Er is op dit moment geen gebrek aan belangstelling voor AI. Besturen stellen er vragen over. Budgetten worden vrijgemaakt. Leveranciers beloven transformatie. En toch is er een kloof tussen wat AI zou moeten opleveren en wat het in de praktijk daadwerkelijk oplevert.

Die spanning — tussen de belofte van AI en de realiteit van het werkend krijgen ervan — vormt de kern van dit playbook.

Bij HSO helpen we organisaties al meer dan drie decennia om hun manier van werken opnieuw vorm te geven. We hebben gezien wat er gebeurt wanneer technologie wordt ingezet zonder de juiste fundamenten, en wat er mogelijk is wanneer die basis er wél is.

Op de volgende pagina’s beschrijven we de fundamenten die organisaties de grootste kans geven om AI-pilots door te ontwikkelen naar productie: mensen, processen, data en cloudarchitectuur. In die volgorde.

Elk hoofdstuk is gebaseerd op de ervaring van HSO-experts die programma’s hebben zien opschalen en op de klanten die AI succesvol in productie hebben gebracht.

──  Peter J. ter Maaten, oprichter en CEO, HSO

In de meeste van deze gevallen werkte de technologie. Het probleem zat in de volgorde van de aanpak.

Organisaties zetten AI in zonder eerst naar de basis te kijken. Ze herontwerpen processen niet, betrekken eindgebruikers niet bij het gesprek en stellen niet vast of hun data wel geschikt is voor wat zij van AI verwachten.

Om AI-agents daadwerkelijk in productie te krijgen en de manier waarop bedrijven opereren echt te veranderen, moeten organisaties hun transformatie anders inrichten…

Vervolgens herontwerpen zij het proces. Niet één afzonderlijke taak, maar de volledige end-to-end flow, van invoer tot resultaat, waarbij opnieuw wordt bekeken hoe de dagelijkse operatie zou moeten werken wanneer intelligente agents onderdeel van het team zijn.

Pas daarna voegen zij de technologie toe. Een vertrouwd dataplatform, cloudarchitectuur, doelgericht gebouwde agents en de governance om hen verantwoord te houden.

Elk hoofdstuk in dit document is gebaseerd op de expertise van HSO’s specialisten wereldwijd, die werken op het snijvlak van AI-technologie en bedrijfsvoering en projecten uitvoeren in meer dan 60 landen.

Het vertrekpunt van HSO is altijd hetzelfde: succesvolle transformatie begint niet met software. Het begint met strategie, mensen en een helder begrip van de processen die je wilt verbeteren.

Elk AI-programma kent twee tijdlijnen: het projectplan — modelselectie, integratie, testen, uitrol en doorlopende verbeteringen — én de tijd die mensen nodig hebben om te begrijpen wat er verandert, waarom dat gevolgen voor hen heeft en hoe zij anders moeten gaan werken.

De meeste organisaties richten hun aandacht op de eerste tijdlijn en onderschatten de tweede. Juist in de kloof tussen het moment waarop een agent live gaat en het moment waarop medewerkers AI echt in hun dagelijkse werk opnemen, gaat bij de meeste programma’s het rendement verloren.

AI en agents lossen, op hun best, menselijke problemen op. Maar wanneer mensen niet centraal staan in het ontwerp, blijft adoptie achter.

Uit onderzoek van Gallup blijkt dat wanneer het leiderschap een duidelijk plan communiceert voor de integratie van AI, medewerkers drie keer zo vaak aangeven dat zij zich voorbereid voelen om ermee te werken, en 2,6 keer zo vaak dat zij zich daar prettig bij voelen.

User-centered design (UCD) — de discipline waarbij oplossingen worden gebouwd rond de behoeften, het gedrag en de praktijk van de mensen die ermee gaan werken — vormt al decennialang een hoeksteen van goede productontwikkeling. Voor AI is dit nog belangrijker. In tegenstelling tot traditionele software, die voorspelbare output geeft, werken AI en agents op basis van waarschijnlijkheden. Omdat AI en agents worden beïnvloed door de specifieke context van een gebruiker, is vooraf nooit volledig te voorspellen hoe een agent zich zal gedragen zodra mensen ermee gaan werken.

HSO’s UCD-aanpak omvat vijf fasen, gebaseerd op de bewezen Double Diamond-methodiek en specifiek toegespitst op agentic AI-implementaties:

Tegen de tijd dat de eerste regel code wordt geschreven, is de oplossing al getest, verfijnd en gevalideerd door de eindgebruikers.

