Why AI Readiness Is an Organizational Learning Problem, Not a Technology Purchase

Dit artikel betoogt dat het falen van AI-projecten voornamelijk een probleem van organisatorisch leren is in plaats van een technologisch tekort, en introduceert het Orchestration Maturity Framework als raamwerk om organisaties te helpen hun AI-bereidheid te ontwikkelen door cultuur, menselijk kapitaal, data, infrastructuur en governance te integreren, met drie progressieve fasen (Siloed, Integrated, Orchestrated).

De kern

Waarom AI-falen een leerprobleem is, en geen technisch probleem
(Een simpele uitleg van het artikel van McClure & Gerdau)

Stel je voor dat een bedrijf een F1-raceauto koopt. Ze geven er miljoenen voor uit, de motor is een wonder van techniek, en de banden zijn van de beste kwaliteit. Maar zodra ze de auto op de baan zetten, gebeurt er niets. De auto blijft stilstaan, of hij rijdt tegen de muur.

Waarom? Omdat ze vergeten zijn om chauffeurs aan te stellen, strategie te bedenken, en een team te vormen dat samenwerkt. Ze dachten dat de auto (de technologie) het probleem was, terwijl het probleem eigenlijk de organisatie was die de auto niet kon besturen.

Dit is precies wat dit artikel zegt over Artificial Intelligence (AI) in bedrijven.

1. Het Grote Paradox: Veel geld, weinig resultaat

Bedrijven hebben in 2024 maar liefst 252 miljard dollar uitgegeven aan AI. Dat is een enorm bedrag! Maar er is een groot probleem:

• Slechts 6% van de bedrijven ziet echt veel winst of succes door AI.
• De meeste projecten (ongeveer 80%) mislukken of worden in de prullenbak gegooid voordat ze echt werken.

Het artikel noemt dit de "Technologie-First Valstrik". Bedrijven denken: "Als we maar genoeg geld in de technologie stoppen, werkt het wel." Maar dat werkt niet. Het is alsof je een dure keuken koopt, maar geen kok hebt die weet hoe je moet koken.

2. Het echte probleem: De "Kookplaat" is niet het probleem

Laten we een voorbeeld nemen uit het artikel:

General Motors gebruikte slimme software om een autostoel te ontwerpen die lichter en sterker was. De technologie werkte perfect! Maar de stoel werd nooit in productie genomen. Waarom? Omdat de fabriek en de leveranciers gewend waren aan stalen platen. Ze konden de nieuwe, vreemde vorm van de AI niet verwerken.

De technologie was klaar. De organisatie was het niet.

Het artikel stelt dat 91% van de problemen niet liggen bij de software, maar bij:

• Cultuur: Mensen zijn bang of willen niet veranderen.
• Leiderschap: De baas en de IT-afdeling praten niet met elkaar.
• Leren: Bedrijven weten niet hoe ze met AI moeten werken als een nieuwe collega, niet als een machine.

3. Waarom AI-projecten mislukken (De 4 Grote Hindernissen)

Het artikel identificeert vier specifieke obstakels die bedrijven moeten overwinnen:

1. Het Silo-probleem: Afdelingen werken los van elkaar. Marketing, IT en HR proberen allemaal hun eigen AI-oplossingen, zonder afstemming. Dit leidt tot chaos en dubbel werk.

2. Het Shadow-probleem: Omdat er geen duidelijke regels zijn, gebruiken medewerkers onbeveiligde AI-tools ("Shadow AI") die niet door de IT-afdeling zijn goedgekeurd. Dit creëert grote veiligheidsrisico's.

3. Het Leiderschaps-probleem: De CEO en strategische leiders praten niet mee over AI. Ze laten het over aan de IT-afdeling, waardoor AI een technisch project blijft in plaats van een bedrijfsbrede strategie.

4. Het Human-AI Leerprobleem (Het Ontbrekende Punt):
   Dit is de centrale bevinding van het artikel: bedrijven die investeren in leren (opleiding) zien veel betere resultaten dan bedrijven die alleen investeren in technologie.

