De integratie van AI mislukt zelden door de technologie zelf. Meestal gaat het mis omdat workflows, verantwoordelijkheden en routines onveranderd blijven. Echte waarde ontstaat pas als medewerkers weten wanneer ze AI kunnen inzetten, hoe ze dat veilig doen en wat dat betekent voor hun werk. Pas dan bewijst AI zijn waarde in het dagelijks werk.
Voor een recent Europees onderzoek naar People & AI vergeleken we onder meer adoptie, vaardigheden, vertrouwen en governance in verschillende landen. Nederlandse organisaties lopen daarbij opvallend achter. Slechts 34% van de dagelijkse processen maakt gebruik van AI, het laagste percentage van alle onderzochte landen. Daarnaast noemt 40% van de Nederlandse respondenten een gebrek aan vaardigheden en training als grootste belemmering voor bredere inzet van AI, eveneens de hoogste score in het onderzoek. De technologie is beschikbaar. De uitdaging zit vooral in adoptie door mensen.
Onlangs ondersteunde Eraneos twee Nederlandse organisaties, een openbaarvervoerbedrijf en een productiebedrijf. AI en data stonden bij hen al volop op de agenda. De echte uitdaging lag ergens anders: hoe zorg je dat medewerkers de technologie ook echt gaan gebruiken in hun dagelijkse werk? Hun ervaring laat zien waarom transformaties rond AI en data vaak vastlopen en wat nodig is om daar verandering in te brengen.
Van ambitie naar toepassing: bouwen aan een datagedreven organisatie
Een Nederlandse openbaarvervoermaatschappij beschikt over een steeds omvangrijkere data-infrastructuur. De ambitie om daar meer mee te doen, was er. Wat nog ontbrak, was de verbinding tussen het centrale data science-team en de operationele afdelingen die met de inzichten aan de slag moesten.
Er werden sterke proofs of concept ontwikkeld, maar de stap naar de praktijk bleek lastig. Er waren initiatieven om te sturen op onderhoud, planning of reizigersdiensten, maar die bleken te verstoffen. Het datateam was ondergebracht bij IT en stond daardoor relatief ver af van de afdelingen die uiteindelijk met de inzichten moesten werken.
Eraneos begon met het versterken van de technische en operationele capaciteiten van het datateam, onder meer op het gebied van data-engineering, machine learning en stakeholdermanagement. Maar al snel bleek dat interne bijscholing niet genoeg was om de kloof te overbruggen tussen wat data mogelijk maakte en wat de organisatie er in de praktijk mee deed.
Daarom werd het model verbreed naar de operationele afdelingen. Eraneos richtte datalabs op binnen onderhoud, infrastructuur, planning en reizigersdiensten en ging daar op zoek naar medewerkers met interesse in data of een analytische rol. Zij kregen extra verantwoordelijkheid en training in datageletterdheid, analytics en de basisprincipes van machine learning. Het doel was niet om van hen datawetenschappers te maken, maar medewerkers die de juiste vragen weten te stellen en data kunnen vertalen naar de praktijk.
Cruciaal was dat de aanpak zichzelf moest kunnen herhalen. Daarom trainde Eraneos vanaf het begin samen met leden van het data science-team, zodat het interne team de inhoud niet alleen begreep, maar toekomstige sessies ook zelfstandig kon verzorgen. Door groepen van 20 tot 30 medewerkers uit verschillende afdelingen tegelijk te trainen, werd de aanpak schaalbaar en toegankelijk voor iedereen die geïnteresseerd en gemotiveerd was.
De resultaten waren zichtbaar in de praktijk. Ideeën en prototypes kregen vaker een vervolg en vonden vaker hun weg naar de business. Use cases die op de kwartaalplanning terechtkwamen, waren bovendien beter voorbereid: de beschikbaarheid van data was gecontroleerd, de zakelijke behoefte gevalideerd en de eerste sprint kon direct van start. Misschien nog belangrijker was dat de kwaliteit van de use cases toenam. Afdelingen leerden beter inschatten welke initiatieven kansrijk waren en welke waarschijnlijk weinig zouden opleveren.
