Wanneer is je organisatie klaar voor AI? Een eerlijke checklist

De vraag komt tegenwoordig uit alle hoeken: van de directie, van de raad, van medewerkers die ChatGPT thuis al gebruiken. “Wat doen wij eigenlijk met AI?” En dus start er een pilot. Die pilot levert een leuke demo op, iedereen is enthousiast, en daarna gebeurt er niets meer.

Een herkenbaar risico voor elke organisatie die met AI begint. Vaak blijkt bij nadere beschouwing dat randvoorwaarden ontbraken: geen eigenaar, geen zicht op de data, geen plan voor beheer. Dit artikel geeft je een eerlijke checklist om je AI readiness te toetsen, vóórdat je budget, tijd en geloofwaardigheid investeert.

Wat AI readiness wél en niet betekent

AI readiness is de mate waarin je organisatie in staat is om AI effectief te implementeren én er structureel van te profiteren of op te schalen. Let op dat tweede deel. Een pilot opzetten is één ding; een toepassing in productie houden, met eigenaarschap, beheer en toezicht, is een wezenlijk andere opgave.

Klaar zijn voor AI betekent niet dat je alles op orde hebt. Het betekent dat je weet waar je gaten zitten, dat die gaten geen showstoppers zijn voor je eerste use case, en dat je een plan hebt om ze te dichten. Precies daarvoor zijn readiness-checklists bedoeld: gaten in kaart brengen vóórdat grotere investeringen volgen.

Het betekent ook niet dat je moet wachten tot alles perfect is. Wie de start uitstelt tot “de data op orde” is, loopt het risico dat de start er nooit komt. De kunst is de juiste volgorde: klein genoeg beginnen dat je huidige volwassenheid het aankan.

Checklist deel 1: heb je een probleem, of alleen een technologie?

De eerste toets is de simpelste en wordt het vaakst overgeslagen. Beantwoord deze vragen eerlijk:

• Kun je in één zin zeggen welk probleem AI voor jou moet oplossen? Niet “efficiënter werken”, maar concreet: welk proces, welke beslissing, welke handeling. Bepaal eerst wáárom je AI wilt inzetten, voordat je toetst of je er klaar voor bent.
• Weet je wat dat probleem je nu kost? In tijd, geld, fouten of frustratie. Een nulmeting maakt het later veel eenvoudiger om aannemelijk te maken dat de toepassing werkt.
• Is er een proceseigenaar die dit probleem wíl oplossen? Een AI-initiatief zonder eigenaar in de lijn loopt het risico een geïsoleerd project te blijven dat nooit landt in het dagelijkse werk.

Als het antwoord op een van deze vragen “nee” of “eigenlijk niet” is, ben je niet klaar. Dan is de eerste stap geen tooling, maar een gesprek met de business over waar het echt schuurt.

Een veelvoorkomende valkuil: starten vanuit de vraag “wat kunnen we met AI?” in plaats van “waar lopen we vast en zou AI daarbij kunnen helpen?”. De eerste vraag levert demo’s op. De tweede levert kandidaat-oplossingen op.

Checklist deel 2: is je data goed genoeg voor déze use case?

Vrijwel elke AI readiness-checklist noemt kwalitatief goede, toegankelijke data als kernvoorwaarde. Maar de vraag is niet “is onze data perfect?”. De vraag is: is de data die déze use case nodig heeft goed genoeg, vindbaar en toegankelijk?

Toets jezelf op deze punten:

• Weet je waar de benodigde data staat en wie er eigenaar van is? Als het antwoord “in verschillende systemen, en dat weet eigenlijk niemand precies” is, begint je traject daar.
• Is de datakwaliteit bekend? Niet perfect, wel bekend. Weet je waar de gaten, dubbelingen en verouderde velden zitten?
• Mág je de data gebruiken voor dit doel? Hergebruik van persoonsgegevens voor een ander doel dan waarvoor ze zijn verzameld, vraagt onder de AVG onder meer een toets op doelverenigbaarheid en een geldige grondslag. Hoe dat uitpakt, hangt af van de context. Betrek je privacy officer vroeg en laat dit juridisch toetsen; dit artikel is geen juridisch advies.
• Is er iemand verantwoordelijk voor datakwaliteit als doorlopende taak? Datakwaliteit is geen eenmalige opschoonactie. Als niemand die taak structureel heeft, is de kans reëel dat kwaliteit na verloop van tijd weer terugzakt.

Ons advies: reserveer in je planning expliciet tijd om de datakwaliteit echt te toetsen voordat je bouwt. Het is onopvallend werk, maar het bepaalt in belangrijke mate wat je toepassing waard is.

Checklist deel 3: kunnen je mensen en processen dit dragen?

