De meeste organisaties zijn al volop bezig met AI. Waarschijnlijk heeft jouw bedrijf een aantal pilots lopen en voeren je teams verschillende experimenten uit. Maar als je eerlijk bent: leidt die aanpak ook daadwerkelijk tot resultaten?
Serieuze use cases zijn zelden zinloos, maar zijn ze ook verbonden met wat jouw organisatie werkelijk wil bereiken? Het verschil tussen experimenteren met AI en er daadwerkelijk waarde mee realiseren zit meestal niet in de technologie. Echte waarde ontstaat als er een verbinding bestaat tussen AI en wat je als organisatie wil bereiken.
Drie gebieden waar AI waarde oplevert
Om die verbinding te maken, helpt het om AI te benaderen vanuit drie waardegebieden: expertise, experience en executie. Door deze drie gebieden te begrijpen kan je inzichtelijk maken waar AI de meeste impact kan maken voor jouw organisatie.
Expertise: hoe bied je kennis op een betrouwbare manier aan?
Neem als voorbeeld een verzekeraar die via data exact kan voorspellen welke klant toe was aan een nieuwe auto. Dit zijn zeer waardevolle inzichten die ze willen doorgeven aan de bij hen aangesloten garagebedrijven. Win-win, zou je denken.
In de realiteit deed bijna niemand er iets mee. Niet omdat de data niet klopte, maar omdat de garages het niet vertrouwden. Een verzekeraar die je spontaan voorziet van verkooptips voelde verkeerd, ongeacht hoe goed de inzichten waren. Hoe weten de autoverkopers immers zeker dat de inzichten waarheidsgetrouw zijn? En stel ze zijn dat wel, hoe zet je dan de volgende stap?
Expertise alleen overtuigt niet. Je moet ook een betrouwbare afzender zijn.
Dat is precies het probleem dat AI kan helpen oplossen. Als je duizenden salesgesprekken per jaar voert, kan je AI inzetten om gedeelde inzichten uit al die gesprekken te destilleren. Een belangrijke voorwaarde is dat alle relevante context toegankelijk en bruikbaar is voor AI. Denk daarbij aan inzichten uit gesprekken, klantdata, benchmarks en andere signalen die zich nu verspreid door de organisatie bevinden.
Dankzij alle kennis en context worden de adviseurs voor elk gesprek voorzien van:
gerichte openingsvragen gebaseerd op actuele signalen uit het veld
concrete aandachtspunten die normaal pas tijdens het gesprek naar boven kwamen
gedeelde intelligentie die adviseurs in staat stelt proactief te adviseren in plaats van reactief
adviezen waarmee de adviseurs zich echt konden onderscheiden als betrouwbare partner
Dankzij de AI-inzichten komen adviseurs sneller tot de kern, leveren ze meer waarde en voelen ze zich beter voorbereid. De expertise is er al. AI helpt om die op het juiste moment toegankelijk en bruikbaar te maken. Zo kunnen adviseurs niet alleen beter adviseren, maar ook bouwen aan vertrouwen en autoriteit en zich sterker positioneren als expert.
Experience: hoe bied je de juiste ervaring op het juiste moment?
Dezelfde logica geldt wanneer AI een rol krijgt in de customer experience. Een producent van huishoudapparatuur kan van een transactiemoment juist een kans maken voor persoonlijke nazorg. Op basis van context kan AI bepalen waar in de klantreis iemand zich bevindt en daar de juiste ervaring aan koppelen. Denk aan:
het aanbieden van een handleiding voor het activeren van de garantie aan iemand die zijn of haar eerste wasmachine heeft aangeschaft
het aanbieden van tips om je wasmachine langer mee te laten gaan aan iemand die enkele jaren geleden een wasmachine heeft aangeschaft
het aanbieden van een kortingsvoucher aan iemand waarvan de wasmachine ouder is dan 10 jaar
Op deze manier bied je een ervaring die aansluit bij de persoon en waar in de klantreis deze persoon zich bevindt. De waarde zit niet in altijd aanwezig zijn, maar in begrijpen waar de behoefte ligt op dat specifieke moment.
Loop daarom eens door je eigen klantreis. Op welke momenten heeft iemand vooral behoefte aan uitleg, zekerheid of begeleiding? AI kan helpen om die momenten beter te herkennen en gedurende de hele klantreis relevant aanwezig te zijn. Zo bouw je aan een ervaring die niet alleen persoonlijker voelt, maar ook de emotionele verbinding met je merk versterkt.
