Een lastige stap: van AI als productiviteitssteun naar AI die in je organisatie verweven zit. De successen van je AI-pilot wil je organisatiebreed uitrollen. Je hebt teams die experimenteren, agents die al een waardevolle toevoeging zijn aan je organisatie. Maar hoe zorg je nu dat je gaat van ‘AI neemt taken van me over’ naar ‘AI versnelt dit volledige proces’? Zonder dat je overal klakkeloos een laagje AI overheen verft – een laagje dat data-rommel verbergt, maar nog steeds rommel gebruikt voor de output.
In deze blogreeks neem ik je mee in je reis van eerste experimenten met AI tot het worden van een frontier firm. In dit derde deel neem ik je mee in misschien wel de lastigste fase: de fase waarin AI langzaam onderdeel wordt van je organisatie. Je gaat van AI-assistent naar AI-collega, van losse agents naar teams van agents, en van individuele impact naar organisatiebrede waarde.
AI-persona's bij je visie en strategie
Waar ik in mijn vorige blog nog zei: ga gewoon lekker experimenteren! Laat medewerkers hun nieuwsgierigheid volgen! Denk ik dat je nu wel echt een stapje naar achteren moet zetten.
Wat is de AI-visie van de organisatie? Welke rol krijgt AI? Willen we AI-first worden? Hoe meer je AI gaat integreren, hoe meer ook de manier waarop je werkt verandert. Je wilt dus stilstaan bij wat je als organisatie wilt en welke mate van autonomie je bij mensen én agents wilt leggen.
De vraag is namelijk niet alleen wat AI voor je organisatie moet betekenen, maar ook wat het voor je medewerkers moet betekenen. Het is misschien een beetje een open deur, maar niet iedereen heeft hetzelfde nodig – en dat geldt zeker voor AI.
Ik voel me soms een broken record, maar ook hier komen ze van pas: persona's. Dit keer AI-persona's. Wat kan AI betekenen voor verschillende soorten medewerkers? En hoe verandert hun werk?
Een kenniswerker gebruikt AI anders dan een procesondersteuner. Een coördinator heeft weer andere behoeften dan iemand die vooral analysewerk doet. Dat heeft niet alleen invloed op hoe je AI voor ze implementeert, bijvoorbeeld welke agents ze krijgen, maar ook welke ondersteuning ze nodig hebben.
Kijk hierbij zo breed mogelijk naar het werk dat je mensen doen. Welke werkzaamheden voert iemand uit? Welke beslissingen neemt iemand? Waar zit repetitief werk? Aan welke processen draagt iemand bij? Met persona's maak je je strategie concreet en zorg je dat AI aansluit op hoe mensen daadwerkelijk werken.
Benieuwd hoe AI-ready je organisatie is? Doe de check!
Met een Center of Excellence breng je successen samen
Visie en strategie zijn leuk, maar als je in de praktijk geen overzicht hebt, komen je AI-efforts ook niet van de grond. Daarom raad ik een Center of Excellence aan (of een innovatieteam of hoe jullie het willen noemen).
Dit team houdt bij welke AI-successen er zijn en ook of daar overlap tussen zit. Het heeft geen zin om meerdere agents uit te rollen die hetzelfde doen, terwijl het wel heel goed mogelijk is dat twee teams dit onafhankelijk van elkaar ontwikkelen. Je wilt niet dat kennis en nuttige agents te veel bij individuen en teams blijven hangen.
Het CoE gaat dus actief op zoek naar deze kennis en agents. Ook helpt het center medewerkers bij het verbeteren of polijsten van agents. Vervolgens kan het CoE besluiten een nuttige agent organisatiebreed uit te rollen. In Copilot kan dit bijvoorbeeld via Copilot Studio.
Dat voorkomt niet alleen dubbel werk, het helpt ook om patronen te herkennen. Misschien blijken drie verschillende teams onafhankelijk van elkaar hetzelfde probleem opgelost te hebben. Of komen ze met toepassingen die je vooraf nooit had bedacht. Dat zijn vaak precies de signalen die laten zien waar AI organisatiebreed waarde toevoegt.
