AI-adoptie strandt op regie, niet op gebrek aan ideeën

Via de Linkedin van Joop Snijder, Head of AI bij Info Support, kreeg ik het nieuwe AI-adoptie onderzoek 2026 onder ogen. De whitepaper is van zijn hand samen met Frank Thiele (Unit Manager) en Bas Meerman (Managing Director), uitgevoerd met Markteffect onder vierhonderd IT-beslissers. Eén rode draad springt eruit, en die verbaast me niet. AI zit inmiddels overal in de organisatie. In ruim vier op de tien organisaties (44 procent) werken medewerkers zelfstandig met AI-tools. Maar slechts 5 procent laat AI ook echt processen uitvoeren. En meer dan de helft (58 procent) ziet meer potentie dan er wordt benut.

Lees die cijfers nog eens. De tools zijn er. De mensen gebruiken ze. En toch blijft de opbrengst achter. Waar zit dat dan op vast?

Niet op de techniek. Niet op een gebrek aan ideeën. Het onderzoek is daar glashelder over: bijna de helft van de respondenten (45 procent) zegt dat het vooral ontbreekt aan richting en keuzes. Er is dus veel AI-activiteit, maar weinig sturing. Dat is geen tool-probleem. Dat is een regie-probleem. En daarmee raakt Info Support precies de kern van wat ik al sinds mijn boek vanAnaloognaarDigitaal.nu betoog.

De governance gap is het silo-probleem in nieuwe kleren

De AI-governance gap is het gat tussen AI-gebruik dat van onderaf groeit en sturing die van bovenaf achterblijft. Snijder noemt het een sluipend strategisch risico, en terecht. Medewerkers gebruiken AI zelfstandig, maar de vraag waar AI het meeste oplevert blijft onbeantwoord. Het gevolg: fragmentatie van tools, data die op onveilige manier de organisatie verlaat, en onnodig dubbel werk.

Wie mijn werk kent, herkent dit meteen. Dit is het silo-denken, alleen dan met een AI-sausje eroverheen. Silo’s houden kennis vast en belemmeren de digitale transformatie, dat schreef ik in 2017 al, en het is nog altijd waar. Elke afdeling die op eigen houtje een AI-tool aanzet, bouwt een nieuw silo. Alleen gaat het nu sneller. Want dat is wat AI doet: het versnelt. Als de organisatie versnipperd is, versnelt AI de versnippering. De vraag of AI het einde van het silo-denken kan inluiden, is dan ook een vraag naar regie, niet naar techniek.

Onthoud dit: AI is een versneller, geen oplossing. Je zet AI niet in om je organisatie op orde te krijgen. Je krijgt je organisatie op orde, en dán zet je AI in om te versnellen. In omgekeerde volgorde bouw je een raket op een fiets. Veel vermogen, geen fundament, en je komt geen meter vooruit. Dat digitaal vermogen inmiddels door AI wordt aangestuurd, maakt die volgorde alleen maar urgenter.

Zonder datafundament versnelt AI de chaos

Datakwaliteit is de stille bepaler van elk AI-succes. Ruim een kwart van de organisaties (26 procent) noemt het een van de grootste uitdagingen. En kijk naar wat daaronder ligt: 41 procent zegt dat de eigen data van gemiddelde kwaliteit is, met flinke inconsistenties en ontbrekende informatie, en nog eens 14 procent noemt de data ronduit onbetrouwbaar.

Frank Thiele zegt het scherp: slechte datakwaliteit is geen AI-probleem, maar een operationeel probleem dat al bestond en dat door AI extra zichtbaar wordt. Dat is precies de spijker op zijn kop. AI legt genadeloos bloot wat je datahuishouding al jaren mankeert.

En dan de bevinding die het hele plaatje verklaart: hoewel 43 procent een duidelijk beeld heeft waar AI het werk écht kan veranderen, zet bijna evenveel (44 procent) AI vooral in waar het toevallig beschikbaar is, en niet waar de meeste waarde valt te behalen. Tooling en toeval bepalen de agenda. Dat is het tegenovergestelde van strategie.

In mijn denkmodel is dit geen mysterie. Voordat je versnelt, leg je het fundament. In het Business Acceleration Framework heet dat Data Source Management en het Data Management Platform: de onderste lagen die data verzamelen en tot bruikbare brandstof maken. Pas daarboven komt de motor. En pas daarboven de shuttle. Dat is ook de kern van het ABCD-principe: AI, Business, Content en Data zijn afhankelijk van elkaar. Er is geen bruikbare AI zonder geordende data eronder. Wie de D overslaat, houdt aan de A niets over.

AI-adoptie is een organisatieverandering

Eigenaarschap bepaalt of AI blijft steken in experimenteren of doorgroeit naar adopteren. Het onderzoek laat zien hoe versnipperd dat eigenaarschap is: bij 30 procent ligt de verantwoordelijkheid bij een specifieke afdeling, bij 28 procent bij het managementteam, bij 13 procent bij een apart AI- of datateam. En slechts 21 procent van de managementteams stuurt de AI-strategie actief aan met heldere doelen en middelen.

Snijder trekt de enige juiste conclusie: in de kern is dit een organisatieverandering, en dus moet het management de kar trekken. Het MT bepaalt waar en met welk doel AI wordt ingezet, IT en data leveren de bouwstenen, en een governance-orgaan bewaakt de regels. Dat is geen theorie meer, maar wetgeving. Sinds februari 2025 verplicht de AI Act organisaties om hun mensen AI-geletterd te maken, en vanaf 2 augustus 2026 gelden zwaardere eisen voor hoog risico systemen.

