AI-volwassenheidsmodel: Van AI-Experiment naar AI-Native Organisatie

Bijna elke organisatie experimenteert op dit moment met AI. En toch: slechts 6% haalt er werkelijk significante bedrijfsresultaten uit. Dat is geen technologieprobleem. Dat is een organisatieprobleem.

In het huidige tijdperk ervaren we een golf van nieuwe tools, modellen en mogelijkheden die het bedrijfsleven overspoelt met een ongekende snelheid. De reactie van de meeste organisaties is begrijpelijk: snel investeren in de nieuwste technologie, een paar pilots opstarten en hopen dat de resultaten vanzelf komen. Maar dat is precies waar het misgaat.

Want terwijl organisaties hun budget storten in software en infrastructuur, blijft de échte motor van verandering onberoerd: de mensen, de cultuur en de processen. Dit is de AI-Kloof: de kloof tussen wat technologie belooft en wat organisaties werkelijk realiseren. Onderzoek van McKinsey & Company (2025) en BCG (2026) maakt het pijnlijk duidelijk: hoewel 88% van de organisaties actief experimenteert met AI, rapporteert slechts 1 tot 6% daadwerkelijk fundamentele procesverbeteringen of financiële resultaten op bedrijfsniveau.

De oorzaak? Organisaties investeren het meeste tijd en geld in de factor die het minste bijdraagt aan succes. Ze besteden 50 tot 60% van hun aandacht aan AI-modellen en algoritmes, terwijl die slechts voor 10% verantwoordelijk zijn voor het eindresultaat. Nog eens 20 tot 40% gaat naar technische infrastructuur en data, goed voor 20% van het succes. En de factor die 70% van het resultaat bepaalt, namelijk de mensen en de processen, krijgt slechts 10 tot 20% van de aandacht. Precies omgekeerd dus.

Het AI-volwassenheidsmodel (AI Maturity Framework) is ontwikkeld om deze omgekeerde wereld recht te zetten. Het is een strategisch kompas voor leiders die hun organisatie niet alleen willen laten experimenteren met AI, maar die AI werkelijk willen verweven in het DNA van hun bedrijf, op weg naar wat ik een AI-Native organisatie noem: een organisatie waarbij AI de standaardinstelling is voor elk vraagstuk.

Wat is het AI-volwassenheidsmodel?

Het AI-volwassenheidsmodel is een transformatiemodel dat organisaties begeleidt op de weg naar toenemende AI-volwassenheid. Ik ontwikkelde het vanuit de praktijk, gebouwd op het fundament van bewezen transformatie modellen, waaronder de 10/20/70 verdeling van de Boston Consulting Group voor digitale transformatie.

Die regel is de ruggengraat van het hele model, en hij is verrassend eenvoudig. Slechts 10% van het succes hangt af van de AI-modellen en algoritmes die je kiest. 20% wordt bepaald door je technische infrastructuur en de kwaliteit van je data. En 70%, het leeuwendeel, wordt bepaald door je mensen en je processen.

Hoewel dit een bekend principe lijkt, toont de huidige budgetallocatie binnen veel organisaties een ander beeld. Technologie vormt zelden de primaire barrière voor succes. De werkelijke uitdaging is organisatorisch: het transformeren van gedrag, het borgen van nieuwe competenties en het fundamenteel herontwerpen van bedrijfsprocessen . Het doel is een cultuur waarin AI niet wordt beschouwd als bedreiging, maar als een integraal onderdeel van de dagelijkse operatie .

Wetenschappelijke en praktische wortels

Het AI-volwassenheidsmodel bouwt voort op inzichten van Agrawal, Gans en Goldfarb, die in Prediction Machines beschrijven hoe AI in essentie de kosten van voorspellingen verlaagt en daarmee de waarde van menselijk oordeel juist vergroot.

AI neemt het rekenwerk over; de mens blijft de regisseur. Ethan Mollick laat in Co-Intelligence: Living and Working with AI (2024) zien hoe samenwerking met AI een fundamenteel nieuwe werkwijze vraagt, geen optelsom van het oude werk plus een tool. En in The AI Republic: 9 Ways to Win in the Era of Intelligent Automation van Terence Mauri (samen met Danny Goh en Simon Carter) is verschenen in 2019 dat de organisaties die winnen, niet degenen zijn die de beste modellen inzetten, maar degenen die zichzelf het snelst opnieuw uitvinden.

Het AI-volwassenheidsmodel vertaalt deze academische inzichten naar een concreet diagnose- en transformatie-instrument dat direct toepasbaar is in de boardroom én op de werkvloer.

De vier Fasen van AI-Volwassenheid

Het AI-volwassenheidsmodel onderscheidt vier fasen. Elke fase beschrijft waar een organisatie staat en welke valkuilen er op de loer liggen.

Fase 1: AI Nascent, de fase van Shadow AI

In deze fase is er geen beleid, geen strategie en geen centrale regie. Medewerkers gebruiken AI op eigen initiatief: ChatGPT /Claude voor een e-mail hier, Copilot voor een samenvatting daar, buiten het zicht van IT en management. Dit noemen we Shadow AI. Het is een teken dat de motivatie er is, maar zonder kaders leidt het tot inconsistente kwaliteit, datalekken en schending van privacy wetgeving zoals de AVG of de EU AI Act. De energie is aanwezig; de richting ontbreekt.

Fase 2: AI Emerging, de fase van de georganiseerde pilot

De organisatie ziet de risico's van Shadow AI en besluit in te grijpen. Er komt een Center of Excellence of een AI-hub, er worden formele pilots gestart en er komt een eerste beleidskader. Dit klinkt als vooruitgang, en dat is het ook. Maar dit is tevens de fase waarin de meeste organisaties vastlopen.

De pilots zijn succesvol in hun eigen bubbel, maar bereiken nooit de schaal die nodig is om de bedrijfsresultaten te raken. Ik noem dit de Pilot Purgatory: een vagevuur van eeuwige experimenten zonder structurele doorbraak. In de industrie haalt maar liefst 70 tot 95% van de AI-pilots de uitrol naar de praktijk niet.

