AI strategie
AI-use-cases prioriteren: van 20 ideeën naar 3 projecten die je echt uitvoert
De meeste organisaties hebben niet te weinig AI-ideeën, maar te weinig prioriteit. Met dit model beoordeel je use-cases op impact, haalbaarheid, risico, data en adoptie en bouw je een uitvoerbare 90-dagen backlog.
Door Jefry Deuze · 2026-08-24
De meeste organisaties hebben inmiddels meer AI-ideeën dan uitvoeringscapaciteit . Dat is een beter probleem dan geen ideeën hebben, maar het creëert een nieuw risico: twintig pilots starten en geen enkele toepassing echt afmaken. De oplossing is een AI-backlog waarin ieder idee langs dezelfde vijf vragen gaat: impact, haalbaarheid, data, risico en adoptie . Pas daarna bepaal je welke drie projecten de komende 90 dagen aandacht krijgen. Begin niet met de tool Een slechte use-case begint vaak met een productnaam: “Kunnen we iets met Copilot?” Een betere use-case begint met een bedrijfsprobleem: “Onze accountmanagers besteden gemiddeld veel tijd aan het samenvatten van klantgesprekken, CRM-updates en opvolgmails. Kunnen we die keten verkorten zonder kwaliteit te verliezen?” Het verschil is belangrijk. Tools veranderen snel. Een bedrijfsprobleem blijft herkenbaar en meetbaar. Formuleer ieder idee daarom eerst in vier regels: 1. Proces: waar in het werk gebeurt dit? 2. Probleem: wat kost nu tijd, kwaliteit of omzet? 3. Gewenste uitkomst: wat moet aantoonbaar beter worden? 4. Eigenaar: wie is verantwoordelijk voor het proces? Als een idee hier niet helder doorheen komt, is het nog geen project. Het vijfdelige prioriteringsmodel Geef ieder criterium een score van 1 tot 5. Het doel is niet mathematische perfectie, maar een consistente managementdiscussie. 1. Zakelijke impact Vraag niet alleen hoeveel tijd een taak kost. Kijk ook naar frequentie en waarde. Een taak van vijf minuten die 2.000 keer per maand voorkomt kan belangrijker zijn dan een rapport waar één manager vier uur per maand aan werkt. Beoordeel bijvoorbeeld: tijdsbesparing; kortere doorlooptijd; minder fouten; betere klantrespons; omzetpotentieel; kwaliteitsverbetering; minder afhankelijkheid van schaarse kennis. Score 1: nauwelijks merkbaar effect. Score 5: substantieel effect op een belangrijk bedrijfsproces. 2. Technische haalbaarheid AI kan veel, maar niet iedere omgeving is even eenvoudig te automatiseren. Controleer: bestaan er API's of bruikbare koppelingen? is het proces digitaal genoeg? is de input redelijk voorspelbaar? kan output automatisch worden gevalideerd? zijn er veel uitzonderingen? is maatwerksoftware noodzakelijk? Een use-case met iets minder impact maar hoge haalbaarheid kan een betere eerste implementatie zijn dan een ambitieus project dat zes systemen tegelijk moet veranderen. 3. Data readiness Veel AI-projecten zijn eigenlijk dataprojecten in vermomming. Stel daarom vroeg vragen als: waar komt de broninformatie vandaan? is er één betrouwbare versie van die informatie? mag deze data naar de gekozen AI-dienst? zijn documenten actueel en goed gestructureerd? is er voldoende voorbeeldmateriaal om te testen? hoe detecteren we ontbrekende of tegenstrijdige data? Als de data niet betrouwbaar is, maakt AI het probleem meestal sneller - niet beter. 4. Risico en controle Niet ieder proces mag dezelfde foutmarge hebben. Een intern concept voor een social post heeft een ander risicoprofiel dan een beoordeling van sollicitanten, financieel advies of een besluit dat gevolgen heeft voor klanten of medewerkers. Maak daarom expliciet: wat er mis kan gaan; wie de output controleert; welke gegevens gevoelig zijn; of uitleg of traceerbaarheid nodig is; hoe fouten worden gemeld; wanneer de workflow moet stoppen en terugvallen op een mens. NIST adviseert organisaties om AI-risico's systematisch te managen tijdens ontwerp, inzet en evaluatie en besteedt bij generatieve AI expliciet aandacht aan governance, testen en menselijk toezicht. 