   • Investeren in leren (mensen trainen om met AI te werken) vergroot de kans op succes met 34%.
   • Investeren alleen in infrastructuur (nieuwe tools kopen) vergroot de kans op succes met slechts 19% — bijna de helft zo effectief.

   De Analogie: Een sportschoolabonnement kopen maakt je niet fit. Je moet naar de sportschool gaan en leren hoe je de apparaten gebruikt. Bedrijven blijven "abonnementen kopen" (AI-tools) en vragen zich af waarom er niets verandert. De echte winst komt van het leren hoe je werkt met wat je al hebt.

4. De oplossing: Een groeiplan in drie stappen

Het artikel beschrijft hoe bedrijven moeten groeien om AI succesvol te maken. Je kunt dit zien als drie niveaus van een sportteam.

Dit is het Orchestration Maturity Framework, en het beschrijft drie fasen van hoe bedrijven groeien naar AI-klaarheid:

• Fase 1: De "Eilandjes" (Siloed)

  • Hoe het eruitziet: Iedere afdeling doet wat ze zelf wil. Marketing probeert AI, IT probeert AI, maar ze praten niet met elkaar.
  • Het probleem: Het is chaos. Mensen gebruiken verborgen, onbeveiligde AI-tools ("Shadow AI") omdat ze niet weten wat ze mogen doen.
  • Analogie: Een orkest waar elke muzikant een ander liedje speelt. Het klinkt als lawaai, geen muziek.

• Fase 2: De "Proefballon" (Integrated)

  • Hoe het eruitziet: Er worden kleine experimenten gedaan (pilots). Maar ze blijven hangen in de "proeffase".
  • Het probleem: Ze kunnen het niet op grote schaal toepassen. Het is alsof je een recept hebt dat in de keuken werkt, maar niet in de hele fabriek.
  • Analogie: Je hebt een paar goede spelers, maar het team werkt nog niet als één eenheid.

• Fase 3: De "Gecoördineerde Meester" (Orchestrated)

  • Hoe het eruitziet: AI is overal ingebouwd en werkt naadloos samen met mensen. Het is geen "IT-project" meer, maar een nieuwe manier van werken.
  • Het geheim: De leiderschapsgroep (CEO, HR, IT) werkt samen. Ze hebben hun hele bedrijf herontworpen om AI te omarmen.
  • Analogie: Een perfect getraind orkest waar elke muzikant precies weet wat de ander doet, en ze samen een symfonie spelen.

5. Wat moeten bedrijven nu doen?

Het artikel geeft vijf simpele adviezen, vertaald naar alledaags taal:

1. Stop met kopen, begin met bouwen.
   Kopen is makkelijk (een nieuwe AI-tool), maar bouwen (leren, cultuur veranderen) is moeilijk. Bedrijven moeten stoppen met denken dat een nieuwe software-update het probleem oplost. Ze moeten eerst hun mensen en processen klaar maken.

2. Kijk naar je groeistap, niet naar je spullen.
   Het helpt niet om te kijken of je "AI-ready" bent op een lijstje. Je moet kijken: Zijn we nog in de chaos-fase, of zijn we al aan het samenwerken? Als je in de chaos zit, helpt een dure tool je niet; je moet eerst de chaos oplossen.

3. De baas moet aan het roer staan.
   AI kan niet alleen door de IT-afdeling worden gedaan. De CEO, de HR-directeur en de strategische leiders moeten samenwerken. Als de baas niet meedoet, blijft het een klein experiment.

4. De kosten van niets doen worden hoger.
   Bedrijven die nu niet leren omgaan met AI, komen later in de problemen. Ze moeten dan niet alleen hun basis leren, maar ook al die geavanceerde dingen doen die hun concurrenten al doen. Het raam om te leren sluit langzaam.

