20 november 2026
Bijna elke organisatie gebruikt AI, maar weinig organisaties hebben een AI-strategie die verder gaat dan een licentie. Medewerkers winnen tijd voor zichzelf, terwijl de organisatie als geheel nauwelijks vooruitkomt. En ondertussen wil het MT weten wat al die investeringen opleveren. Daarom bouwden we een roadmap voor AI-implementatie: een plaat waarop je in vijf levels ziet waar je staat, wat je tegenhoudt en wanneer je je investering terugverdient.

In de organisaties waar ik meekijk, zie ik steeds hetzelfde patroon: enthousiaste medewerkers, een groeiende stapel losse tools en een MT dat vraagt wat het allemaal oplevert. In dit artikel laat ik zien hoe je met onze roadmap bepaalt waar je staat, waarom je zwakste onderdeel je tempo bepaalt en hoe je toewerkt naar rendement. Nieuw met termen als MCP of managed agents? Onderaan vind je de veelgestelde vragen.
Een AI-strategie is je plan voor hoe AI bijdraagt aan de doelen van je organisatie: welk werk AI overneemt, onder welke voorwaarden en wat het moet opleveren. Het is dus geen lijst met tools of licenties. Een goede AI-strategie beantwoordt zes vragen: wie stuurt het, wat mag er, wat kunnen je mensen, hoe loopt het werk, op welke data draait het en met welke techniek werk je? Daaronder ligt één vraag die alles samenvat: wie doet het werk, de mens of de AI?
Een AI-strategie is ook iets anders dan AI-beleid. Beleid legt vast wat niet mag, een strategie bepaalt waar je naartoe werkt. Je hebt ze allebei nodig. Beleid zonder strategie levert vooral regels op, en een strategie zonder beleid vooral risico's.
Omdat de winst van AI nu vooral persoonlijk is, en persoonlijke winst niet vanzelf organisatiewinst wordt. Een medewerker die een mail sneller schrijft, wint tijd. Maar die tijd zie je nergens terug in de cijfers, en niemand anders in het team profiteert ervan.
Tijdens een lezing op Web Summit hoorde ik dat een organisatie gemiddeld 183 verschillende AI-tools gebruikt. Dat getal bleef hangen, omdat iedereen die een organisatie van binnen kent het beeld herkent. Elke afdeling kiest zijn eigen tool, niemand houdt overzicht en elke tool vraagt opnieuw om rechten, koppelingen en controle. Ook onderzoek van MIT uit 2025 laat zien dat het overgrote deel van de AI-pilots in bedrijven geen meetbaar effect heeft op het resultaat.
Daar komt bij dat de stap van experiment naar productie veel groter is dan hij lijkt. Op een recent AI-event liet een spreker zien hoe een prototype van een mailbox-agent er in één dag stond. Daarna begon het echte werk: welke rechten krijgt de agent, welke data mag hij zien, wat kost hij en wanneer verdient hij zich terug? En bij de volgende toepassing begon dat werk opnieuw.
Er zijn grofweg vijf soorten AI, en een nieuwe soort vervangt de vorige niet. Ook in de meest geavanceerde organisatie gebruiken medewerkers gewoon nog een AI-assistent.
Copilot inrichten is daarmee één stap, geen eindpunt. Hoe je die stap goed zet, lees je in ons artikel over Copilot Studio.
De roadmap loopt in vijf levels van handmatig naar autonoom, met per level één vraag: wie doet het werk?

Elke cel op de plaat beschrijft een herkenbare situatie, geen opdracht. Zo wijs je per onderdeel aan waar je nu staat. Level 5 staat er bewust als inspiratie, niet als doel. De opzet is dezelfde als die van onze GEO-roadmap. Die kijkt van buiten naar binnen: hoe vindt AI je merk? Deze roadmap kijkt van binnen naar buiten: hoe zet je organisatie AI in?
Regie, veiligheid, vaardigheid, proces, data, en techniek en koppelingen. Techniek is er maar één van zes, en dat is bewust. Een agent op het beste platform presteert nog steeds slecht als de data versnipperd is en niemand hem vertrouwt.
Regie begint bij losse flodders: iedereen kiest zijn eigen tools en niemand heeft overzicht. Daarna ontstaan AI-champions, enthousiaste trekkers per afdeling, maar zonder mandaat en vaak afhankelijk van één persoon. Op level 3 houdt één aanspreekpunt of team een AI-portfolio bij, en stopt het wat niet werkt. Op level 4 hebben AI-leads mandaat over afdelingen heen, met gedeelde bouwblokken en een eigenaar en budget per agent.
