Van AI-strategie
naar echte waarde

Hoe wordt een AI-strategie omgezet in meetbaar resultaat?

Een AI-strategie wordt uitvoerbaar met drie vertaalslagen: ambitie vertalen naar meetbare business-uitkomsten, per use case één eigenaar kiezen met budget en mandaat, en waarde meten op het niveau waarop die is beloofd. De meeste AI-strategieën stranden niet op de strategie zelf, maar op de vertaling ervan. Een portfolio van vier use cases met eigenaren, meetpunten en stopcriteria levert meer op dan een roadmap met twintig initiatieven waar niemand over gaat.

Hoort het eigenaarschap van een use case uit de AI-strategie bij de AI-lead of het datateam?

Nee. Het eigenaarschap bij de AI-lead of het datateam leggen is een valkuil: die kunnen bouwen en adviseren, maar zitten niet op de P&L waar de waarde moet landen. De eigenaar van een use case uit de AI-strategie hoort in de business te zitten.

Bewijzen gebruikscijfers dat een AI-strategie waarde oplevert?

Nee. Gebruiksstatistieken zijn nuttig als vroege indicator, maar geen bewijs van waarde bij een AI-strategie. Een businesscase die in euro's of uren is geformuleerd, vraagt uiteindelijk om rapportage in euro's of uren, ook als dat lastiger meetbaar is.

Is een nulmeting nodig om het resultaat van een AI-strategie aan te tonen?

Bijna altijd: het meten van het businessresultaat van een AI-strategie vraagt bijna altijd om een nulmeting vóór de start. Die nulmeting is twee dagen werk, en zonder is een jaar later niets hard te maken.

Bron: artikel van Dave Willemstein. Bijgewerkt: oktober 2026.

Waar het misgaat tussen strategie en resultaat

Ik zie zelden een slechte AI-strategie. Wat ik wél vaak zie: een prima strategie die negen maanden later nog exact hetzelfde document is, met dezelfde ambities en zonder een enkel gerealiseerd resultaat. Niet uit onwil, maar omdat er drie vertaalslagen ontbreken die niemand expliciet heeft belegd.

Die drie vertaalslagen zijn geen methodiek. Het zijn drie vragen die je moet kunnen beantwoorden voordat een strategie uitvoerbaar wordt.

Stap 1: Vertaal ambitie naar business-uitkomsten

De meeste AI-strategieën zijn geschreven in technologietaal: "we zetten generatieve AI in voor klantcontact", "we bouwen een datagedreven besliscultuur". Dat zijn richtingen, geen uitkomsten. Je kunt er geen kwartaaldoel van maken en je kunt er niet op sturen.

De vertaling die werkt, ziet er zo uit:

• Van: "AI inzetten voor klantcontact", naar: "gemiddelde afhandeltijd van eerstelijnsvragen van 8 naar 5 minuten, bij gelijkblijvende klanttevredenheid."
• Van: "voorspellend onderhoud", naar: "ongeplande stilstand op lijn 3 en 4 met 20% omlaag binnen twaalf maanden."
• Van: "productiviteit van kenniswerkers verhogen", naar: "twee uur per consultant per week terug, herbesteed aan declarabel werk."

Het verschil lijkt cosmetisch. Dat is het niet. De rechterkolom dwingt je om te bepalen wie erover gaat, welke data je nodig hebt om het te meten, en wanneer je concludeert dat het niet werkt. De linkerkolom laat al die vragen open, en dat is precies waarom die strategieën blijven hangen.

De valkuil hier: uitkomsten formuleren die zo ambitieus zijn dat niemand ze durft te claimen. Een doel waar geen mens zijn beoordeling aan wil verbinden, is geen doel.

Stap 2: Beleg eigenaarschap met budget en mandaat

Dit is de stap die het vaakst wordt overgeslagen, meestal met de beste bedoelingen. De use case wordt "belegd bij een werkgroep" of "gezamenlijk opgepakt door IT en business". In de praktijk betekent dat: als het spannend wordt, kijkt iedereen naar elkaar.

Eigenaarschap dat werkt, heeft drie kenmerken:

• Eén naam. Niet een afdeling, niet een duo. Eén persoon die in de stuurgroep uitlegt waarom het wel of niet vooruitgaat.
• Budget in de eigen lijn. Als de eigenaar voor elke euro langs een ander moet, is de ander de eigenaar.
• Mandaat om te stoppen. Dit wordt bijna altijd vergeten. Een eigenaar die alleen mag doorgaan, is een uitvoerder.

Een praktische toets: kun je van elke use case in je roadmap binnen tien seconden de eigenaar noemen? Zo niet, dan heeft die use case er geen.

De valkuil hier: het eigenaarschap bij de AI-lead of het datateam leggen. Die kunnen bouwen en adviseren, maar ze zitten niet op de P&L waar de waarde moet landen. De eigenaar hoort in de business te zitten, ook als dat ongemakkelijk is omdat die persoon geen AI-achtergrond heeft.

Stap 3: Meet op het niveau waarop je het beloofde

Hier ontstaat de meeste stille teleurstelling. De businesscase beloofde €400.000 aan besparing. De rapportage laat zien: 1.200 actieve gebruikers, 87% tevredenheid, 40.000 verwerkte documenten. Allemaal waar, allemaal positief, en geen van alle een antwoord op de vraag die gesteld werd.

Gebruiksstatistieken zijn nuttig als vroege indicator. Ze zijn geen bewijs van waarde. Als je businesscase in euro’s of uren was geformuleerd, moet je uiteindelijk in euro’s of uren rapporteren, ook als dat lastiger meetbaar is.

Drie meetlagen die samen wel werken:

• Adoptie (wekelijks actieve gebruikers, gebruik per scenario): vertelt je of mensen het gebruiken.
• Procesprestatie (doorlooptijd, foutpercentage, herstelwerk): vertelt je of het werkt.
• Businessresultaat (kosten, omzet, capaciteit): vertelt je of het iets heeft opgeleverd.

De derde laag vraagt bijna altijd om een nulmeting die je vóór de start had moeten doen. Doe die nulmeting. Het is twee dagen werk en zonder die twee dagen kun je een jaar later niets hardmaken.

De valkuil hier: alleen meten wat toevallig al in een dashboard stond. Dat is hoe je eindigt met een rapportage vol gebruikscijfers.

Wat dit in de praktijk oplevert

Deze drie stappen zijn niet ingewikkeld. Ze zijn ongemakkelijk. Ze dwingen je om ambities te verkleinen tot iets waar iemand zijn naam aan verbindt, en om vooraf vast te leggen wanneer je zou concluderen dat het niet gewerkt heeft.

Dat is precies waarom ze werken. Een portfolio van vier use cases met eigenaren, meetpunten en stopcriteria levert meer op dan een roadmap met twintig initiatieven waar iedereen enthousiast over is en niemand over gaat.