5. Meet wat er echt toe doet.
   Stop met tellen hoeveel mensen een AI-cursus hebben gevolgd. Begin te meten: Heeft AI ons bedrijf sneller gemaakt? Heeft het nieuwe producten opgeleverd?

Conclusie

AI is geen product dat je in de winkel koopt en in de kast zet. Het is een vaardigheid die je moet leren, net als een nieuwe taal of een sport.

De $252 miljard die bedrijven uitgeven, is niet het probleem. Het probleem is dat ze denken dat geld het probleem oplost. De echte uitdaging is leren. Bedrijven moeten leren hoe ze met AI als een nieuwe collega omgaan, hoe ze hun structuur aanpassen, en hoe ze samenwerken.

Kortom: Je kunt de beste auto ter wereld kopen, maar als je niet kunt rijden, kom je nergens.

Technische samenvatting

Probleemstelling: De $252 miljard Paradox

Het artikel adresseert een fundamentele discrepantie tussen de enorme wereldwijde investeringen in kunstmatige intelligentie (AI) en de geringe realisatie van waarde. In 2024 bereikte de wereldwijde corporatieve AI-investering $252,3 miljard, een 13-voudige toename sinds 2014. Desondanks rapporteert slechts 6% van de bedrijven een significante impact op de winst voor interest en belasting (EBIT) door AI.

De kernproblematiek wordt gedefinieerd als de "Technology-First Trap": organisaties behandelen AI als een statische IT-aanschaf of een geïsoleerd experiment, terwijl het succes ervan afhangt van organisatorische aanpassing.

• Statistieken: 80% van de AI-projecten faalt (ongeveer het dubbele van niet-AI IT-initiatieven).
• Oorzaak: Het falen is niet technisch (infrastructuur of algoritmes), maar structureel. De grootste kostenbesparingen komen voort uit geautomatiseerde taken (software-engineering, productie), terwijl de omzetwinsten liggen in functies die cross-functionele coördinatie vereisen (marketing, strategie).
• Diagnose: Organisaties zijn niet klaar voor AI omdat ze de "organizational learning" (organisatorisch leren) en de noodzakelijke herstructurering van workflows negeren.

Methodologie

De auteurs baseren hun analyse op een systematische synthese van 20 fundamentele bronnen, waaronder:

• Grote industriële surveys (o.a. Cisco met n=7.985 leiders, McKinsey met n=1.833 respondenten, Stanford AI Index).
• Praktijkstudies van de RAND Corporation en MIT Sloan Management Review.
• Referentie-modellen zoals het NIST AI Risk Management Framework en het MITRE AI Maturity Model.

De analyse identificeert kritieke faalvectoren door kwantitatieve data te koppelen aan kwalitatieve inzichten over cultuur, leiderschap en technische infrastructuur.

Belangrijkste Bijdragen en Concepten

1. De Orchestration Maturity Framework (Orkestratie Volwassenheidsmodel)

De auteurs introduceren een nieuw raamwerk dat enterprise AI-capaciteit in kaart brengt via vijf onderling verbonden pijlers:

1. Cultuur & Leiderschap: Van angst en silo's naar gedecentraliseerd besluitvorming.
2. Human Capital & Operations: Van basisbewustzijn naar herschaping van de werknemerspopulatie (AI als "collega").
3. Data Architectuur: Van ad-hoc data tot semantische ontologieën en kennisgrafieken.
4. Systeem & Infrastructuur: Van "Shadow AI" naar schaalbare, dynamische agentische workflows.
5. Governance & Regelgeving: Van reactieve maatregelen naar systemische, forensische en geautomatiseerde compliance.

