De prioriteitenmatrix: hoe je kiest uit tien AI-kansen

Tien AI-kansen op een lijst, en geen ervan is fout gekozen. Dat is precies het probleem. Elke kans klinkt op zichzelf de moeite waard, en zonder een manier om ze tegen elkaar af te wegen kies je uiteindelijk de kans die het luidst wordt gepresenteerd, niet de kans die het meeste oplevert.

De prioriteitenmatrix die we in elke AI Readiness Scan gebruiken, is geen geheime formule. Het zijn twee vragen die je op elke kans loslaat, en die samen een rangorde opleveren waar je zelf achter kunt staan.

De twee assen

Impact: wat levert het op als het werkt? Niet in vage termen als "efficiënter", maar in uren, euro's of een ander getal dat je kunt narekenen. Zie ook ons rekenmodel voor AI ROI voor hoe je dat cijfer zelf berekent.

Haalbaarheid: hoeveel staat je in de weg om het te bouwen? Beschikbaarheid van data, technische complexiteit, en misschien wel het belangrijkste: hoeveel weerstand er binnen het bedrijf tegen deze specifieke verandering bestaat.

Een stift naast plaknotities. Twee assen maken van een lijst een rangorde.

De vier kwadranten

Zet elke kans op een raster van deze twee assen, en er ontstaan vier groepen.

Het kwadrant rechtsboven, hoge impact en hoge haalbaarheid, is zelden leeg en wordt bijna altijd over het hoofd gezien omdat het minder indrukwekkend klinkt dan het kwadrant linksboven. Een documentcontrole die drie uur per dag bespaart en met bestaande data kan worden gebouwd, verliest het gesprek van een ambitieus voorspellingsmodel dat misschien tien uur per week zou kunnen besparen als het al die dingen eerst oplost die het nu nog niet oplost.

Waarom de meeste bedrijven linksboven kiezen in plaats van rechtsboven

Het kwadrant linksboven is aantrekkelijker om over te praten. Het klinkt ambitieus, het past bij het verhaal dat een directie aan de raad van commissarissen wil vertellen, en het voelt als vooruitgang. Het kwadrant rechtsboven klinkt saai: een documentcontrole, een offerte-check, iets dat niemand op een conferentie zou presenteren.

Dat is precies waarom we bij elke scan beginnen met de vraag naar frustraties in plaats van naar ambities, zoals we beschreven in waarom een AI-scan geen IT-project is. Frustraties leiden vrijwel altijd naar het rechtsboven-kwadrant. Ambities leiden vrijwel altijd naar linksboven.

Notities op een bord. Zet kansen op het raster met de mensen die het werk doen, niet alleen de directie.

Hoe je haalbaarheid eerlijk inschat

Haalbaarheid is de as waar de meeste bedrijven zichzelf voor de gek houden, meestal in de richting van optimisme. Drie vragen om het eerlijker te maken.

Bestaat de data al, of moet die eerst worden opgeschoond? Een kans die op papier haalbaar is maar drie maanden dataopschoning vraagt, is in de praktijk minder haalbaar dan hij lijkt.

Wie in het bedrijf gaat zich hiertegen verzetten, en waarom? Niet elke weerstand is onterecht. Een planner die terecht wantrouwend is, zoals we beschreven bij AI in operations planning, maakt een kans minder haalbaar, niet omdat de techniek niet zou werken, maar omdat de adoptie zal haperen.

Is er iemand die de uitkomst kan controleren? Een kans waarvan niemand kan beoordelen of de uitkomst klopt, is technisch misschien haalbaar en organisatorisch niet.

Een ingevuld voorbeeld met vijf kansen

Neem een fictief bedrijf met vijf kansen op de lijst: een chatbot voor klantenservice, documentcontrole bij facturen, een voorspellingsmodel voor voorraad, automatische offertes, en een AI-assistent voor de directie.

De documentcontrole scoort hoge haalbaarheid, want de data staat al in het factuursysteem en de uitkomst is direct te controleren, en gemiddelde impact: een paar uur per week. De chatbot scoort lage haalbaarheid, want klantvragen zijn zeer divers en de eerste versie zal regelmatig fout zitten, tegen een onzekere impact. Automatische offertes scoort hoge haalbaarheid en hoge impact, want de data staat er, de uitkomst is controleerbaar, en het scheelt direct uren per offerte.

De rangorde die hieruit volgt is niet de rangorde die het bedrijf van tevoren had. De chatbot stond bovenaan omdat hij het meest indrukwekkend klonk. Na het invullen van de matrix verschuift automatische offertes naar de eerste plek, en dat is precies het punt van de oefening.

Wat de matrix niet oplost

De matrix vervangt geen gesprek met de mensen die het werk doen, ze structureert dat gesprek. Twee cijfers op een raster zetten zonder de planner of administratief medewerker te spreken die de impact en haalbaarheid moet inschatten, levert een schijnprecisie op die net zo onbetrouwbaar is als een slag in de lucht.

Wat je met de matrix doet

Zet je tien kansen op het raster met de mensen die het werk doen erbij, niet alleen met de directie. Een planner of administratief medewerker schat haalbaarheid vaak realistischer in dan een directeur die de dagelijkse obstakels niet meemaakt.

Kies daarna niet de kans met de hoogste impact, kies de kans rechtsboven met de kortste afstand tot een werkend resultaat. Dat eerste project levert het bewijs op waarmee het tweede, ambitieuzere project makkelijker te verkopen is binnen het bedrijf.

Over deze pagina

Deze matrix is onze eigen werkwijze, gebruikt in elke AI Readiness Scan. Het is geen wetenschappelijk model maar een praktisch hulpmiddel om keuzes te expliciteren die anders op gevoel worden gemaakt. Dit is de stand van 31 augustus 2026.