Het resultaat: de technische bouw verloopt sneller, er zijn minder wijzigingen in een laat stadium nodig en het project wordt minder risicovol, omdat de mensen die het succes uiteindelijk bepalen er al actief achter staan.

Toonaangevende organisaties bouwen AI Centers of Excellence: cross-functionele teams die verantwoordelijk zijn voor governance, kennisopbouw en continu leren. Zij creëren gestructureerde omgevingen waarin medewerkers in hun eigen tempo vaardigheden kunnen ontwikkelen en vertrouwd raken met AI. Wanneer mensen begrijpen wat AI-agents kunnen doen en ontdekken dat zij ermee kunnen werken zonder technische achtergrond, neemt hun angst af.

Voordat leiders een agent ontwerpen, brengen zij ook in kaart hoe het werk nu wordt uitgevoerd — het volume, de tijd, de inspanning, de uitzonderingen — om de businesscase voor AI-programma’s te versterken en een nulmeting vast te leggen waartegen de prestaties van een agent worden beoordeeld.

Goed uitgevoerd verandert een AI Center of Excellence de mensen die het meest geneigd zijn een AI-programma te ondermijnen in de mensen die het meest gemotiveerd zijn om het te laten slagen.

Aan het andere uiteinde van het spectrum, tegenover angst, gebruiken veel medewerkers AI al zonder regulering. Data van UpGuard laat zien dat meer dan 80% van de medewerkers niet-goedgekeurde AI-tools inzet in het werk, terwijl onderzoek van CybSafe en de National Cybersecurity Alliance aantoont dat 38% vertrouwelijke data deelt met AI-platforms zonder toestemming van hun werkgever.

HSO heeft de gevolgen van deze ‘shadow AI’ van dichtbij gezien. Eén organisatie ontdekte dat medewerkers zelfstandig niet-getoetste AI-tools gebruikten om lokale uitdagingen op te lossen. Deze niet-kwaadwillende vorm van ‘shadow AI’ betrof echter taken waarbij vertrouwelijke data werd gebruikt, wat leidde tot een vermijdbaar — en risicovol — securitylek voor de bredere organisatie.

Het effect is tweeledig: het verlaagt het risico van onbeheerd AI-gebruik en verandert de meest enthousiaste early adopters in je organisatie in pleitbezorgers.

Bij traditionele technologie-implementaties vindt verandering één keer plaats. Het systeem gaat live, mensen worden getraind en de organisatie gaat weer verder.

Bij AI werkt dat anders. In tegenstelling tot traditionele software, die na uitrol stabiliseert, vereisen agents continue evaluatie, hertraining en bijsturing. De organisatiecultuur moet dit weerspiegelen: wekelijkse kennissessies, cross-functionele feedbackloops en regelmatige prestatiebeoordelingen van agents die in productie draaien. Go-live is niet het einde van changemanagement, maar juist het begin van een nieuwe fase van changemanagement.

Bij het inzetten van AI is de eerste reflex vaak om te zoeken naar taken die aan een agent kunnen worden uitbesteed. Welke onderdelen van het werk zijn repetitief? Welke beslissingen volgen een voorspelbaar patroon? Welke stappen kan AI sneller uitvoeren dan een mens?

Dat is een logisch vertrekpunt, en het zal efficiëntie opleveren. Maar organisaties die de meest impactvolle resultaten behalen, beginnen bij input, output en de gewenste uitkomsten — en herontwerpen vervolgens het proces daaromheen, met AI als onderdeel van de oplossing.

Voor veel bedrijven is legacy de grootste belemmering voor procesverbetering: systemen die in decennia zijn opgebouwd, tot ver buiten herkenning zijn aangepast en draaien op infrastructuur die nooit bedoeld was om snel te veranderen. De verleiding is groot om AI simpelweg op het bestaande landschap te zetten. Maar precies daarom blijven pilots pilots.

Data van McKinsey bevestigt dit: high-performing organisaties hebben drie keer zo vaak hun workflows redesigned voordat zij AI daarin inzetten.

Niet elk proces profiteert van een AI-agent. De processen die prioriteit verdienen, delen een aantal brede kenmerken:

a. Breng het huidige proces in detail in kaart

Leg vast wat het proces vandaag kost: volume, tijd, inspanning en uitzonderingen. Deze nulmeting vormt zowel uw businesscase als de meest betekenisvolle maatstaf om te beoordelen of een toekomstige agent daadwerkelijk levert.

