Het moeilijkste probleem van enterprise-AI is misschien wel de prikkel: wie heeft er eigenlijk zin om het te gebruiken?

De afgelopen dagen was ik aanwezig bij een enterprise-AI-forum. Veel technische vragen kwamen aan bod: hoe sluit je modellen aan, hoe beheer je data, hoe regel je toegangsrechten, hoe deploy je agents, hoe beheer je cloudresources, hoe voer je security-audits uit, hoe krijg je bedrijfskennis in de context. Allemaal legitieme vragen.

Maar toen ik een case uit de maakindustrie hoorde, begon ik me plotseling een andere vraag te stellen: Waarom zou iemand binnen een bedrijf AI eigenlijk proactief willen gebruiken?

Technische problemen kun je met geld oplossen. Organisatieproblemen los je niet zomaar met geld op. Dat is het belangrijkste punt dat ik in dit artikel wil maken.

1. Waar gaat de tijd naartoe nadat de efficiëntie is verbeterd?

Stel dat een medewerker normaal gesproken 8 uur nodig heeft voor een bepaalde taak, en AI dat terugbrengt naar 5 uur. Vanuit technisch oogpunt is dat een mooie efficiencysprong. Maar voor de medewerker is de echte vraag: waar gaat die overige 3 uur naartoe?

Als het bedrijf antwoordt met “Prima, vanaf nu ga je gewoon 60% meer werk doen per dag”, dan is het lastig om blijvende motivatie te creëren voor proactief AI-gebruik. Dit is de meest voorkomende vicieuze cirkel in bedrijven: de tijd die je bespaart wordt onmiddellijk weer ingenomen, en medewerkers stemmen met hun voeten.

Als medewerkers na AI-gebruik nieuwe leerkosten, controlekosten en verantwoordelijkheid voor fouten moeten dragen, maar de prestatiebeoordeling volledig hetzelfde blijft, dan kan AI gemakkelijk een extra last worden in plaats van een tool.

Omgekeerd geldt: als team-KPI’s al zijn gekoppeld aan time-to-market, klantrespons, contenttestvolume, orderconversie of leveringscycli, en AI die resultaten verbetert, dan kan het team direct betere prestatiebeoordelingen en resources verwachten — dat creëert een totaal andere motivatie om de technologie te omarmen.

Een客户服务center waar we mee hebben gewerkt, illustreert dit treffend (noot:示意性数据，非真实单点统计 —示意性数据，geen echte eenduidige statistiek). Nadat zij hun Agent hadden geïmplementeerd, zakte de Average Handling Time (AHT) van 12 naar 7 minuten — een ogenschijnlijk indrukwekkende efficiëntiewinst van 40%. Maar de workload van de frontline medewerkers werd vervolgens door het systeem navenant opgeschroefd, omdat de lagere AHT het platform deed concluderen dat er nog capaciteit beschikbaar was. Na drie maanden was het klachtenpeil niet gedaald, en liep het verloop zelfs op met 18%. De medewerkers stemden met hun voeten.

Dit is geen bewijs dat AI niet werkt — het bewijst dat de vrijgekomen tijd geen bestemming heeft gekregen.

Dus “hoeveel efficiëntie kan AI opleveren” is slechts de eerste laag van de vraag. De diepere kwestie is: hoe wordt de waarde van die efficiëntie verdeeld binnen de organisatie, aan wie komt die ten goede, wiens beoordelingen veranderen daardoor, en wie houdt het overzicht?

二、企业 AI 项目里通常存在多个目标函数

Een enterprise AI-project heeft zelden slechts één team.

Doelstellingen afstemmen in Enterprise AI-projecten

Het dilemma van tegenstrijdige prioriteiten

Business teams willen omzet verhogen, kosten verlagen en sneller leveren. Het AI-team wil technologische waarde bewijzen en richt zich mogelijk op het aantal Agents, de call volumes en de time-to-market. Het IT-team focust op systeemstabiliteit, integratiecomplexiteit en onderhoudskosten. Het security-team houdt zich bezig met permissies, datalekken, auditing en compliance. Het management wil graag ROI zien, maar is niet altijd bereid om in een vroeg stadium de kosten voor procesherontwerp te dragen. Medewerkers tenslotte willen vooral weten of hun werk makkelijker wordt, of hun prestaties verbeteren, en of nieuwe tools meer risico’s met zich meebrengen.

Wanneer deze doelfuncties niet op elkaar zijn afgestemd, kan een project technisch gezien succesvol zijn afgerond, maar toch stagneren in de POC-fase, presentatiefase, bij sporadisch gebruik, of simpelweg bij “op last van het management”.

