Waarde halen uit AI: vijf lessen van Dreamforce 2026

Bijna elke organisatie gebruikt inmiddels AI, maar weinig organisaties zien het terug in hun resultaat. Op Dreamforce 2026, het jaarlijkse congres van Salesforce, ging het daar drie dagen lang over. McKinsey sprak er met bestuurders van grote bedrijven en haalde vijf lessen op over waarde halen uit AI. Ik vertaal ze naar de praktijk van mkb, zorg en overheid.

Waarom is waarde halen uit AI zo lastig?

McKinsey beschrijft in een blog over Dreamforce twee cijfers die samen het probleem laten zien. Bijna 90 procent van de bedrijven gebruikt AI in minstens één bedrijfsonderdeel, en 37 procent schrijft er enig effect op het bedrijfsresultaat aan toe. Bij commerciële afdelingen heeft minder dan 10 procent AI echt opgeschaald.

Dat beeld is bekend. Een deel van de collega’s laat AI een mail herschrijven of een vergadering samenvatten, terwijl de rest van het werk loopt zoals het altijd liep. Dat bespaart tijd, maar het proces zelf verandert niet. Steve Reis, senior partner bij McKinsey, adviseert om één belangrijk onderdeel van het bedrijf te kiezen en dat opnieuw te bekijken, want daar zit volgens hem de meeste waarde.

Mijn advies sluit daarop aan. Kies één proces waar nu veel tijd in gaat of waar vaak fouten ontstaan, zoals de intake van nieuwe klanten, de planning of de verslaglegging. Begin daar en laat de rest nog even liggen.

Hoeveel moet je in mensen investeren?

Uit het onderzoek van McKinsey komt een vuistregel: voor elke dollar die naar het invoeren van AI gaat, kan drie dollar nodig zijn voor de verandering in de organisatie. Het geld voor een tool is vaak snel geregeld. Het meeste werk zit in hoe collega’s met AI werken, wie waarover beslist en hoe het werk daarna loopt.

Een belangrijke reden is dat mensen verschillend naar AI kijken. In elk team zitten collega’s die meteen willen experimenteren, collega’s die eerst willen begrijpen hoe het werkt en collega’s die liever zelf de regie houden. Al die houdingen hebben waarde. Zolang niemand ze ziet, lopen plannen langs elkaar heen, en een plan dat de koploper enthousiast maakt kan de twijfelaar het gevoel geven dat hem iets wordt opgelegd.

Breng daarom eerst in beeld hoe je collega’s tegenover AI staan, voordat je kiest voor tools of trainingen. Dan kies je een eerste stap die voor de koplopers en voor de twijfelaars werkt.

Hoe leer je snel zonder onzorgvuldig te worden?

McKinsey noemt snelheid het voordeel van de organisaties die vooroplopen. Daarmee bedoelen ze hoe snel een organisatie iets kan uitproberen, ervan kan leren en kan bijsturen. De koplopers draaien experimenten tegelijk in verkoop, marketing en klantenservice en verkorten zo de weg van idee naar besluit.

Voor een zorginstelling of een gemeente klinkt snel misschien riskant. Klein beginnen met een duidelijke afbakening is juist de veilige route, want na een paar weken zie je wat het oplevert voordat er een groot project aan hangt. Bij een adviespraktijk bouwden we een vaste werkwijze voor leren en verbeteren, zodat kennis niet aan personen blijft hangen. Zo’n vast ritme maakt experimenteren met AI een stuk makkelijker.

Kies één toepassing, spreek af wie wat doet en plan vaste momenten om terug te kijken. Spreek ook vooraf af hoe je het resultaat meet, anders weet je na zes weken nog steeds niet wat het opleverde. Een experiment van vier tot zes weken leert je meestal meer dan maanden plannen maken.

Wat doe je met al die losse AI-tools?

Grote bedrijven bouwen AI-assistenten voor marketing en verkoop. Die assistenten praten onderling vaak net zo weinig als de afdelingen erachter, waardoor de eilandjes van vroeger terugkomen. Omdat bijna elke softwareleverancier inmiddels AI aanbiedt, groeit ook het aantal tools snel. Jan-Christoph Köstring van McKinsey ziet dat bedrijven vooral in losse toepassingen denken, terwijl waarde ontstaat als je het hele proces van begin tot eind bekijkt.

In kleinere organisaties ziet dat er herkenbaar uit. Denk aan een collega die ChatGPT gebruikt, een ander die Copilot opent en een derde die de AI-functie in het boekhoudpakket probeert. Elk van hen heeft er baat bij, maar niemand heeft afgesproken waarvoor het mag dienen en waar het werk daarna naartoe gaat.

Je hoeft niet te wachten op het perfecte plan. Begin met één toepassing en kijk bij het ontwerp naar het hele proces. Leg samen een paar spelregels vast: waarvoor gebruiken we AI, wat blijft mensenwerk en wie is waarvoor verantwoordelijk. Hoe je dat kort houdt, lees je in AI-spelregels: begrenzing zonder dik beleidsdocument.

Waarom begint waarde halen uit AI bij je informatie?

Data kwam in bijna elk gesprek op Dreamforce terug. Een AI-toepassing is zo goed als de gegevens waarop hij draait. Staan klant- of cliëntgegevens verspreid, zijn ze verouderd of ontbreekt er iets, dan kan AI daar geen aanbeveling uit halen waar je op kunt vertrouwen. De bedrijven die waarde uit AI halen, werken volgens McKinsey aan hun data, herontwerpen hun werkprocessen en veranderen hoe de organisatie leert.

Dat laatste geldt ook voor je mensen. Collega’s willen zien wat AI hen oplevert, bijvoorbeeld minder administratie of meer tijd voor cliënten. Wie nu beloond wordt voor snelheid in het oude proces, heeft weinig reden om het nieuwe proces uit te proberen, dus de manier waarop je werk waardeert moet meebewegen.

Kijk daarom eerst kritisch naar je informatiehuishouding: waar staan de gegevens, wie houdt ze bij en hoe zeker ben je van de kwaliteit? Meer daarover lees je in De informatiehuishouding: waarom je organisatievermogen dubbel telt.

Waar begin je?

Deze vijf vragen helpen je op weg:

• Welk ene proces ga je opnieuw doordenken?
• Hoe kijken je collega’s tegen AI aan, en waar lopen de meningen uiteen?
• Wat kun je binnen een paar weken uitproberen, en hoe meet je wat het oplevert?
• Welke afspraken gelden er over wat AI wel en niet doet?
• Zijn de gegevens waarop AI moet werken compleet en actueel?

Lukt het je niet om de tweede vraag helder te beantwoorden, begin dan daar. Pas als je weet waar je collega’s staan, kun je een eerste stap kiezen die voor jouw team haalbaar is.