2. De Structurele Evolutie: Drie Fasen

Het artikel definieert drie kwalitatief verschillende fasen van AI-maturiteit, waarbij de uitdagingen per fase verschuiven:

• Fase 1: Siloed (Geïsoleerd): Initiële experimenten, vaak ongeautoriseerd ("Shadow AI"). Data is versnipperd, leiderschap is afwezig, en projecten falen door gebrek aan strategische uitlijning.
• Fase 2: Integrated (Geïntegreerd): Organisaties kunnen pilots uitvoeren, maar stagneren bij schaalbaarheid. De bottleneck is de "IT Silo": gebrek aan uitlijning tussen business-doelen en technische teams.
• Fase 3: Orchestrated (Gekoördineerd): AI is diep verweven in de bedrijfsvoering. Organismen behandelen AI-agenten als werknemers met onboarding en toezicht. Dit vereist fundamentele herontwerp van workflows en governance.

3. De Misdiagnose van Leiderschap

Een cruciale bevinding is dat AI geen enkele eigenaar heeft binnen de IT-afdeling.

• Data: 62% van de AI-waarde komt voort uit kernbedrijfsfuncties (operaties, verkoop, R&D), terwijl IT slechts 7% genereert.
• Conclusie: Succes vereist een coalitie van de CEO, CIO, Chief Strategy Officer en HR-directeur. Een permanente C-suite AI-rol (zoals een CAIO) kan zelfs contraproductief zijn als deze niet tijdelijk en capabiliteitsgericht is ingericht.

Resultaten en Bevindingen

• Organisatorische vs. Technische Hinderpalen: 91% van de data-leiders identificeert cultuur en verandermanagement als de primaire belemmering, slechts 9% wijst naar technologie.
• De Human-AI Learning Deficit: Investeringen in leren (het trainen van de werknemerspopulatie om effectief met AI te werken) verhogen de kans op het realiseren van AI-voordelen met 34%, vergeleken met 19% voor investeringen in infrastructuur alleen. Deze bevinding ondersteunt direct de centrale stelling van het artikel dat AI-bereidheid fundamenteel een leerprobleem is en geen inkoopprobleem.
• Afname van Bereidheid: Ondanks stijgende budgets, daalt de "readiness score" (bijv. governance daalde van 44% naar 42%, culturele bereidheid van 40% naar 31%).
• Schaalingsparadox: Het percentage organisaties dat de meeste AI-initiatieven vóór productie opgeeft, steeg van 17% naar 42%.
• Financiële Impact: Organisaties die hun workflows fundamenteel hebben herontworpen (Orchestrated-fase) hebben 2,8 keer meer kans op hoge EBIT-impact en 50% hogere omzetgroei dan concurrenten.
• Case Study: General Motors kon een door AI ontworpen, 40% lichtere zittingsteun niet in productie nemen omdat de bestaande supply chain (voor gestempeld staal) niet geschikt was voor de nieuwe geometrie. De technologie werkte; de organisatie niet.

Significantie en Aanbevelingen

Het artikel concludeert dat AI-bereidheid geen statische "score" is die je kunt afvinken, maar een evolutionair leerproces.

Kernboodschappen voor leiders:

1. Stop met kopen, begin met bouwen: Investeer niet alleen in technologie, maar in de organisatorische capaciteit om die technologie te integreren.
2. Herdefinieer het probleem: AI-falen is een coördinatieprobleem dat zich manifesteert als technologisch falen.
3. Pas meting aan aan maturiteit:
   • Siloed: Meet input (trainingstijd, tools).
   • Integrated: Meet proces (cross-functionele coördinatie, tijd tot implementatie).
   • Orchestrated: Meet uitkomst (omzetattributie, impact op workflow-herontwerp).
4. Leiderschapscoalitie: Zorg voor gezamenlijk leiderschap boven de silo's heen; AI kan niet in één afdeling worden opgesloten.

De auteurs waarschuwen dat organisaties die niet snel genoeg leren, een "compounding cost" riskeren: ze moeten niet alleen de basis leggen, maar tegelijkertijd proberen in te halen bij concurrenten die al werken met geavanceerde, agentische AI-systemen. De $252 miljard paradox is dus op te lossen door een verschuiving van transactieve IT-aanschaf naar developmentele organisatorische transformatie.