Een illustratieve case uit de industriesector

Tijdens onze begeleiding van AI-pilotprojecten bij een industriële klant kwamen we een typisch scenario tegen (opmerking: geanonimiseerd illustratief voorbeeld). Het kwartaal-KPI van het AI-team was “aantal Agents live” en “groei call volume jaar-op-jaar”, terwijl het business team werd beoordeeld op Overall Equipment Effectiveness (OEE) en het aantal ongeplande stilstanduren. Deze indicatoren overlapten totaal niet. Als gevolg hiervan bleef het AI-team nieuwe Agents opvoeren om aan hun KPI te voldoen, terwijl het business team de technologie passief gebruikte omdat niemand eindverantwoordelijk was voor de uiteindelijke OEE. In de bedrijfsrapportage waren prachtige curves te zien voor Agent-calls, maar de OEE verbeterde vrijwel niet ten opzichte van het voorgaande jaar.

Conclusie

Bij de evaluatie van enterprise AI-projecten kun je niet volstaan met vragen over modelperformance en technische architectuur. Je moet ook de incentives van elke stakeholder begrijpen.

Drie: De gevaarlijkste situatie ontstaat wanneer opbrengsten en risico’s over verschillende teams zijn verdeeld

Organisaties kampen vaak met een structuur waarbij de bedrijfsafdelingen profiteren van de efficiëntievoordelen die AI oplevert, terwijl de IT-afdeling verantwoordelijk is voor het onderhoud ervan. Het AI-team krijgt de eer voor innovatieve prestaties, maar de medewerkers op de werkvloer dragen de verantwoordelijkheid voor foutieve resultaten. Het management stuurt aan op automatisering, maar het beveiligingsteam wordt afgerekend op elk incident.

In zo’n situatie is de meest voorkomende reactie van de organisatie het opleggen van steeds meer beperkingen. Dat maakt snelle adoptie vrijwel onmogelijk.

Het beveiligingsteam zal meer goedkeuringen eisen, IT zal om stabielere grenzen vragen, de bedrijfsafdelingen zullen klagen over de trage implementatie, en het AI-team zal de traditionele afdelingen zien als obstakels voor innovatie.

Het is verleidelijk om dit af te doen als “de bedrijfscultuur is niet open genoeg voor AI”. Maar wanneer de verdeling van risico’s en opbrengsten scheef is, zal een team onvermijdelijk conservatief handelen. Als een team alleen maar nadelen ervaart en geen enkel voordeel, is conservatief gedrag de meest rationele reactie. Dit is geen kwestie van houding, maar het resultaat van prikkels in de structuur.

Dit fenomeen is bijzonder uitgesproken in de telecomindustrie. Neem het voorbeeld van een regionaal telecombedrijf dat een Agent implementeert voor zakelijke verbindingen (opmerking: gegeneraliseerd illustratief voorbeeld). Het proces van klantbestelling tot netwerkresource-toewijzing, adresinspectie, contractcontrole en werkplanning duurde oorspronkelijk veertien werkdagen. Met AI zou dit theoretisch gehalveerd kunnen worden naar zeven dagen – een versnelling van 50%. Maar bij de livegang van het nieuwe proces eiste het beveiligingsteam drie extra goedkeuringen: een secundaire verificatie van klantidentiteit, een compliance-review voor elektronische contractondertekening en gezichtsherkenning op de bouwplaats. Het resultaat? De gemiddelde doorlooptijd ging niet omlaag, maar omhoog, en de accountmanagers ergerden zich groen.

技术不是不够，是风险承担结构把流程勒紧了。

4. AI 团队自己的 KPI 也容易把组织带偏

企业在内部搭建 AI 平台时，往往倾向于选择一些容易统计的指标：上线了多少 Agent、接入了多少模型、Token 调用增长了多少、多少员工注册、创建了多少 Workflow。

这些指标有运营价值，但很容易本末倒置。当 AI 团队的绩效考核与「上线数量」挂钩，团队就有动机不断推出新的 Agent，而业务价值是否真正产生反而被搁置一旁。

这种现象在工程管理领域已被反复讨论过——软件团队用代码行数衡量产出，电商团队用内容发布量衡量增长，本质上是同一类问题。金数据团队今年 9 月的一篇分析也指出，当 Token 消耗量被写入 KPI 时，员工会迅速把「调用次数」当成新游戏，原本一次能完成的任务被拆成更多轮，冗余研究、反复改写、长时间空转等做法也随之合理化（来源：金数据《别把算力成本当业绩：企业落地 AI 的价值度量陷阱》，2026-09-13，厂商立场）。这正是古德哈特定律在 AI 管理中的翻版：当一个指标变成目标，它就不再是好指标。

企业 AI 真正应该追求的是端到端的结果。

Klantenservice-agent moeten letten op de handmatige overnamedrempel (het percentage taken dat de machine niet aankan en naar een mens wordt doorgestuurd – hoe lager, hoe beter, maar te laag betekent dat de agent ‘doet alsof hij begrijpt’), first contact resolution, responstijd, klanttevredenheid en conversie. Verkoopagent moeten letten op leadkwaliteit, opvolgsnelheid, conversieratio en verkoopcyclus. R&D-agent moeten letten op Lead Time (van requirement tot live – hoe korter, hoe beter), herstelratio, Human Minutes (daadwerkelijke menselijke uren besteed aan oordeelsvorming en besluitvorming, niet aan fysiek werk), en defect rate in productie. Contentagent moeten letten op effectieve contentproductie, goedkeuringsratio bij review, time-to-market en uiteindelijke bedrijfsresultaten.