5. Adoptie-inspanning Technische haalbaarheid is niet hetzelfde als organisatorische haalbaarheid. Een nieuwe workflow kan technisch in twee dagen werken en toch mislukken omdat drie afdelingen hun werkwijze moeten veranderen. Beoordeel daarom: hoeveel mensen ermee moeten werken; hoeveel bestaande afspraken veranderen; of managers het nieuwe proces ondersteunen; hoeveel training nodig is; of medewerkers voordeel ervaren; of oude werkwijzen daadwerkelijk kunnen worden uitgezet. Een use-case met duidelijke medewerkerwaarde heeft vaak een veel grotere kans om onderdeel van het dagelijks werk te worden. Voorbeeld: vijf AI-ideeën naast elkaar Een eenvoudige scorekaart kan er zo uitzien: Use-case Impact Haalbaarheid Data Risico Adoptie Besluit --- ---: ---: ---: ---: ---: --- Gesprek → CRM + opvolgmail 5 5 4 4 5 Start Interne kennisassistent 4 4 2 3 4 Eerst data opschonen Volledig autonome offerte 5 2 3 2 3 Nog niet Inbox classificeren 4 5 5 4 5 Start AI voor recruitmentselectie 4 3 3 1 2 Risicoanalyse eerst Let op: bij risico betekent een hoge score hier dat het risico goed beheersbaar is. Kies één schaal en houd die overal hetzelfde. Voeg drie harde poorten toe Een totaalscore alleen is gevaarlijk. Een project kan een hoge businessimpact hebben en tóch ongeschikt zijn. Gebruik daarom drie go/no-go-poorten: Poort A - eigenaar Geen proceseigenaar = geen project. Iemand uit de business moet verantwoordelijk zijn voor de uitkomst. “IT” of “AI Lab” kan nooit de enige eigenaar zijn van een bedrijfsproces. Poort B - nulmeting Geen meetbare huidige situatie = eerst meten. Leg vóór de implementatie minimaal één relevante baseline vast. Bijvoorbeeld gemiddelde verwerkingstijd, aantal handmatige stappen of foutpercentage. Poort C - controle Geen acceptabele manier om fouten op te vangen = niet live. Een prototype mag imperfect zijn. Een productieproces moet weten wat er gebeurt wanneer de AI onzeker, fout of onbeschikbaar is. Kies maximaal drie projecten voor 90 dagen Waarom drie? Omdat een organisatie naast AI gewoon moet blijven functioneren. Een werkbare 90-dagenmix is vaak: 1 quick win: hoge haalbaarheid, snel zichtbaar resultaat; 1 kernproces: grotere impact, iets meer veranderwerk; 1 leerproject: strategisch interessant, maar bewust klein getest. Daarmee creëer je zowel resultaat als leervermogen. Maak ook een ‘niet nu’-lijst Een goede roadmap bestaat niet alleen uit wat je gaat doen. De lijst met projecten die bewust wachten is minstens zo belangrijk. Zet bij ieder uitgesteld idee de reden: data nog niet op orde; te veel systeemafhankelijkheden; onduidelijke eigenaar; risico eerst beoordelen; businesscase te klein; ander project heeft voorrang. Zo voorkom je dat dezelfde ideeën iedere maand opnieuw op tafel komen alsof er nooit een besluit is genomen. Herprioriteer op basis van bewijs Na een prototype veranderen aannames. Een eenvoudige toepassing blijkt soms veel waardevoller dan verwacht. Een ‘revolutionair’ idee kan juist technisch of organisatorisch tegenvallen. Een AI-backlog is daarom geen jaarplan dat je één keer maakt. Het is een levend besluitinstrument. Een logisch ritme is: operationeel: iedere 2–4 weken; management: maandelijks; strategische roadmap: per kwartaal. De belangrijkste vraag De beste AI-use-case is niet de use-case met de meeste AI. Het is de use-case waarbij een belangrijk probleem, bruikbare data, beheersbaar risico, duidelijke eigenaar en realistische adoptie t
Fractional AI Lead · AI Opportunity Scan · AI implementatie