De vijf vragen die je stelt voordat je met AI begint

Voordat je met AI begint, stel je vijf vragen op het niveau van de organisatie: welk probleem kost ons nu aantoonbaar geld of tijd, wie is eigenaar van de uitkomst en wie gaat er dagelijks mee werken, welke data hebben we daarvoor al en betekent die overal hetzelfde, wat is het kleinste omkeerbare stapje en hoe weten we na een paar weken of het werkt, en wat moet er in huis blijven als de externe partij weg is. Alle vijf gaan over het bedrijf rond een toepassing; de keuze van een tool komt pas daarna. Kun je ze in een paar zinnen per vraag beantwoorden, dan is die keuze een kleine beslissing geworden.

Dit stuk is geschreven voor de directeur of eigenaar van een bedrijf met 50 tot 350 mensen die op het punt staat tijd en geld vrij te maken voor AI. Je kunt het doorsturen naar je MT en de vijf vragen samen in een overleg van een uur beantwoorden. Onderaan staat een overzicht op een pagina dat je zo kunt delen.

Een paar verwante onderwerpen hebben we elders uitgewerkt, en die herhalen we hier niet. Of je organisatie klaar is, en welke van de vier soorten klaar bij jou knelt, staat in Hoe weet je of je organisatie klaar is voor AI?. Voorbeelden van goede eerste toepassingen per sector staan in Wat kan AI concreet voor mijn bedrijf betekenen?. Dit stuk zit daarvoor: het gaat over de besluiten die je neemt voordat er een project, een leverancier of een budget is.

Waarom deze vragen over de organisatie gaan

AI komt je bedrijf ook binnen als niemand er een besluit over neemt. Het CBS meldt dat het aandeel bedrijven met 50 tot 250 werkzame personen dat AI gebruikt, steeg van 20 procent in 2023 naar 45 procent in 2025. Bij bedrijven vanaf 250 mensen is het 66 procent. Het gaat om voorlopige cijfers. Bedrijven die AI gebruiken, zetten het het vaakst in voor marketing of verkoop (35 procent) en voor bedrijfsadministratie of bestuurstaken (32 procent), en het minst voor logistiek (4 procent).

Veel van dat gebruik begint bij een functie in software die je al had, of bij een medewerker die zelf een tool uitprobeert. Dat is op zich prima. Het betekent wel dat de vraag of je met AI begint in veel bedrijven al beantwoord is. De vraag die overblijft, is of je er als organisatie richting aan geeft: welk werk, wie verantwoordelijk is, met welke data, hoe je meet en wat je zelf in handen houdt.

Er is ook een minder vrolijke reden. Een veelbesproken rapport van MIT Project NANDA uit 2025 stelde dat ongeveer 95 procent van de onderzochte organisaties geen meetbaar effect van generatieve AI op de winst- en verliesrekening zag. Lees dat cijfer voorzichtig. Het rapport noemt zichzelf voorlopige bevindingen, is niet peer-reviewed en berust voor een deel op interviews en zelfrapportage. De auteurs schrijven zelf dat hun steekproef niet alle sectoren en regio's vertegenwoordigt en dat organisaties succes verschillend definiëren. Bruikbaar is vooral de verklaring die het rapport geeft: de uitkomst leek minder af te hangen van de kwaliteit van het model en meer van de aanpak. Dat is het terrein van de vijf vragen hieronder.

Hoe je de vijf vragen gebruikt

Drie afspraken maken het verschil tussen een goed gesprek en een gesprek dat je volgende maand opnieuw voert.

Beantwoord ze schriftelijk. Per vraag een paar zinnen, met namen en getallen waar dat kan. Een antwoord dat je niet kunt opschrijven, heb je nog niet.

Beantwoord ze samen. De directeur, de persoon die het proces kent en iemand die de systemen kent. Elke vraag heeft een andere eigenaar, en wie alleen antwoordt, vult de gaten met aannames.

Laat een zwak antwoord staan. Een eerlijk zwak antwoord vertelt je waar je eerst werk te doen hebt. Dat is nuttiger dan een mooi antwoord dat niet klopt.