Ik heb hier eerder over geschreven onder de noemer van de AI-savvy leider. De leider die het verschil maakt in deze fase van de transformatie is niet degene die de nieuwste tool aanzet, maar degene die richting geeft, keuzes maakt en durft te snoeien. Want dat is wat governance is: kiezen wat je níet doet. AI-geletterdheid is daarbij geen luxe maar een must-have vaardigheid geworden, van de werkvloer tot de bestuurskamer.

Wat je niet meet, kun je niet sturen

Meetbaarheid is de derde gap, en het is de gap die de andere twee bij elkaar houdt. Zonder heldere meting blijft AI-gebruik lastig te sturen, te verantwoorden en helemaal lastig op te schalen. Het onderzoek laat zien dat organisaties succes vooral afmeten aan datakwaliteit (34 procent) en efficiëntie (34 procent), terwijl harde ROI met 16 procent onderaan bungelt en 15 procent helemaal geen maatstaf heeft vastgesteld.

Meten is precies waarvoor ik het raamwerk ooit heb gebouwd. Vijf doelen, negen stappen, twaalf analyses. Het Business Acceleration Framework maakt de digitale strategie meetbaar en het digitale vermogen zichtbaar. Zonder die meetlat weet je niet of je AI-inzet je dichter bij brand equity, marketing efficiency of business activatie brengt, of dat je alleen maar sneller geld uitgeeft. En je weet niet in welke fase van digitale volwassenheid je organisatie zich bevindt: ad hoc, engaged, structured, managed of optimized. Wie zijn volwassenheid niet kent, kan zijn volgende stap niet bepalen.

Hoe het wel moet

Neem de chatbot van Hardwell, een van de cases uit Digitaal Vermogen. Die bot begon met duizenden keyword-triggers en een respons rate van zestig procent. Dankzij toen een eenvoudige vorm van AI en de onderliggende software groeide dat al snel naar 95 procent. De open rate van de berichten lag boven de negentig procent, waar e-mail rond de tien procent blijft steken.

Waarom werkte dat? Niet omdat er een slimme tool werd aangezet. Het werkte omdat er een raamwerk onder lag dat de organisatie hielp om meer uit haar data te halen, met eenduidige definities en een strategie die het contact van crm naar prm bracht: van zenden naar persoonlijk contact. De AI was de versneller. Het datafundament en de regie waren het fundament. Dat is de volgorde. Altijd.

Data-soevereiniteit en de vraag wie de relatie bezit

Vier op de tien organisaties (40 procent) stellen inmiddels als harde voorwaarde dat AI-oplossingen in Europa worden gehost, en slechts 11 procent heeft een concrete strategie voor het geval AI-modellen na een update ineens anders werken. Dat is een schrale voorbereiding op een reëel risico.

Ook dit is een oud lied in een nieuwe uitvoering. Het internet verandert van eigenaar, en de partij die jouw data en jouw modellen beheert, beheert een deel van jouw waarde. Wie de relatie bezit, bezit de kasstroom. Als je AI-fundament in handen ligt van één leverancier zonder exit, zonder regie en zonder alternatief, dan is je digitaal vermogen geen bezit maar een lening. En een lening kan worden opgeëist.

Stel jezelf vandaag nog deze vragen

De whitepaper van Snijder, Thiele en Meerman eindigt met een oproep om drie gaten te dichten: governance, ethiek en meetbaarheid. Ik vertaal dat naar de vragen die je jezelf vandaag moet stellen. Weet ik waar AI in mijn organisatie de meeste waarde toevoegt, of zet ik het in waar het toevallig beschikbaar is? Is mijn datafundament op orde, of versnel ik straks vooral mijn eigen chaos? Wie is bij mij eigenaar van AI, en stuurt mijn MT op doelen of kijkt het toe? Kan ik het succes van mijn AI-inzet meten, of hoop ik er het beste van? En weet ik wat er gebeurt met mijn organisatie op de dag dat mijn AI-leverancier zijn model verandert?

Wie deze vragen niet kan beantwoorden, heeft geen AI-probleem. Die heeft een regie-probleem. En dat probleem los je niet op met een nieuwe tool, maar met een fundament, een raamwerk en een meetlat.

Van inzet naar regie, zoals Info Support het treffend samenvat. Precies daar zit het werk. Er is werk aan de winkel.

Veelgestelde vragen

Wat is de AI-governance gap?

De AI-governance gap is het gat tussen AI-gebruik dat van onderaf in de organisatie groeit en sturing die van bovenaf achterblijft. Medewerkers gebruiken AI zelfstandig, maar het management stuurt niet op doelen. Het gevolg is versnippering van tools, onveilig datagebruik en dubbel werk.

Waarom is AI een versneller en geen oplossing?

AI versnelt bestaande processen, maar lost onderliggende problemen niet op. Zit een organisatie vol silo’s en rammelt het datafundament, dan versnelt AI die chaos in plaats van hem op te lossen. Eerst orde en een datafundament, dan versnellen.

Waarom is datakwaliteit bepalend voor AI-succes?

Datakwaliteit is de brandstof van elke AI-toepassing. Bij inconsistente of onbetrouwbare data levert AI onbetrouwbare uitkomsten. Slechte datakwaliteit is geen AI-probleem maar een operationeel probleem dat door AI extra zichtbaar wordt.

Hoe maak je AI-inzet meetbaar?

Door vooraf doelen en KPI’s te formuleren die aansluiten op wat je wilt bereiken, en die te koppelen aan een raamwerk zoals het Business Acceleration Framework: vijf doelen, negen stappen, twaalf analyses. Zo weet je of AI je dichter bij waarde brengt of alleen bij hogere kosten.