Fase 3: AI First, de fase van strategische integratie

AI wordt nu een integraal onderdeel van de bedrijfsstrategie. Data-silo's worden afgebroken. Processen worden herontworpen met AI als vertrekpunt in plaats van als aanvulling. De samenwerking tussen business en technologie verloopt vloeiend, er wordt gestuurd op meetbare waardecreatie en zoals eerder beschreven, de 10/20/70 verdeling wordt voor het eerst écht toegepast in de budgettering. Medewerkers beginnen te verschuiven van uitvoerder naar regisseur.

Fase 4: AI Native, de North Star

Dit is het eindpunt, of liever gezegd: het begin van een nieuwe manier van organiseren. In een AI-Native organisatie is AI de standaardinstelling voor elk vraagstuk. De organisatie functioneert als een "thinking partner": de grenzen tussen menselijke intelligentie en machine-intelligentie vervagen, en de architectuur is niet langer ontworpen om door mensen begrepen te worden, maar om optimaal door AI-agenten geëxecuteerd te worden.

Processen zijn zelflerend. Medewerkers sturen AI-agenten aan in plaats van handmatige taken uit te voeren. We zien hier de opkomst van wat ik de "silicon-based workforce" noem: een netwerk van AI-agenten dat autonoom 15 tot 20% van de dagelijkse besluitvorming overneemt, terwijl mensen zich concentreren op hoog-strategische intenties en morele kaders. AI is niet langer een tool die je erbij pakt; het is de manier waarop de organisatie denkt, leert en werkt.

Het verschil tussen AI-First en AI-Native zit niet in de technologie, maar in de architectuur van de organisatie zelf. Een AI-First organisatie verbetert bestaande processen met AI. Een AI-Native organisatie heeft processen die zonder AI simpelweg niet zouden bestaan.

De acht pijlers van het AI-volwassenheidsmodel

Om de stap van fase naar fase te zetten, moet je aan de juiste knoppen draaien. Het AI-volwassenheidsmodel identificeert acht pijlers, verdeeld over drie domeinen. Samen vormen zij de anatomie van een succesvolle AI-transformatie.

Domein I: Richting, het Strategisch Kompas

Zonder richting worden AI-initiatieven een chaos van losse acties. Dit domein zorgt voor de koers.

AI-Roadmap & Visie

Een AI-roadmap is geen vijfjarenplan dat in een la verdwijnt. Het is een levend instrument dat inspeelt op de exponentiële curve van de technologie. Een goede roadmap definieert niet welke tools je koopt, maar hoe je organisatie gaat transformeren en balanceert quick wins met fundamentele, langetermijnverandering. Dat vraagt ook om een bewuste strategische keuze: centraliseer je AI-capaciteiten voor schaalbaarheid en consistentie, of decentraliseer je voor snelheid en innovatie dicht op de business? Beide modellen werken, maar de keuze moet expliciet worden gemaakt. Zonder heldere koers blijven initiatieven gefragmenteerd en verliest de organisatie het momentum.

Value Tracking en ROI

AI is geen kostenpost. Het is een investering, en die moet je kunnen verantwoorden op bedrijfsniveau, niet alleen op afdelingsniveau.

Niet "we besparen twee uur per week", maar: wat levert het op voor de EBIT? Onderzoek laat zien dat voor elke euro die je investeert in AI, een rendement van gemiddeld 3,70 euro haalbaar is, mits je het breed uitrolt over meerdere bedrijfsfuncties.

In de financiële sector ligt dat zelfs op 4,20 euro, gedreven door fraude-detectie en risicoanalyse. In media en telecom op 3,90 euro via personalisatie. In de zorg op 3,20 euro en in de industrie op 2,80 euro door voorspellend onderhoud. De boodschap is helder: AI rendeert, maar alleen als je het serieus neemt en op de juiste plekken inzet. Stuur op waarde, niet op gebruik.

Governance en Ethiek

Governance klinkt saai. Maar in 2026 is het je license to operate. De EU AI Act is geen toekomstige dreiging meer; hij is nu van kracht. Organisaties die AI inzetten in hoog-risico situaties, zoals HR-beslissingen of kritieke bedrijfsprocessen, moeten kunnen aantonen dat hun systemen transparant zijn, dat er menselijk toezicht is en dat er niets misgaat met de data van hun medewerkers en klanten.

Wie dit niet op orde heeft, riskeert niet alleen boetes, maar ook het vertrouwen van de mensen die er het meest toe doen. Bouw governance in vanaf het begin. Niet als bureaucratische laag eroverheen, maar als fundament onder alles wat je doet.

Domein II: Samenhang, de Motor

Dit domein zorgt dat de organisatie ook daadwerkelijk kan leveren wat de strategie belooft.

Talent en vaardigheden

De transformatie staat of valt bij de mensen. Niet alleen de data scientists en IT-specialisten, maar iedereen. AI-geletterdheid op elk niveau van de organisatie is een randvoorwaarde. Dat betekent: begrijpen wat AI kan en niet kan, AI-output kritisch kunnen beoordelen, en AI actief kunnen aansturen. Medewerkers moeten groeien van gebruiker naar regisseur.

Maar de meeste organisaties pakken dit verkeerd aan. Ze organiseren een workshop, rollen een e-learning uit en noemen dat upskilling. Het resultaat? Medewerkers weten hoe een tool heet, maar gebruiken hem niet in hun dagelijkse werk. Volgens BCG is dit de kern van het probleem: organisaties lanceren AI-oplossingen, maar zorgen er niet voor dat mensen die ook écht kunnen inzetten in hun werk. "Companies launch lots of AI pilots but can't turn them into repeatable, scalable value. Why? Because there's too much emphasis on the tech and not enough on skills development" (BCG, 2026).

