Het probleem: van spectaculaire demo’s naar vastgelopen prototypes
We leven in een merkwaardige fase van AI-ontwikkeling. De demo’s van generatieve AI zijn indrukwekkend – denk aan agents die moeiteloos redeneren en plannen, modellen die originele muziek componeren op basis van een prompt, of onderzoekstools die binnen enkele minuten uitgebreide rapporten genereren. Toch blijven veel AI-teams steken in een “prototype purgatory” – een soort voorgeborchte waarin veelbelovende proof-of-concepts niet weten door te breken tot robuuste productie-systemen[1]. Onderzoek bevestigt dit beeld: een recente MIT-studie toont aan dat 95% van de generatieve AI-pilots bij bedrijven geen meetbare bedrijfswaarde opleveren[2]. Het probleem ligt niet zozeer bij de kracht van de AI-modellen zelf, maar bij een fundamentele “leerkloof”. Generieke AI-tools falen in het zich aanpassen aan rommelige, complexe bedrijfsprocessen en workflow-omgevingen[2][3]. Dit sluit aan bij bevindingen uit enterprise search: de bottleneck is vaak niet het algoritme, maar de complexiteit van de bedrijfsomgeving waarin het moet opereren[4].
De uitdaging is des te groter bij het bouwen van agent-gebaseerde AI-systemen. Zulke agents opereren vaak als zwarte dozen, lastig te doorgronden en te debuggen[5]. Hun prestaties kunnen onvoorspelbaar achteruitgaan wanneer ze met maatwerk-tools moeten werken of wanneer er veranderingen optreden (agentic drift)[6][6]. Veel van deze agents hebben geen geheugen of lerend vermogen – ze passen zich niet aan en generaliseren slecht naar nieuwe situaties[7]. Het gevolg is dat ze falen, niet vanwege een gebrek aan “intelligentie” van het model, maar omdat de systemen eromheen breekbaar zijn en snel stukgaan buiten de ideale omstandigheden. De focus verschuift daarmee van het fine-tunen van prompts naar het bouwen van veerkrachtige, verifieerbare systemen die tegen een stootje kunnen.
Wat dit alles extra frustrerend maakt, is de opkomst van een bloeiende “schaduw-AI-economie” binnen organisaties. Medewerkers gebruiken op eigen initiatief tools als ChatGPT of Claude op hun persoonlijke accounts om hun werk gedaan te krijgen, vaak buiten medeweten of goedkeuring van IT[8][9]. Uit de MIT-enquête bleek bijvoorbeeld dat werknemers in 90% van de bedrijven persoonlijk AI-tools inzetten voor hun dagelijkse taken, terwijl slechts 40% van die bedrijven een officiële AI-licentie had afgenomen[8]. Dit laat een kloof zien: er is duidelijk een sterke vraag van onderaf naar AI-oplossingen, maar de ambitieuze top-down AI-projecten leveren niet wat medewerkers nodig hebben. Met andere woorden, terwijl werknemers stilletjes productiever worden via ongeautoriseerde AI-hulpmiddelen, falen veel officiële AI-initiatieven om breed vertrouwen en gebruik te winnen binnen de organisatie[10].
De kracht van klein beginnen: de wedge-strategie
Gezien deze obstakels is een verrassend effectieve weg voorwaarts juist om kleiner te denken in plaats van groter[11]. In plaats van te mikken op een allesomvattend AI-systeem dat in één klap de hele organisatie transformeert, kunnen AI-teams beter de focus radicaal versmallen. Ga op zoek naar een kleine, afgebakende use-case – één specifiek en pijnlijk probleem van één gebruiker of een klein team – en los dat probleem uitmuntend op. Deze benadering staat bekend als de “wedge”-strategie (oftewel een wig in de markt drijven) in de startupwereld[12]. Het idee is om een sterk gefocust initiëel product te bouwen dat direct nuttig is, zó nuttig dat een individuele gebruiker het vrijwillig in gebruik neemt zonder dat er breed draagvlak of toestemming nodig is.