Het is ook slim om een community rond AI en agents op te bouwen, zodat enthousiastelingen makkelijker kennis uitwisselen en best practices verzamelen. Denk aan een Viva Engage-community, maar ook aan kennissessies of workshops op kantoor.
Stop met AI-pleisters plakken
Tot nu toe heb je met AI losse taken ondersteund of geautomatiseerd. Dat is fijn, maar uiteindelijk wil je waarschijnlijk naar AI in je processen, want daar zit simpelweg meer winst te halen.
En hier lopen veel organisaties tegen hetzelfde probleem aan: processen blijken vaak minder duidelijk dan we denken. Die zijn in de loop der jaren zo gegroeid; nieuwe stappen zijn toegevoegd, verantwoordelijkheden zijn verschoven en uitzonderingen zijn langzaam de standaard geworden.
AI maakt dat ineens zichtbaar. Je ontdekt dat informatie meerdere keren wordt ingevoerd. Dat werk langs meer mensen gaat dan nodig is. Of dat niemand eigenlijk precies weet waarom een bepaalde stap ooit is toegevoegd.
Als je agents in je processen wilt verwerken of delen daarvan wilt laten overnemen, kun je dus niet zomaar een aantal agents op een bestaand proces zetten. Dan ben je eigenlijk AI-pleisters aan het plakken. Je wordt nu echt gedwongen om processen goed te bekijken. En als je dit niet doet, loop je vroeg of laat sowieso tegen problemen aan.
Process mapping: eerst het huiswerk
Je moet aan ‘process mapping’ gaan doen. Eerst wil je begrijpen hoe een proces nu werkt. Welke stappen worden doorlopen? Waar vinden overdrachten plaats? Welke stappen zijn repetitief?
Daarna wil je ook nadenken over hoe het beter kan. Welke stappen kosten te veel tijd? Voegt iedere stap eigenlijk wel waarde toe? Of doen we sommige dingen vooral omdat we ze altijd zo gedaan hebben?
Net zoals je AI niet los kunt zien van informatiehuishouding zoals rechten, labeling en compliance, kun je AI ook niet los zien van je processen. Als AI straks structureel onderdeel wordt van je werk, moeten die processen wel op orde zijn.
Het is dus niet alleen een AI-project. Of beter gezegd: processen in kaart brengen en verbeteren ís ook het AI-project.
De kracht van agentic AI
Na het minder sexy werk kun je nu echt met agents aan de slag.
Je bent in de vorige fase al aan het experimenteren geslagen, maar nu wil je dat agents ook daadwerkelijk een proces ondersteunen of misschien zelfs delen ervan overnemen. Uiteraard met een ‘human in the loop’.
Zoals ik in mijn vorige blog al heb uitgelegd: iedere agent heeft één taak. Een proces ondersteun je dus niet met één agent, maar met meerdere gespecialiseerde agents die samenwerken. Juist daarin zit de kracht van agentic AI.
Stel dat een serviceteam dagelijks meldingen verwerkt. Een eerste agent classificeert binnenkomende meldingen. Een tweede agent zoekt relevante documentatie op. Een derde agent stelt een mogelijke oplossing voor. Vervolgens beoordeelt een medewerker de uitkomst en neemt de uiteindelijke beslissing.
Geen van die agents hoeft bijzonder slim te zijn. Samen kunnen ze een proces wel flink versnellen.
Focus dus niet op het creëren van agents die ‘magische alleskunners’ zijn. Agents zijn juist goed in simpele taken. De meerwaarde ontstaan wanneer gespecialiseerde agents samenwerken en samen een workflow vormen. Zo kunnen ze een proces van A tot Z ondersteunen en repetitief werk uit handen nemen.
Agent-beheer en governance
Een agent is eigenlijk gewoon een stukje software. En wat hoort er bij software? Beheer.