Pas wanneer metrics zijn gekoppeld aan bedrijfsresultaten, zal een organisatie zich richten op waardeoptimalisatie in plaats van op indrukwekkende cijfers.

V. Een klassiek beeld lenen om het mechanisme te doorgronden: Conway’s hint

慢慢学AI<006>

In 1968 formuleerde Melvin Conway een observatie die later bekend werd als Conway’s Law: “Organisaties die systemen ontwerpen, zijn gebonden aan het produceren van ontwerpen waarvan de structuren kopieën zijn van de communicatiestructuren binnen deze organisaties.”

Martin Fowler benadrukte in 2024 nog steeds de actuele betekenis van deze observatie: wanneer je teams indeelt op basis van softwareniveaus (frontend, backend, database), ontstaat vanzelf een driedelig architectuursmodel; verdeel je ze naar levenscyclusactiviteiten (analyse, ontwerp, codering, testen), dan resulteert dit in eindeloze pingpong-sessies voor elke nieuwe feature. Skelton en Pais hebben dit principe in Team Topologies (2019) doorontwikkeld tot de “Reverse Conway Maneuver”: ontwerp eerst de gewenste doelarchitectuur en leid vervolgens de teamgrenzen en interfaces hiervan af, zodat de organisatie vóór het systeem in beweging komt.

Conway’s uitspraak is ook perfect toepasbaar op AI-implementatie: hoe een AI-systeem uiteindelijk vorm krijgt, hangt af van wie met wie overlegt, wie de beslissingen neemt en wie verantwoordelijkheid draagt.

Rol × KPI × Voordeel × Kosten × Risico × Beslissingsbevoegdheid – zodra deze zes velden helder zijn gedefinieerd, staat eigenlijk al vast hoe het systeem eruit zal zien. De technische architectuur is juist het eindresultaat.

Zes | Een eenvoudig raamwerk voor evaluatie van AI-prikkels in ondernemingen

Bij toekomstige evaluaties van zakelijke AI-projecten begin ik met het uitzetten van zes velden.

Rol → KPI → Voordeel → Kosten → Risico → Beslissingsbevoegdheid

Rol: wie neemt deel aan dit proces.
KPI: waarmee wordt deze rol momenteel beoordeeld.
Voordeel: welke directe voordelen haalt deze rol uit een succesvolle AI-implementatie.
Kosten: welke kosten moet hij maken voor migratie, training, annotatie, review en procesherontwerp.
Risico: wie draagt de verantwoordelijkheid wanneer AI fouten maakt.
Beslissingsbevoegdheid: wie heeft de autoriteit om live te gaan, te stoppen, rechten aan te passen en investeringen uit te breiden.

Zodra deze zes velden zijn uitgetekend, worden veel vragen als “waarom gebruikt niemand dit eigenlijk?” ineens een stuk duidelijker.

Zeven scenario’s voor AI-adoptie in ondernemingen

Een financieel sectorvoorbeeld (gedeeltelijk geanonimiseerd ter illustratie)

Neem het voorbeeld van een fraudebestrijdingsagent voor een bank. De rol omvat first-line risicocontroleurs, het modelteam, compliance-auditors, IT en vestigingsdirecteuren. De KPI’s luiden als volgt: first-line controleurs worden beoordeeld op de dagelijkse goedkeuringsratio (om te voorkomen dat legitieme transacties worden geblokkeerd), het modelteam op recall en false positive rates, compliance op nul重大案件 (geen kritieke incidenten), IT op systeembeschikbaarheid en de vestigingsdirecteur op klantklachten.

Als na de implementatie van de agent de werkbelasting van first-line controleurs niet afneemt, maar hun foutenverantwoordelijkheid toeneemt, en er geen tolerantiemechanisme voor compliance bestaat, zal adoptie gegarandeerd stagneren. In dat scenario kan het modelteam nog zo’n indrukwekkende benchmarkpresentatie neerzetten — het vertaalt zich simpelweg niet naar bedrijfsresultaten.

Neem een klantenserviceagent: als first-line medewerkers door AI-efficiëntie meer gesprekken moeten afhandelen én persoonlijk verantwoordelijk worden gehouden voor fouten, dan is lage adoptie geen verrassing. Als de KPI van het management neerwaartse trend in gemiddelde behandeltijd is en de kwaliteitsafdeling streeft naar nul fouten, zonder gemeenschappelijk evenwichtsmodel, zal procesfrictie alleen maar toenemen.