Wat wél werkt, is leren in de context van het echte werk. Geef medewerkers beschermde tijd om te oefenen, en biedt coaching op de momenten dat het er werkelijk toe doet. En maak het persoonlijk: BCG-onderzoek toont aan dat een leertraject op maat, afgestemd op de specifieke rol en werkcontext van de medewerker, leidt tot een AI-adoptie die twintig keer hoger ligt dan een generieke aanpak.

De vaardigheden gap bij leiders

Wat in de praktijk steeds duidelijker wordt, en ook door Boston Consulting Group (BCG) wordt onderstreept, is dat de skills gap rondom AI niet alleen op de werkvloer zit, maar juist bij leiders zelf.

Veel organisaties investeren in het opleiden van teams, terwijl leiders onvoldoende begrijpen hoe AI werkt, waar de grenzen liggen en hoe het strategisch kan worden ingezet. Hierdoor ontstaat een fundamenteel probleem: je kunt geen richting geven aan een transformatie die je zelf niet doorgrondt.

De implicatie is helder. Upskilling begint niet onderin de organisatie, maar aan de top. Leiderschap in het AI-tijdperk vraagt om actieve, persoonlijke betrokkenheid bij het begrijpen en toepassen van AI.

Het AI Harnas van de leider is daarmee geen optionele extra, maar een randvoorwaarde. Zonder dit fundament blijft AI hangen in losse experimenten, in plaats van uit te groeien tot structurele impact.

De gouden driehoek: het werkelijke einddoel van AI-adoptie

Het uiteindelijke doel van AI-adoptie binnen organisaties is niet het maximaliseren van het aantal AI-gebruikers, maar het realiseren van structurele waardecreatie op meerdere dimensies. Boston Consulting Group (BCG) conceptualiseert deze waarde in de zogenoemde Golden Triangle, bestaande uit drie onderling versterkende uitkomsten: verhoogde productiviteit, verbeterde besluitvorming en een hogere mate van werkvoldoening onder medewerkers.

Deze drie dimensies dienen niet als losse optimalisatiedoelen te worden benaderd, maar als een geïntegreerd systeem. Productiviteitswinst zonder verbetering in besluitvorming leidt tot snellere uitvoering van mogelijk suboptimale keuzes. Evenzo resulteert efficiëntie zonder aandacht voor werkvoldoening vaak in verminderde betrokkenheid en duurzame prestaties.

Binnen het AI-volwassenheidsmodel manifesteert deze driehoek zich primair in de Talent en vaardigheden pijler. Hier wordt AI niet ingezet als vervanging van menselijke arbeid, maar als een middel om cognitieve belasting te reduceren door het automatiseren van repetitieve en laagwaardige taken.

De vrijgekomen capaciteit stelt medewerkers in staat zich te richten op activiteiten met hogere toegevoegde waarde, zoals creativiteit, probleemoplossing en interpersoonlijke interactie. Dit sluit aan bij theorieën over intrinsieke motivatie en betekenisvol werk, waarin autonomie en taakverrijking centrale factoren zijn.

De implicatie voor leiderschap is dat investeren in AI-geletterdheid en vaardigheidsontwikkeling geen ondersteunende activiteit is, maar een strategische randvoorwaarde om deze Golden Triangle daadwerkelijk te realiseren. Zonder gerichte investering in de menselijke component blijft AI-adoptie steken in incrementele efficiëntieverbeteringen, terwijl het potentieel voor fundamentele transformatie onbenut blijft.

Processen en organisatiestructuur

AI vraagt om een fundamenteel herontwerp van hoe werk is georganiseerd. De verschuiving gaat van taakgerichte, lineaire workflows naar dynamische, AI-ondersteunde processen.

Traditionele hiërarchische structuren zijn te traag voor de snelheid die AI vereist. AI-Native organisaties werken met wendbare, cross-functionele teams die strategie, creativiteit en technologie combineren en die hun plannen niet jaarlijks, maar continu bijstellen op basis van actuele data.

Tech en Data

AI is zo goed als de data waarop het draait. Niet de hoeveelheid data telt, maar de kwaliteit. Gerichte, betrouwbare data levert scherpe AI-output. Rommelige, versnipperde data levert ruis. "Garbage in, garbage out" is hier geen cliché, het is een ijzeren wet.

Wat ik in de praktijk zie bij organisaties die het goed doen: zij bouwen wat ik een Unified Context Infrastructure noem. Dat klinkt technisch, maar het betekent simpelweg dit: zorg dat je AI-systemen toegang hebben tot de juiste bedrijfsinformatie, op het juiste moment. Niet elke afdeling haar eigen datasilo, maar systemen die met elkaar praten. Een AI-model dat de context van je bedrijf niet kent, begint te gokken. En dat wil je niet.

Domein III: Verandering, de Brandstof

Dit is het domein dat de 70% vertegenwoordigt. En het meest wordt onderschat.

Cultuur en Adoptie

Technologie implementeren zonder de cultuur mee te nemen is een recept voor stille sabotage. Medewerkers die AI als bedreiging ervaren, zullen het actief of passief omzeilen. De sleutel is psychologische veiligheid: een omgeving waarin experimenteren wordt beloond, waarin "gecontroleerd falen" een leermoment is en geen afrekenpunt. Adoptie is in de eerste plaats een gedragsvraagstuk en pas daarna een technisch vraagstuk.

Organisaties die dit onderschatten, bouwen aan wat ik culturele schuld noem: de technologie wordt geïmplementeerd, maar de normen, waarden en gewoonten blijven onveranderd. Die schuld betaal je later terug met rente, in de vorm van weerstand, afhakers en initiatieven die stilletjes doodlopen.

AI Mindset: Van Vervangingsangst naar Samenwerkende Intelligentie

De grootste blokkade voor AI-adoptie is de natuurlijke vervangingsangst ("Word ik overbodig door een algoritme?"). De noodzakelijke kanteling is het besef dat AI niet bedoeld is om de mens te vervangen, maar om de menselijke intelligentie te vergroten.

