AI inzetten? Begin bij uw kennishuishouding

De belofte en de werkelijkheid

Generatieve AI, large language models en intelligente automatisering zijn geen hype meer — het zijn volwassen instrumenten die reële waarde kunnen toevoegen aan bedrijfsprocessen. McKinsey schat dat generatieve AI wereldwijd tussen de 2,6 en 4,4 biljoen dollar per jaar aan economische waarde kan genereren. Gartner voorspelt dat tegen 2026 meer dan 80 procent van de ondernemingen generatieve AI-tools in productie heeft draaien.

Maar onder die cijfers gaat een minder rooskleurig beeld schuil. In de praktijk zien we keer op keer hetzelfde patroon: een veelbelovende pilot, enthousiaste reacties op de demo, en vervolgens een muurvaste implementatie zodra het systeem de echte bedrijfsomgeving raakt. De AI geeft verkeerde antwoorden omdat de data inconsistent is. Het model handelt transacties af die niet door de beugel kunnen omdat de bijbehorende uitzonderingsregel nergens is beschreven. Een medewerker die al twintig jaar weet hoe u met klant X omgaat, is met pensioen — en die kennis is mee gegaan.

Het probleem is niet de AI. Het probleem is de voedingsbodem waarop u de AI wilt laten groeien.

Wat AI van uw organisatie vraagt

AI-systemen leren van patronen in data en voeren taken uit op basis van regels — expliciet gedefinieerd of impliciet aangeleerd. Dat betekent dat de kwaliteit van de uitkomst direct afhangt van de kwaliteit van wat u erin stopt. Garbage in, garbage out is geen nietszeggend cliché; het is een ijzeren wet.

Concreet vraagt een succesvolle AI-inzet drie dingen van uw organisatie:

• Betrouwbare, goed gestructureerde data. Zowel gestructureerde data (databases, ERP-tabellen, financiële cijfers) als ongestructureerde data (e-mails, documenten, klantcorrespondentie) moet vindbaar, consistent en betrouwbaar zijn. Zolang u niet weet welke data u heeft, waar die staat en hoe betrouwbaar die is, kunt u geen AI bouwen die u kunt vertrouwen.
• Expliciete bedrijfsregels. Elke uitzonderingssituatie, elk goedkeuringspad, elk beleidsdocument dat op dit moment in iemands hoofd zit of verspreid staat over tientallen e-mails, moet worden vastgelegd. AI heeft geen ruimte voor impliciete afspraken. Wat niet beschreven is, wordt niet begrepen.
• Gedocumenteerde domeinkennis. De expertise van uw meest ervaren medewerkers — hoe zij redeneren, welke uitzonderingen zij herkennen, welke context zij meewegen — is de informele kennisbase van uw organisatie. Die kennisbase is even waardevol als uw klantenbestand, maar een stuk kwetsbaarder.

De verborgen kennisbase: uw grootste risico

In de meeste organisaties is de impliciete kennis van medewerkers structureel ondergewaardeerd. Dat is begrijpelijk — zolang de mensen er zijn, werkt het systeem. Maar bij AI-implementatie wordt dit een harde beperking. En bij uitstroom van medewerkers wordt het een bedrijfsrisico.

Neem een inkoopafdeling die al jaren samenwerkt met een vaste set leveranciers. De senior inkoper weet precies welke leverancier bij welk type opdracht past, welke risico's er aan bepaalde contractvormen kleven en hoe onderhandelingsruimte eruit ziet per categorie. Die kennis zit niet in het ERP-systeem. Die zit in haar hoofd. Een AI-tool die inkoopadvies moet geven, heeft die kennis nodig — maar kan er niet bij.

Hetzelfde geldt voor klantenservice, juridische afdelingen, projectmanagement en technische diensten. De meest waardevolle kennis in organisaties is zelden expliciet vastgelegd. Dat is niet alleen een AI-probleem — het is een continuïteitsprobleem. AI maakt het alleen zichtbaar.

Een nieuwe discipline: kennisengineering

Om AI goed te kunnen inzetten, moeten organisaties een discipline aanleren die in de technologiewereld al decennialang bestaat, maar in het bedrijfsleven nog nauwelijks ingevoerd is: kennisengineering.

Kennisengineering is het systematisch beschrijven, classificeren en structureren van kennis en regels die een organisatie nodig heeft om haar processen te draaien. Dat gaat verder dan een kennismanagementsysteem of een SharePoint-bibliotheek. Het gaat om het nauwkeurig definiëren van:

• Bedrijfsregels: wanneer geldt welke uitzondering, welk mandaat hoort bij welke beslissing?
• Data-ontologie: wat betekent een "klant", een "order", een "incident" in uw organisatiecontext — en hoe verhoudt dat zich tot de data in uw systemen?
• Beslislogica: hoe worden afwegingen gemaakt, welke criteria wegen mee, in welke volgorde?
• Uitzonderingspatronen: welke situaties vallen buiten de standaardregel en waarom?

Dit is geen éénmalig project. Het is een structurele activiteit die vraagt om mensen met domeinkennis én de vaardigheid om die kennis te vertalen naar gestructureerde beschrijvingen. Dat is een combinatie die zeldzaam is — en daarom vraagt het om begeleiding en om gerichte tijdsinvestering van de juiste medewerkers.