Zeven, Sterk gereguleerde sectoren: van « economische rekensom » naar « verantwoordelijkheidsadministratie »

Voor sterk gereguleerde sectoren als banken, verzekeraars en telecombedrijven weegt « wie profiteert » lang niet zo zwaar als « wie tekent ».

Op het gebied van Chinese wetgeving draagt de raad van bestuur van financiële instellingen de eindverantwoordelijkheid voor AI-toepassingen (volgens Jin Fa [2026] No. 8, “Richtlijnen voor het versterken van het beheer van de ontwikkeling en toepassing van kunstmatige intelligentie door financiële instellingen”, moet de raad van bestuur een speciaal comité aanwijzen dat verantwoordelijk is voor AI-governance). De bedrijfsafdelingen dragen de verplichting om kritieke beslissingen die de rechten van klanten of de financiële positie wezenlijk beïnvloeden te herzien. De compliance- en risicoafdelingen hebben de bevoegdheid om de implementatie van modellen te controleren. Specifieke compliancebudgetten, modelauditcycli, rapportagecriteria voor toezichthouders en de lijst van personen die verantwoordelijk zijn voor specifieke taken moeten allemaal worden afgestemd voordat een project wordt gestart. Zonder deze afstemming kan zelfs de beste technologie vastlopen tussen interne en externe audits.

Uit onderzoek van Deloitte in 2026 naar AI-agents in de bankensector blijkt eveneens dat regelgevende vereisten moeten worden ingebed in de kernlogica van agents vanaf de ontwerp- en implementatiefase, in plaats van achteraf te worden gecorrigeerd. Banken moeten ook een volledig registratiesysteem voor agents opzetten, waarin de eigenaar, het gebruiksgebied, de geraadpleegde datasets en de risico-exposure van elke agent worden vastgelegd (bron: Deloitte, “How Banks Can Achieve Intelligent Automation Leapfrogging Through AI Agents”, 2026, standpunt consultancy). De analyse van Zhonghao Law Firm over Jin Fa [2026] No. 8 gaat nog een stap verder: wat financiële instellingen nodig hebben, is niet alleen technologie, maar vooral “geschiktheid” – wanneer talentvoorraden en compliance-mechanismen niet gelijke tred houden, kan de overhaaste implementatie van complexe AI-systemen door toezichthouders zelf worden beschouwd als “het niet waarborgen van prudent bedrijfsvoering” (bron: Zhonghao Law Firm, “Compliance Framework and Implementation Path for AI Applications in Financial Institutions – Zhonghao Research”, 2026, standpunt advocatenkantoor).

Het opnemen van dit punt in het framework betekent dat het economische model verantwoordelijk is voor de vraag “of we het doen”, terwijl de verantwoordelijkheidstoewijzing bepaalt “wie tekent en wie wordt gestraft”. Beide aspecten moeten tegelijkertijd slagen, anders kan een AI-project in sterk gereguleerde sectoren de laatste kilometer niet voltooien.

Achtste punt: E-commerce — Twee separate boekhoudingen voor compliance en kwaliteitscontrole

In e-commerce-scenario’s draaien AI-agents het snelst, maar incentive-ontwerp wordt hier het gemakkelijkst genegeerd.

Een contentagent voor grensoverschrijdende e-commerce heeft de kosten per eenheid contentmateriaal met bijna tachtig procent verlaagd, de output-efficiëntie met een factor tien verhoogd en de conversieratio met 25 procent verbeterd (bron: praktijkcase van实在智能, augustus 2026, leverancierspositie; cijfers gerapporteerd door de klant). Dit soort indrukwekkende cijfers overtuigt management het meest om door te investeren. Maar in hetzelfde project zijn de KPI’s van contentmanagers meestal nog gebaseerd op “tijdige levering”, en de manuren die door AI-efficiëntie worden bespaard, hebben geen duidelijke bestemming. Ondertussen draagt het juridische team de verantwoordelijkheid voor mogelijke inbreuken op intellectueel eigendom van door AI gegenereerde afbeeldingen — begin 2026 was er al een rechtszaak waarbij een verkoper uit Hangzhou op Amazon werd veroordeeld voor inbreuk op intellectueel eigendom van door AI gegenereerde producthoofdafbeeldingen, met een schadevergoeding van 500.000 yuan (bron: 律辉律师事务所, “AI-generated content infringement risks: juridische rode lijnen en compliance richtlijnen voor grensoverschrijdende e-commerce”, 06-02-2026, standpunt van het advocatenkantoor).

Daarom moet het incentive-ontwerp voor e-commerce-scenario’s twee aparte boekhoudingen voeren:

Economische afweging: Wie mag de bespaarde middelen voor design, klantenservice of fotografie na AI-efficiëntieverbetering besteden? Worden deze ingezet voor nieuwe productselectie, marktuitbreiding of merkinvesteringen? Zijn de materiaalkosten werkelijk gedaald, of is alleen de statistische methodologie veranderd?