De Menselijke Regie: In een model van samenwerkende intelligentie verschuift de rol van de medewerker naar die van een 'dirigent'. De AI neemt het zware, repetitieve reken- en zoekwerk over (de 10%), terwijl de mens zich focust op de context, ethiek, empathie en complexe besluitvorming (de 70%) .Versterking in plaats van Vervanging: Dit noemen we ook wel 'augmentation'.

De medewerker gebruikt AI als een verlengstuk van de eigen expertise, waardoor taken die voorheen onmogelijk of te tijdrovend waren, nu binnen handbereik liggen.

De gouden driehoek in de praktijk: Wanneer mens en machine effectief samenwerken, ontstaat er een win-winsituatie: de organisatie wordt productiever, de besluitvorming scherper, en het werkplezier neemt toe omdat medewerkers bevrijd worden van geestdodend werk.

De Kernboodschap voor de Medewerker

De boodschap die je met deze pijler wilt overbrengen is simpel: "AI vervangt je niet, maar een collega die AI wél effectief weet in te zetten, doet dat op termijn misschien wel." Het doel van de scan en de top 3 prioriteiten is om iedereen binnen de organisatie te helpen die stap naar samenwerkende intelligentie te zetten.

Tip: Ontdek in 10 minuten waar jouw organisatie staat op AI. Deze gratis online scan beoordeelt jouw organisatie op 8 pijlers verdeeld over 3 domeinen. Je ontvangt direct jouw scores én een persoonlijk PDF-rapport per mail.     klik hier

De Rol van Leiderschap: Het AI Harnas van de Leider

AI-transformatie begint niet bij de medewerker. Ze begint bij de leider.

Dit is misschien wel de meest onderschatte waarheid in het hele debat over AI-adoptie. Organisaties verwachten van hun mensen dat zij AI omarmen, experimenteren en hun werkwijze aanpassen, terwijl het leiderschap zelf op veilige afstand blijft. Dat patroon ondermijnt elke transformatie-inspanning van binnenuit.

Het AI-volwassenheidsmodel introduceert daarom het concept van het AI Harnas van de leider: de persoonlijke set van AI-gewoonten, toepassingen en inzichten die een leidinggevende zelf heeft ontwikkeld in de eigen dagelijkse werkpraktijk. Niet als technologisch statement, maar als levend bewijs dat AI-adoptie werkt en dat de leider zelf de weg kent.

Medewerkers kijken niet naar wat je zegt, maar naar wat je doet

Onderzoek naar organisatieverandering laat consistent zien dat modelling, het zichtbaar voorleven van gewenst gedrag, een van de krachtigste aanjagers van cultuurverandering is. Een directeur die zijn team vraagt om AI te integreren in hun werk, maar zelf zijn rapportages nog volledig handmatig schrijft, stuurt een onmiskenbaar signaal: dit is kennelijk niet echt urgent.

Het omgekeerde is minstens even krachtig. Een leidinggevende die in een MT-vergadering vertelt hoe hij een complexe strategische analyse heeft versneld met een AI-co-piloot, of die zijn voorbereiding op klantgesprekken heeft herontworpen met behulp van AI: die leider geeft de organisatie toestemming om hetzelfde te doen. Hij of zij maakt AI normaal.

Wat het AI Harnas inhoudt

Het AI Harnas is geen technische checklist. Het is een persoonlijk antwoord op drie vragen.

Waar gebruik ik AI in mijn eigen werk?

Denk aan de voorbereiding van vergaderingen en presentaties, het structureren van strategische vraagstukken, het samenvatten van rapporten en marktinformatie, het verkennen van scenario's of het opstellen van communicatie. Elke leider heeft eigen routines; het AI Harnas maakt AI een vaste schakel daarin.

Wat heb ik geleerd van dat gebruik?

Het harnas veronderstelt reflectie. Wat werkt goed, wat niet? Waar leent AI zich uitstekend voor, en waar blijft menselijk oordeel onvervangbaar? Een leider die deze vragen zelf heeft doordacht, is een geloofwaardige gesprekspartner voor het team dat dezelfde vragen stelt.

Hoe stuur ik mijn organisatie op basis van eigen ervaring?

Een leider met een eigen AI Harnas kan de AI-Roadmap niet alleen ondertekenen, maar ook inhoudelijk meebouwen. Hij of zij weet uit eigen ervaring waar de weerstand zit, wat realistische verwachtingen zijn, en welke randvoorwaarden nodig zijn voor succesvolle adoptie.

AI-geletterdheid als leiderschapscompetentie

In het huidige tijdperk van versnelde technologische ontwikkeling verschuift de rol van kunstmatige intelligentie (AI) van een ondersteunende tool naar een structurele component van organisatie-inrichting en besluitvorming. Dit artikel betoogt dat AI-geletterdheid niet langer kan worden beschouwd als een operationele vaardigheid, maar als een fundamentele leiderschapscompetentie.

Op basis van het AI-volwassenheidsmodel wordt gesteld dat effectieve AI-adoptie primair wordt bepaald door menselijke en organisatorische factoren (70%), in plaats van door technologie (10%) of data en infrastructuur (20%). De implicaties voor leiderschap worden geanalyseerd aan de hand van drie concrete transformaties in gedrag en rolopvatting.

AI als leiderschapsvraagstuk

Traditioneel worden technologische innovaties binnen organisaties gepositioneerd als IT-gerelateerde vraagstukken. Echter, in lijn met recente inzichten binnen digitale transformatie en strategisch management, kan AI beter worden begrepen als een veranderkundig fenomeen.

Het AI-volwassenheidsmodel positioneert AI-geletterdheid expliciet als een kerncompetentie voor leiders. Net zoals financieel inzicht en strategisch denkvermogen als randvoorwaardelijk worden beschouwd voor effectief leiderschap, geldt dit in toenemende mate voor het vermogen om AI te begrijpen, te duiden en doelgericht in te zetten.