Waarom dit niet vanzelf gaat

De meeste sleutelfiguren in een organisatie zijn druk. Ze runnen de operatie, lossen problemen op en houden klanten tevreden. Vragen om ook nog eens hun kennis te documenteren voelt als een extra last bovenop een al volle agenda. Dat is precies waarom kennisengineering structureel mislukt wanneer het niet goed is ingebed.

Er zijn drie voorwaarden die bepalen of het lukt of niet:

1. Gestructureerde begeleiding. Kennisengineering vereist een methodische aanpak. Zonder iemand die de sessies begeleidt, de juiste vragen stelt en de opbrengst vastlegt in bruikbare formats, verdwijnt de kennis in onduidelijke notulen of brede Word-documenten die niemand meer raadpleegt.
2. Dedicated tijd voor sleutelfiguren. De mensen die de kennis bezitten, moeten de ruimte krijgen om eraan mee te werken. Dat betekent dat hun reguliere taken tijdelijk verlicht moeten worden of dat er capaciteit vrijgemaakt wordt. Wie dit spaart op de korte termijn, betaalt het dubbel terug op de lange termijn.
3. Organisatorische urgentie en eigenaarschap. Kennisengineering moet gedragen worden door de directie. Niet als IT-project, maar als strategische investering in het operationele fundament van de organisatie. Zonder mandaat van bovenaf verliest het de strijd om prioriteit met de waan van de dag.

Slecht georganiseerd? AI maakt het erger

Er is een veelgehoord argument dat AI helpt om bestaande chaos te ordenen — dat de technologie wel raad weet met rommelige data en onduidelijke processen. Dat klopt voor een beperkt aantal use cases, zoals het samenvatten van ongestructureerde tekst of het classificeren van inkomende berichten. Maar voor de meeste operationele toepassingen geldt het tegenovergestelde.

Als uw data inconsistent is, zal een AI-systeem inconsistente aanbevelingen geven — alleen sneller en op grotere schaal. Als uw bedrijfsregels onduidelijk zijn, zal het model keuzes maken die u niet kunt verantwoorden. Als uw kennisbase niet op orde is, bouwt u een systeem dat autonoom handelt op een fundament dat u zelf niet begrijpt.

Dat is geen hypothetisch risico. De financiële sector heeft er al voorbeelden van gezien: geautomatiseerde systemen die discriminerende kredietbeslissingen namen omdat de trainingsdata historische ongelijkheden bevatte. Of klantcommunicatie die volledig uit de rails liep omdat de tonale richtlijnen niet waren vastgelegd. AI schaalt wat er al is — goed én slecht.

De transitie die uw organisatie moet doormaken

AI-readiness is geen technisch vraagstuk. Het is een organisatorisch vraagstuk. De technologie is er. De modellen zijn krachtig genoeg. Wat ontbreekt in de meeste organisaties is de onderliggende structuur: data governance, kennis- en regelmanagement, en de discipline om die dingen systematisch te onderhouden.

De transitie die nodig is, kent ruwweg vier fasen:

De organisatie die leert beschrijven

Er is nog een ander argument voor kennisengineering dat verder gaat dan AI. Organisaties die hun kennis goed beschrijven, zijn beter in staat om te leren, te schalen en te borgen. Ze zijn minder afhankelijk van individuele medewerkers. Ze kunnen nieuwe medewerkers sneller inwerken. Ze zijn beter voorbereid op groei, fusie of overname — een due diligence op een organisatie met een gedocumenteerde kennisbase levert een heel ander beeld op dan één waarbij alles in de hoofden van tien mensen zit.

Kennisengineering is dus niet alleen een AI-voorbereiding. Het is een investering in de volwassenheid van de organisatie als geheel. AI is in dat licht de aanleiding — de urgentie die maakt dat wat al lang had moeten gebeuren, nu eindelijk prioriteit krijgt.

Wat dit van de leiding vraagt

De grootste verandering die nodig is, zit niet bij de IT-afdeling. Die zit bij de directie en het management. AI-readiness vereist dat leiders bereid zijn te investeren in iets wat op korte termijn niet direct zichtbaar oplevert: het op orde brengen van de kennishuishouding.

Dat vraagt om een andere kijk op wat ICT-investeringen zijn. Niet alleen servers, software en licenties — maar ook het systematisch documenteren van wat de organisatie weet. Dat is misschien minder tastbaar, maar het is even essentieel. En in een wereld waarin AI steeds meer operationele beslissingen ondersteunt of overneemt, is het fundament waarop die AI werkt uw meest strategische bezit.

"De organisaties die AI het meest effectief inzetten, zijn niet degenen met de grootste technologiebudgetten — het zijn degenen die het best weten wat ze weten."

Conclusie

AI inzetten zonder uw kennishuishouding op orde te brengen, is bouwen op drijfzand. De technologie werkt — maar alleen als de organisatie eronder dat ook doet. Dat vraagt om een bewuste transitie: het aanleren van een engineer-discipline rondom data, bedrijfsregels en domeinkennis, begeleid door mensen die weten hoe ze kennis moeten ontsluiten, en gedragen door een directie die bereid is daarin te investeren.

Organisaties die die stap zetten, leggen niet alleen het fundament voor succesvolle AI-inzet — ze bouwen tegelijkertijd aan een robuustere, minder kwetsbare organisatie die beter voorbereid is op wat er ook daarna komt.