Het in kaart brengen van het huidige proces kan verrassende inzichten opleveren. Een HSO-klant ontdekte dat één team maandelijks honderden vragen afhandelde binnen een proces dat eigenlijk bedoeld was als een eenvoudige customer service-operatie. De antwoorden stonden in het bedrijfshandboek, maar bij dat volume had het team niet de capaciteit om die efficiënt op te zoeken en door te geven. Een agent die op dezelfde kennisbank was aangesloten, kon het merendeel van de vragen direct oplossen.

Teamleiders begrijpen het werkvolume per team, de workarounds in systemen en de kennis die alleen in de hoofden van mensen zit. Juist de combinatie van strategisch perspectief en praktijkkennis is essentieel om impactvolle uitkomsten te identificeren en te realiseren.

c. Ontwerp de agent rond die uitkomst

Zodra de uitkomst is gedefinieerd, begint het ontwerpwerk. Uit onze ervaring met honderden agentuitroltrajecten blijken vier ontwerpprincipes telkens opnieuw te bepalen of een agent ook in productie presteert:

In hoofdstuk vier gaan we dieper in op de architectuur van succesvolle AI-agents.

• Herontwerp uw processen voordat u AI erin inzet; u kunt een gebroken proces niet kopiëren naar een beter systeem en een ander resultaat verwachten.

• Kies processen om met AI te optimaliseren op basis van waarde en inspanning, niet alleen op basis van wat het makkelijkst te automatiseren is.

• Betrek operationele en uitvoerende expertise bij het afbakenen van geschikte processen voordat de use case wordt bepaald.

• Definieer de uitkomst die elk AI-enabled proces moet opleveren voordat ontwerpbeslissingen worden genomen.

• Houd de scope van elke agent smal, met gedefinieerde input, output en escalatiecriteria.

• Bouw performance-evaluatie in het ontwerp in en wijs duidelijk eigenaarschap toe voor doorlopende monitoring vóór en nádat de agent live gaat.

Data is de motor van AI-transformatie. De kwaliteit, volledigheid en toegankelijkheid ervan bepalen niet alleen wat agents bij livegang kunnen doen, maar ook hoe ver zij kunnen opschalen. Dat betekent echter niet dat organisaties moeten wachten op een perfect enterprise-breed datalandschap voordat ze beginnen. De sterkste AI-programma’s verbeteren de datafundering terwijl ze tegelijkertijd waarde realiseren.

Wanneer AI of agents in een live omgeving onderpresteren, is de eerste ingeving vaak om het model, de architectuur of de leverancier ter discussie te stellen. Maar vaak zit het probleem in de data. AI vergroot uit wat er aan fundering onder ligt — en als die fundering zwak is, produceert de agent zelfverzekerde, plausibele, maar uiteindelijk onjuiste antwoorden.

Voordat je een AI-oplossing ontwerpt, is het meest waardevolle wat jouw organisatie kan doen precies begrijpen hoe het datalandschap eruitziet.

Zie datakwaliteit als een ijsberg. De meeste organisaties zien momenteel slechts ongeveer 10% van de factoren die daarop van invloed zijn: dubbele records, ontbrekende velden, mislukte rapportages. De overige 90% is zo volledig in de operatie opgenomen dat het niet eens meer als dataprobleem wordt herkend.

Door onder de oppervlakte van jouw landschap te kijken — handmatige ingrepen, workarounds en de tijd die mensen besteden aan het compenseren van wat systemen niet kunnen — ontdek je welke processen de data wel kan ondersteunen en welke niet.

Een meerjarig programma om alle data te saneren, kost meer dan het oplevert, duurt langer dan iemand ervoor begroot en is deels alweer verouderd voordat het is afgerond. Een gerichte aanpak is veel productiever: bepaal welke data een specifiek proces nodig heeft, beoordeel de betrouwbaarheid ervan en richt doorlopende controles in om die kwaliteit te borgen. In de meeste organisaties begint dit met een vlaggenschipinitiatief — een use case die vroeg zichtbaar waarde kan leveren en tegelijk voldoende afgebakend is om datarisico te beheersen.

Dat vroege succes bouwt vertrouwen op in het programma, creëert momentum en geeft de business het vertrouwen om parallel ook het bredere datalandschap te verbeteren.

Nu alle data via één laag zichtbaar en toegankelijk is, kan stichd waarde halen uit elk systeem in zijn landschap en kan de business innoveren zonder te hoeven wachten tot IT is bijgepraat.