De belangrijkste les: organisaties die alle data- en AI-kennis centraliseren in één team, creëren al snel een bottleneck. Hoe goed de technologie ook is, zonder aansluiting op de rest van de organisatie blijft de impact beperkt.
AI is er klaar voor. De meeste organisaties nog niet.
AI-initiatieven mislukken zelden vanwege de technologie. Ze lopen vast wanneer organisaties nog niet klaar zijn om op een nieuwe manier te werken. Ontdek hoe wij leidinggevenden helpen om de manier waarop het werk verloopt opnieuw vorm te geven.
Leren door te doen: mensen ondersteunen op het moment dat ze het nodig hebben
Hoe verschillend deze projecten ook zijn, ze leggen hetzelfde onderliggende probleem bloot. Organisaties bouwen data- en AI-capaciteit op binnen één team en verwachten vervolgens dat de rest van de organisatie daar vanzelf waarde uit haalt. Zonder begeleiding, training en een goede verbinding met de business gebeurt dat zelden.
Bij de openbaarvervoerder lag de oplossing vooral in de organisatie: een hub-and-spoke-model met datalabs, waarmee kennis en capaciteit werden verspreid over verschillende afdelingen. Medewerkers werden van binnenuit opgeleid en operationele teams kregen de handvatten om data daadwerkelijk in hun dagelijkse werk te gebruiken.
Bij de fabrikant en de gemeentelijke afvaldienst lag de nadruk meer op de menselijke kant. Soms betekende dat letterlijk met teams om de tafel gaan zitten en laten zien wat er al mogelijk was. In andere gevallen ging het juist om langdurige begeleiding tijdens een software-implementatie, waarbij een deskundige gesprekspartner hielp om nieuwe technologie stap voor stap onderdeel te maken van de dagelijkse praktijk.
In beide gevallen kwam de doorbraak niet voort uit de technologie zelf. De resultaten werden pas bereikt door het overbruggen van de kloof tussen de mensen die dataoplossingen bouwen en de mensen die ze moeten gebruiken.
Blijvende verandering realiseren
Volgens Gartner stijgen de wereldwijde uitgaven aan AI in 2026 naar verwachting naar 2,52 biljoen dollar, 44% meer dan een jaar eerder. Tegelijkertijd worstelen veel organisaties met dezelfde vraag: hoe maak je de daadwerkelijke waarde van die investeringen zichtbaar? De technologie is er, de budgetten ook. Maar in de praktijk blijft de impact vaak achter bij de verwachtingen.
Wat deze praktijkvoorbeelden laten zien, is dat ondersteuning rond data en AI continu en geïntegreerd moet zijn. Geen los project of tijdelijke interventie, maar een aanpak die onderdeel wordt van de organisatie zelf. Train-de-trainer-modellen, interne leerprogramma’s en data-ambassadeurs binnen de business, in plaats van uitsluitend binnen IT, helpen om eenmalige initiatieven om te zetten in blijvende verandering.
Hoe Eraneos helpt om AI echt waarde te laten opleveren
Succesvolle AI-implementaties draaien zelden alleen om technologie. De grootste winst ontstaat wanneer processen, werkwijzen en mensen meebewegen. Dat vraagt om meer dan een tool implementeren. Medewerkers moeten begrijpen hoe AI hun werk ondersteunt, welke keuzes ze daarin kunnen maken en hoe ze de technologie veilig en effectief gebruiken in de dagelijkse praktijk.
Eraneos combineert expertise in AI en data met ervaring in operationele verandering. Daarbij gaat het niet alleen om strategie of technologie, maar juist ook om adoptie binnen de organisatie. Van het herontwerpen van workflows tot governance, training en begeleiding op de werkvloer: het doel is om AI onderdeel te maken van de dagelijkse bedrijfsvoering en de impact daarvan op langere termijn zichtbaar te houden.
