"We moeten eerst onze hele infrastructuur moderniseren voordat we met AI kunnen beginnen."

Dit horen we regelmatig. Het is de grootste misvatting over AI-readiness: dat het een grote verandering moet zijn. Dat je eerst systemen moet koppelen, data moet opschonen, processen moet documenteren.
In werkelijkheid kun je gewoon klein beginnen. Leren. En die lessen langzaam uitbreiden over de organisatie.

Begin links onderin

We gebruiken een simpel model om te bepalen waar AI past in een organisatie. Twee assen: taakcomplexiteit en menselijke meerwaarde.

Automatiseren (lage complexiteit, lage menselijke waarde)
Laten uitvoeren door AI. Dit is waar je begint.

Versterken (hoge complexiteit, lage menselijke waarde)
AI leidt, mens controleert.

Evalueren (lage complexiteit, hoge menselijke waarde)
Bepaal per proces de beste aanpak.

Leiden (hoge complexiteit, hoge menselijke waarde)
Mens leidt, AI als assistent.

Bij klanten beginnen we altijd links onderin. Automatiseren. De simpele, repetitieve taken waar mensen nu tijd aan kwijt zijn maar weinig waarde toevoegen. Dat zijn de eerste maatjes.

Waarom facturatie vaak de eerste stap is

Bij een vastgoedbedrijf begonnen we met het facturatieproces. Niet omdat het sexy is, maar omdat het aan drie criteria voldeed:

Business rules waren er al
Iedereen wist hoe een factuur eruit hoorde te zien. De regels stonden ergens, al was het in iemands hoofd.

Goede voorbeelden waren beschikbaar
Honderden facturen uit het verleden. Goede en slechte. Genoeg om van te leren.

Kwaliteit was objectief te checken
Een factuur klopt of klopt niet. Binair. Geen discussie over of het "goed genoeg" is.

Dit is ook waarom coderen een van de meest toegepaste AI-plekken is in bedrijven. Het is binair: de code werkt of hij werkt niet. Geen interpretatie nodig. McKinsey's onderzoek bevestigt dit: software development is een van de gebieden met de hoogste AI-impact.

Als je zoekt naar waar je moet beginnen, zoek dan processen met dezelfde eigenschappen. Duidelijke regels. Beschikbare goede voorbeelden en controleerbare output op kwaliteit.

Maar onze systemen praten niet met elkaar

Dit horen we vaak. Legacy-systemen die niet gekoppeld zijn. Data in silo's. Geen centrale plek waar alles samenkomt.

De oplossing is niet om al die systemen te vervangen of te integreren. Dat kost jaren.
Wat we vaak doen: een laag bouwen bovenop de bestaande systemen. Een soort AI-database waar alles samenkomt, buiten de systemen om. Die laag praat slim met de legacy-systemen die je hebt.

Je bestaande systemen blijven gewoon draaien. De AI haalt op wat nodig is, zonder dat je je hele infrastructuur hoeft om te gooien.

Maar onze data is een puinhoop

Dit is misschien wel het interessantste bezwaar. Want het klopt vaak. Data is rommelig. Inconsistent. Verspreid over systemen.

Maar hier is het ding: er was nooit een echte ROI op data op orde brengen. Opruimen kostte tijd en geld, maar wat leverde het op? Lastig te zeggen.
Met AI is die ROI er wél.

Nu kun je zeggen: als we deze data opschonen, kan de AI dit proces automatiseren, en besparen we X uur per week. Concreet. Meetbaar. Een businesscase.

Dus "onze data is een puinhoop" is niet een reden om te wachten. Het is juist een reden om te beginnen. AI geeft je eindelijk een argument om die data op te ruimen.

Het gesprek dat ontstaat

Iets interessants gebeurt als je begint met automatiseren. Het gesprek verschuift.

Niet: "AI gaat ons werk overnemen."
Maar: "Hé, mijn mensen kunnen dus meer gaan doen."

Als de simpele, repetitieve taken wegvallen, ontstaat ruimte. En dan wordt de vraag: waar zetten we mensen in waar ze écht waarde hebben? Waar zit de menselijke meerwaarde?

Dat maakt het een heel ander gesprek. Niet bedreigend, maar enabling. Niet minder mensen, maar mensen op de juiste plek.

Het absolute minimum om te starten

Wat heb je écht nodig?

Een afgekaderd proces
Niet je hele organisatie. Eén proces. Duidelijk begin, duidelijk eind. Liefst iets waar mensen nu repetitief werk doen.

Enthousiaste mensen
Je kunt sneller met een paar enthousiastelingen die ruimte en vrijheid krijgen dan met een heel projectteam dat moet.

Dat is het. Geen nieuwe systemen. Geen maanden voorbereiding. Geen perfecte data.

Door klein te beginnen leer je:

• Hoe AI werkt in jouw context

• Wat er nodig is qua data en input

• Hoe je een proces standaardiseert

• Hoe je kwaliteit bepaalt en checkt

• Welke tooling werkt voor jullie

• Wat wel en niet kan met je huidige systemen

Die lessen verspreid je daarna over de organisatie. Niet andersom.

Meetbaar maken

Eén ding nog: begin met een nulmeting.
Hoeveel tijd kost dit proces nu? Hoeveel fouten zitten erin? Wat is de doorlooptijd?

Zonder die nulmeting kun je later niet aantonen wat het oplevert. En zonder bewijs van effect blijft AI een experiment in plaats van een nieuwe manier van werken.

Vertrouwen in AI bouw je niet met beloftes. Je bouwt het met cijfers.

Veelgestelde vragen

Moeten we eerst onze systemen koppelen voordat we kunnen starten?
Nee. Je kunt een laag bouwen bovenop je bestaande systemen die slim met ze praat. Je legacy-systemen blijven gewoon draaien.

Onze data is niet op orde. Is dat een probleem?
Het is juist een reden om te beginnen. AI geeft je voor het eerst een concrete ROI op data opruimen. Begin klein, en schoon op wat je nodig hebt voor dat ene proces.

Waar moeten we beginnen?
Zoek een proces met drie eigenschappen: duidelijke regels, beschikbare voorbeelden, en objectief checkbare output. Vaak zijn dat administratieve processen zoals facturatie, orderverwerking, of rapportages.

Hoeveel mensen hebben we nodig om te starten?
Een paar enthousiaste mensen met een afgekaderd proces is genoeg. Je leert meer van klein beginnen dan van groot plannen.

Wil je weten waar jouw organisatie kan beginnen? Laten we in gesprek gaan - via een Tech & Data Assessment brengen we samen in kaart welke processen zich lenen voor AI—en wat je minimaal nodig hebt om te starten.