Naarmate AI-applicaties geavanceerder worden, neemt het belang van hun datalandschap evenredig toe. Waar een agent met één doel nog kan draaien op een goed onderhouden knowledge base, vereist enterprise-brede AI die over functies, systemen en regio’s heen opereert dat elke databron verbonden, governed en toegankelijk is vanuit één omgeving.

HSO’s aanpak om die basis te bouwen, begint met één principe: één eenduidig beeld van de waarheid. Bereik je dat, dan wordt jouw dataplatform een asset die in waarde groeit met elke agent die erop wordt gebouwd.

In tegenstelling tot SaaS-technologie is een AI-agent in productie nooit echt ‘af’. De data waarvan hij afhankelijk is verandert continu: consumentengedrag evolueert, leveranciersformaten worden aangepast en upstream-systemen veranderen. Zonder doorlopend beheer blijven agents opereren op verouderde aannames.

Bij HSO hebben we dit zelf ervaren. Onze eigen expense entry agent functioneerde in een decembermaand plots niet meer correct, zonder dat er veranderingen aan de agent waren gemaakt. De oorzaak was een modelupdate van een externe leverancier. Dankzij continue monitoring konden we het probleem snel signaleren, helder communiceren met alle betrokken gebruikers en het issue met vertrouwen oplossen.

Net als wij worden de meeste organisaties pas aan het belang van datagovernance herinnerd wanneer een agent onverwachte resultaten oplevert. De bedrijven die in de tijd consistente voordelen halen uit hun AI-implementaties behandelen hun agents zoals zij hun mensen behandelen: met duidelijke verwachtingen en regelmatige prestatiebeoordelingen.

• Bouw een dataplatform vóór de applicaties, zodat nieuwe agents een verbonden fundering hebben om vanuit te opereren.

• Wijs duidelijk eigenaarschap toe voor datagovernance, met regelmatige performance reviews van agents ten opzichte van de nulmeting waarop zij zijn getraind.

• Gebruik een bewezen referentiearchitectuur. Microsoft Fabric is het dataplatform voor het tijdperk van enterprise AI en agents

HSO ziet een terugkerend patroon bij organisaties die AI-pilots succesvol uitrollen maar ze niet kunnen opschalen. De eerste agent werkt, maar voor de tweede is een nieuwe integratie nodig. Tegen de tijd dat de derde en vierde agent in scope komen, besteden teams evenveel tijd aan het onderhouden van koppelingen als aan het bouwen van nieuwe mogelijkheden. Hun AI-programma vertraagt omdat de architectuur nooit is ontworpen om meer dan één agent tegelijk te ondersteunen.

De integratielaag — de infrastructuur die bepaalt hoe applicaties verbinden met bedrijfssystemen en met elkaar — is waar AI-initiatieven óf opschalen óf vastlopen. De meeste organisaties nemen deze beslissing impliciet, door agents één voor één uit te rollen en het integratieprobleem pas op te lossen wanneer het zich aandient. Het resultaat is een verzameling point-to-point koppelingen waarvan de onderhoudskosten toenemen met elke extra agent.

Enterprise-integratielandschappen zijn vrijwel altijd complexer dan ze op het eerste gezicht lijken. Toen HSO samenwerkte met een commerciële bank om de verwerking van consumentenkredieten te automatiseren, dacht de bank een beheersbare integratie-uitdaging te hebben: zes dominante bancaire instellingen die 90% van de afschriften afdekten. Wat niemand in kaart had gebracht, was dat de resterende 10% verspreid was over 11.000 betalingsverwerkers. Een integratiearchitectuur die alleen op de meerderheid was afgestemd, zou direct bij confrontatie met de rest zijn vastgelopen.

De overstap naar de cloud maakt enterprise AI-architectuur praktisch haalbaar, omdat on-premises infrastructuur nooit is ontworpen voor de connectiviteit die agentic AI vereist. Het maakt bovendien kapitaal vrij dat eerder vastzat in fysieke infrastructuur — kapitaal dat kan worden ingezet voor het AI-programma zelf — en neemt de structurele beperkingen weg die begrenzen hoe agents verbinden en opschalen.

HSO adviseert een platformneutrale architectuur die elk large language model van elke leverancier kan verbinden. De businesscase voor AI verandert snel, en dat geldt ook voor de modellen die daar het best op aansluiten. Wat je vandaag draait, is over twaalf maanden mogelijk niet meer de juiste keuze. De integratielaag moet toekomstige innovatie mogelijk maken, niet groei beperken.