Het startpunt is shadow AI: bedrijfsdata belandt via privéaccounts in gratis tools. De eerste stap is een AI-beleid met een rechtencheck. Copilot ziet alles waar een medewerker toegang toe heeft, dus ruim je oversharing op vóórdat je Copilot uitrolt. Daarna krijgt elke assistent alleen de bronnen die bij zijn taak horen. En zodra agents op level 4 zelf in systemen schrijven, leg je per agent vast wat hij leest, doet en maakt, met een logboek en een noodstop.
Medewerkers beginnen op eigen houtje, zonder zicht op de risico's. AI-geletterdheid is de basis: iedereen kent de spelregels en de risico's voor zijn eigen rol, en controleert wat AI maakt. Daarna leert het team gestructureerde instructies schrijven. Op level 4 sturen medewerkers agents aan: ze briefen, beoordelen en verbeteren ze. In de markt heet dat context engineering. Op level 5 bouwen makers zelf toepassingen, bijvoorbeeld met vibe coding, maar altijd met automatische code- en securitychecks.
Zolang het werk in hoofden zit, kan AI er niets mee. Daarom breng je eerst in kaart welke taken repetitief zijn. Daarna schoon je het proces op en scheid je vaste regels van wat AI mag beoordelen. Zo voorkom je dat je inefficiëntie automatiseert. Op level 4 richt je het proces in rond agents, met evaluaties en vaste momenten waarop een mens beslist of overneemt.
Kennis die verspreid zit over mails, mappen en hoofden, levert matige antwoorden op. De stap die het meeste oplevert, is een single source of truth: één actuele, gecureerde bron per onderwerp, met een eigenaar en versiebeheer. Daarna maak je je data AI-ready, met vaste velden en metadata die AI betrouwbaar leest. Data is daarbij breder dan klantgegevens: laat je AI presentaties maken, dan zijn je templates en je huisstijl de data.
Dit onderdeel loopt van consumer AI via een zakelijke licentie en assistenten met eigen instructies naar agents die via connectoren of MCP lezen en schrijven in je systemen. Op level 5 staat een AI-native platform: één integraal systeem met managed agents, vrije modelkeuze en zicht op de kosten per agent.
Vooral vanaf level 4. Op level 2 en 3 investeer je vooral: in licenties, rechten, opgeschoonde data en vaardigheden. Je wint wel tijd, maar die zit per persoon of per taak en zie je nauwelijks terug in de cijfers. Vanaf level 4 doet AI een heel proces, en dan zie je het terug in capaciteit: meer volume of kwaliteit met hetzelfde team.
Een voorbeeld uit de praktijk: bij een pensioenfonds ging de tijd per communicatiebrief van zo'n 25 naar 4 uur, met een redactie van agents in Copilot Studio. Dat rendement kwam niet uit een slimmere chatbot, maar uit een volledig proces dat we opnieuw inrichtten rond agents. Dat is level 4.
Het kantelpunt heeft een duidelijke oorzaak. De eerste toepassing kost veel werk, omdat je rechten, koppelingen en controle moet regelen. Staat dat fundament eenmaal, dan gaat elke volgende toepassing veel sneller live.
Niet in minder uren, maar in wat mensen extra kunnen en wat de klant merkt. Bespaarde minuten verdampen als je het werk er niet op inricht. Daarom meet je rendement op het niveau van het proces, niet van de persoon.
Drie dingen maken rendement zichtbaar. Doe vooraf een nulmeting per proces, zodat je weet waar je mee vergelijkt. Verminder de overdrachten tussen teams, want bij elke overdracht gaat context verloren. Laat teams daarom met elkaars werk meedenken, in plaats van in silo's te werken. En stuur op de behoefte van de klant, niet op wat de tool kan: daar zit uiteindelijk je rendement.
Wie de orkestratie nu niet regelt, heeft straks niet alleen tientallen tools, maar ook tientallen agents die niet met elkaar praten. Ik schreef daar eerder over op LinkedIn:
Kies één toepassing en bepaal per onderdeel op welk level die staat. Neem een klantenservicechatbot die maar niet wil werken.
De techniek staat op level 4, maar de bot presteert op level 1. Betere techniek lost dat niet op. Opruimen in de kennisbank en de klantenservice laten meebouwen wel. En omdat de bot in het CRM kan schrijven terwijl de veiligheid op level 2 staat, regel je dat als eerste.
De meeste fouten zitten niet in de techniek, maar in de volgorde. Dit zijn de vijf die we het vaakst tegenkomen.
Losse tools lossen elk een klein probleem op, een integraal AI-systeem regelt het fundament één keer voor alle toepassingen. Onze keuze is duidelijk: bouw toe naar een AI-native organisatie, met één systeem in plaats van een verzameling tooltjes.
Elke losse tool vraagt opnieuw om rechten, koppelingen, controle en een contract. Daardoor is elke volgende toepassing even duur als de eerste. In een integraal systeem lopen alle agents via dezelfde laag voor toegang, logging en kosten. Je ziet per agent wat hij kost en wat hij oplevert, en je kiest vrij welk taalmodel je gebruikt. Zo zit je niet vast aan één leverancier.