AI-geletterdheid omvat hierbij niet het vermogen om systemen te bouwen, maar het vermogen om hun implicaties te doorgronden: wat kan AI, wat kan het niet, en onder welke voorwaarden creëert het waarde?

De 10/20/70 verdeling

Binnen het AI-volwassenheidsmodel wordt de effectiviteit van AI-toepassingen verdeeld over drie componenten:

• 10% – Modellen en algoritmen
• 20% – Data en technologische infrastructuur
• 70% – Mensen, cultuur en processen

Deze verdeling impliceert dat de grootste waardecreatie niet voortkomt uit technologische superioriteit, maar uit de manier waarop organisaties AI integreren in hun besluitvorming, samenwerking en werkstructuren.
Voor leiders betekent dit dat hun primaire rol verschuift van technologische controle naar organisatorische orkestratie.

Voorbeelden van verschuivingen in leiderschapsgedrag

Van controleren naar cureren: de leider als redacteur

Een eerste fundamentele verschuiving betreft de manier waarop leiders omgaan met informatieproductie. Waar leiders traditioneel betrokken waren bij het creëren en controleren van inhoud (bijvoorbeeld beleidsdocumenten of strategische plannen), stelt AI hen in staat om deze eerste fase te automatiseren.

De rol van AI ligt hier in het genereren van structuur en het synthetiseren van grote hoeveelheden informatie (de 10%-component). De leiderschapsrol verschuift naar het toevoegen van context, ethische afwegingen en strategische richting (de 70%-component). De leider wordt daarmee minder een producent van tekst en meer een curator van betekenis. Deze verschuiving vereist een andere vorm van cognitieve betrokkenheid: niet gericht op detailcontrole, maar op interpretatie en duiding.

De ‘stille expert’: AI als tegenkracht in besluitvorming

Een tweede verschuiving manifesteert zich in strategische besluitvorming. AI kan functioneren als een continue bron van alternatieve perspectieven, bijvoorbeeld door het genereren van tegenargumenten of het analyseren van externe data.

In deze context vervult AI de rol van een ‘stille expert’ die realtime inzichten en kritische reflecties biedt (de 20%-component). De leider blijft echter verantwoordelijk voor het wegen van deze input binnen de context van organisatiecultuur, waarden en langetermijnstrategie. Dit sluit aan bij klassieke theorieën over besluitvorming, waarin rationaliteit wordt begrensd door context en interpretatie (Simon, 1957). AI versterkt hiermee niet de autonomie van technologie, maar de kwaliteit van menselijke besluitvorming.

Bevrijding van cognitieve last: van efficiëntie naar voldoening

De derde verschuiving betreft de inrichting van werk. Veel organisaties worden gekenmerkt door een hoge mate van repetitieve, cognitief belastende taken, zoals rapportages en administratieve processen. AI biedt de mogelijkheid om deze taken te automatiseren, waardoor capaciteit vrijkomt.

De leiderschapsrol ligt vervolgens in het heralloceren van deze vrijgekomen tijd naar activiteiten met hogere waarde: creativiteit, innovatie en persoonlijke ontwikkeling.
Dit concept sluit aan bij het idee van ‘Samenwerkende Intelligentie’, waarbij mens en machine complementair opereren. De leider fungeert hierbij als architect van een werkomgeving waarin technologie niet vervangt, maar bevrijdt. Empirisch onderzoek toont aan dat dergelijke herinrichting van werk samenhangt met hogere medewerkerstevredenheid en intrinsieke motivatie (Deci & Ryan, 2000).

AI-geletterdheid als strategisch ‘harnas’

Een belangrijke implicatie van bovenstaande analyse is dat AI-geletterdheid niet optioneel is voor leiders. Het fungeert als een vorm van cognitief en strategisch ‘harnas’: een beschermingsmechanisme tegen zowel overschatting als onderschatting van technologie.

Zonder dit begrip blijft AI beperkt tot een geïsoleerd IT-initiatief, waardoor de bredere strategische potentie onbenut blijft. Daarmee ontstaat een paradox: organisaties investeren vaak in technologie, terwijl het ontbreken van leiderschapsbegrip juist de grootste belemmering vormt voor waardecreatie.

Praktische implicaties: zelfreflectie en nulmeting

De implementatie van AI binnen organisaties begint doorgaans met een nulmeting op verschillende pijlers (zoals technologie, data, processen en governance). Dit artikel beargumenteert dat deze meting onvolledig is zonder expliciete aandacht voor het leiderschap zelf.

Leiders dienen zichzelf actief te evalueren:

• In welke mate begrijp ik de mogelijkheden en beperkingen van AI?
• Hoe effectief integreer ik AI in mijn besluitvorming?
• Op welke pijlers van het AI Maturity Framework loop ik persoonlijk achter?

Deze vorm van zelfreflectie is vaak confronterend en wordt in bestuurlijke contexten (zoals MT’s en raden van commissarissen) zelden expliciet gevoerd. Juist daarom is het een cruciale hefboom voor transformatie.

Conclusie

AI-geletterdheid ontwikkelt zich van een technische vaardigheid naar een fundamentele leiderschapscompetentie. De effectiviteit van AI wordt in overwegende mate bepaald door menselijke factoren, wat impliceert dat leiders een centrale rol spelen in het realiseren van waarde.

De verschuiving van controleren naar cureren, van beslissen naar verrijken, en van efficiëntie naar voldoening markeert een nieuw paradigma van leiderschap.

In lijn met de stelling van Terence Mauri (2019) kan worden gesteld dat organisaties niet worden gedifferentieerd door de technologie die zij gebruiken, maar door de snelheid waarmee zij zichzelf opnieuw weten uit te vinden.

AI-geletterdheid vormt daarbij geen ondersteunende vaardigheid, maar de kern van toekomstbestendig leiderschap.

Hoe pas je het AI-volwassenheidsmodel toe?

De toepassing van het AI-volwassenheidsmodel verloopt in drie stappen die elkaar versterken.