Compliance-afweging: Voldoet door AI gegenereerde content aan de platformvereisten voor annotatie (de Chinese „Methoden voor AI-markering” vereisen zowel expliciete als impliciete labeling)? Is er substantiële secundaire bewerking uitgevoerd om „oorspronkelijkheidsgeschillen” te vermijden? Is er een aansprakelijkheidsverzekering voor AI-inbreuk afgesloten als risicebuffer?

De economische afweging bepaalt het tempo, de compliance-afweging bepaalt hoever je kunt gaan. Als beide niet synchroon lopen, kan een mooie conversiecurve met één juridische brief teniet worden gedaan.

Negen: Om AI echt in het bedrijf te integreren, moeten werkzaamheden opnieuw worden ontworpen — niet alleen een extra tool toevoegen

Veel AI-projecten gaan ervan uit dat de bestaande organisatiestructuur en processen ongewijzigd blijven, en plaatsen simpelweg een Copilot naast elke medewerker. Deze aanpak is snel te implementeren en wordt gemakkelijk geaccepteerd. Maar naarmate AI-capaciteiten geleidelijk toenemen, komt de echte waarde vaak voort uit Workflow Redesign.

Voorheen kon een proces uit vijf personen in serie bestaan. Met AI kan het zijn dat één persoon met een agent de eerste drie stappen uitvoert, een tweede persoon alleen verantwoordelijk is voor high-risk review, en een derde persoon de eindbeslissing neemt. In dat geval moeten functiegrenzen, verantwoordelijkheden, goedkeuringen en prestatiebeoordelingen allemaal mee veranderen.

Als de organisatiestructuur volledig onaangeroerd blijft en elke oude stap simpelweg een AI-knop krijgt, is het uiteindelijke resultaat waarschijnlijk een complexere versie van het oude proces.

Het Diepe Water van Enterprise AI

De uitdaging van enterprise AI gaat niet alleen over iedereen laten werken met AI. Het zal geleidelijk doordringen tot functieontwerp, verantwoordelijkheidsmodellen en procesherarchitectuur.

Tien. Het Economische Model dat het Management Werkelijk Wil Zien

Veel enterprise AI-evenementen benadrukken efficiëntiepercentages, maar het management heeft uiteindelijk een kwantificeerbaar economisch model nodig:

Hoeveel mensuren verbruikte een taak oorspronkelijk per maand? Hoeveel vermindert AI dat? Kunnen die uren daadwerkelijk worden omgezet in hogere output, of is het slechts theoretische besparing? Wat zijn de kosten voor nieuwe modellen, rekenkracht, software en reviewprocessen? Hoe verandert het foutenpercentage? Wanneer wordt het project break-even?

Nog belangrijker: kunnen vrijgemaakte middelen daadwerkelijk worden heringericht.

Als een team daalt van 10 naar 7 mens equivalente taken, maar de organisatie nog steeds dezelfde personeelsbezetting en output aanhoudt, is er financieel gezien geen directe kostenbesparing. In dat geval moet duidelijk worden waar die vrijgekomen capaciteit van 3 personen voor wordt ingezet — het starten van nieuwe bedrijfslijnen, het verbeteren van servicekwaliteit, of het direct inzetten voor een volgende kostenreductieronde. De richting bepaalt hoe激励beloning wordt ontworpen.

De ROI van AI kan niet blijven steken bij “hoeveel minuten we bespaarden”. Uiteindelijk moet het landen op minimaal één van: omzet, kosten, risico, snelheid of能力grenzen capability boundary.

Elf. Duurzame Adoptie vereist dat de Juiste Mensen de Juiste Voordelen Ontvangen

De implementatie van Enterprise AI wordt vaak beschreven als een kwestie van technologische volwassenheid. Starkere modellen, betere data, completere autorisaties – dat verhoogt uiteraard de slaagkans. Maar mensen in een organisatie veranderen hun gedrag niet automatisch omdat de technologie geavanceerder wordt.

Duurzame adoptie op lange termijn vereist dat gebruikers van AI directe meerwaarde ervaren, dat degene die risico’s dragen voldoende controle hebben, dat de projectverantwoordelijken aanspreekbaar zijn op bedrijfsresultaten, en dat het management duidelijke economische waarde ziet.

Daarom voegen we nu nog een laag toe aan de Enterprise AI Stack:

Model → Data → Context → Workflow → Governance → Incentive

De eerste vijf lagen bepalen of een systeem kan draaien. De laatste laag bepaalt of een organisatie bereid is het langdurig te laten draaien. Dit is misschien wel het aspect dat in enterprise AI-advies het meest wordt overschaduwd door technische discussies.

Implicaties voor besluitvormers

Teken eerst de zes velden uit, dan praten we over architectuur

Voordat je elk zakelijk AI-project evalueert, dien je eerst de zes vakken — Rol, KPI, Meerwaarde, Kosten, Risico en Beslissingsbevoegdheid — in te vullen. Dit voorspelt beter of een project haalbaar is dan de keuze van een model of het tekenen van een architectuurschets.

