Als jouw AI niet weet wat er gisteren is beslist, werkt hij niet voor jou. Hij werkt achter je aan.
Dat is het eerlijke gesprek dat in de meeste boardrooms en projectbriefings nog niet wordt gevoerd. Organisaties investeren serieus in AI. Ze kopen licenties, huren consultants in, lanceren pilots. En toch: het resultaat voelt zelden als een versnelling. Het voelt als een chatbox met betere zoekprestaties.
Waarom?
Omdat de meeste AI-implementaties van vandaag in essentie betere RPA zijn. Sneller. Goedkoper. Minder onderhoud. Maar nog steeds hetzelfde principe: je automatiseert stappen, geen denken.
Het verschil tussen automatiseren en versnellen
RPA — Robotic Process Automation — is gebaseerd op een simpele belofte: als je een handeling kunt beschrijven als een reeks stappen, kan een bot die stappen uitvoeren. Facturen verwerken, data kopiëren tussen systemen, rapporten genereren. RPA is deterministisch: gegeven input A, volgt altijd output B. Betrouwbaar, snel, en volledig afhankelijk van de kwaliteit van de regels die je vooraf programmeert.
De beperking is structureel. Zodra een proces oordeelsvermogen vereist — een klacht beoordelen, een uitzondering goedkeuren, een voorstel prioriteren op basis van context — loopt de bot vast. Niet omdat het systeem kapot is, maar omdat het ontworpen is om regels te volgen, niet om te redeneren.
AI — tenminste, AI zoals het bedoeld is — doet iets fundamenteel anders. Het interpreteert ongestructureerde input, trekt conclusies uit context, kiest tussen meerdere mogelijke acties en handelt op basis van een doel, niet op basis van een script. Dat is geen incrementele verbetering van RPA. Dat is een andere categorie.
Maar hier zit het probleem: de meeste organisaties implementeren AI alsof het RPA is.
Ze nemen een taalmodel, plakken er een interface op, koppelen het aan een kennisbank, en noemen het een AI-assistent. De medewerker typt een vraag. De tool geeft een antwoord. Klaar.
Dat is geen versneller. Dat is een snellere zoekmachine.
Waarom de one-size-fits-all-aanpak structureel mislukt
Het AI-landschap is gefragmenteerd. Er zijn honderden modellen, tientallen orchestratieframeworks, en evenveel vendors die beweren dé oplossing te bieden. De verleiding is groot om voor een all-in-one platform te kiezen: één tool, één vendor, één contract. Snel te implementeren, makkelijk te verantwoorden aan de directie.
Het probleem: één platform is ontworpen voor de gemiddelde use case. Jouw organisatie heeft geen gemiddelde use cases. Jij hebt specifieke processen, specifieke beslissingslogica, specifieke context die nergens anders bestaat.
Gartner voorspelt dat meer dan 40% van alle agentic AI-projecten vóór eind 2027 wordt stopgezet — door ongecontroleerde kosten, onduidelijke businesswaarde of een onvoldoende datafundament. De gemeenschappelijke noemer in die mislukte projecten is bijna altijd hetzelfde: de organisatie heeft een generiek platform ingekocht zonder eerst te begrijpen wat AI in hun specifieke context moet kunnen doen.
Een chatbot die 80% van de standaardvragen beantwoordt is waardevol als eerste stap. Maar het is geen AI-strategie. Het is een beginpunt dat verward wordt met het eindpunt.
Wat een echte versneller anders doet
Een AI-systeem dat als versneller werkt, heeft drie eigenschappen die een chatbox of verbeterde RPA-bot niet heeft.
Ten eerste: het redeneert. Het interpreteert niet alleen de letterlijke vraag, maar begrijpt de intentie erachter, weegt opties af, en kiest een actie op basis van context. Niet op basis van een beslisboom die vooraf is geprogrammeerd, maar op basis van het doel dat is meegegeven.
Ten tweede: het handelt. Een echte AI-agent beantwoordt niet alleen vragen — het verricht werk. Het haalt data op uit je CRM, past een record aan, stuurt een e-mail, plant een meeting, en escaleert alleen als de situatie dat vereist. Meerdere stappen, meerdere systemen, autonoom uitgevoerd. De medewerker hoeft niet meer te klikken. Het systeem doet het.
Ten derde: het onthoudt. Dit is de pijler die het meest wordt onderschat. Een AI-systeem zonder geheugen begint elke interactie opnieuw. Het weet niet dat klant X altijd korting verwacht. Het weet niet dat project Y vertraging heeft. Het weet niet dat de CFO deze maand geen nieuwe commitments wil. Elke sessie is een blanco pagina.
Dat voelt misschien acceptabel in een chatbot-context. Maar het maakt schaalbare waardecreatie onmogelijk. Echte versnelling ontstaat wanneer AI leert van elke interactie en die kennis meeneemt naar de volgende. Wanneer het organisatorisch geheugen niet meer afhankelijk is van wat een medewerker toevallig nog weet of heeft opgeschreven.
De eerlijke vraag die elke organisatie moet stellen
Beantwoord voor jezelf de volgende vraag: wat doet jouw AI vandaag dat een mens niet kon doen als hij 24/7 beschikbaar en oneindig geduldig was?
Als het antwoord is “hetzelfde, maar sneller en goedkoper” — dan heb je betere RPA gebouwd. Nuttig. Maar niet transformatief.
Als het antwoord is “het neemt beslissingen die wij eerder zelf moesten nemen, op basis van context die wij eerder zelf moesten ophalen, en het handelt daarop zonder dat iemand een knop indrukt” — dan ben je op weg naar een echte versneller.
Het verschil tussen die twee antwoorden zit niet in het model dat je hebt ingekocht. Het zit in de architecturale keuzes die je hebt gemaakt: welk model gebruik je voor welke taak, hoe sterk is de laag die het model koppelt aan je processen, en hoe bouw je een geheugen op dat meeschaalt met je organisatie.
Dat zijn de drie pijlers waar deze serie over gaat.
Wat volgt
In de volgende post ga ik in op waarom het gefragmenteerde AI-landschap geen tijdelijk probleem is, maar een ontwerpuitgangspunt — en wat dat betekent voor de architectuurkeuzes die je nu moet maken.