Copilot is uitgerold. De licenties zijn betaald. De kick-off is geweest, er is een enthousiaste e-mail de deur uit gegaan, en er staat een mooie tegel op het intranet. En dan... gebeurt er niets. Adoptie blijft steken op een handjevol early adopters, gebruik verwatert na een paar weken, en de business case begint te wankelen nog voordat hij goed en wel is gestart.
Als je dit herkent, ben je niet de enige. Het patroon is opvallend consistent, en de oorzaak ligt vrijwel nooit bij het model. GPT-4, Copilot, Claude — de onderliggende technologie is inmiddels ruim goed genoeg voor de meeste zakelijke toepassingen. Wat organisaties keer op keer onderschatten, is alles wat er nodig is om die technologie daadwerkelijk te laten werken met hún data, in hún processen, met hún mensen. Hieronder de vier oorzaken die we bij bijna elke organisatie tegenkomen.
1. Niemand weet precies welke data er is, laat staan waar
De belofte van een AI-assistent is dat hij vragen beantwoordt op basis van je bedrijfskennis. Maar die belofte veronderstelt dat die kennis vindbaar, gestructureerd en actueel is. In de praktijk is dat zelden zo.
Bedrijfsinformatie ligt verspreid over SharePoint-sites die niemand meer beheert, Teams-kanalen vol losse bestanden, e-mailboxen, een intranet met content uit 2019, en een handvol lokale schijven waar "de echte versie" staat. Er is geen eigenaarschap, geen opschoning, geen duidelijkheid over wat leidend is. Het gevolg: de AI-tool zoekt keurig door alles wat hij mag zien, en serveert vervolgens een antwoord gebaseerd op een verouderd document, een concept dat nooit is goedgekeurd, of drie tegenstrijdige versies van hetzelfde beleid.
Voor gebruikers voelt dat niet als "de AI moet nog leren." Het voelt als onbetrouwbaar. En onbetrouwbaar is precies het soort ervaring waarna mensen afhaken — vaak al na de eerste of tweede teleurstellende interactie. Je wint dat vertrouwen zelden op tijd terug om de pilot nog te redden.
De oplossing begint niet bij een tool, maar bij opruimen: welke bronnen zijn leidend, wie is eigenaar, wat mag weg, en wat moet eerst worden gestructureerd voordat een AI-systeem er iets zinnigs mee kan.
2. Toegangsrechten zijn een doolhof — en dat wreekt zich dubbel
Dit is misschien wel de meest onderschatte hobbel. Elke organisatie heeft na jaren van reorganisaties, projecten en personeelswisselingen een woud aan toegangsrechten opgebouwd dat niemand meer volledig overziet. Mensen hebben toegang tot mappen van teams waar ze niet meer in zitten. Anderen missen juist toegang tot informatie die ze nu, met een AI-assistent, ineens wél nodig hebben om een goed antwoord te krijgen.
Dat levert twee problemen op, en beide zijn schadelijk.
Het eerste is een blokkade: de AI kan relevante content niet meenemen omdat de gebruiker er formeel geen rechten toe heeft, terwijl het antwoord daar wél in staat. Resultaat: een onvolledig of nietszeggend antwoord, terwijl de informatie letterlijk "ergens" beschikbaar was.
Het tweede is een risico: omdat AI-tools vaak zoeken over alles waar een gebruiker toegang toe heeft, komen soms zaken naar boven die nooit voor die persoon bedoeld waren — salarisgegevens, HR-dossiers, strategische documenten die nog niet gedeeld hadden mogen worden. Zodra dit één keer gebeurt, grijpt IT of compliance in, wordt de tool tijdelijk stilgelegd voor "nader onderzoek," en is het vertrouwen — bij gebruikers én bij het management — in één klap weg.
Toegangsbeheer opschonen is geen sexy project. Er is geen quick win, geen demo die er goed uitziet. Maar zonder een gesaneerde rechtenstructuur bouw je een AI-laag bovenop een fundament dat niet klopt, en dat merk je vroeg of laat.
3. Er is geen eigenaar voor "AI in de praktijk"
Een pilot start vaak vanuit IT of een innovatieteam. Zij regelen de licenties, richten de tool in en zorgen dat de techniek werkt. Maar wie is er verantwoordelijk voor de vraag of het ook daadwérkelijk gebruikt wordt in het werk van een inkoper, een HR-adviseur of een projectmanager?
Zonder een duidelijke eigenaar — iemand die per afdeling kijkt naar concrete use cases, gebruikers begeleidt, en obstakels wegneemt — verzandt een pilot in "beschikbaar, maar niet ingebed." Mensen proberen de tool één keer uit, krijgen geen duidelijk antwoord op wat ze ermee moeten doen in hún werk, en vallen terug op de oude manier van werken. Niet uit onwil, maar omdat niemand hen heeft laten zien wat het concreet oplevert in hun eigen taken.
Techniek uitrollen is geen verandertraject. Adoptie wél. Dat vraagt om iemand die de brug slaat tussen "de tool is beschikbaar" en "dit is hoe jij hem morgen gebruikt in je functie."
4. Succes wordt niet gemeten, dus niemand kan bijsturen
De vierde oorzaak is bijna paradoxaal: organisaties investeren fors in een pilot, maar meten zelden wat er daadwerkelijk gebeurt. Hoeveel mensen gebruiken de tool wekelijks? Bij welke taken haakt men af? Welke vragen leveren slechte antwoorden op, en waarom?
Zonder die data stuur je blind. Een pilot die "niet goed loopt" kan drie heel verschillende oorzaken hebben — slechte databronnen, ontbrekende toegang, of simpelweg onbekendheid bij gebruikers — en zonder meting weet je niet welke van de drie het is. Het resultaat is dat de pilot na een paar maanden wordt afgeschreven als "AI werkt niet voor ons," terwijl het eigenlijk gaat om een oplosbaar databronnen- of toegangsprobleem dat nooit is gediagnosticeerd.
De rode draad
Deze vier oorzaken lijken verschillend, maar ze delen een kern: ze gaan over de omgeving waarin AI moet functioneren, niet over de AI zelf. Data-hygiëne, toegangsbeheer, eigenaarschap en meting zijn geen "nice to haves" die je later oppakt als de pilot eenmaal loopt. Ze zijn de voorwaarde om te kunnen starten.
De organisaties die wél resultaat boeken, beginnen dan ook zelden met de tool. Ze beginnen met een eerlijke inventarisatie: waar staat onze data, wie heeft waar toegang toe, wie is verantwoordelijk voor adoptie, en hoe gaan we meten of het werkt? Dat is minder spannend dan een productlancering, maar het is wél het verschil tussen een pilot die na drie maanden stilletjes wordt begraven, en een die daadwerkelijk waarde oplevert.
De techniek is er klaar voor. De vraag is of jouw organisatie dat ook is.
.svg){kind=icon}