Natuurlijk is dat nog niet zo relevant bij losse agents die individuen helpen. Maar wel als je in de fase komt dat agents samen een workflow vormen en een proces ondersteunen. Zodra mensen daarop gaan vertrouwen, ontstaan er afhankelijkheden.
Dan krijg je nieuwe vragen. Wie is de eigenaar van de agent? Wie mag wijzigingen doorvoeren? Welke processen worden er geraakt als een agent verandert? Welke andere agents zijn ervan afhankelijk? En wie merkt het als een agent ineens niet meer doet wat hij moet doen?
Nu denk je misschien: is dat nog AI? Ja, maar het zijn wel beheer- en organisatievragen, die horen bij de integratie van AI in je organisatie.
Daarnaast worden overzicht, eigenaarschap, lifecycle management en compliance steeds belangrijker. Zoals ik in eerdere blogs zei: niet alles hoeft meteen al op orde te zijn om te starten. Maar wanneer je uit de experimenteerfase komt, kun je deze onderwerpen niet eindeloos blijven uitstellen.
Anders ga je AI-pleisters plakken. Ik noemde het eerder al. Je besteedt iets uit aan een agent, maar de data waarop die zijn werk baseert is nog steeds een rommeltje. Op korte termijn lijkt dat misschien prima te werken. Op lange termijn loop je vast, aangezien de kwaliteit van je output nooit beter wordt dan de kwaliteit van je input. En het brengt compliance-issues met zich me.
In het tweesporen-pad dat ik promoot ga je tijdens de experimentele fase ook al aan je data governance werken. Nu is het tijd om daar intensiever mee aan de slag te gaan. Teams moeten documenten opschonen, verouderde informatie archiveren, labeling op orde brengen en processen vastleggen. Niet het leukste werk misschien, maar wel werk dat bepaalt hoeveel waarde je uiteindelijk uit AI haalt.
Agent 365 – overzicht en beheer
Zodra je honderden agents krijgt (of meer!), ontstaat er een nieuw probleem: overzicht.
Welke agents zijn actief? Wie gebruikt ze? Welke processen ondersteunen ze? Hoe hangen ze met elkaar samen? En waar zitten de risico's?
Microsoft probeert dit op te lossen met Agent 365 binnen de nieuwe E7-licentie. Daarmee krijg je een centrale beheerlaag waarmee je gebruik kunt monitoren, governance kunt inrichten en grip houdt op beveiliging en lifecycle management.
Goed dus om je in te verdiepen als je nu Copilot gebruikt of overweegt en de stap wilt zetten naar AI en agents binnen organisatieprocessen.
Een flinke dosis keuzes en opruimwerk op de weg naar AI-integratie
De weg naar AI-integratie is geplaveid met keuzes die je moet maken. Over welke rol AI krijgt binnen je organisatie, welke processen je anders wilt inrichten en hoe je mens en machine wilt laten samenwerken. En: hoe zorg je dat succesvolle experimenten niet blijven hangen binnen één team, maar kunnen uitgroeien tot iets waar de hele organisatie profijt van heeft?
Dat vraagt om visie, structuur, procesdenken en een gezonde dosis opruimwerk. Niet het meest sexy deel van AI misschien, maar uiteindelijk wel het deel dat bepaalt of je meer overhoudt aan AI dan een verzameling losse experimenten.
Je gaat van individuele productiviteitswinst naar organisatiebrede impact. Van losse toepassingen naar processen waarin AI een structurele rol speelt. Dat kost tijd, aandacht en soms ook wat ongemakkelijke ontdekkingen over hoe processen nu eigenlijk lopen.
Maar organisaties die deze stap goed zetten, leggen wel de basis voor de volgende fase. Hoe die eruitziet en wat Microsoft precies bedoelt met een ‘frontier firm’, daar duiken we in de volgende blog verder in.
Wil je meer weten over AI en de weg naar de frontier firm? Bekijk of luister het diepte-interview met Jan!
Of lees de vorige blogs uit deze reeks:
