.svg)
Iedereen lijkt voorop te lopen met automatiseren. Of lijkt dat alleen maar zo?
Ik open LinkedIn. Mijn RSS-feed loopt over. Vaknieuws stapelt zich op. Telkens weer datzelfde gevoel: we lopen achter.
Bedrijven automatiseren halve organisaties. Finance wordt vervangen door agents. Developmentteams lijken overbodig. Marketing is nu één stagiair met een arsenaal aan SaaS-tools.
Eerlijk is eerlijk: FOMO ligt op de loer.
En dan proberen wij hetzelfde.
De tools werken, maar tot zo’n 80%. De “hacks” zijn generiek. De vibe-gecodeerde oplossingen uit agentic code editors? Die hebben alsnog een senior developer nodig om bugs, randgevallen en structurele fouten op te ruimen.
Dus wat gaat hier mis?
Zijn we niet slim genoeg? Niet snel genoeg? Niet fanatiek genoeg?
Een uitspraak van Kerry Moran (VP Research, Nielsen Norman Group) bleef hangen:
“Kleinere, nauwer afgebakende AI-features zijn veel makkelijker te gebruiken. Ze zijn misschien niet flashy, maar maken vaak wél het verschil.”
Dat herkennen we. We zien het inmiddels bij tientallen organisaties terug.
De Great Pacific Garbage Patch van AI-implementaties
AI belooft veel. Maar er schuilt een serieus risico in overmatig gebruik.
Vibe-gecodeerde software draait bedrijfskritische processen.
AI-klantagents lopen vast zodra een vraag iets complexer is dan een verzendstatus.
Marketingcontent staat vol generieke, feitelijk onjuiste claims.
De gevolgen hiervan blijven jaren zichtbaar. Net als de Great Pacific Garbage Patch zal onze onzorgvuldige toepassing van AI ons nog lang achtervolgen.
Hoe we leerden om te stoppen met zorgen maken
We gebruiken AI dagelijks. Het is onmisbaar. We adviseren het bij vrijwel elk klantproject.
Maar we richten ons niet op snelle trucjes of goedkope wins. We focussen op plekken waar we controle hebben:
- Diepe operationele kennis
- Grip op input en output
- Altijd een mens in de loop
Voor elke AI-implementatie lopen we dezelfde checklist door.
1. Kunnen we de taak scherp afbakenen?
Kunnen we dit stap voor stap uitleggen aan een junior collega?
Zijn de uitkomsten meetbaar? Kunnen we kwaliteitscriteria instellen?
Zouden we het resultaat direct naar een klant durven sturen?
Is het antwoord nee, dan automatiseren we het (nog) niet.
2. Begrijpen we de unieke gevallen?
Automatisering wordt exponentieel lastiger als elke tweede run een onverwacht scenario oplevert. Dat leidt niet alleen tot fouten, maar ook tot extra handmatig herstelwerk.
We brengen randgevallen eerst in kaart.
Zijn er te veel onbekenden, dan pauzeren we.
3. Hoe houden we mensen in de loop?
AI moet mensen sneller en beter laten werken, niet onzichtbaar vervangen.
Zodra je het laatste doet, verlies je grip op kritische processen.
We ontwerpen expliciete controlepunten: reviews, goedkeuringen, beslismomenten.
De mens blijft eindverantwoordelijk.
Hoe dit er in de praktijk uitziet
Een klant ontving dagelijks inkomende brieven die verwerkt moesten worden.
Elke brief moest worden gelezen, de geadresseerde bepaald en het juiste account gekoppeld. Vijf handmatige stappen per brief. Traag. Foutgevoelig bij piekdrukte.
We bouwden een prototype:
- AI leest de brief.
- Bepaalt de geadresseerde.
- Koppelt het juiste account.
Maar: de medewerker controleert altijd de uiteindelijke toewijzing vóór verwerking.
Het proces ging van vijf handelingen naar twee.
De werkdruk daalde drastisch.
Geen autonome agent. Geen magie.
Een smal afgebakende tool, met een mens in de loop.
Randgevallen worden onderschept. De organisatie blijft in controle.
Geen revolutie in weken, maar verbetering in stappen
We verwachten geen digitale omwenteling binnen een maand.
We passen AI incrementeel toe: testen, bijstellen, verbeteren.
Dit is een Kaizen-aanpak.
AI wordt diep verankerd in processen, niet oppervlakkig “eroverheen gestrooid”. Daardoor worden oplossingen duurzaam.
De ideale toekomst: AI die daadwerkelijk 'werkt'
Wanneer AI stapsgewijs wordt ingezet, zien we steeds hetzelfde patroon:
Snellere ROI
Waarde wordt zichtbaar in weken, niet kwartalen. Bijsturen gebeurt vroeg, niet na zes maanden falen.
Minder technische schuld
Geen vibe-gecodeerde oplossingen die je codebase blijven achtervolgen. Geen half werk dat continu toezicht nodig heeft.
Draagvlak in teams
Als AI werk verlicht in plaats van banen bedreigt, ontstaat adoptie vanzelf.
Meetbare impact
Geen vanity metrics, maar aantoonbare reductie in werkdruk en doorlooptijd.
De kern
De AI-revolutie draait niet om het overnight vervangen van je team.
Het draait om het vinden van kleine, oplosbare problemen. Ze kwantificeren. Randgevallen begrijpen. En mensen in de loop houden.
Je loopt niet achter.
Je bent zorgvuldig.
En over een jaar, wanneer een groot deel van de bedrijven met vibe-gecodeerde oplossingen vastloopt in technische schuld, heb jij systemen die standhouden.
Twijfel je of je volgende AI-project kans van slagen heeft?
Loop de drie vragen hierboven met je team door.
Kun je ze helder beantwoorden, dan ben je klaar voor een prototype.
Kun je dat niet, dan heb je jezelf zes maanden opruimwerk bespaard.
