Bedrijven die aantoonbaar rendement uit AI halen, blijken bijna altijd ook iets anders te doen: ze passen hun manier van werken aan. Die samenhang komt naar voren in het wereldwijde AI-onderzoek dat McKinsey in augustus 2026 publiceerde. Van de koplopers zegt bijna driekwart de eigen werkprocessen fundamenteel te hebben herzien vanwege AI. Bij de overige deelnemers is dat ongeveer een kwart. Het verschil tussen beide groepen zit dus niet alleen in de gekozen toepassing, maar in de bereidheid om het hele werkproces aan te passen.
Enige nuance is op zijn plaats. McKinsey ondervroeg 1.719 mensen in 97 landen en rekent iemand tot de koplopers wanneer minstens 5% van het bedrijfsresultaat voor rente en belasting aan AI wordt toegeschreven en de opbrengst als significant wordt beoordeeld. De antwoorden berusten op zelfrapportage en tonen geen oorzakelijk verband aan. Ze geven wel een duidelijke aanwijzing: wie AI invoert, doet er goed aan verder te kijken dan de prestaties van het model zelf. Bron: McKinsey, The state of AI in 2026.
Van een werkende tool naar een beter resultaat
Sterke technische prestaties van een AI-model of -tool zijn op zichzelf onvoldoende voor een geslaagde invoering. Of AI beklijft, hangt af van een reeks randvoorwaarden: de verbinding tussen strategie en visie, leiderschap, governance, processen, technologie, data en analytics, talent en vaardigheden, en cultuur en verandering. Dit artikel licht daarvan één aspect uit, namelijk de volwassenheid van de processen waarop AI moet draaien.
De kernvraag is dan niet of een AI-toepassing werkt, maar of ze het werk daadwerkelijk verbetert. Dat vergt scherpte over de bedoeling van een proces: welk resultaat moet eruit komen, welke informatie is daarvoor nodig, wie beoordeelt de uitkomst en wat gebeurt er met de gevallen die buiten het gangbare vallen. Voor advies- en opleidingsorganisatie UPD ligt daar de opgave: AI verbinden met het dagelijks werk en daarmee met het resultaat dat een organisatie wil bereiken.
Een klantenservice die inkomende berichten door AI laat sorteren, maakt zichtbaar waar het misgaat. Bij afwijkende invoer, een bericht dat niet lijkt op de voorbeelden waarop het model is ingeregeld, moet de toepassing zelf afleiden wat waarschijnlijk bedoeld wordt. Daarom zijn heldere instructies en eenduidige definities cruciaal: de AI moet precies weten op basis van welke kenmerken een bericht als klacht, vraag of spoedmelding wordt geclassificeerd.
Ontbreken die afspraken over wat een klacht onderscheidt van een vraag of een spoedmelding, dan sorteert de AI naar een definitie die niemand expliciet heeft vastgelegd. En de uitzonderingen, de gevallen die een ervaren medewerker direct herkent maar die in geen enkele beschrijving staan, glippen door zonder dat iemand het merkt. Zolang medewerkers die begrippen zelf verschillend afbakenen, valt bovendien niet eens te beoordelen of de sortering klopt. Pas met gedeelde definities wordt zichtbaar of berichten sneller bij de juiste persoon belanden en hoeveel handmatige correctie er overblijft. Soms is AI dan het antwoord. Soms blijkt een kortere overdracht of het schrappen van een overbodige stap al genoeg voor een flinke verbetering.
Waarom verbeteren niet stopt bij de livegang
Een proces vooraf uittekenen, in Lean-termen de current state, is belangrijk. Het geeft inzicht en overzicht, laat zien waar de knelpunten zitten en helpt de juiste keuze te maken, zodat daarna een goede oplossing te ontwerpen is: de zogenaamde future state. Tegelijk is het een momentopname. Klantvragen verschuiven, informatiebronnen wijzigen en werkwijzen groeien mee. Een toepassing die bij de start goed presteert, kan daardoor stilletjes gaan afwijken. Doen we niets met die afwijkingen, dan treedt het tegenovergestelde van verbetering op: bestaande fouten worden sneller en op grotere schaal herhaald.
Continu verbeteren houdt dat proces in beweging. Teams verzamelen de gevallen die misgingen, zoeken naar het patroon achter terugkerende afwijkingen en bepalen welke ingreep nodig is, of dat nu de instructies betreft, de gebruikte gegevens, de techniek of de werkwijze zelf. Vervolgens toetsen ze of de aanpassing echt beter uitpakt. Daarvoor hoeft een proces niet tot in detail te zijn dichtgetimmerd; wel moeten het doel, de verantwoordelijkheden en de omgang met uitzonderingen helder zijn. Standaardisatie maakt invoer en uitkomsten beter vergelijkbaar, maar levert op zichzelf nog geen betrouwbare AI-resultaten op.
Klein beginnen, scherp meten
Een werkbaar startpunt is één proces met een duidelijk knelpunt. Meet eerst hoe het nu presteert en leg vast wat winst zou zijn, bijvoorbeeld een kortere doorlooptijd, minder herstelwerk of betere antwoorden op klantvragen. Reken daarbij niet alleen de kosten van invoering, beheer en menselijke controle mee, maar ook de frequentie en de foutgevoeligheid van de toepassing. Zo rust een rendementsverwachting op een businesscase en niet op een belofte.
Om te bepalen of de organisatorische randvoorwaarden op orde zijn, kan een gestructureerde zelfevaluatie helpen. De AI & Digital Readiness Scan van UPD brengt onderwerpen als processen, data, leiderschap en vaardigheden ter sprake en biedt een vertrekpunt voor nadere analyse. Of een specifieke toepassing geschikt en rendabel is, blijft daarna een kwestie van concreet beoordelen en beproeven in de praktijk. Zo verschuift de afweging van onderbuikgevoel naar diagnose, proces voor proces.
Mensen bepalen of het werkt
Techniek verandert het werk, maar mensen laten het werken. Wie processen ingrijpend herinricht, ontkomt niet aan de ontwikkeling van medewerkers. In vervolgonderzoek van september 2026 beschrijft McKinsey dat juist die organisaties vaker inzetten op vaardigheden, gerichte training en coaching op prestaties. De benodigde kennis schuift mee met de manier waarop mens en AI samenwerken. Bron: McKinsey, onderzoek naar organisatie-inrichting en AI.
Opleiden hoort daarmee zowel bij de invoering als bij het vervolg. Medewerkers moeten problemen kunnen ontleden, de uitkomsten van AI kritisch wegen en aanvoelen wanneer een mens moet ingrijpen. Bovendien kennen zij de uitzonderingen die in geen enkele procesbeschrijving volledig zijn te vangen. Daarom versterken procesoptimalisatie en scholing elkaar. AI-opleidingen van UPD leggen die verbinding door het gebruik van AI te koppelen aan het verbeteren van werkprocessen, van eerste bewustwording tot toepassing in concrete verbeterprojecten. Wie laagdrempelig wil kennismaken, kan terecht bij het AI-webinar de Kracht van AI.
De toets blijft na de livegang dezelfde als ervoor: helpt deze toepassing om het werk aantoonbaar beter te doen? Wie die vraag met regelmaat blijft stellen, maakt van procesoptimalisatie geen eenmalig project maar een vast onderdeel van het werken met AI.