Iedereen heeft nu een AI-strategie. Bijna niemand kan ze uitvoeren.

Een paar jaar geleden was een goede digitale strategie nog schaars. Je had consultants, gespecialiseerde kennis, onderzoek en weken werk nodig om nieuwe opportuniteiten in kaart te brengen. Vandaag kan een bedrijfsleider in één namiddag met AI een markt analyseren, tientallen automatiseringsideeën bedenken, een businesscase laten uitwerken, een roadmap opstellen en zelfs een eerste prototype laten bouwen.

Dat is indrukwekkend, maar ideeën zijn daardoor niet langer de bottleneck. De echte schaarste verschuift naar wat daarna komt: processen hertekenen, data ontsluiten, systemen koppelen, verantwoordelijkheid toewijzen en zorgen dat een oplossing niet alleen in een demo werkt, maar elke dag in de organisatie.

De cijfers maken die kloof zichtbaar. In de McKinsey Global Survey on AI van 2025 zegt 88% van de respondenten dat hun organisatie AI regelmatig gebruikt in minstens één bedrijfsfunctie. Toch is slechts ongeveer een derde begonnen AI op organisatieniveau op te schalen. Slechts 39% rapporteert een meetbare impact op EBIT op ondernemingsniveau, meestal minder dan 5% van de EBIT. AI wordt dus snel normaal. Waarde creëren met AI nog niet.

AI heeft ideeën bijna gratis gemaakt

Generatieve AI verlaagt de kost van analyse en ideevorming spectaculair. Vraag een model hoe een transportbedrijf efficiënter kan plannen, hoe een installateur administratief werk kan verminderen of hoe een productiebedrijf onderhoud kan voorspellen, en binnen seconden verschijnt een plausibele lijst met oplossingen.

Maar plausibel is niet hetzelfde als uitvoerbaar. Een chatbot voor klantenservice is snel gebouwd, maar dan beginnen de echte vragen: welke klantgegevens mag hij zien, waar komen die vandaan, wie behandelt uitzonderingen, wordt het CRM bijgewerkt en hoe meten we of de oplossing werkelijk tijd bespaart?

Hetzelfde geldt voor planning, administratie, offertes, facturatie en onderhoud. AI kan een individuele taak versnellen terwijl het volledige proces nauwelijks verandert. Een medewerker wint vijf minuten op een mail, maar de order wacht daarna nog twee dagen omdat informatie manueel naar een ander systeem moet. Dat is lokale optimalisatie, geen transformatie.

De bedrijven die waarde halen uit AI doen iets anders

McKinsey identificeert een kleine groep organisaties die aantoonbaar meer waarde uit AI haalt: de AI high performers, ongeveer 6% van de respondenten. Wat hen onderscheidt, is niet alleen hoeveel AI ze gebruiken, maar vooral dat ze veranderen hoe het bedrijf werkt.

High performers zijn bijna drie keer vaker bezig workflows fundamenteel te herontwerpen. McKinsey noemt workflow redesign een van de sterkste factoren die samenhangen met betekenisvolle bedrijfsimpact uit AI. Ook senior management toont er veel vaker duidelijk eigenaarschap. De vraag is dus minder welke AI-tool je moet gebruiken, en meer welk proces anders moet werken.

70% van het werk zit niet in het algoritme

Boston Consulting Group gebruikt al jaren de 10-20-70-regel voor digitale en AI-transformaties: ongeveer 10% van de inspanning gaat naar algoritmes, 20% naar technologie en data en 70% naar mensen, processen en verandering. Het is geen natuurwet, maar wel een nuttige vuistregel uit hun implementatie-ervaring.

Net dat laatste deel wordt vaak onderschat. Modellen vergelijken, prompts testen en licenties kopen is relatief eenvoudig. Het moeilijke werk is verantwoordelijkheden bepalen, informatie standaardiseren, uitzonderingen definiëren, systemen integreren en medewerkers meekrijgen. Daarom stranden pilots vaak niet op het model, maar op de organisatie eromheen.

België loopt voorop in AI-adoptie

Voor Belgische bedrijven is dit bijzonder relevant. Volgens Eurostat gebruikte in 2025 34,54% van de Belgische ondernemingen met minstens tien werknemers AI-technologie, tegenover 19,95% gemiddeld in de EU. België behoort daarmee tot de Europese kopgroep.

Maar de schaalverschillen blijven groot. In de EU gebruikte in 2025 ongeveer 17% van de kleine ondernemingen AI, tegenover 30,36% van de middelgrote ondernemingen en 55,03% van de grote bedrijven. AI creëert bovendien zelden op zichzelf waarde; het heeft data, processen en systemen nodig waarop het kan aansluiten.