Bij elke vraag hieronder staat waarom hij ertoe doet, hoe een sterk en een zwak antwoord eruitzien, en een hypothetisch voorbeeld. Dat voorbeeld gaat steeds over hetzelfde verzonnen bedrijf: een technische groothandel met 180 medewerkers. Dat bedrijf bestaat niet. Het helpt alleen om de vragen concreet te maken.

Vraag 1: Welk probleem kost ons nu aantoonbaar geld of tijd?

Wie begint bij de technologie, gaat daarna op zoek naar een probleem dat erbij past. Wie begint bij het probleem, kan later bepalen of AI wel het goede middel is. Soms is het antwoord een betere afspraak, een vast formulier of een stuk gewone automatisering. Dan heb je geld bespaard voordat je iets hebt uitgegeven.

Het woord aantoonbaar doet het werk in deze vraag. Je hoeft geen business case van twintig pagina's te hebben. Je moet wel kunnen zeggen hoe vaak het werk voorkomt, hoeveel tijd het kost en wat er gebeurt als het fout gaat. Een schatting van de mensen die het werk doen, is daarvoor goed genoeg, zolang je opschrijft waar de schatting vandaan komt. Zonder die nulmeting kun je bij vraag vier niet vaststellen of iets heeft gewerkt.

Hypothetisch voorbeeld. Bij de groothandel komen bestellingen binnen als pdf of als e-mail. Vier mensen op de binnendienst typen de orderregels over in het ERP. Volgens hun eigen schatting gaat daar samen ongeveer zestig uur per week naartoe, en ongeveer een op de twintig orders bevat een fout die later geld kost bij retouren. Dat is een sterk antwoord: benoemd werk, een schatting met een herkomst en een gevolg dat je kunt tellen. Het antwoord dat eerst op tafel lag, was "we willen iets met AI in de klantenservice". Daar valt niets aan te meten, en dus ook niets aan te besluiten.

Een collega schrijft op memobriefjes aan de muur. Eerst het werk uittekenen laat zien welk probleem echt tijd kost.

Vraag 2: Wie is eigenaar van de uitkomst, en wie gaat er dagelijks mee werken?

Een toepassing zonder eigenaar is na de eerste storing van niemand. De eigenaar is de persoon die beslist wat de toepassing mag, die beoordeelt of de uitkomst goed genoeg is en die daar tijd voor krijgt. Meestal is dat iemand uit de lijn, zoals het hoofd van de afdeling waar het werk zit. IT kan meedenken en meebouwen, maar kent het werk minder goed dan de mensen die het elke dag doen.

De tweede helft van de vraag wordt vaak vergeten. De mensen die er dagelijks mee werken, bepalen of het gebruikt wordt. Zitten ze vanaf het begin aan tafel, dan vertellen ze je welke uitzonderingen er zijn en waar het gaat schuren. Horen ze het pas bij de oplevering, dan is de kans groot dat ze eromheen gaan werken. Ze kennen gevallen die niemand anders kent, en die ontbreken dan in het ontwerp.

Hypothetisch voorbeeld. In de groothandel wordt het hoofd binnendienst eigenaar. Ze krijgt vier uur per week vrijgeroosterd zolang de toepassing gebouwd wordt, en ze mag zelf bepalen welke klanten als eerste meedoen. Twee van de vier mensen die nu orders overtypen, doen mee vanaf de eerste week. Een van hen kent de klanten die altijd afwijkende artikelnummers sturen. Die kennis staat nergens op papier, en zonder haar zou de eerste versie juist op die klanten vastlopen.

Vraag 3: Welke data hebben we daarvoor al, en betekent die overal hetzelfde?

De meeste bedrijven van deze omvang hebben meer data dan ze denken, verspreid over een ERP, een CRM, mailboxen en spreadsheets. De vraag is of je erbij kunt, en of de woorden in die systemen overal hetzelfde betekenen.

