De meest gemaakte fout bij AI-automatisering is beginnen met de technologie in plaats van met de fundamenten. Organisaties starten een AI-project terwijl hun data niet op orde is, processen niet gedocumenteerd zijn en niemand heeft nagedacht over wie de agent controleert als het misgaat. Het resultaat: een agent die draait, maar niet te vertrouwen is. Dit artikel beantwoordt de vragen die je moet stellen voordat je die fout maakt.
Welke fout kost organisaties het meest bij AI-automatisering?
De duurste fout bij AI-automatisering is het overslaan van de datafundamenten. Organisaties bouwen agents op data die niet klopt, niet gedefinieerd is of niet beheerd wordt. De agent draait, geeft antwoorden, neemt beslissingen, maar baseert zich op een werkelijkheid die niet bestaat. Dat kost niet alleen geld om te herstellen, het kost vertrouwen dat je niet terugkrijgt.
Het patroon is herkenbaar. Een team wil snel resultaat laten zien. De agent wordt gebouwd. In de eerste weken lijkt alles te werken. Dan ontdekt iemand dat de agent “omzet” anders definieert dan de financiële afdeling, of dat hij klantdata opvraagt die hij niet mocht inzien. Op dat moment begint de echte kostenpost: niet de bouw, maar de schade.
Wat dit zo kostbaar maakt, is de escalatie die volgt. Eerst hallucinaties in de output. Dan een data-incident. Dan wantrouwen bij de mensen die de agent moesten gebruiken. En uiteindelijk een organisatie die weet dat haar AI-automatisering onbetrouwbaar is en ermee stopt. De investering is gedaan, maar het gebruik stopt. Dat is de werkelijke prijs van overgeslagen fundamenten.
Waarom mislukt AI-automatisering zo vaak in de uitvoeringsfase?
AI-automatisering mislukt in de uitvoeringsfase omdat de voorbereiding stopt bij de technologie. Teams kiezen een tool, bouwen een prototype en plannen een livegang, maar hebben geen antwoord op de vraag: wat doet de agent als de data incompleet is, als een systeem niet reageert, of als de output niet klopt? Zonder die antwoorden is de uitvoeringsfase geen implementatie, maar een experiment in productie.
Een AI-agent is fundamenteel anders dan een dashboard of een chatbot. Een agent leest data, neemt beslissingen en voert acties uit, vaak namens een gebruiker. Dat stelt andere eisen aan de onderliggende processen, aan toegangsbeheer, aan documentatie en aan de mensen die ermee werken. Wie die eisen onderschat, merkt het pas als de agent al draait.
Wat ook meespeelt: de uitvoeringsfase onthult impliciete kennis. Processen die “iedereen kent” blijken nergens vastgelegd. Definities van kernbegrippen zoals “klant” of “actief contract” blijken per afdeling te verschillen. Een agent werkt alleen met wat expliciet is gemaakt. Alles wat in hoofden zit maar niet in systemen staat, is voor hem onzichtbaar.
Wat gaat er mis als AI-projecten zonder databeheer worden opgestart?
Zonder databeheer werkt een AI-agent met bronnen die niemand controleert. De data kan verouderd zijn, tegenstrijdige waarden bevatten of ongeautoriseerd toegankelijk zijn. De agent geeft antwoorden die intern consistent lijken, maar extern niet kloppen. Dat is het probleem met ontbrekend databeheer: het is niet zichtbaar totdat het misgaat.
Drie concrete risico’s komen steeds terug bij AI-automatisering zonder databeheer:
- De agent werkt met meerdere definities van hetzelfde begrip, omdat nooit is vastgelegd wat “klant”, “omzet” of “actief” precies betekent in jouw organisatie.
- Er zijn geen formele afspraken over wie verantwoordelijk is voor welke data, waardoor kwaliteitsproblemen niet worden gesignaleerd of hersteld.
- Toegangsrechten zijn niet ingericht voor agents als identiteitsklasse, waardoor de agent data bereikt die hij niet zou mogen inzien, met compliance-risico’s als gevolg.
De EU AI Act en de AVG stellen eisen aan aantoonbare zorgvuldigheid, audit trails en documentatie. Raadpleeg voor de specifieke juridische implicaties altijd je eigen juridisch adviseur. Maar los van wetgeving geldt: een agent die beslist op basis van slechte data, beslist verkeerd. Databeheer is geen IT-detail, het is de voorwaarde waaronder AI-automatisering verantwoord kan werken.
Hoe voorkom je dat AI-automatisering de controle ondermijnt?
Je voorkomt controleverlies bij AI-automatisering door vooraf te bepalen wanneer een mens beslist, wanneer een mens controleert en wanneer de agent zelfstandig doorpakt. Zonder die heldere autonomieniveaus per type beslissing groeit de agent langzaam buiten het zicht van de organisatie. Niet door kwaadwilligheid, maar omdat niemand de grens heeft getrokken.
Twee maatregelen zijn hier het meest effectief. De eerste is observability: zicht op wat de agent in productie doet. Welke data vraagt hij op? Welke acties voert hij uit? Welke output geeft hij terug? Zonder systematische meting van die output weet je niet of de agent goed functioneert, je neemt het aan. De tweede maatregel is AI-literacy bij de mensen die met de agent werken. Medewerkers die begrijpen wat een agent wel en niet kan, signaleren afwijkingen eerder en durven hun werk aan te passen op wat de agent overneemt.