Deze wedge-aanpak is als een scherpe bijl die je in een marktsegment drijft, in plaats van een botte bijl die alles tegelijk probeert te kappen[13]. Door één precies afgebakende use-case of persona te kiezen en daarop uitzonderlijk te presteren, bouw je momentum op vanuit een smal startpunt[13]. Zoals investeerder Sarah Tavel het stelt: je moet niet “alles voor iedereen” willen zijn, maar juist met buitengewone focus een specifiek persona/use-case bedienen als een scherp mes[13]. Succesvolle techbedrijven begonnen vaak met zo’n wedge: Twilio startte bijvoorbeeld enkel met SMS-verstuur-API’s en groeide vandaaruit tot hét communicatieplatform[14]. Met AI geldt dit des te meer: die 5% AI-projecten die wél slagen, blijken steevast één pijnpunt uit te kiezen en dat goed uit te voeren[15], in plaats van een ambitieus maar diffuus alles-in-één project.
Kies dus een klein maar urgent probleem én de juiste persoon daarbij. Zoek naar zogenaamde “Hero-gebruikers” binnen de organisatie – dit zijn invloedrijke medewerkers die genoeg autonomie hebben om hun eigen tools te kiezen en creatieve oplossingen te proberen[16]. Denk aan de sales-operations manager die dagelijks uren kwijt is aan het opschonen van leads, of de customer support lead die handmatig elke support-ticket categoriseert. Dit zijn de mensen met dringende pijnpunten én de vrijheid om buiten gebaande paden te gaan. Zij vormen nu al de schaduw-AI-economie door consumer tools te gebruiken (omdat de officiële tools tekortschieten) – bouw dus éérst iets voor hén[16].
Hero-gebruikers voldoen vaak aan een paar criteria: ze zijn zeer waardevol (vanwege schaarse expertise of unieke bijdrage), ze werken relatief zelfstandig (dus kunnen makkelijk een nieuwe tool oppakken), en ze hebben de bevoegdheid om zelf software aan te schaffen voor hun werk[17][18]. Cruciaal: de beste Hero-gebruikers doen digitaal routinematig werk met veel handmatig geploeter – denk aan data invoeren, opschonen, samenvatten of taggen – precies het soort taken dat AI kan automatiseren[19]. Als je voor zo’n gebruiker een tool bouwt die een merkbaar deel van hun “drudgery” wegneemt, zul je zien dat ze het gretig omarmen. Je krijgt dan een intieme feedbackloop met een kerngebruikersgroep, wat van onschatbare waarde is. In een kleine, gecontroleerde setting kun je zo vertrouwen opbouwen en je systeem snel itereren op basis van echte gebruikersinput[20]. Je lost daarmee niet alleen het klassieke cold-start probleem op (geen gebruikers zonder product, geen productverbetering zonder gebruikers), maar ook het cold-start probleem van vertrouwen in AI-systemen binnen de organisatie – mensen gaan de tool vertrouwen omdat hij consistent een specifiek probleem oplost.
Kortom, door klein te beginnen en één Hero-gebruiker echt blij te maken, creëer je een eerste champion binnen de organisatie. Die succesverhalen op micro-schaal vormen de basis om later op te schalen. Het is veel effectiever om één persoon’s werkdag dramatisch te verbeteren, dan om een halfslachtige oplossing te bouwen die voor niemand écht onmisbaar is.
Van systeem van registratie naar systeem van actie
AI-teams moeten zich realiseren dat enterprise software een fundamentele verschuiving doormaakt. Jarenlang lag de focus op het worden van de “System of Record” – de centrale database (zoals een Salesforce of SAP) die alle belangrijke gegevens bewaart. Maar in het AI-tijdperk ligt de echte prijs elders: het gaan domineren als “System of Action”[21]. Een System of Action is een intelligentere laag die niet alleen data opslaat, maar daadwerkelijk acties onderneemt en werk verzet door workflows te automatiseren[21]. Met andere woorden, de waarde verschuift van passieve dataregistratie naar actieve taakuitvoering op basis van die data.
