Een AI-pilot voelt vaak als vooruitgang. Er wordt getest, er wordt geleerd, er ontstaan mooie demo’s. En toch blijft het eindresultaat bij veel organisaties opvallend klein.
Dat is precies het probleem met veel AI-trajecten van dit moment: ze laten zien wat mogelijk is, maar niet wat schaalbaar is. De sprong van experiment naar echte bedrijfswaarde blijkt veel groter dan verwacht. Volgens McKinsey heeft bijna twee derde van de organisaties wereldwijd al met agents geëxperimenteerd of is begonnen ze in te zetten. Tegelijkertijd heeft minder dan 20 procent van de organisaties AI op grotere schaal toegepast op een manier die tastbare waarde oplevert. McKinsey stelt dat acht op de tien bedrijven databeperkingen noemen als een belemmering voor het opschalen van agentic AI.
Dat is geen technologieprobleem alleen. Het is een organisatievraagstuk.
Waarom zoveel AI-pilots blijven hangen
Veel organisaties beginnen op de verkeerde plek. Ze voegen een tool toe aan een bestaand proces en hopen dat er dan vanzelf waarde ontstaat. Maar agentic AI werkt niet als een losse toevoeging. Een agent moet kunnen samenwerken met mensen, over systemen heen kunnen bewegen en ook met ambiguïteit om kunnen gaan.
Met andere woorden: je plakt geen digitale collega op een oude werkwijze en verwacht dat het ineens soepel loopt. Als de onderliggende workflow, data en governance niet kloppen, blijft de pilot precies dat: een pilot.
McKinsey is daar vrij helder over. Wie echt waarde wil halen uit agentic AI, moet workflows opnieuw ontwerpen, niet alleen versnellen. De vraag is dus niet: welk model of welke tool kiezen we? De echte vraag is: welke werkzaamheden verdienen een herontwerp?
Van tool naar digitale collega
De meest veelbelovende toepassingen beginnen bij hoge-impact workflows. Niet bij de leukste demo, maar bij het werk dat veel tijd kost, foutgevoelig is of structureel capaciteit opslokt.
Daar zit ook de logica achter het idee van een digitale collega. Niet iets dat naast je bestaande proces bungelt, maar iets dat daadwerkelijk onderdeel wordt van de manier waarop werk wordt uitgevoerd. Dan verschuift de rol van AI van losse assistent naar betrouwbare collega in een hybride team van mens en agent.
Dat vraagt om een andere bril. Je kijkt niet alleen naar wat AI kan genereren, maar naar wat een organisatie opnieuw kan inrichten. Welke stappen kunnen autonoom? Waar is menselijke beoordeling nodig? Welke beslissingen moeten expliciet bij mensen blijven? En hoe zorg je dat de samenwerking tussen mens en agent voorspelbaar, veilig en bruikbaar blijft?
De basis ligt in data, niet in hype
Wie agentic AI serieus neemt, komt al snel uit bij data. Niet als abstract begrip, maar als werkende basislaag.
McKinsey beschrijft vier samenhangende stappen die nodig zijn om te schalen:
- identificeer workflows met hoge impact die je kunt agentifyen;
- moderniseer elke laag van de data-architectuur voor agents;
- zorg voor continue datakwaliteit;
- bouw een operating- en governancemodel voor data ten behoeve van agentic AI.
Dat klinkt technisch, maar het is vooral praktisch. Als een agent beslissingen moet nemen of taken moet uitvoeren, moet die kunnen vertrouwen op consistente, toegankelijke en goed beheerde data. Informatie mag niet verstopt zitten in losse systemen, onduidelijke definities of handmatige workarounds.
McKinsey noemt onder meer principes als:
– data-inname behandelen als een product;
– niet alleen data delen, maar ook betekenis;
– vertrouwen en governance standaard inbouwen;
– gedrag meetbaar maken;
– agents laten draaien via een gecontroleerde uitvoeringslaag.
Dat zijn geen luxevoorwaarden. Het zijn randvoorwaarden.
Governance moet mee-ontwikkelen
Veel organisaties proberen AI te beheren alsof het een traditioneel IT-project is. Maar governance in een agentic omgeving kan niet periodiek, papierzwaar en traag blijven. Het moet juist real-time, data-gedreven en ingebouwd zijn.
Dat betekent niet dat controle verdwijnt. Integendeel. De menselijke verantwoordelijkheid blijft eindverantwoordelijk. Alleen verschuift de dagelijkse uitvoering steeds meer naar een samenwerking waarin mensen superviseren, orkestreren en bijsturen.
Ook daar verandert de organisatie dus mee. De vraag is niet alleen wie het werk doet, maar wie context bewaakt, wie uitzonderingen beoordeelt en wie de kwaliteit van het geheel borgt. In zo’n model verschuift de nadruk naar operating model, governance, mensen en samenwerking tussen mens en agent.
McKinsey beschrijft in bredere zin dat operating model, governance, mensen en technologie samen moeten bewegen in het agentic tijdperk. Niet één onderdeel optimaliseren, maar het geheel opnieuw afstemmen.
Begin klein, maar denk fundamenteel
De verleiding is groot om agentic AI breed en voorzichtig tegelijk uit te rollen. Toch werkt dat zelden goed. McKinsey adviseert om te starten met een select aantal workflows of domeinen met hoge impact.
Dat is een verstandige route. Niet omdat je klein moet denken, maar omdat je de organisatie eerst moet leren hoe mens en agent samen waarde leveren.
Daarbij helpen drie denkrichtingen:
– van lineaire verandering naar exponentiële verandering;
– van technologie-gedreven naar business-gedreven transformatie;
– van bedreiging naar kans.
Die verschuiving zit niet alleen in het MT-verhaal. Ze moet voelbaar zijn in processen, afspraken, rollen en verwachtingen. Anders blijft AI iets wat je erbij doet in plaats van iets dat je organisatie helpt herontwerpen.
De echte winst zit in herontwerp
De les is eigenlijk verrassend simpel. De meeste organisaties zitten niet vast omdat AI nog niet goed genoeg is. Ze zitten vast omdat ze het probleem nog te smal bekijken.
Wie agentic AI wil laten werken, moet verder kijken dan de tool. Het draait om workflowherontwerp, datakwaliteit, governance en een operating model waarin mensen en digitale collega’s samen kunnen functioneren. Pas dan ontstaat er ruimte voor betrouwbare, schaalbare waarde.
En precies daar ligt de verschuiving die nu nodig is: van experimenteren met AI naar bouwen aan een organisatie die er daadwerkelijk mee kan werken.