Financiële afwegingen en verantwoordelijkheden tegelijkertijd uitwerken

In sterk gereguleerde sectoren is het aanzienlijk goedkoper om juridische zaken, compliance, interne audit en de business al vanaf de start van een project rond de tafel te krijgen, dan achteraf processen te moeten inpassen.

Vrijgekomen tijd moet een duidelijke bestemming krijgen

De mensuren die vrijkomen door AI-efficiëntie dienen opnieuw te worden ingezet voor nieuwe bedrijfsactiviteiten, nieuwe markten of kwaliteitsverbetering. Zo voorkom je de cyclus waarbij besparingen worden ‘ingedekt’ en verdwijnen.

KPI’s moeten worden gekoppeld aan bedrijfsresultaten

Haal Tokenverbruik, het aantal Agenten en het aantal API-aanroepen uit de beoordelingscriteria en vervang deze door klantretentie, conversie, foutpercentages en doorlooptijden.

Organisatie eerst, systemen daarna

Pas de omgekeerde Conway-maneuver toe: begin met het helder krijgen van de beoogde werkprocessen, leid daaruit de teamgrenzen en interfaces af, en selecteer pas daarna de technologie.

Veelgestelde vragen

Zelfcontrôle in omgekeerde volgorde

Is dit niet gewoon een « managementkwestie »? Wat heeft dit met AI te maken?
Het verband ligt hierin: AI heeft de kostenstructuur van « iedereen zijn werk goed laten doen » hertekend. Voorheen vertrouwde men op directe supervisie, coaching en controle door mensen; door AI in te schakelen voor de uitvoering, verloor de organisatie juist haar oorspronkelijke feedback loops. Motivatieontwerp moet verschuiven van « procesbewaking » naar « resultaatverantwoordelijkheid ».
Kleine bedrijven hebben minder personeel – betekent dat dan dat dit probleem niet speelt?
De conclusies in dit artikel zijn specifiek gericht op organisaties met meer dan dertig medewerkers. Bij kleine bedrijven neemt de eigenaar alle beslissingen, waardoor het motivatievraagstuk wordt herleid tot « wil de baas het gebruiken of niet » – dit framework is dan niet nodig. Maar zodra een team groeit tot dertig à vijftig personen en rollen en KPI’s beginnen te divergeren, gaan deze zes bouwstenen een rol spelen.
Is het aantal Agents in productie werkelijk een zinloze metric?
Niet helemaal. In de vroege proeffase (0-6 maanden) zijn het aantal Agents, de callfrequentie en de dekking allemaal acceptabele « procesindicatoren » – ze laten het team zien dat « AI daadwerkelijk draait ». Maar wanneer organisaties deze metrics na zes maanden nog steeds in hun kwartaalbeoordelingen opnemen, ontstaat precies het fenomeen dat het Golddata-artikel beschrijft als de « Goodhart-trap ». Deze grens verschilt per organisatie; een conservatieve aanpak is om na zes maanden geleidelijk over te schakelen naar resultaatindicatoren.

Kritische reflecties op这篇论述

Als dit artikel de verantwoordelijkheid afschuift naar ‘organisatieontwerp’, zouden CIO’s dan ten onrechte kunnen denken dat ‘zolang de KPI’s maar kloppen, AI wel zal slagen’? KPI’s vormen slechts één onderdeel van prikkelontwerp; verdeling van bevoegdheden en verantwoordelijkheden, fouttolerantiemechanismen, talentstructuur en procesherontwerp zijn net zo cruciaal. Als je alleen de KPI’s aanpast zonder de andere factoren te wijzigen, kan een organisatie juist in een nog slechtere situatie terechtkomen: ‘targets gehaald maar er gebeurt niets’.
Zou het toevoegen van een extra ‘Incentive’-laag aan de Enterprise AI Stack IT-afdelingen het gevoel geven dat ze bekritiseerd worden? Deze laag is niet bedoeld voor IT, maar voor besluitvormers – het is een hulpmiddel voor CIO’s/CTO’s om met de CEO budget en verantwoordelijkheden af te stemmen, geen lijst om het technische team de schuld in de schoenen te schuiven.
Kunnen de talrijke ‘geanonimiseerde illustratieve cases’ in dit artikel de indruk wekken dat de inhoud ongrijpbaar is? Dit is de prijs van compliance, geen excuus voor luiheid. Klant-NDA’s gecombineerd met de HBS teaching-case-methode is een eerlijker aanpak: de werkingsmechanismen behouden maar cijfers verhullen is professioneler dan een specifieke case verzinnen.

Bronverwijzing

De herkomst van elk gegeven, elke case en elk geciteerd inzicht in dit artikel. Evidencehiërarchie: F = geverifieerd feit (direct opgezocht/oorspronkelijke bron gecontroleerd) / V = leveranciersclaim (leverancierscasedata, standpunt gericht op eigen product) / C = brancheobservatie (kruisverwijzingen tussen meerdere media) / A = auteursredenering (empirisch kader, branchanalogie, geen enkelvoudige openbare bron).