Stap 1: Nulmeting, weet eerlijk waar je staat

Elke transformatie begint met de confrontatie met de werkelijkheid. Scoor je organisatie op elk van de acht pijlers op een schaal van 1 (ad-hoc) tot 4 (native). Het resultaat is een spider diagram dat in één oogopslag de sterktes en blinde vlekken toont.

Praktijk leert dat: organisaties scoren relatief hoog op Tech & Data, de 20%-factor, maar blijven ver achter op Cultuur, Adoptie en AI Mindset. Precies de 70%-factor die het meest bepalend is voor succes. De nulmeting maakt dit patroon zichtbaar en bespreekbaar.

Stap 2: Prioritering, focus op de zwakste schakel

Pak niet alle acht pijlers tegelijk aan. Dat leidt tot versnippering en uitputting. Bepaal op basis van de nulmeting welke twee of drie pijlers de voortgang het meest blokkeren en richt daar de energie op.

Een organisatie die investeert in geavanceerde AI-infrastructuur terwijl de governance en de cultuur nog in Fase 1 zitten, vergroot de AI-Kloof eerder dan dat ze hem dicht. Volgorde en focus zijn alles.

Stap 3: Lighthouse Projecten, maak succes zichtbaar en voelbaar

Creëer één of twee zichtbare "lighthouse"-projecten: initiatieven met een hoge impact, een lage complexiteit en een korte doorlooptijd van drie tot vier maanden. Ze leveren harde ROI-cijfers op voor het bestuur én fungeren als cultureel vliegwiel. Wanneer collega's zien dat AI hun werk makkelijker en interessanter maakt, smelt de weerstand.

Communiceer de resultaten actief: hoeveel tijd is er bespaard, hoeveel klanten zijn beter geholpen, welke foutmarge is gereduceerd. Maak het concreet en menselijk, niet technisch.

Een proaktijkvoorbeeld: van Shadow AI naar AI-Native

De situatie

Deze casus gaat over een reisorganisatie gespecialiseerd in op maat gemaakte gezinsreizen. De organisatie had een team van ervaren reisadviseurs die klanten handmatig begeleiden door een uitgebreid aanbod. Elk adviestraject was tijdsintensief en sterk persoonsgebonden. De kennis zat in de hoofden van de medewerkers, niet in de systemen.

Het probleem

Toen de vraag naar gepersonaliseerd reisadvies groeide, liep het team tegen een harde grens aan. De doorlooptijd per klanttraject was te lang, ervaren adviseurs waren schaars en de kennisoverdracht naar nieuwe collega's verliep moeizaam. Individuele medewerkers begonnen op eigen initiatief ChatGPT te gebruiken voor e-mails en reisvoorstellen: een klassiek voorbeeld van Fase 1, Shadow AI zonder beleid, zonder structuur en zonder grip op data privacy.

De aanpak via het AI-volwassenheidsmodel

De nulmeting op de acht pijlers leverde een helder beeld op. Deze organsatie scoorde laag op AI-Roadmap, Governance en Processen, maar opvallend hoog op AI Mindset. Het team stond open voor verandering en zag AI als een kans, niet als een bedreiging. Dat was het vliegwiel.

Op basis van de nulmeting werden drie pijlers geprioriteerd. Allereerst Governance en Ethiek: Shadow AI kanaliseren naar veilig, gestructureerd gebruik met heldere kaders voor data privacy. Vervolgens Processen en Organisatiestructuur: het klantadvies proces fundamenteel herontwerpen met AI als uitgangspunt. En tot slot Talent en vaardigheden: het team trainen als regisseurs van AI, niet als passieve gebruikers.

Het eerste lighthouse-project richtte zich op de meest tijdrovende stap in het adviesproces: de dataverzameling en het opstellen van het eerste reisvoorstel. Een AI-assistent werd gevoed met de interne kennisbank van deze organisatie, bestemmingsinformatie, klantprofielen, seizoenspatronen en prijshistorie. De adviseurs leerden hoe zij de AI konden aansturen, de output konden beoordelen en het voorstel konden verfijnen naar het specifieke profiel van de klant.

Cruciaal: de directie van deze organsatie bouwde zelf actief mee aan het AI Harnas. De leidinggevenden experimenteerden als eerste, deelden hun ervaringen openlijk, inclusief wat niet werkte, en maakten AI-adoptie zichtbaar normaal. Dat versnelde de adoptie in het team aanzienlijk.

Het resultaat

Binnen aantal maanden daalde de gemiddelde doorlooptijd van een reisvoorstel met 40%. De adviseurs besteedden minder tijd aan informatieverzameling en meer tijd aan relatieopbouw en creatief maatwerk, precies de taken waar hun menselijke expertise het meeste waarde toevoegt. Nieuwe medewerkers bereikten sneller een zelfstandig niveau, omdat de kennis nu was verankerd in het systeem in plaats van in de hoofden van individuen.

Deze organisatie doorliep in recordtempo de stap van Fase 1. Op dit moment bouwt het bedrijf aan de volgende fase en bouwt het haar eigen AI Roadmap: AI-agenten die tijdens de reis van de klant proactief problemen oplossen, denk aan automatische omboekingen bij vluchtvertragingen, volledig geïntegreerd met de backend systemen.

De cruciale succesfactor was niet de technologie. Het was de combinatie van een open AI Mindset in het team, leidinggevenden die het voordeden, en een bewuste investering in de 70%-factor: cultuur, training en procesontwerp.

Wat brengt het AI-volwassenheidsmodel?

Het AI-volwassenheidsmodel creëert allereerst een gemeenschappelijke taal. Leiders, managers en medewerkers kunnen over AI-transformatie praten zonder technisch jargon of langs elkaar heen te praten. De fase-indeling en de acht pijlers maken voortgang meetbaar en bespreekbaar, essentieel voor intern draagvlak en sturing op bestuursniveau.

