McKinsey publiceerde in 2023 een grootschalig onderzoek naar AI-adoptie in organisaties. Eén van de bevindingen was dat bedrijven die AI het meest succesvol inzetten, allemaal een gemeenschappelijk kenmerk hadden: ze waren al vergevorderd in wendbaarheid. Ze experimenteerden snel, leerden van mislukkingen, en konden besluiten nemen op het niveau waar de informatie zat, niet alleen aan de top.
Dat is geen toeval. Het is causaliteit. En het verklaart waarom AI-trajecten in hiërarchische, traag beslissende organisaties zo vaak stranden.
Wat AI werkelijk van een organisatie vraagt
AI implementeren is geen softwareproject. Het is geen IT-migratie waarbij je een systeem installeert en daarna doorgaat als vanouds. AI verandert fundamenteel hoe mensen werken, wat ze zelf beslissen en wat ze aan het systeem overlaten. Dat vraagt iets van de organisatiecultuur en van de beslisstructuur, niet alleen van de tooling.
Gartner voorspelde in 2023 dat meer dan 80 procent van de organisaties tegen 2026 generatieve AI zal hebben ingezet. Tegelijkertijd verwacht Gartner dat een aanzienlijk deel van die trajecten niet tot de beloofde waardecreatie leidt. De voornaamste reden: organisatorische frictie. Teams die toestemming nodig hebben voor elk experiment. Beslisprocessen die weken duren terwijl de technologie weken-in-de-maand evolueert. Risicomanagement dat is gebouwd voor een wereld die niet meer bestaat.
De drie lagen waarop het vastloopt
In mijn werk met organisaties zie ik telkens dezelfde drie lagen waarop AI-implementatie vastloopt als de organisatie niet wendbaar genoeg is.
De eerste laag is besluitvorming. AI-tools werken het best als teams de ruimte krijgen om ze zelf te configureren, aan te passen en af te wijzen als ze niet werken. Dat vraagt om beslisruimte op teamniveau. In organisaties waar elk nieuw instrument langs vier managementlagen moet, duurt dat te lang. Tegen de tijd dat het groen licht er is, is de tool al achterhaald of heeft het team de motivatie verloren.
De tweede laag is leercultuur. AI werkt via iteratie. Je begint met een aanpak, ziet wat werkt, past aan. Dat is precies de empirische cyclus die agile teams al kennen. In organisaties waar falen gezien wordt als competentiefalen in plaats van als informatie, durven mensen niet te experimenteren. Ze kiezen de veiligste prompt, de minst controversiële toepassing, het kleinste mogelijke experiment. En dan vraagt het MT zich af waarom AI zo weinig oplevert.
De derde laag is samenwerking over silo's. AI-toepassingen die echt waarde leveren, combineren doorgaans kennis uit meerdere domeinen. Een klantserviceteam dat AI inzet, heeft data van marketing nodig. Een productontwikkelteam dat AI gebruikt voor marktanalyse, heeft inzichten van verkoop nodig. In silowerkendes organisaties loopt dat vast op eigenaarschap van data, op afdelingsgrenzen en op politiek.
De agile eigenschappen die AI-implementatie mogelijk maken
Gedecentraliseerde besluitvorming: teams mogen zelf keuzes maken over hoe ze werken. Psychologische veiligheid: experimenteren is veilig, ook als het mislukt. Cross-functionele samenwerking: kennis en data stromen vrij over afdelingsgrenzen. Korte feedbackcycli: resultaten worden snel zichtbaar en gebruiken voor bijsturing.
De pilot-val
Veel organisaties kiezen voor een AI-pilot als eerste stap. Dat klinkt verstandig. In de praktijk werkt het zelden. Een pilot heeft vaak één afdeling, een beperkte scope en de impliciete opdracht om te slagen. Dat zijn exact de condities die het leren blokkeren. Er is geen echte mislukking toegestaan, want die moet verantwoord worden aan de directie die het budget heeft goedgekeurd.
Wendbare organisaties werken anders. Ze starten meerdere kleine experimenten parallel, stoppen snel met wat niet werkt en schalen op wat wél werkt. Dat vereist een organisatiecultuur die verschil maakt tussen verliezen door slechte uitvoering en verliezen door slecht experiment-ontwerp. Alleen het eerste is een probleem.
Agile als randvoorwaarde, niet als gevolg
Ik zie soms de redenering dat AI de wendbaarheid wel zal brengen. Dat organisaties door AI-gebruik vanzelf sneller en flexibeler worden. Dat is precies omgekeerd. AI geeft energie aan wat er al is. Snelle lerende organisaties worden sneller. Trage büraucratische organisaties worden bureaucratischer, want ze krijgen meer rapporten, meer analyses en meer data om te beheren zonder dat de beslisprocessen meeveranderen.
Het onderzoek van Harvard Business School professor Amy Edmondson naar psychologische veiligheid is hier relevant. Zij liet zien dat teams in omgevingen met hoge psychologische veiligheid niet alleen beter presteren maar ook beter in staat zijn om nieuwe informatie te integreren en van fouten te leren. AI brengt voortdurend nieuwe informatie en vraagt voortdurend om aanpassing. Zonder de veiligheid om daarmee te experimenteren, blijft die informatie onbenut.
Wat dit betekent voor het MT
Als je als managementteam AI wilt invoeren, is de eerste vraag niet welke tool je kiest. De eerste vraag is: kunnen onze teams snel genoeg beslissen, mislukken en bijsturen om van AI te leren?
Als het antwoord nee is, investeer dan eerst in de randvoorwaarden. Dat betekent niet dat je de AI-ambities op de lange baan schuift. Het betekent dat je ze parallel uitvoert: werk aan wendbaarheid en start met beperkte AI-experimenten tegelijk, zodat je leert wat de organisatie nodig heeft precies op het moment dat je de capaciteit bouwt om het te gebruiken.
Organisaties die dat begrijpen, zijn over drie jaar niet bezig met AI-pilots. Ze zijn bezig met het oogsten van wat ze twee jaar geleden hebben geplant.