Readiness gaat niet alleen over techniek en data, maar nadrukkelijk ook over processen en mensen. Het NIST AI Risk Management Framework behandelt AI uitdrukkelijk als socio-technisch vraagstuk: de organisatie eromheen bepaalt mee of een toepassing standhoudt. Toets:

• Is er iemand die het resultaat van de AI kan beoordelen? AI-toepassingen kunnen onjuiste uitkomsten geven. Iemand in het proces moet kunnen zien wanneer een uitkomst niet klopt, en het mandaat hebben om ervan af te wijken.
• Past de toepassing in het bestaande werkproces? Een tool die naast het werk staat, wordt makkelijk genegeerd. Een tool die het werkproces verandert, vereist dat je dat proces ook echt aanpast, inclusief instructies, training en tijd.
• Is er basiskennis over wat AI wel en niet kan? Medewerkers hoeven geen modellen te begrijpen. Wel moeten ze weten dat AI-output onjuist kan zijn en niet zonder controle als feit behandeld mag worden.
• Is de directie bereid om ook nee te horen? Soms is de eerlijke uitkomst van een verkenning: dit is (nog) geen goede use case. Een organisatie die dat niet accepteert, dwingt teams tot doordrukken.

Neem het adoptievraagstuk daarom net zo serieus als de techniek. Een toepassing die niet gebruikt wordt, levert per definitie niets op.

Checklist deel 4: is governance geregeld, of komt dat “later wel”?

Governance klinkt als iets voor grote organisaties, maar het is een voorwaarde voor opschaling. Het NIST-raamwerk zet governance zelfs voorop: het is de eerste van zijn vier functies en loopt door alle andere heen. De kernvragen zijn voor iedereen relevant:

• Wie is verantwoordelijk als de AI een fout maakt? Als niemand die vraag kan beantwoorden, is de toepassing niet klaar voor productie.
• Weet je onder welk regime van de AI-verordening je toepassing valt? De Europese AI-verordening kent op hoofdlijnen verschillende regimes: verboden praktijken, hoog-risicosystemen met zwaardere eisen, transparantieverplichtingen voor bepaalde toepassingen, en overige systemen. Niet elke toepassing krijgt dus één simpel “risicolabel”. Breng vroeg in kaart waar jouw use case ongeveer zit, en laat de precieze duiding toetsen door iemand met juridische expertise.
• Is er een proces om de toepassing te monitoren nadat die live is? Data en omstandigheden kunnen veranderen, en afhankelijk van het type toepassing kunnen prestaties teruglopen. Zonder monitoring loop je het risico dat je problemen pas opmerkt als een gebruiker of burger klaagt.
• Kun je uitleggen hoe de toepassing tot een uitkomst komt? Of en in welke mate uitlegbaarheid verplicht is, hangt af van onder meer het type besluit, de toepasselijke wetgeving en de rol van menselijke tussenkomst. Zeker bij besluiten die mensen raken, is de verstandige aanname: ontwerp alsof je verantwoording moet kunnen afleggen, en laat de juridische reikwijdte toetsen.

Governance-vragen verdwijnen niet door ze uit te stellen. Wie ze vanaf het begin meeneemt, kan eisen in het ontwerp verwerken in plaats van er achteraf een gebouwde oplossing op aan te passen.

Hoe je de checklist gebruikt: geen rapportcijfer, maar een routekaart

De verleiding is groot om de checklist te scoren en een “AI readiness score” op een slide te zetten. Doe dat niet. Een score suggereert dat je klaar bent bij een acht, en dat is niet hoe dit werkt.

Gebruik de checklist anders:

1. Loop de vier delen langs voor één concrete use case. Niet voor “de organisatie” in het algemeen, want dat wordt te abstract.
2. Markeer de showstoppers. Geen probleemeigenaar, geen toegang tot de data, geen juridische grondslag: dat zijn stoppers. Los die eerst op.
3. Accepteer de aandachtspunten. Niet-perfecte data of beperkte AI-kennis zijn geen reden om te wachten, wel om klein te beginnen en te leren.
4. Herhaal per use case. Een organisatie kan klaar zijn voor een interne tekstassistent en tegelijk niet klaar voor geautomatiseerde besluitvorming. Readiness is contextafhankelijk.

Wees daarbij eerlijk over doorlooptijd. Hoeveel tijd het dichten van gaten in data-eigenaarschap, governance en procesinbedding kost, verschilt sterk per organisatie en per gat. Spreek dat vooraf uit en beloof geen snelle resultaten. Dat voorkomt teleurgestelde stakeholders halverwege.

De eerste stap: één use case, één middag, vier vragen

Je hoeft geen groot assessment-traject in te kopen om te beginnen. Doe dit:

Plan een werksessie van een dagdeel met de proceseigenaar, iemand die de data kent, iemand van privacy/compliance en een beslisser. Kies vooraf één concrete use case. Loop samen de vier delen van deze checklist langs en schrijf per deel op: wat weten we, wat weten we niet, wat is een showstopper?

De uitkomst van die middag is een gedeeld, eerlijk beeld van waar je staat, en een concrete lijst van wat er moet gebeuren voordat je bouwt.

En als de uitkomst is dat je er nog niet klaar voor bent? Dan heb je die conclusie getrokken vóórdat het geld en geloofwaardigheid kostte. Ook dat is winst.

Zo maken we dit. AI schrijft de eerste versie, een tweede AI-model van een andere aanbieder controleert hem, en een mens van Twentynext heeft dit artikel gelezen en goedgekeurd voordat het live ging. We controleren feiten en bronnen zorgvuldig, maar kunnen juistheid en volledigheid niet garanderen. Zie onze disclaimer.