Dat tweede deel is het lastigste. Een order kan voor verkoop iets anders zijn dan voor finance, en een klant in het CRM is niet altijd dezelfde klant als in het ERP. Mensen dragen die vertaling in hun hoofd. Een AI-toepassing heeft dat hoofd niet en geeft een stellig antwoord op basis van twee definities die door elkaar lopen. Een semantische laag legt die betekenis een keer vast bovenop de systemen die je al hebt, zodat je die systemen niet eerst hoeft te vervangen. Voor deze vraag hoef je zo'n laag nog niet te bouwen. Je moet alleen weten of het probleem bij jou speelt.

Een snelle toets: vraag drie mensen van drie afdelingen wat in jullie bedrijf een order is, en wanneer hij meetelt. Komen er drie verschillende antwoorden terug, dan weet je waar het eerste werk zit.

Hypothetisch voorbeeld. Bij de groothandel staan de artikelgegevens in het ERP en de klantafspraken deels in het CRM en deels in de hoofden van de binnendienst. Bij de toets blijkt dat verkoop een order telt bij ontvangst en de administratie pas bij facturering. Voor het overtypen van orderregels is dat geen blokkade, want de toepassing hoeft alleen het artikelnummer en de hoeveelheid te herkennen. Voor een latere toepassing die de omzet per klant voorspelt, zou het wel een probleem worden. Dat is nuttig om nu al te weten, ook al los je het nu nog niet op.

Vraag 4: Wat is het kleinste omkeerbare stapje, en hoe weten we na een paar weken of het werkt?

Een groot eerste project is een groot risico. Het duurt lang voordat je weet of het werkt, en als het tegenvalt, zijn er veel geld en goodwill weg. Een klein stapje dat je kunt terugdraaien, laat je snel leren tegen weinig kosten.

Omkeerbaar betekent: als het na een paar weken niet werkt, gaat het werk weer zoals het ging, zonder schade. De toepassing bereidt bijvoorbeeld iets voor en een mens keurt het goed. Of hij draait eerst op een deel van de klanten of een deel van de orders. Het oude werk loopt door tot de nieuwe manier zich bewezen heeft.

De tweede helft van de vraag hoort erbij. Spreek vooraf af wat je na een paar weken meet en welk resultaat goed genoeg is om door te gaan. Spreek ook af bij welke uitkomst je stopt. Dat voelt ongemakkelijk, want niemand begint graag met een plan om te stoppen. Wie het vooraf niet afspreekt, gaat achteraf discussiëren over de vraag of het gelukt is, en dan wint meestal de persoon met het meeste enthousiasme.

Hypothetisch voorbeeld. De groothandel kiest als eerste stap: de toepassing leest de pdf-bestellingen van tien vaste klanten en zet de orderregels klaar in het ERP, waarna een medewerker ze controleert en bevestigt. Na zes weken kijken ze naar twee getallen: de tijd per order en het aantal fouten dat bij de controle wordt gevonden. Vooraf spraken ze af dat ze doorgaan als de tijd per order met minstens een derde daalt zonder meer fouten, en dat ze stoppen als dat niet zo is. Gaat het mis, dan typt de binnendienst die tien klanten weer zelf over. Er is dan niets weggegooid behalve zes weken van een klein team, en je weet meer dan ervoor.

Twee mensen lopen cijfers op papier door naast een laptop. Spreek vooraf af welke getallen bepalen of je doorgaat.

Vraag 5: Wat moet er in huis blijven als de externe partij weg is?

De meeste bedrijven van deze omvang halen voor hun eerste toepassing hulp van buiten. Dat is verstandig. Het wordt een probleem als je aan het eind een werkend systeem hebt en niemand binnen die het kan aanpassen. Dan blijf je afhankelijk, of laat je het systeem stilletjes verwateren zodra er iets verandert in je ERP, je klanten of je werkwijze.