Dat betekent niet dat je alles zelf moet bouwen. Een integraal systeem kan prima bestaan uit ingekochte onderdelen, zolang ze op hetzelfde fundament draaien.
Omdat niet elk proces er baat bij heeft, en omdat de mens altijd de regie houdt. Level 5 staat op de plaat als inspiratie: zo kan het eruitzien. Voor veel teams is level 3 of 4 precies goed.
Ook op level 5 verdwijnt de mens niet. Wij noemen dat human-above-the-loop: de mens bepaalt de koers en de kaders, de agents doen het werk en de checks. Bij toepassingen met een hoog risico vraagt de AI Act bovendien om menselijk toezicht.
Sinds 2 februari 2025 moet elke organisatie die AI inzet, zorgen dat haar medewerkers voldoende AI-geletterd zijn. Dat geldt ook als medewerkers alleen algemene tools gebruiken, zoals ChatGPT of Copilot. Eén algemene training is daarbij niet genoeg: de maatregelen moeten passen bij de kennis, de ervaring en de context van de mensen die met AI werken. Meer daarover lees je in de vragen en antwoorden van de Europese Commissie.
Voor toepassingen met een hoog risico gelden zwaardere eisen, zoals menselijk toezicht. Twijfel je of een toepassing daaronder valt, laat dat dan juridisch toetsen.
Begin klein en concreet: met één toepassing en een eerlijke diagnose. Zo zet je in zes stappen de eerste lijn uit.
Kies een toepassing met een duidelijk proces en een zichtbaar resultaat, zoals klantvragen beantwoorden of brieven schrijven. Begin niet met de hele organisatie.
Bepaal per onderdeel op welk level de toepassing staat. Doe dat samen met de mensen die er dagelijks mee werken, niet alleen met IT.
Kijk welk onderdeel het laagst scoort en waar techniek vooruitloopt op veiligheid. Daar begin je.
Geef de toepassing een eigenaar en een budget, en spreek vooraf af wanneer je stopt als het niet werkt.
Zorg dat AI alleen ziet wat bij de taak hoort, en dat de bronnen actueel zijn. Doe dat vóórdat je uitrolt.
Doe een nulmeting, zodat je rendement kunt aantonen. En bouw onderdelen die de volgende toepassing kan hergebruiken, zoals een stijlredacteur of een gedeelde kennisbron.
Een AI-strategie begint niet bij een tool, maar bij de vraag wie het werk doet. Met de roadmap zie je per onderdeel waar je staat, wat je tegenhoudt en wanneer je je investering terugverdient. Werk toe naar één integraal AI-systeem, houd de mens boven de loop en zie level 5 als inspiratie, niet als doel.
Wil je weten waar jouw organisatie staat? Plan een sessie, dan lopen we de roadmap samen met je door.
Shadow AI is AI-gebruik buiten het zicht van de organisatie, zoals medewerkers die bedrijfsinformatie in een gratis chatbot op hun privéaccount plakken. Het risico zit in de data: je weet niet waar die terechtkomt. Verbieden werkt zelden. Een goed alternatief aanbieden met duidelijke spelregels wel.
Skills zijn vastgelegde werkwijzen voor AI, zoals de stappen en regels voor het schrijven van een rapportage of het controleren van een tekst. Een skill zorgt dat AI een taak voor iedereen in het team op dezelfde manier uitvoert, in plaats van dat elke medewerker zijn eigen prompt bedenkt.
MCP staat voor Model Context Protocol, een open standaard waarmee AI-modellen met tools en systemen praten. Via MCP kan een agent bijvoorbeeld gegevens uit je CRM lezen of een taak in je planningstool aanmaken. Dat maakt agents krachtiger, maar ook riskanter. Leg daarom per koppeling vast wat een agent mag lezen en doen.
Managed agents zijn agents die continu draaien op het platform van een aanbieder, zonder dat je zelf de infrastructuur hoeft te regelen. Ze kunnen op vaste momenten of bij een gebeurtenis zelf aan de slag gaan. In onze roadmap horen ze bij level 5, als onderdeel van één integraal AI-systeem.
Human-above-the-loop is onze visie op de rol van de mens bij AI. Bij human-in-the-loop is de mens een stap in het proces. Bij human-above-the-loop bepaalt de mens de koers en de kaders, en doen de agents het werk en de checks. Zo doet AI het werk, en houden mensen de regie.
De GEO-roadmap gaat over hoe AI-zoekmachines en agents van buitenaf je merk vinden en begrijpen. De roadmap voor AI-implementatie gaat over hoe je organisatie AI van binnenuit inzet. Samen laten ze zien hoe je AI-ready wordt, aan beide kanten.