88% van de organisaties gebruikt AI. 6% genereert rendement. Het verschil is structureel.

Achtentachtig procent van de organisaties gebruikt nu AI in ten minste één bedrijfsfunctie. Een jaar geleden was dat 78 procent. De trendlijn ziet eruit als een succesverhaal van adoptie. Maar de waardecijfers vertellen een ander verhaal: slechts circa 6 procent van de organisaties genereert meer dan 5 procent EBIT-impact door AI-gebruik, aldus McKinsey’s State of AI-onderzoek uit 2025.¹ De meerderheid zet AI in zonder ermee te transformeren.

Het ligt niet aan het model. De modellen zijn nooit capabeler geweest en toegang is nooit goedkoper geweest. Het ligt aan de organisatie. De grootste voorspeller van de vraag of een organisatie bij de 6 procent of de 94 procent terechtkomt, is of ze werkstromen heeft herontworpen, of simpelweg AI-tools heeft toegevoegd aan ongewijzigde processen en ongewijzigde teams. Precies die kloof wil Forenta dichten: een interne productiepipeline die de juiste rollen en een gestructureerde review bij een team brengt voordat de bouw begint, in plaats van tools die op ongewijzigd werk worden geplakt.

De adoptiecurve en de waardekloof

Gartner voorspelde in juli 2024 dat 30 procent van de generatieve AI-projecten de proof of concept-fase niet zou overleven.² Latere Gartner-analyse liet zien dat het werkelijke uitvalpercentage de helft van alle generatieve AI-initiatieven benadert.² De meest genoemde redenen: slechte datakwaliteit, onvoldoende risicobeheersing, oplopende kosten en onduidelijke zakelijke waarde. Geen van deze problemen is primair technisch van aard.

McKinsey’s data verschaft verdere precisie. Van de organisaties die McKinsey kwalificeert als AI-koplopers, rapporteert 55 procent dat ze werkstromen fundamenteel hebben herontworpen. Van de overige organisaties heeft slechts 20 procent hetzelfde gedaan. Koplopers hebben 2,8 keer zoveel kans dat ze daadwerkelijk hebben veranderd hoe het werk verloopt, niet alleen welke tools hun teams gebruiken.¹ BCG’s onderzoek formuleert hetzelfde inzicht anders: bij succesvolle AI-programma’s is 10 procent van het resultaat toe te schrijven aan het algoritme, 20 procent aan technologie en data, en 70 procent aan mensen en processen.³

Slechts 6% van de organisaties genereert daadwerkelijk rendement uit AI. Het verschil zit niet in het model of het rekenbudget. Het zit in het herontwerp van werkstromen en de opbouw van teams met de juiste combinatie van capaciteiten.

De drie capaciteiten die elk AI-team nodig heeft

Elk AI-productteam heeft drie capaciteiten nodig, al hoeven die niet per se in drie afzonderlijke personen aanwezig te zijn.

De eerste is praktische AI-engineering. Niet onderzoeksvaardigheid of benchmarkprestaties, maar productie-ervaring: een systeem betrouwbaar draaiende houden met echte data, tegen echte randgevallen, binnen de kostengrenzen die het bedrijf stelt. Het relevante signaal is een portfolio van uitgerolde systemen, geen diploma.

De tweede is productdenken. Iemand die de vraag welk probleem lossen we op, en voor wie, door het gehele bouwproces kan vasthouden, ook in de fases waar technische mogelijkheden het team trekken naar elegante oplossingen voor problemen die niemand eigenlijk heeft. AI-projecten hebben de neiging om tijdens de bouw van probleemstelling te verschuiven. Een sterke productmindset is de correctie.

De derde, en meest consistent ontbrekende capaciteit, is domeinkennis. Niet kennis van AI, kennis van het vakgebied waarop AI wordt toegepast. Healthcare AI gebouwd zonder klinische input. Juridische AI ontwikkeld zonder iemand die begrijpt hoe juristen daadwerkelijk documenten lezen. Financiële modellen getraind door engineers die nooit in de operationele context hebben gewerkt waaruit die data voortkomt.

De ontbrekende capaciteit in de meeste AI-teams is niet technisch. Het is de persoon die het domein diepgaand begrijpt: de clinicus, de compliance-specialist, de operations manager die weet waar de echte wrijving zit.