Stel deze vraag daarom aan het begin, voordat je een partij kiest. Wat moet jouw team over een half jaar zelf kunnen? Wie leert dat, en hoe? Waar staat de kennis: in documentatie die jij bezit, of in het hoofd van een consultant? En van wie zijn de instructies, de koppelingen en de data als het contract afloopt? Hoe dat in de praktijk uitpakt en welke afspraken je vooraf maakt, staat in Wat er gebeurt als de externe partij vertrekt. Hoe je voorkomt dat de kennis met een persoon vertrekt, staat in Hoe je AI-kennis verankert.

Hypothetisch voorbeeld. De groothandel spreekt met de externe partij af dat de twee binnendienstmedewerkers en een collega van IT de toepassing na drie maanden zelf kunnen aanpassen: een nieuwe klant toevoegen en een afwijkend artikelnummer leren herkennen. Dat is de toets bij de oplevering. De instructies en de koppeling met het ERP staan in een omgeving van de groothandel. Lukt die eerste aanpassing zonder telefoontje naar buiten, dan is de kennis in huis.

De vijf vragen op een pagina

Dit overzicht kun je delen met je MT of meenemen naar een overleg. De kolom met rode signalen is het belangrijkste deel. Zie je er een, dan weet je waar je eerst moet zijn.

Wat je doet als een antwoord zwak blijft

Bijna geen bedrijf beantwoordt alle vijf vragen sterk bij de eerste poging. Dat is normaal, en daar zijn de vragen voor. Hieronder drie vuistregels. Ze zijn onze eigen werkwijze en geen gemeten norm.

Zwak op vraag 1. Begin nog niet. Breng eerst een week lang in kaart waar de tijd naartoe gaat in een of twee teams. Zonder benoemd probleem is elke toepassing een gok.

Zwak op vraag 2 of 5. Dit vraagt een besluit van de directie. Wijs een eigenaar aan en maak tijd vrij voordat je een partij zoekt. Kun je niemand vrijmaken, dan is dat ook bruikbare informatie: het is dan nog niet het moment.

Zwak op vraag 3 of 4. Dit los je meestal op tijdens het werk. Kies een eerste stap die minder van de data vraagt, of maak hem kleiner tot je hem wel kunt meten.

Herken je bij deze vragen vooral wat er al misgaat in lopende trajecten, lees dan Vijf signalen dat je AI-ambitie vastloopt op je organisatie. Dat stuk beschrijft hoe dezelfde gaten eruitzien als je al begonnen bent.

Van vijf antwoorden naar een volgende stap

Heb je de vijf vragen met je MT doorgelopen, dan heb je een eerste beeld. Wil je dat beeld langs een vaste meetlat leggen, dan is de AI-Foto een gratis zelfscan: tien minuten, twaalf vragen, en je ziet waar je organisatie staat.

Wil je daarna een onderbouwd besluit, dan is er de AI Readiness Scan. Dat is een diagnose van twee weken die in kaart brengt waar je staat, de kansen rangschikt, het rendement doorrekent en een roadmap oplevert waarover de directie kan besluiten. In die scan komen dezelfde soort organisatievragen terug als in dit stuk: wie beslist, wie eigenaar is van het proces, en of dezelfde term op twee afdelingen hetzelfde betekent.

Welke weg je ook kiest, de vijf antwoorden op papier zijn het nuttigste dat je kunt meenemen naar elk gesprek met een externe partij, ook naar een gesprek met ons.

Over deze pagina

Dit stuk is geschreven op 5 oktober 2026 door het team van Radical AI. De cijfers over AI-gebruik naar bedrijfsgrootte en naar doel komen van het CBS en zijn voorlopige cijfers over 2025. Het cijfer van 95 procent komt uit het rapport The GenAI Divide: State of AI in Business 2025 van MIT Project NANDA. Dat rapport is niet peer-reviewed, noemt zichzelf voorlopige bevindingen en berust deels op interviews en zelfrapportage. De vijf vragen, de tabellen en de vuistregels zijn onze eigen werkwijze, geen gemeten norm. De groothandel met 180 medewerkers is verzonnen en er is geen klantdata gebruikt. De beschrijvingen van de AI-Foto, de semantische laag en de AI Readiness Scan komen van onze eigen pagina's.