwassen procesmanagement.
Kennismanagement en eigen data benutten — Een toegangspoort tot het bedrijfsgeheugen.
Programmeren, softwarearchitectuur en testen — Versnelt ontwikkeling, terwijl mensen verantwoordelijk blijven voor veiligheid.
Data-analyse en BI — Maakt data bevraagbaar en beslissingen begrijpelijker.
Leren en vaardigheden ontwikkelen — Maakt doorlopend leren mogelijk in de hele organisatie.

Een laatste vuistregel

Zo kies je je eerste AI-project: Mogelijke besparing × het aandeel dat AI realistisch kan afhandelen × kans van slagen − invoeringskosten.

Begin met een routinetaak waarbij de kans van slagen 90 procent is. Ook een klein voordeel telt flink op als het elke dag terugkomt.

Het echte AI-rendement komt niet van één grote sprong. Het zit in het cumulatieve effect.