De meest krachtige manier om zo’n positie te veroveren is via een strategie die wel eens een “Data Trojan Horse” wordt genoemd[22]. Je bouwt een toepassing die onmiddelijk nut levert voor gebruikers en daarbij en passant een unieke stroom proprietary data verzamelt. Deze data vormt jouw troefkaart: dagelijkse toepassing leidt tot unieke gegevens, die gegevens maken jouw AI slimmer, en het verbeterde product levert nog meer waarde. Zo ontstaat een deugdzame cirkel (feedbackloop) waarbij je een steeds breder wordende voorsprong opbouwt. Je creëert daarmee een verdedigingswal niet zozeer dankzij het beste AI-model, maar dankzij domneespecifieke intelligentie en inzicht in de specifieke workflow die niemand anders heeft[22]. In gewoon Nederlands: jouw oplossing wordt steeds beter afgestemd op de praktijk van de gebruiker, omdat jij als enige toegang hebt tot de rijke data uit hun daadwerkelijke processen – iets wat generieke tools niet kunnen evenaren.
Een concreet voorbeeld van zo’n aanpak is het “messy inbox” probleem. Vrijwel elke organisatie kent workflows die beginnen met een chaotische instroom van ongestructureerde informatie – denk aan binnenkomende e-mails, PDF-bijlagen, voicemails, formulieren, etc. Het kost doorgaans enorm veel handmatig werk om deze brij aan informatie uit te pakken, te structureren en in de juiste systemen te zetten. Stel je nu een AI-tool voor die juist dié stap automatiseert: alle rommelige inkomende informatie automatisch uitlezen, relevante gegevens eruit halen en doorsturen naar de juiste vervolgactie. Zo’n tool levert directe waarde omdat het een tijdrovende bottleneck wegneemt. Dit is precies een typisch wedge-product: het lost een pijnlijke data-intake klus op en positioneert zichzelf daarmee strategisch aan het begin van een reeks bedrijfsprocessen[23]. Door eigenaar te worden van dit top-of-funnel proces – die eerste trechter waar ruwe input binnenkomt – verdien je het recht om alles wat daarna komt mede te orkestreren[24]. Je concurreert niet frontaal met het bestaande System of Record (zoals een CRM of ERP); in plaats daarvan onderschep je de dataflow vóórdat die die systemen bereikt, waardoor jouw tool de nieuwe onmisbare schakel wordt in de operationele keten.
We zien dit gebeuren in de praktijk. Neem bijvoorbeeld ServiceNow, een bedrijf dat zijn succes juist hieraan te danken heeft. ServiceNow heeft zichzelf gepositioneerd als een orkestratielaag – een System of Action – bovenop bestaande kernsystemen als CRM’s en ERP’s, in plaats van een vervanging daarvan[25]. Het verbindt uiteenlopende systemen en automatiseert workflows daartussen, zónder dat klanten hun legacy software hoeven weg te gooien[25]. Dit is een schoolvoorbeeld van het worden van het “intelligente weefsel” van een organisatie: ServiceNow gebruikt de data uit verschillende System-of-Record silo’s als input, maar vangt de operationele zwaartekracht zelf af door de processen te controleren[25][26]. De verdediging (moat) van zo’n model zit dus niet in eigendom van de data zelf, maar in het coördineren van data uit meerdere bronnen om inzichten en automatisering te bieden die geen enkele afzonderlijke oude speler kan nabootsen[27][28]. Voor AI-teams is de les duidelijk: de waarde verschuift van louter data bezitten naar data in actie brengen op slimme wijze.
Ook startups passen de messy inbox wedge toe. Zo beschrijft investeerder David Haber hoe nieuwe AI-applicaties in uiteenlopende sectoren hiermee een voet tussen de deur krijgen[29]. Een healthtech-startup (Tennr) automatiseert bijvoorbeeld het verwerken van faxen en e-mails in een huisartsenpraktijk – het haalt patiëntgegevens uit alle binnenkomende ongestructureerde berichten en voedt zo automatisch de elektronische patiëntendossiers en vervolgstappen[30]. Doordat Tennr als eerste de ruwe input verwerkt, heeft het inmiddels 90% van het handmatige administratiewerk kunnen wegsnijden bij die praktijken, en merkwaardig genoeg is Tennr daardoor zelf uitgegroeid tot het kernsysteem voor veel van hun klantgegevens[30]. Vergelijkbare voorbeelden zien we bij AI-startups in finance (die bijvoorbeeld versneld financiële dossieranalyse doen voor leningen) en in logistiek (die offertes en prijsvergelijkingen automatiseren) – stuk voor stuk pakken ze de rommelige instroom aan als wedge en breiden van daaruit uit om steeds meer van de workflow over te nemen[29].
