In 5 stappen naar goed AI-gebruik

Veel organisaties praten over AI alsof het één knop is: je koopt een model, je koppelt data, klaar. In werkelijkheid is “predictive AI” een keten van keuzes die elkaar opvolgen. Als één schakel ontbreekt, krijg je óf een model dat nooit gebruikt wordt, óf een oplossing die op papier slim is maar in de praktijk schade doet.

Het is geen technisch stappenplan, maar 5 vragen:

Vraag 1: De beslissing scherpstellen (wat willen we beter doen?)

AI begint niet met data, maar met een beslissing. Welke keuze wil je sneller, consistenter of met minder risico nemen? “We willen iets met churn” is geen beslissing. “We willen per klant beslissen wie proactief een aanbod krijgt en wie niet.” is dat wel.

In deze fase maak je ook expliciet wat “beter” betekent: snelheid, kosten, kwaliteit, veiligheid, klanttevredenheid of compliance. Zonder dat doel krijg je later discussies over succes die je nooit kunt winnen.

Wat er fout gaat als je deze fase overslaat: je bouwt een model dat interessante inzichten geeft, maar geen eigenaar heeft. Iedereen vindt het “boeiend”, niemand verandert gedrag.

Vraag 2: Het patroon definiëren (welk signaal zoeken we?)

Een beslissing wordt beter als je een patroon kunt herkennen dat mensen vandaag missen. Predictive AI is dus: een signaal detecteren dat iets waarschijnlijk maakt. Dat signaal kan een combinatie zijn van gebeurtenissen, tekst, transacties, sensordata of context.

De discipline hier is om het patroon zo te formuleren dat het meetbaar wordt. “Ontevreden klanten” is te vaag. “Klanten met een hoog risico om binnen 30 dagen te vertrekken” is concreet. Je definieert ook de horizon: 7 dagen, 30 dagen of 12 maanden. Die keuze bepaalt alles: datakwaliteit, interventies en businesswaarde.

Wat er fout gaat: teams kiezen een patroon dat logisch klinkt, maar niet stabiel is. Het signaal verandert, het model drift, en niemand vertrouwt de output.

Wil jij als executive leren hoe AI jouw strategisch denken kan versterken? Ontdek de Masterclass AI & Strategie voor Executives van Jeroen De Flander bij TIAS Business School. In deze driedaagse opleiding leer je hoe AI een hefboom wordt voor slimmere analyses, snellere besluitvorming en effectievere strategie-executie. Geen technische opleiding, maar een strategische verkenningstocht voor wie écht impact wil maken.

Vraag 3: De data bepalen (welke inputs hebben we nodig?)

Pas nu komt data. Niet: “zo veel mogelijk”, maar precies genoeg om het patroon te dragen. Je beslist welke bronnen nodig zijn, welke tijdstempels kloppen, welke definities overal hetzelfde betekenen en welke missings aanvaardbaar zijn.

Het managementpunt: datakwaliteit is zelden een IT-probleem; het is eigenaarschap. Wie “bezit” de definitie van klant, order, incident, storing of patiëntcontact? Als die definities per afdeling verschillen, is predictive AI per definitie politiek.

Wat er fout gaat: organisaties onderschatten de integratie. Ze hebben data, maar niet op het niveau van granulariteit of snelheid dat het beslismoment vraagt. Of ze hebben data, maar geen toestemming om ze te gebruiken.

Vraag 4: De AI-capability kiezen (welke techniek past bij risico en context?)

In deze fase kies je niet “het beste model”, maar het juiste niveau van complexiteit. Soms is een eenvoudige baseline beter: sneller uit te leggen, makkelijker te monitoren en vaak sterk. Soms is complexiteit nodig (bijvoorbeeld bij beeld, geluid of zeer non-lineaire patronen).

Belangrijker dan de techniek is kalibratie en uitlegbaarheid: kan een gebruiker begrijpen waarom het systeem iets adviseert, en kun je drempels instellen die passen bij het risico? Bij hoge risico’s wil je misschien een model dat minder “slim” is, maar voorspelbaarder en controleerbaar.

Wat er fout gaat: men optimaliseert op accuracy in een testset, maar vergeet beslisimpact. Een model dat 2% beter scoort maar niet wordt gebruikt, is 100% verspilling.

Vraag 5 — Inbedden in het werk (hoe wordt dit een routine?)

Dit is de fase die het verschil maakt tussen demo en waarde. Predictive AI moet verschijnen op het moment dat mensen beslissen, in het systeem waar ze werken, met duidelijke actieopties.

Er moet een eigenaar zijn, een feedbackloop en monitoring: wat doen mensen met de aanbeveling, wat zijn de fouten, wanneer stopt het systeem en wanneer wordt het hertraind? Ook governance hoort hier: wie mag overrulen, wie grijpt in bij afwijkingen en hoe toon je achteraf aan dat het verantwoord gebeurde?

Wat er fout gaat: AI wordt “aangeboden” in een apart dashboard. Het team zegt dat het “beschikbaar” is. In de praktijk kijkt niemand, omdat er geen ritme, mandaat of consequentie is.

De drie meest voorkomende misverstanden

1. “We beginnen met data en zien wel wat eruit komt.” Dat is exploratie, geen predictive AI met impact.

2. “Als het model goed is, volgt adoptie vanzelf.” Adoptie is een ontwerpvraag, geen statistiek.

3. “We zitten pas ver als we autonoom beslissen.” De meeste waarde zit in beter beslissen, niet in beslissen zonder mensen.

De diagnosevraag die altijd werkt

Als je niet weet waar je staat, stel dan één vraag:“Welke van de vijf vragen is vandaag onze bottleneck?”

Niet waar je het drukst mee bent, maar waar het initiatief werkelijk blokkeert. Als je eerlijk antwoordt, wordt de volgende stap vanzelf duidelijk. Predictive AI is geen sprong; het is vijf keer een goede, expliciete keuze.

Een kort voorbeeld om het verschil te voelen

Stel: je wilt onderhoud voorspellen.

• Fase 1 is niet “predictive maintenance”, maar: “Beslissen we vandaag preventief ingrijpen of wachten we tot een storing?”

• Fase 2 is het patroon: welke combinatie van trillingen, temperatuur, storingscodes en gebruiksuren wijst op falen binnen 14 dagen?

• Fase 3 is data: zijn die sensoren gelijk en hebben we genoeg historische storingen?

• Fase 4 is de capability: volstaat een simpele score of heb je een complex model nodig?

• Fase 5 is inbedden: wie krijgt de alert, welke actie volgt, en wat doen we als de aanbeveling genegeerd wordt?

Kort samengevat:

1. Beslissing: welke keuze verandert morgen in het werk?

2. Patroon: hoe definieer je ‘hoog risico’ en binnen welke termijn?

3. Data: welke drie variabelen móéten betrouwbaar zijn?

4. Capability: welke fout is gevaarlijker—false positive of false negative?

5. Inbedden: waar en hoe wordt dit een routine?

Wil je ontdekken hoe AI jouw rol als leider kan versterken?

Ontdek het in onze Masterclass 'AI & Strategie voor Executives'. Interesse? Neem contact op met Wendy van Haaren, zij helpt je graag verder.