Inzicht
Waarom AI-projecten stranden op de informatiestructuur
Steeds meer bedrijven experimenteren met AI. Een slimme assistent hier, een automatisering daar. En toch blijft de grote winst vaak uit. Dat ligt zelden aan het model. Het ligt aan de laag eronder, aan de informatie waarmee de AI moet werken en aan de manier waarop het werk is ingericht.
Het patroon
De proef werkt, de praktijk niet
Een AI-proef begint klein en overtuigend. Iemand laat zien hoe snel een tekst wordt samengevat of een mail wordt opgesteld. Enthousiasme alom. Dan volgt de stap naar het echte werk, en daar strandt het. De AI heeft informatie nodig die verspreid staat over mail, chats, losse documenten en de hoofden van mensen. Niemand weet zeker welke versie klopt. De uitkomst wordt onbetrouwbaar, en het proefje verdwijnt in de la.
Dit is geen incident. Het is het patroon. De techniek is de afgelopen jaren razendsnel beter geworden, maar de manier waarop organisaties hun informatie ordenen, is vaak nauwelijks meegegroeid. Daar ontstaat een kloof: wat AI in principe kan, loopt steeds verder voor op wat je werk aankan.
De kloof
AI schaalt niet op je ambitie, maar op je informatiestructuur. Dat is voor COHEREN het echte knelpunt. Zolang je informatie versnipperd is en je regels nergens vastliggen, maakt een krachtiger model het probleem eerder groter dan kleiner: het gaat sneller de verkeerde kant op.
Hoe krachtiger het model, hoe groter het verschil.
Op een geordende structuur levert meer kracht ook meer op.
Op een versnipperde structuur versnelt meer kracht ook wat er niet klopt.
Wat onderzoek zegt
Drie bronnen, dezelfde conclusie
Onderzoek wijst dezelfde kant op als de praktijk hierboven. McKinsey noemt de staat van je data een van de grootste remmen op het opschalen van AI. Het CBS laat zien dat ondernemers in het mkb zelf kennis en ervaring als grootste drempel noemen, niet de kosten van de techniek. En de Rijksoverheid rekent een geordende informatiehuishouding tot de voorwaarden om AI verantwoord te gebruiken. De rode draad is telkens dezelfde: niet de techniek is het probleem, maar de basis eronder.
Gebruikt AI29,8%
mkb, 10 tot 250 werkzame personen, 2025 · CBS
Echt in de bedrijfsvoering6%
Exact MKB-barometer, aangehaald in het Rijksoverheidsrapport AI-gebruik in het mkb, 2025
Twee metingen, twee bronnen, dezelfde markt.
Voorbeeld
Een organisatie bouwt een AI-assistent die offertes helpt opstellen. Op de afdeling waar hij bedacht is werkt hij prima, want daar weet één collega precies waar alles staat. Zodra een tweede afdeling meedoet, klopt het niet meer: andere sjablonen, andere prijsafspraken, een goedkeuring die ergens in een mailbox hangt. De assistent is niet stukgegaan. De informatie waarop hij leunt was nooit gedeeld. Dat los je niet op met een beter model, maar met een gedeelde basis.
Wat helpt
Wat er wél helpt
De oplossing is niet "eerst alles perfect maken en dan pas AI". Per proces volstaat "goed genoeg". Begin klein, bij één afdeling of één workflow die schuurt, en zorg dat de informatie dáár klopt. Het gaat erom waar ze woont, wie erover gaat en hoe de ene stap op de volgende aansluit. Op die geordende basis kan AI wél betrouwbaar meewerken, en kun je van daaruit verder groeien.
Dat is precies waar een Structuurscan mee begint. We brengen je hele proceslandschap in beeld en toetsen één proces in de diepte. Zo zie je waar de informatie vastloopt en wat de eerste concrete stap is. Dat is geen grote verbouwing, maar een helder begin.
Bronnen: McKinsey (The State of AI), CBS (AI-gebruik bij bedrijven), Rijksoverheid (informatiehuishouding).
Volgende stap
Wat betekent dit voor jouw werk?
Wil je eerst begrijpen wat we met "de basis eronder" bedoelen? Lees dan wat een informatiefundament is. Of plan een kennismaking, dan kijken we samen waar het bij jou vastloopt.