De moraal: als je de eerste schakel in een belangrijke workflow wordt en die slim automatiseert, verschuift de operationele controle naar jouw platform. Jij wordt het System of Action. Je oplossing handelt niet alleen data af, maar rondt daadwerkelijk werk af en stuurt vervolgtaken aan. Daarmee groei je vrijwel organisch uit tot een mission-critical onderdeel van de bedrijfsvoering, wat een enorm strategisch voordeel oplevert.
Bouwen met een langetermijnvisie
De route van prototype purgatory naar een productieklare oplossing loopt dus via gerichte focus en slim positioneren. Terwijl je begint met je afgebakende AI-oplossing, moet je echter oog houden voor het bredere speelveld. Grote platformspelers als Microsoft, Google en Salesforce zijn ondertussen namelijk bezig om “goed-genoeg” AI-functionaliteit breed in hun bestaande producten te bundelen. Denk aan Microsoft Copilot dat standaard in Office zit, of ingebouwde generatieve AI-features in CRM-systemen. Die gevestigde spelers kunnen AI snufjes aanbieden als onderdeel van een pakket waar de klant toch al voor betaalt – vaak is het niet de allerbeste oplossing, maar het is goed genoeg en zit er gratis bij. Microsoft bijvoorbeeld kiest ervoor AI diep te integreren en te bundelen in hun SaaS-aanbod, zodat klanten zonder extra moeite AI-kracht in Windows, Teams en hun cloud krijgen[31]. Dit betekent dat jouw eigen AI-tool meer moet bieden dan enkel een fancy UI bovenop een openbaar AI-model; een simpele “wrapper om een API” is niet voldoende[32]. Je moet échte, unieke waarde leveren.
Concreet houdt dat in dat jouw oplossing unieke data moet vastleggen en zich diep in de dagelijkse workflow moet nestelen, zodat het vervangen van jouw tool lastig wordt. Creëer switching costs door onderdeel van kritieke processen te zijn en betere resultaten te leveren naarmate men het meer gebruikt. Dat lukt alleen als je niet leunt op louter model-superioriteit (die is immers vluchtig, modellen verouderen snel), maar op integratie-superioriteit en datavoordeel. Dit sluit aan bij de kernprincipes voor duurzame AI-oplossingen: focus op diepe specialisatie en bouw moats via workflow-integratie en een eigen dataflywheel, in plaats van te vertrouwen op een voorlopig betere modelarchitectuur[33].
Door vanaf het begin een wedge-strategie te hanteren, verover je een klein maar stevig voetstuk in de organisatie van waaruit je kunt uitbreiden. In het AI-tijdperk blijken de meest succesvolle wedges degene te zijn die proprietary data verzamelen terwijl ze directe waarde leveren – zij banen zo de weg om een onmisbaar System of Action te worden[33].
Hier is een tactisch playbook in het kort:
• Begin in single-player mode. Voordat je grootse systemen gaat architecten, bouw eerst iets dat meteen nuttig is voor één enkele gebruiker. Één tevreden gebruiker is de beste test.
• Richt je op Hero-gebruikers. Identificeer invloedrijke medewerkers die nu al in de schaduw AI inzetten. Zij voelen de pijn het meest én mogen zelf beslissingen nemen – de ideale eerste fans en ambassadeurs.
• Los jouw “rommelige inbox” op. Zoek naar een workflow die begint met chaotische, handmatige data-invoer. Dáár zit jouw wedge-kans – automatiseer dat saaie voorwerk.
• Ontwerp voor de data-loop. Zorg dat dagelijks gebruik van je tool unieke data oplevert die jouw AI steeds beter maakt. Elke actie moet het systeem iets laten leren voor de volgende keer.