Bovendien dwingt het AI-volwassenheidsmodel tot een integrale blik. Door technologie, cultuur, governance en processen in één raamwerk te vatten, voorkomt het dat organisaties eenzijdig investeren en daarmee de AI-Kloof vergroten in plaats van dichten. Het is toepasbaar in elke sector, van zorg tot logistiek, van financiële dienstverlening tot industrie.

Beperkingen om eerlijk over te zijn

Elk model heeft zijn grenzen, en het AI-volwassenheidsmodel is geen uitzondering. De vier fasen suggereren een lineaire progressie, maar de praktijk is grilliger. Organisaties kunnen op de ene pijler in Fase 3 zitten en op de andere nog in Fase 1. Dat leidt tot interne spanningen die het model niet automatisch oplost.

De 10/20/70 verdeling is bovendien een heuristiek, geen empirisch vastgestelde wet. De precieze verhoudingen kunnen per organisatie en sector verschillen. En het toepassen van het framework vereist een eerlijke en gedeelde zelfreflectie, wat in organisaties met sterke silo's of politieke culturen een uitdaging op zichzelf is.

Tips voor Uitvoering

Begin met eerlijkheid, niet met ambitie

De nulmeting werkt alleen als iedereen, inclusief de top, bereid is eerlijk te scoren. Een te optimistische zelfscan leidt tot de verkeerde prioriteiten en verspilde energie. Nodig een buitenstaander uit om de diagnose scherper te maken.

Investeer meer in mensen dan in licenties

Uit de 10/20/70 verdeling volgt een directe budgetimplicatie: de grootste investering hoort te gaan naar training, cultuurverandering en procesontwerp, niet naar softwaretools. Een tool zonder eigenaarschap is een dure vergissing.

Regel de governance vóór de eerste tool live gaat

Governance achteraf opzetten is nagenoeg onmogelijk als Shadow AI al gemeengoed is. Stel heldere, werkbare kaders op vóór de uitrol: een AI-gebruiksbeleid van twee pagina's werkt beter dan een juridisch document van veertig.

Maak regisseurs, geen gebruikers

Train medewerkers niet alleen in hoe een tool werkt, maar in hoe zij AI kunnen aansturen, beoordelen en bijsturen. De verschuiving van passief gebruiker naar actief regisseur is de kern van de AI Mindset-pijler en het fundament van een AI-Native organisatie.

Vier de kleine overwinningen luid en concreet

Elk lighthouse-project dat slaagt, is een bewijs van concept voor de bredere organisatie. Communiceer resultaten actief: hoeveel tijd is bespaard, hoeveel klanten zijn beter geholpen, welke foutmarge is gereduceerd. Maak het menselijk, niet technisch.

Herhaal de nulmeting elk halfjaar

AI-volwassenheid is geen eindbestemming maar een doorlopend proces. De scores laten zien of de ingezette transformatie daadwerkelijk landt, of dat er nieuwe blokkades zijn ontstaan die aandacht vragen.

Bouw eerst je eigen AI Harnas, dan dat van je organisatie

Leiders die zelf nog geen AI hebben geïntegreerd in hun dagelijkse werk, sturen onbedoeld het signaal dat het niet echt urgent is. Reserveer elke week tijd om zelf te experimenteren. Deel wat je leert, ook de mislukkingen. Een leider met een zichtbaar AI Harnas is de krachtigste aanjager van organisatiebrede adoptie.

Conclusie: De Imperatief van AI-Volwassenheid

De weg naar een AI-Native organisatie is niet eenvoudig. Maar het alternatief, afwachten, experimenteren zonder richting of blijven investeren in de verkeerde 10%, is geen strategie meer. Het is een risico.

De AI-Kloof wordt niet gedicht door meer software te kopen. Hij wordt gedicht door de menselijke factor eindelijk de 70% aandacht te geven die zij verdient. Dat betekent leiders die zelf voorop lopen met een zichtbaar AI Harnas. Medewerkers die groeien van gebruiker naar regisseur. Processen die worden herontworpen in plaats van alleen versneld. En een cultuur waarin AI niet als bedreiging wordt gezien, maar als co-piloot.

Het AI-volwassenheidsmodel biedt de structuur, de taal en de meetinstrumenten om deze reis met vertrouwen aan te gaan. De transitie naar AI-Native is uiteindelijk geen technologische overwinning; het is een menselijke triomf. Het vermogen om de kracht van de machine in te zetten voor het vergroten van menselijke wijsheid en impact.

De werkelijke innovatie zit niet in het algoritme. Ze zit in hoe wij onszelf organiseren rondom dat algoritme.

Aanbevolen boeken en publicaties over het AI-volwassenheidsmodel

Het AI-volwassenheidsmodel helpt om te beoordelen hoe ver een organisatie is met het toepassen, beheren en opschalen van kunstmatige intelligentie. Het model kijkt niet alleen naar technologie, maar ook naar strategie, data, governance, vaardigheden, processen, cultuur en waardecreatie. De onderstaande boeken en publicaties geven extra verdieping bij AI-adoptie, generatieve AI, agentic AI, mens-machine samenwerking, organisatieverandering en het ontwikkelen van AI-volwassenheid.

1. Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Boston, MA: Harvard Business Review Press. → Dit boek helpt om AI economisch te begrijpen. De auteurs laten zien dat AI vooral de kosten van voorspellen verlaagt. Dat is belangrijk voor een AI-volwassenheidsmodel, omdat organisaties niet alleen moeten vragen welke tool ze gebruiken, maar vooral welke beslissingen, processen en waardeproposities veranderen wanneer voorspellen goedkoper en sneller wordt.
2. Boston Consulting Group. (2025). From potential to profit: Closing the AI impact gap. Boston, MA: Boston Consulting Group. → Deze publicatie sluit sterk aan op AI-volwassenheid, omdat BCG kijkt naar de kloof tussen AI-ambitie en daadwerkelijke waarde. Veel organisaties investeren in AI, maar halen nog niet structureel resultaat uit pilots en experimenten. Dat maakt de bron waardevol voor het onderscheid tussen losse toepassingen en echte transformatie. BCG koppelt dit thema expliciet aan het sluiten van de AI impact gap.
3. Boston Consulting Group. (2026). AI transformation is a workforce transformation. Boston, MA: Boston Consulting Group. → Deze publicatie benadrukt dat AI-transformatie niet alleen een technologieproject is. De workforce moet mee veranderen. Dat past goed bij een AI-volwassenheidsmodel, omdat volwassen AI-gebruik vraagt om nieuwe vaardigheden, aangepast werkontwerp, leiderschap, adoptie en duidelijke keuzes over de samenwerking tussen mens en AI.
4. De Ketelaere, G. M. (2023). Mens versus machine: Artificiële intelligentie ontrafeld. Tielt, België: LannooCampus. → Dit boek is een goede Nederlandstalige basisbron om AI begrijpelijk te maken voor professionals en organisaties. Het helpt om voorbij hype en angst te kijken. Voor AI-volwassenheid is dat belangrijk, omdat organisaties pas verantwoord kunnen groeien wanneer medewerkers begrijpen wat AI wel kan, wat AI niet kan en waar menselijke beoordeling nodig blijft.
5. Deloitte. (2026). 2026 Global Human Capital Trends: From tensions to tipping points. Deloitte Insights. → Dit rapport is relevant voor de menselijke kant van AI-volwassenheid. Deloitte beschrijft hoe organisaties moeten omgaan met aanpassingsvermogen, snelheid, werkdruk en de menselijke voorsprong in een veranderende werkomgeving. Dat sluit goed aan bij AI-volwassenheid, omdat technologie pas waarde krijgt wanneer mensen, teams en leiderschap mee ontwikkelen.
6. Deloitte. (2026). Agentic AI strategy. Deloitte Insights. → Deze publicatie past bij de volgende fase van AI-volwassenheid, waarin organisaties niet alleen generatieve AI gebruiken, maar ook agentic AI onderzoeken. Daarbij worden governance, autonomie, risico’s en procesontwerp belangrijker. Deloitte wijst er ook op dat veel organisaties agentic AI willen inzetten, terwijl volwassen governance voor AI-agenten nog achterblijft.
7. Duivestein, S., et al. (2024). Echt nep: Spelen met de realiteit in tijden van AI. Culemborg, Nederland: Van Duuren Management. → Dit boek is relevant voor de maatschappelijke en communicatieve kant van AI. Generatieve AI maakt het steeds lastiger om echt, nep, synthetisch en bewerkt materiaal van elkaar te onderscheiden. Voor AI-volwassenheid is dat belangrijk, omdat organisaties niet alleen moeten werken aan productiviteit, maar ook aan betrouwbaarheid, transparantie, reputatie en digitale weerbaarheid.
8. Mauri, T. (2023). The AI republic: Building creative businesses for the intelligence economy. London, England: Bloomsbury Business. → Mauri kijkt naar AI vanuit innovatie, creativiteit en bedrijfsontwikkeling. Deze bron past goed bij organisaties die AI niet alleen willen gebruiken om bestaande processen sneller te maken, maar ook om nieuwe proposities, werkvormen en businessmodellen te ontwikkelen. Dat is een belangrijk verschil tussen basisgebruik en hogere AI-volwassenheid.
9. McKinsey & Company. (2025). The state of AI: Agents, innovation, and transformation. McKinsey Global Institute. → Dit rapport is sterk voor de actuele stand van AI-adoptie. McKinsey laat zien dat AI-gebruik breder wordt, onder meer door agentic AI, maar dat veel organisaties nog moeite hebben om van pilots naar schaalbare impact te komen. Ook noemt McKinsey zes dimensies die belangrijk zijn om waarde uit AI te halen: strategie, talent, operating model, technologie, data en adoptie en opschaling.
10. McKinsey & Company. (2026). The state of organizations 2026. McKinsey Global Institute. → Deze publicatie is relevant omdat AI-volwassenheid nauw samenhangt met organisatievermogen. McKinsey baseert het rapport op onderzoek onder meer dan 10.000 senior executives in 15 landen en 16 sectoren. De bron helpt om AI-volwassenheid te plaatsen binnen bredere thema’s zoals organisatieontwerp, performance, talent, verandering en technologische disruptie.
11. Mollick, E. (2024). Co-intelligence: Living and working with AI. New York, NY: Portfolio/Penguin. → Mollick maakt de samenwerking tussen mens en AI concreet. Hij beschrijft AI als co-worker, co-teacher en coach. Dat is bruikbaar voor het AI-volwassenheidsmodel, omdat volwassen gebruik niet alleen betekent dat een organisatie tools beschikbaar stelt. Medewerkers moeten leren hoe zij AI slim, kritisch en productief in hun dagelijkse werk gebruiken.
12. Stolze, J. (2022). Algoritmisering, wen er maar aan! Amsterdam, Nederland: Business Contact. → Stolze helpt om de impact van algoritmes op werk, besluitvorming en samenleving beter te begrijpen. Voor AI-volwassenheid is dit relevant, omdat organisaties ook moeten nadenken over algoritmische sturing, transparantie, verantwoordelijkheid en de grenzen van automatisering. Daarmee vult deze bron de meer strategische en technologische publicaties goed aan.

Citatie voor dit artikel:
Slingerland, P. (2026). AI-volwassenheidsmodel. Retrieved [insert date] from Toolshero.nl: https://www.toolshero.nl/strategie/ai-volwassenheidsmodel/

Oorspronkelijke publicatiedatum: 03-06-2026 | Laatste update: 08-06-2026

Wilt u linken naar dit artikel, dat kan!
<a href="https://www.toolshero.nl/strategie/ai-volwassenheidsmodel/"> Toolshero.nl: AI-volwassenheidsmodel</a>

Tags: Open Innovatie Organisatie ontwikkeling Strategisch management