Bedrijven en overheden in Nederland en Europa investeren op het moment van schrijven massaal in kunstmatige intelligentie, van ChatGPT tot Gemini. Toch blijft de opbrengst vaak achter bij de belofte, blijkt uit recente evaluaties van projecten. De oorzaak ligt vooral bij datakwaliteit, integratie en verandermanagement, niet bij een gebrek aan modellen. Dit speelt terwijl de Europese AI-verordening (AI Act) nieuwe verplichtingen oplegt met directe gevolgen voor overheid en bedrijfsleven.
Hype overstemt harde resultaten
Na de doorbraak van generatieve systemen als ChatGPT en Gemini startten veel organisaties pilots en demo’s. Die laten vaak een indrukwekkende proef zien, maar missen een duidelijke koppeling met processen en meetbare doelen. Zonder nulmeting en heldere KPI’s blijft rendement subjectief. Het gevolg: enthousiasme aan de voorkant, maar weinig aantoonbare waarde in de boeken.
In klantenservice of HR werken proefopstellingen soms goed op eenvoudige vragen, maar lopen vast bij uitzonderingen. Hallucinaties (foutieve maar overtuigende antwoorden) en gebrek aan bronvermelding ondermijnen vertrouwen. Zonder robuuste veiligheidsmaatregelen en escalatie naar een mens verslechtert de klantervaring. Dat is precies waar bestuurders resultaat willen zien.
Ook gebruikscijfers zeggen weinig. Een hoog aantal prompts of chatbot-sessies klinkt positief, maar zegt niets over doorlooptijd, foutreductie of omzet. CFO’s kijken naar structurele besparingen of extra inkomsten, niet naar experimentele activiteit. Rendement vraagt daarom om harde businesscases, niet om losse showcases.
Data en integratie ontbreken
AI-systemen presteren alleen goed met schone, actuele en toegankelijke data. In de praktijk zitten kennis en documenten versnipperd in e-mail, SharePoint, DMS en CRM. Dat belemmert training, validatie en het actueel houden van antwoorden. AVG-eisen zoals dataminimalisatie en versleuteling maken dit extra complex, maar ook noodzakelijk.
Veel organisaties missen een betrouwbare koppeling tussen het model en hun eigen kennisbank. Retrieval augmented generation (RAG) is een techniek die een model live laat zoeken in interne documenten voordat het antwoordt. Zonder zo’n koppeling geeft het model algemene of verouderde informatie. Met een goede RAG-laag zijn antwoorden controleerbaar en herleidbaar, wat de kwaliteit en compliance verbetert.
Integratie met werkprocessen is net zo belangrijk. Een assistent die niet in ERP, CRM of ticketing kan schrijven, levert vooral leeswerk op. Koppelingen via Microsoft 365, Google Workspace, Salesforce of SAP bepalen of medewerkers écht tijd winnen. Zonder integratie blijft de winst hangen in experimenten buiten de werkstroom.
Modelkeuze is niet genoeg
Organisaties vergelijken nu massaal modellen als OpenAI GPT-4o, Google Gemini 1.5, Anthropic Claude 3.5, Meta Llama 3 en Mistral Large. Die verschillen in kwaliteit, kosten, datagebruik, licentie en hostingopties. Een keuze puur op benchmark-scores pakt vaak verkeerd uit in productie. Domein-tuning, goede promptontwerpen en evaluatie per taak wegen minstens zo zwaar.
Generatieve AI is software die nieuwe tekst, beeld of code maakt op basis van grote voorbeeldcollecties en een taalmodel.
Zonder continue kwaliteitsmeting blijft prestatie onduidelijk. Evalueer met een vaste set echte taken, meet feitelijke juistheid en bronverwijzing, en log fouten systematisch. Koppel dat aan herstelacties: verbeter prompts, breid de RAG-bron uit of wissel van model waar nodig. Zo wordt modelkeuze een proces, geen eenmalig moment.
Leveranciers bieden verschillende routes: via Azure OpenAI Service, Google Vertex AI, Amazon Bedrock of on-prem met Llama of Mistral. Dat heeft gevolgen voor privacy, latentie en kosten. Een EU-hosted variant kan datatransfers buiten de EER vermijden, wat de AVG-positie versterkt. Maak deze afweging expliciet in inkoop en architectuur.
Mens en proces vergeten
Adoptie vraagt om duidelijke werkinstructies en rollen. Wie mag welke assistent gebruiken, met welke gegevens, en wie controleert het eindresultaat? Zonder spelregels ontstaat schaduw-IT en onduidelijkheid over verantwoordelijkheid. Dit remt gebruik én vergroot risico’s.
Training blijft cruciaal, ook bij tools als Microsoft Copilot of Notion AI. Medewerkers moeten leren wanneer een AI-antwoord betrouwbaar is en wanneer verificatie nodig is. Gestandaardiseerde prompts en voorbeeldcases verhogen kwaliteit en snelheid. Een mens-in-de-lus (een verplichte check door een medewerker) voorkomt fouten op kritieke punten.
Veranderen kost tijd en aandacht. Functies verschuiven, taken worden herverdeeld en beoordelingscriteria moeten mee. Betrek ondernemingsraad en security- en privacyteams vroeg. Zo ontstaat eigenaarschap en dalen de faalkosten bij uitrol.
Kosten en risico’s onderschat
De totale kosten van AI zitten niet alleen in licenties of tokens. Contextvensters, vectordatabases, monitoring en extra netwerk- en rekenkracht tellen snel op. Ook governance, DPIA’s en modelvalidatie kosten uren. Zonder realistische TCO-begroting valt de businesscase achteraf tegen.
Privacy en beveiliging zijn randvoorwaardelijk in Europa. Organisaties moeten onder de AVG dataminimalisatie, doelbinding en passende beveiliging aantonen. Loggen, pseudonimiseren en toegangsbeheer horen daar standaard bij. Werk met afgeschermde omgevingen om datalekken via prompts of uploads te voorkomen.
Daarnaast zijn er juridische vragen over aansprakelijkheid en intellectueel eigendom. Leg in contracten vast wie risico’s draagt bij foutadviezen of brongebruik. Beoordeel leveranciers op auditmogelijkheden en incidentrespons. Dit beperkt verrassingen bij incidenten of klachten.
EU-verordening stuurt rendement
De Europese AI-verordening (AI Act) is op het moment van schrijven van kracht en kent risicoklassen met bijbehorende verplichtingen. Hoogrisico-toepassingen vragen onder meer risicobeheer, datakwaliteit, logging, documentatie en menselijk toezicht. Voor general-purpose modellen en foundation-modellen gelden transparantie-eisen richting afnemers. Deze plichten dwingen organisaties om hun AI-keten beter te beheersen.
Nederlandse overheden werken bovendien met het Algoritmeregister en moeten besluiten kunnen uitleggen. Dit sluit aan op eisen voor uitlegbaarheid en traceerbaarheid. Wie nu al bronnen, prompts en beslisregels vastlegt, voldoet later makkelijker aan audits. Dat verkleint juridische risico’s en versnelt opschaling.
Rendement volgt uit volwassenheid. Classificeer elk usecase, kies passende hosting (bijvoorbeeld EU-cloud of on-prem), en borg data en evaluatie. Start met taken met hoge volumes en lage risico’s, meet structureel effect en schaal dan op. Zo wordt de belofte van AI concreet en aantoonbaar voor Nederlandse en Europese organisaties.