Executie: hoe borg je kwaliteit op schaal?
Naarmate teams meer content produceren of meer processen uitvoeren, wordt het lastiger om de kwaliteit en consistentie te waarborgen. Vroeg of laat loop je tegen dezelfde vraag aan: hoe behoud je grip op kwaliteit als de hoeveelheid toeneemt? Handmatig reviewen werkt tot een bepaalde omvang en daarna verlies je het overzicht. Het inzetten van AI kan hier veel waarde opleveren.
Voor een van onze klanten hebben we AI ingezet om contentrichtlijnen te vertalen naar concrete evaluatiecriteria. Redacteuren kregen ondersteuning bij het structureren, schrijven en reviewen van content voor een betere en schaalbare kwaliteitscontrole. Dit leidde tot:
50% minder tijd voor informatieverzameling en structurering
75% snellere productie van begin tot eind
een consistent hoge kwaliteit op grote schaal
Dat is de waarde van AI in executie: het herhaalbare beheersen én consistentie en kwaliteit op schaal borgen. Zo houden mensen meer ruimte om hun aandacht te richten op het werk waar hun expertise echt waarde toevoegt.
Van losse use cases naar een operating model
De drie voorbeelden hierboven hebben één ding gemeen: ze zijn niet gebouwd rondom een losse AI-oplossing of tool. Ze zijn gebouwd rondom de vraag: hoe helpt AI ons doen wat we al doen, maar dan beter?
Dat verschil is groter dan het lijkt. Use cases zijn geïsoleerd. Ze leveren lokaal waarde, maar veranderen weinig aan de manier waarop een organisatie werkt. Een operating model verbindt AI met de dagelijkse werkwijze, het team, de klant en uiteindelijk de missie. Concreet betekent het dat AI geen losstaand project meer is, maar een structureel onderdeel van hoe je organisatie werkt, beslist en waarde levert.
Hoe ziet een operating model eruit in de praktijk?
Door de inzet van AI in de klantenservice handelde IKEA tussen FY21 en FY23 ongeveer 47% van alle vragen automatisch af. Dat waren circa 3,2 miljoen interacties met een besparing van €13 miljoen aan operationele kosten. De overige 53% van de vragen bleek voornamelijk te gaan over interieuradvies.
De inzet van AI zorgde voor veel vrijgekomen capaciteit. In plaats van hun menselijke collega’s te ontslaan, schoolden zij hen om tot interieurontwerpers. Deze nieuwe dienstverlening was goed voor €1,3 miljard omzet, gebouwd op de missie van IKEA: het dagelijks leven van mensen beter maken.
Interessant is vooral hoe IKEA tot die keuze kwam: door niet alleen te kijken naar wat AI kon overnemen, maar juist naar de vragen die AI níét kon beantwoorden. Daar bleek ruimte te liggen voor menselijke expertise én een nieuwe dienstverlening. Ook niet onbelangrijk: IKEA waarborgde de banen van de werknemers die werden omgeschoold.
Wat dit voorbeeld ook laat zien: de overgang naar een operating model vraagt een mate van verandering op een compleet andere schaal dan het uitrollen van een paar slimme tools. Het hele bedrijf moet worden meegenomen in de verandering – niet alleen de teams die toevallig al met AI bezig zijn.
Waar kan je nu zelf mee beginnen?
De eerste stap is vooral niet om meteen een AI-tool te kiezen of een nieuwe pilot starten. Begin in plaats daarvan met je eigen waarde-elementen in kaart brengen. Waar kan AI daadwerkelijk waarde bijdragen aan de expertise, experience en/of executie? Denk aan deze eerste stappen:
Kijk welke kennis of terugkerende taken binnen je organisatie nu veel tijd kosten of versnipperd zijn
Bepaal welke van die momenten direct bijdragen aan een belangrijk organisatiedoel
Onderzoek daarna pas waar AI kan helpen
Het antwoord staat waarschijnlijk al ergens op je website. Bijvoorbeeld in een missie, visie of belofte. De opdracht is om die belofte te verbinden met de mogelijkheden die AI biedt en van daaruit te bouwen aan een aanpak die het hele bedrijf meeneemt.