MCP maakt ook agent-to-agent communicatie mogelijk. Waardevolle enterprise AI bestaat niet uit één agent die alleen werkt; het is een keten van gespecialiseerde agents, elk met een duidelijk afgebakende scope, die context aan elkaar doorgeven. Zonder MCP vereist die overdracht een eigen maatwerkintegratie. Met MCP opereert de volledige architectuur via één governed interface.

HSO heeft MCP centraal gesteld in onze agentic AI-architectuur. Klanten bouwen niet telkens een nieuwe koppeling wanneer een systeem verandert of een use case wordt toegevoegd. In plaats daarvan werken zij vanuit een beheerde, uitbreidbare laag waarmee elke agent, van elke leverancier en op elk model, kan verbinden.

De meeste gesprekken over AI-security gaan momenteel over data: waar een agent toegang toe heeft, waar die data wordt opgeslagen en wat het risico op blootstelling is. Dat zijn terechte zorgen; de Cloud Security Alliance heeft vastgesteld dat 34% van de organisaties met AI-workloads al een security breach heeft meegemaakt. Onveilige identiteiten en verkeerd geconfigureerde rechten zijn de meest voorkomende oorzaak van databeveiligingsproblemen.

Naarmate agents zich verplaatsen van gegevensopvraging naar uitvoering — van het lezen en presenteren van data naar het uitvoeren van acties die de status van verbonden systemen veranderen — ontstaat een andere uitdaging: het beheersen van de impact van autonome beslissingen die zonder mensen in the loop worden genomen.

MCP-architectuur geeft agents toegang tot data én het vermogen om direct acties te activeren in verbonden systemen. Een agent die met jouw ERP is verbonden kan bijvoorbeeld een purchase order plaatsen als de voorraadniveaus te laag worden. Maar als die actie nooit was geautoriseerd, of werd getriggerd door een upstream-fout in een agent chain, kan jouw organisatie zich onverwacht hebben vastgelegd op voorraad die zij niet nodig heeft, met een leveranciersverplichting die niet eenvoudig is terug te draaien.

Om de regie te behouden terwijl agents zich ontwikkelen van opvragen naar uitvoeren, zijn er drie securityvragen die elke organisatie vóór uitrol moet stellen:

HSO’s referentiearchitectuur voor enterprise AI-uitrol is Microsoft’s Azure AI Landing Zone, waarin governance, compliance en observability vanaf dag één in het platform zijn ingebouwd.

Laten we teruggaan naar die bespreking over het AI proof of concept dat nooit in productie is gekomen. De vraag in de ruimte was vrijwel zeker: Wat is er misgegaan met de technologie? terwijl die had moeten zijn: Wat had er moeten gebeuren voordat we überhaupt iets bouwden?

De organisaties die significante opbrengsten genereren uit vroege AI-projecten hebben geen betere tools gevonden. Zij hebben het voorwerk gedaan — en in de meeste gevallen heeft dat ertoe geleid dat zij minder agents hebben gebouwd dan oorspronkelijk gepland. Maar de agents die zij wel bouwen, halen wél productie en leveren meetbare, duurzame ROI op.

Om dit voorwerk op enterprise-schaal te herhalen, zijn structuur en betekenisvolle samenwerking nodig binnen de organisatie én met externe partners. Bij HSO hebben we de veelzijdige voordelen van een AI Center of Excellence van dichtbij gezien. Door mensen, processen, data, architectuur en delivery in één team samen te brengen, creëren organisaties vanaf het allereerste begin de voorwaarden voor succes.

Goed ingericht maakt een AI Center of Excellence van elke uitrol een fundament voor de volgende — waardoor agents sneller te bouwen, goedkoper te runnen en waarschijnlijker zijn om snel ROI te leveren.

Het is heel normaal om enthousiast te zijn over het potentieel van AI. Het tempo van de ontwikkeling maakt bijna alles mogelijk. Maar op zijn best zou AI bijna saai moeten zijn: vertrouwde agents die stil op de achtergrond draaien, onzichtbaar werk doen terwijl mensen zich richten op het managen van relaties, het toepassen van oordeelsvermogen en het oplossen van problemen waarvoor menselijke ervaring nodig is.

Het DNA van succesvolle projecten is altijd hetzelfde: AI wordt behandeld als een operationele discipline voordat agents worden gebouwd en uitgerold. Dat is de rode draad in elke stem van vakmannen en elk klantverhaal in dit playbook — en het patroon achter elk programma, inclusief dat van HSO zelf, dat de stap van pilot naar productie heeft gezet.