Een KMO zonder perfect geïntegreerde IT-omgeving heeft daarom niet noodzakelijk een AI-probleem. Vaak heeft ze eerst een versnipperingsprobleem. Dat is tegelijk een nadeel en een kans: grote ondernemingen hebben vaker mature systemen, maar ook meer legacy en langere besluitvorming. Een KMO kan sneller hertekenen als ze het volledige proces bekijkt in plaats van telkens een extra tool bovenop de bestaande werking te zetten.

Een slecht proces automatiseren maakt het niet goed

Neem een bedrijf waar een bestelling per mail binnenkomt, gegevens manueel naar het ERP gaan, planning deels in Excel gebeurt en na uitvoering opnieuw informatie moet worden overgetypt voordat er gefactureerd kan worden. Je kunt op verschillende plaatsen AI toevoegen en toch nauwelijks structurele winst boeken.

De grotere winst ontstaat wanneer de keten opnieuw wordt ontworpen: gegevens worden één keer correct geregistreerd, informatie stroomt automatisch naar planning en uitvoering, alleen afwijkingen vragen menselijke aandacht en facturatie wordt voorbereid zodra aan de juiste voorwaarden is voldaan. Management krijgt tegelijk zicht op doorlooptijd, capaciteit en marge.

AI kan daarin helpen, maar AI is niet het proces. Het proces is het systeem dat waarde creëert.

Begin daarom niet met de vraag waar AI kan worden ingezet

Voor veel bedrijven is "we moeten iets met AI doen" een te vaag vertrekpunt. Een betere vraag is: waar verliezen we vandaag tijd, capaciteit of marge? Dat kan zitten in dubbele invoer, wachttijden, slechte planning, te late facturatie, foutgevoelige administratie of informatie die verspreid zit over verschillende systemen.

Pas wanneer dat zichtbaar is, wordt technologie relevant. Dan kan worden bepaald welke stap moet verdwijnen, welke systemen gekoppeld moeten worden en waar automatisering of AI werkelijk waarde toevoegt. Je gebruikt AI niet omdat het beschikbaar is, maar omdat een concreet bedrijfsprobleem er aantoonbaar beter mee kan worden opgelost.

Een prototype bewijst dat iets technisch mogelijk is. Pas wanneer data, integraties, uitzonderingen, verantwoordelijkheden en gebruikers mee zijn georganiseerd, wordt het een oplossing waarop een bedrijf dagelijks kan rekenen. Net daar ligt het verschil tussen experimenteren met AI en er werkelijk bedrijfswaarde uit halen.

Het model wordt goedkoper. De organisatie eromheen wordt waardevoller.

De snelheid waarmee AI-modellen verbeteren, maakt één ding waarschijnlijk: toegang tot krachtige AI wordt steeds minder een duurzaam concurrentievoordeel. Concurrenten krijgen dezelfde modellen en softwareleveranciers bouwen vergelijkbare mogelijkheden in hun producten.

Moeilijker te kopiëren is een bedrijf waarin processen, data, systemen en mensen zo zijn georganiseerd dat nieuwe technologie snel kan worden ingezet. Een organisatie die haar workflows begrijpt, betrouwbare data heeft, systemen kan koppelen en resultaten meet, kan nieuwe AI-capaciteiten veel sneller benutten dan een organisatie met versnipperde processen.

Daarom verschuift het concurrentievoordeel niet van menselijke naar artificiële intelligentie, maar van ideeën naar uitvoering.

Wat dit voor KMO's betekent

KMO's hoeven geen kleinere versie van de AI-afdeling van een multinational te bouwen. Ze kunnen hun snelheid als voordeel gebruiken: kies één economisch belangrijk proces, breng de volledige keten in kaart, meet waar tijd en marge verloren gaan, vereenvoudig eerst, koppel wat al bestaat en voeg AI toe waar interpretatie, voorspelling of kennisverwerking nodig is.

Zo ontstaat geen verzameling AI-tools, maar een efficiëntere bedrijfsvoering. Daar ligt het verschil tussen bedrijven die AI gebruiken en bedrijven die er werkelijk productiever, schaalbaarder en winstgevender door worden.

Wat Impleminds vandaag kan betekenen

Impleminds begint daarom niet met de vraag welk AI-model of welke software een bedrijf moet kopen. Via een Groeianalyse brengen we processen, systemen, data en knelpunten samen en kijken we waar tijd, capaciteit of marge verloren gaat. Soms is AI de juiste oplossing; soms levert een eenvoudige integratie, automatisering of procesaanpassing meer op.

Daarna bouwen we de verbinding tussen strategie en uitvoering: processen herontwerpen, systemen koppelen, repetitief werk automatiseren, data bruikbaar maken en AI toevoegen waar het aantoonbaar voordeel creëert. Want een goede AI-strategie is vandaag niet moeilijk meer te bedenken. Het vermogen om ze werkelijk uit te voeren wordt het concurrentievoordeel.