金数据《别把算力成本当业绩: bedrijven die AI implementeren in de valkuil van waardemetriek》 (2026-09-13) — Dit artikel is een van de onderbouwingsbronnen voor de bespreking van Token KPI en de wet van Goodhart. Referentie: jinshuju.net/guides/enterprise-ai-token-kpi-value-metrics-jsj. Bewijsniveau V (positie leverancier: 金数据 is een formulieren-/SaaS-leverancier). Standpuntmarkering: de visie van het auteurscollectief stemt overeen met de belangen van de leverancier, maar de geciteerde “medewerkers die taken opsplitsen om cijfers te manipuleren” is een beschrijving van een wijdverspreid fenomeen in openbare rapporten.
Deloitte《Hoe de bankensector slimme automatisering kan bereiken met behulp van AI-agents》 (2026) — Dit artikel is een van de onderbouwingsbronnen voor de bespreking over “verantwoordelijkheidstoewijzing” in sterk gereguleerde sectoren. Referentie: deloitte.com/cn/zh/Industries/financial-services/perspectives/agentic-ai-banking.html. Bewijsniveau V (positie consultancy). Standpuntmarkering: Deloitte is wereldwijd actief als consultancybureau, met een relatief neutrale, professionele dienstverlenende positie; specifieke uitspraken over “compliance-embedded” en “agent-registratiesystemen” zijn geciteerd.
中豪律师事务所《Compliance Framework en Implementatieroute voor AI-toepassingen in Financiële Instellingen – Zhonghao Research》 (2026) – Artikel-voor-artikel interpretatie van Jinfa [2026] nr. 8 “Richtlijnen”, de bron van drie specifieke formuleringen: “Capaciteitsafstemmingsprincipe”, “Ultieme Bestuursverantwoordelijkheid” en “Handmatige Controlepunten”. Referentielink: zhhlaw.com/article/detail/1029. Bewijsniveau C (compliance-interpretatie door advocatenkantoor). Standpuntmarkering: Professionele standaarden van het advocatenkantoor op het gebied van compliance-diensten; citeren van hun uitsplitsing van toezichtdocumenten, niet van hun commerciële adviezen.
律辉律师事务所《Inbreukrisico’s op door AI Gegenereerde Inhoud: Juridische Rode Lijnen en Compliance-gids voor Grensoverschrijdende E-commerce》 (2026-02-06) – De bron van de schadevergoedingszaak van 500.000 yuan in het e-commerce-hoofdstuk van dit artikel. Referentielink: legalhonour.com/article/5694502937357437.html. Bewijsniveau C (case-analyse door advocatenkantoor). Standpuntmarkering: Citeren van feitelijke beschrijvingen van openbare rechtszaken hierin, niet van hun commerciële compliance-dienstinhoud.
实在智能《Hoe worden productmaterialen automatisch gegenereerd? AI-agents herstructureren de contentproductieketen voor e-commerce》（2026-08-27） — Dit is de bron voor de desbetreffende e-commerce-gegevens in dit artikel (kostenverlaging van 80%, efficiëntieverbetering van 10x, conversieratio +25%). Referentielink: ai-indeed.com/encyclopedia/30482.html. Evidence level V (leverancierspositie). Positienotering: 实在智能 is een RPA/AI Agent-leverancier, en bij het citeren van klantcasusgegevens is de leveranciersidentiteit duidelijk aangegeven.
Patrick God《Goodhart’s Law Comes for AI Adoption》（Substack） — Dit dient als een cross-linguïstische versterkende referentie voor het concept “Token KPI Goodhart-trap” in dit artikel, herpublicatie door dotNET Web Academy. Evidence level C. Positienotering: standpunten van een onafhankelijke ontwikkelaarsblog.
Melvin Conway《How Do Committees Invent?》（1968, Datamation）——De oorspronkelijke bron waar dit artikel naar verwijst voor Conway’s Law, met de oorspronkelijke tekst: “Organisaties die systemen ontwerpen zijn beperkt tot het produceren van ontwerpen waarvan de structuren kopieën zijn van de communicatiestructuren van deze organisaties”. Evidentieniveau F (oorspronkelijk wetenschappelijk artikel).
Martin Fowler《Conway’s Law》（martinfowler.com, continu bijgewerkt）——Bron die de toepassing van Conway’s Law in moderne softwareorganisaties ondersteunt, evidentieniveau C (gezaghebbende bron uit de industrie met doorlopend onderhoud）.
Matthew Skelton & Manuel Pais, Team Topologies: Organizing Business and Technology Teams for Fast Flow (2019, IT Revolution Press) — oorsprong van de besprekingen over ‘omgekeerde Conway-manoeuvre’ en ‘cognitieve belasting’ in dit artikel, bewijsniveau F (oorspronkelijk werk).
Jin Fa [2026] No. 8, “Richtlijnen voor het versterken van het beheer van de ontwikkeling en toepassing van kunstmatige intelligentie door financiële instellingen” — oorspronkelijke bron van de binnenlandse regelgevende documenten voor de bespreking van sterk gereguleerde sectoren in dit artikel, bewijsniveau F (regelgevend document).
NetEase, “Evaluatie van AI-klantenondersteuningstools: Zeven kernindicatoren en praktijkmethodologie” (met referenties aan Meiqia AI-klantenservicegegevens) — een van de referentiebronnen voor specifieke drempelwaarden zoals first-contact resolution rate, hand-over rate en beschikbaarheid, bewijsniveau V (leverancierspositie: Meiqia is een klantenservice SaaS-leverancier).
Renren Dou Shi Chanpin Jingli (Iedereen is een productmanager), “De waarheid achter het falen van AI-projecten: 60% van de ondernemingen negeert dit cruciale punt” — aanvullende Chinese branchebron voor de besprekingen over ‘AI-team KPI-valkuilen’ en ‘verbroken verantwoordelijkheidsketens’ in dit artikel, bewijsniveau C (branchemedium).
Lee Kai-fu, AI: De Toekomst Is Er Reeds (herdrukt door 104 職場力, 25-09-2026) – Dit versterkt het Chinese brancheperspectief voor “Fout 1: AI-transformatie volledig overlaten aan de CIO”, bewijsniveau C (mening van branche-expert).
Schneider Electric: Brancherapport AI-implementatie 2026/2025 (niet rechtstreeks geciteerd, achtergrondreferentie) – Bewijsniveau V; niet rechtstreeks geciteerd, daarom niet in de hoofdtekst opgenomen.
Alle “geanonimiseerde illustratieve cases” in dit artikel (klantenservice: 12→7 minuten, productie-AI-teams en KPI’s, zakelijke telecomverbindingen: 14→7 dagen, vijf rollen van fraudebestrijdingsagent in bankwezen) – Dit zijn示意性描述 gebaseerd op algemene brancheobservaties, geen werkelijke gegevens van individuele klanten. Bewijsniveau A (redenering van de auteur).