Controle is geen kwestie van vertrouwen in de technologie. Het is een kwestie van ingerichte processen, duidelijke escalatiepaden en medewerkers die weten wat ze moeten doen als de agent een fout maakt. Die drie elementen samen houden de regie bij de organisatie, niet bij het systeem.
Wanneer is uitbesteding van AI-automatisering een vergissing?
Uitbesteding van AI-automatisering is een vergissing als je de regie volledig uit handen geeft zonder te begrijpen wat er gebouwd wordt. Niet omdat externe specialisten geen waarde toevoegen, maar omdat een organisatie die haar eigen AI-agents niet begrijpt, ze ook niet kan bijsturen, beoordelen of overnemen als de samenwerking eindigt.
Er zijn situaties waarin uitbesteding extra risico meebrengt:
- Als de externe partij een generalist is die geen diepgaande expertise heeft in de specifieke onderdelen van jouw vraagstuk.
- Als er geen kennisoverdracht is ingepland, zodat interne medewerkers na afloop niet weten hoe de agent werkt of hoe ze hem moeten beheren.
- Als de externe partij de integratierisico’s tussen data, processen en security niet overziet, maar die verantwoordelijkheid stilzwijgend bij jou laat.
- Als er geen heldere waardehypothese is: welk probleem lost de agent op, voor wie, en hoe ziet succes eruit? Zonder dat kader heeft niemand een basis om te beoordelen of het traject op koers ligt.
Uitbesteding werkt wel als je werkt met specialisten die elk hun eigen domein beheersen, als de regie en eindverantwoordelijkheid duidelijk zijn belegd, en als kennisoverdracht expliciet onderdeel is van het traject. Dan haal je expertise binnen die je intern niet hebt, zonder de controle te verliezen.
Welke vragen moet je stellen voordat je een AI-traject start?
Voordat je een AI-traject start, moet je drie vragen kunnen beantwoorden: Wat is de waardehypothese van deze agent? Zijn de datafundamenten op orde voor dit specifieke gebruik? En wie is verantwoordelijk als de agent een fout maakt? Organisaties die deze vragen overslaan, starten een project dat technisch kan slagen maar operationeel zal falen.
De waardehypothese is de kern. Welk probleem lost de agent op, voor wie, en hoe ziet succes eruit? Zonder scherpe antwoorden op die drie vragen bouw je iets waarvan niemand weet of het werkt. Dat klinkt eenvoudig, maar in de praktijk starten veel trajecten met een technische ambitie in plaats van een probleemomschrijving.
Naast de waardehypothese zijn er meer vragen die de volwassenheid van de organisatie toetsen:
- Zijn onze kernbegrippen eenduidig gedefinieerd, zodat de agent niet met tegenstrijdige interpretaties werkt?
- Zijn de processen die de agent moet uitvoeren gedocumenteerd en herhaalbaar, of afhankelijk van impliciete kennis bij individuele medewerkers?
- Weten we wie welke data mag inzien, en zijn agents als identiteitsklasse ingericht in ons toegangsbeheer?
- Hebben we zicht op wat de agent in productie doet, en kunnen we de kwaliteit van zijn output systematisch meten?
- Begrijpen de medewerkers die met de agent werken wat hij wel en niet kan?
Het principe dat hier achter zit: think big, start small, act fast. Begin niet met een tweejarige fundamentenoperatie voordat de eerste agent live gaat. Begin met één agent met beperkte impact, bouw alleen de fundamenten op die nodig zijn om die agent verantwoord te laten draaien, en laat de fundamentenlaag meegroeien met elke volgende stap.
Hoe wij helpen met AI-automatisering
Veel organisaties weten dat ze iets moeten doen met AI-automatisering, maar lopen vast op de vraag waar te beginnen zonder de regie te verliezen. Wij helpen je dat concreet te maken, zonder dat je eerst jaren aan voorbereiding nodig hebt.
We starten met een Foundation Scan: drie gerichte gesprekken van elk 45 minuten, één per laag van het AI Foundationsmodel. In die gesprekken brengen we de volwassenheid van jouw organisatie in kaart op alle negen fundamenten, van datakwaliteit en toegangsbeheer tot procesvolwassenheid, observability en strategische intentie. Na afloop ontvang je een rapportage met een score per fundament, zodat je precies weet waar de risico’s zitten en wat er nodig is om verantwoord te starten.
Wat ons onderscheidt: we werken met een netwerk van specialty partners, vakspecialisten die elk uitsluitend binnen hun eigen domein werken. Geen generalist die er wel iets van weet, maar een data-engineer voor datakwaliteit, een security specialist voor identity en toegang, een change-expert voor adoptie. Wij nemen de rol van programmamanager: we brengen de specialismen samen, bewaken de afhankelijkheden tussen de fundamenten en zorgen dat het traject als één samenhangend geheel verloopt.
- Foundation Scan: inzicht in volwassenheid op alle negen fundamenten, tijdsinvestering circa twee tot drie uur verspreid over drie mensen
- Waardehypothese-workshop: scherp krijgen welk probleem de eerste agent oplost, voor wie, en hoe succes eruitziet
- Parallelle volwassenheid: fundamenten bouwen terwijl de eerste agent al in productie gaat, niet erna
- Best-of-breed partnermodel: per fundament de specialist die er het sterkst in is, zonder leercurves of brede consultancy
Wil je weten waar jouw organisatie nu staat? Neem contact op voor een Foundation Scan en ontdek binnen een halve dag waar de risico’s zitten en hoe je verantwoord kunt starten met AI-automatisering.