• Word het System of Action. Analyseer niet alleen data, maar voltooi ook daadwerkelijk taken en beheer de workflow. Positioneer je als onmisbare schakel die dingen gedaan krijgt.
• Verkies betrouwbaarheid boven pure kracht. Een simpele, kogelvrije tool die één probleem consistent oplost, wekt meer vertrouwen dan een superkrachtige maar fragiele agent die van alles probeert te doen en soms faalt.
De AI-teams die zullen winnen, zijn niet per se die met de meest geavanceerde modellen of de flitsendste demo’s, maar diegenen die heel gericht beginnen bij het probleem van een enkele Hero-gebruiker, daar een trefzekere oplossing voor bouwen, en vandaaruit gestaag uitbreiden. In een tijd waarin werknemers vandaag al met hun persoonlijke ChatGPT-account “stemmen met hun voeten”, ligt de échte kans niet in het in één klap bouwen van het perfecte enterprise AI-platform. De sleutel is één echt probleem zó goed op te lossen dat de rest vanzelf volgt[34]. Met andere woorden: ontsnap uit de prototype-hel door klein te beginnen, maar denk groot op de lange termijn. Los iets op dat er toe dóet, verdien het vertrouwen en de data, en groei van daaruit naar onmisbaarheid. De rest komt dan vanzelf.
Bronnen: Deze analyse is gebaseerd op bevindingen uit recente onderzoeken en industriecases, waaronder het MIT NANDA rapport over AI-pilots[2][35], verslaggeving van de “shadow AI economy” in organisaties[8][9], evenals inzichten van investeerders over wedge-strategieën[13] en systeem-van-actie-platforms[25]. Daarnaast zijn praktijkvoorbeelden van startups en bedrijven als ServiceNow en Tennr betrokken om de concepten te illustreren[25][30]. Deze bronnen onderstrepen allemaal het centrale thema: focus, vertrouwen en integratie zijn belangrijker dan ooit om AI uit de prototype-fase te halen en échte bedrijfswaarde te laten leveren. [4][2]
[1] [4] [11] [12] [16] [20] [21] [22] [27] [28] [32] [33] [34] Escaping Prototype Purgatory: A Playbook for AI Teams – Gradient Flow
https://gradientflow.com/escaping-prototype-purgatory-a-playbook-for-ai-teams/
[2] [15] 95% of generative AI implementations in enterprise ‘have no measurable impact on P&L’, says MIT — flawed integration cited as why AI projects underperform | Tom’s Hardware
https://www.tomshardware.com/tech-industry/artificial-intelligence/95-percent-of-generative-ai-implementations-in-enterprise-have-no-measurable-impact-on-p-and-l-says-mit-flawed-integration-key-reason-why-ai-projects-underperform
[3] [7] [8] [9] [10] [35] MIT report misunderstood: Shadow AI economy booms while headlines cry failure | VentureBeat
https://venturebeat.com/ai/mit-report-misunderstood-shadow-ai-economy-booms-while-headlines-cry-failure
[5] AI Agents in Production: Observability & Evaluation | ai-agents-for-beginners
https://microsoft.github.io/ai-agents-for-beginners/10-ai-agents-production/
[6] The hidden risk that degrades AI agent performance | IBM
https://www.ibm.com/think/insights/agentic-drift-hidden-risk-degrades-ai-agent-performance
[13] [14] Picking a wedge – by Lenny Rachitsky – Lenny’s Newsletter
https://www.lennysnewsletter.com/p/wedge
[17] [18] [19] System of Action — Part 1: Hero Tools | Tidemark
https://www.tidemarkcap.com/post/the-race-to-become-the-system-of-action
[23] [24] [29] [30] The Messy Inbox Problem: Wedge Strategies in AI Apps | Andreessen Horowitz
https://a16z.com/the-messy-inbox-problem-ai-apps-wedge-strategies/
[25] [26] What is ServiceNow? – ServiceNow
https://www.servicenow.com/what-is-servicenow.html
[31] Artificial Intelligence Primer – Spear
https://spear-invest.com/2023/12/05/outline-ai-primer-deep-dive/