Als u aan het evalueren bent waar uw bedrijf AI het beste kan inzetten, welke organisatorische uitdagingen u eerst tegen de muur kunnen laten lopen, en welke prikkelmechanismen moeten worden herzien, dan hoor ik graag van u. Wij bieden drie vormen van samenwerking aan: Bedrijfstraining op maat (afgestemd op teamomvang, 3-daagse workshop met consensus op directieniveau en capaciteitsopbouw voor het middenkader), Gespecialiseerde consulting (geprijsd op basis van probleemafbakening en leverbaarables, van rolpositionering en KPI-ontwerp tot verantwoordelijkheidsafbakening), en Managementpresentaties en branchesprekers (afstemming van perspectieven op besluitvormersniveau). E-mail voor samenwerking: [email protected].

Verdere lectuur: Het zevengetallenge AI-transformatieframework, dat het volledige pad naar AI-implementatie in ondernemingen systematisch uiteenzet.

Over deze serie

“Cloud Town Insights” is een praktijkgerichte series van IAIUSE, voortgekomen uit de Cloud Town Conference 2026. Met de blik van een onderzoeker ontleedt deze serie de reële veranderingen die zich momenteel in de AI-industrie voltrekken: geen achtervolging van trends, maar focus op de richtingen waarin de weddenschappen worden geplaatst en de sterkte van het bewijs.

De serie behandelt onderwerpen zoals de systeemlaag bovenop modellen, Agent-implementatie, Context-assets, organisatieontwerp voor Enterprise AI, en de verschuiving van AI-producten als concurrentie-eenheden. In totaal circa 10 artikelen.

Ik heb bijna 8 jaar ervaring in consulting en businessanalyse voor grote ondernemingen, met dienstverband bij IBM en projectbetrokkenheid in telecom, financiën, verzekeringen en de maakindustrie. Daarna heb ik mijn loopbaan voortgezet in de frontlinie van operatorproducten, internetproducten en AI-toepassingsontwikkeling, met focus op requirementsanalyse, productontwerp en cross-team implementatie. Dit platform wordt gedragen door een klein team: ikzelf en 1-2 langdurige samenwerkingspartners, die respectievelijk verantwoordelijk zijn voor onderzoek naar AI-codingtools, analyse van organisatiebestuursgevallen, en coachgesprekken. De meeste projecten waarbij “wij ondernemingen hebben begeleid” zijn door ons team gezamenlijk uitgevoerd.

De oordelen in deze serie zijn gebaseerd op mijn praktijkobservaties en cross-validatie binnen de industrie, met een duidelijke auteursstandpunt, en vertegenwoordigen geen standpunt van welke fabrikant dan ook.