Een studie van Harvard Business School-onderzoekers, gepubliceerd in 2024, toont wat er gebeurt als domeinkennis en AI-capaciteit effectief worden gecombineerd. Bij onderzoek met 791 professionals bij Procter & Gamble bleken AI-ondersteunde teams driemaal vaker ideeën te produceren die tot de top 10 procent behoorden dan teams zonder AI.´ Individuele medewerkers die AI gebruikten evenaarden de kwaliteit van tweepersoonsmensenteams. De cruciale voorwaarde was de combinatie van AI-tools met menselijk domeinoordeel. De AI versterkte wat het team al begreep.

Waarom klein en gestructureerd beter werkt dan groot en snel

Onderzoek gepubliceerd in Nature door Wu, Wang en Evans in 2019 analyseerde meer dan 65 miljoen papers, octrooien en softwareprojecten en vond een consistent patroon over zes decennia: kleinere teams zijn buitenproportioneel verantwoordelijk voor verstorende doorbraken. Grotere teams produceren meer totale output, maar hun werk neigt naar het uitbreiden van bestaande richtingen in plaats van het creëren van nieuwe.µ Het mechanisme is coördinatiekosten: meer mensen betekent meer beslissingen via consensus, meer risicomijding, meer druk richting het incrementele.

Wu, Wang & Evans (2019): over 65 miljoen papers, octrooien en softwareprojecten zijn kleinere teams consistent verstorend. Grotere teams breiden bestaand werk uit. Coördinatiekosten bepalen welke beslissingen worden genomen.

Toegepast op AI-productteams vertaalt dit zich direct. Een team van twee of drie personen met duidelijke rollen en gedeelde context overtreft een groter team dat werd samengesteld voordat het probleem begrepen was. De druk om snel op te schalen na funding of een boarddeadline leidt tot teams die groeien voordat ze gedeelde context hebben opgebouwd. Coördinatiekosten stijgen sneller dan de capaciteit.

Het kleinste levensvatbare AI-team voor vroeg productwerk bestaat doorgaans uit een AI-engineer gekoppeld aan iemand met zowel productoordeelsvermogen als domeinkennis, of dat nu een founder is, een klinisch specialist, een operations manager of een compliance-expert. De kleine omvang dwingt snelle beslissingen af. De samenstelling waarborgt dat zowel technische diepgang als domeinrelevantie aanwezig zijn.

De Nederlandse context: ervaring, niet ambitie

In Nederland gebruikte in 2024 22,7 procent van de bedrijven met tien of meer werknemers ten minste één vorm van AI-technologie, een stijging van bijna 9 procentpunt in één jaar (CBS AI Monitor 2024).⁶ Bij bedrijven met 500 of meer medewerkers bereikt het adoptiepercentage 59 procent. Het MKB loopt niet achter, het bevindt zich op een kantelpunt.

Van de Nederlandse bedrijven die geen AI gebruiken, noemt 74,6 procent gebrek aan ervaring als primaire reden.⁶ Niet kosten. Niet regelgeving. Niet strategische onzekerheid. Ervaring. De drempel is weten hoe je het team bouwt dat AI productief kan inzetten. Organisaties die deze beslissing nu nemen, moeten de architectuur vanaf het begin goed inrichten, want tools toevoegen zonder processen te veranderen is precies het pad dat de data als onproductief identificeert.

Wat gestructureerde trials onthullen

Sollicitatiegesprekken zijn een zwak diagnostisch instrument voor AI-teamfit. Ze tonen communicatievaardigheid en hoe iemand presteert wanneer hij weet dat hij beoordeeld wordt. Ze laten niet zien hoe iemand omgaat met ambiguïteit, of domeinkennis stand houdt onder echte omstandigheden, of de samenwerking output produceert of alleen activiteit.

Het trial-raamwerk van Forenta pakt dit direct aan. Een gestructureerde trial van twee tot vier weken, met een gedefinieerd doel en expliciete succescriteria, vertelt meer over teamfit dan welk sollicitatieproces ook. Je leert of de domeinexpert en de engineer een gemeenschappelijk werkmodel van het probleem delen. Je leert of de product-denker koers kan houden wanneer technische mogelijkheden beginnen te trekken. Je leert of de samenwerking echte resultaten oplevert, of vergaderingen over vergaderingen.

De trial is ook in bredere zin een teamdiagnose. Een AI-engineer die in week twee worstelt met domeinambiguïteit, presteert niet beter in week tien. Een domeinexpert die vereisten niet kan formuleren in een vorm waarmee de engineer kan werken, is een knelpunt dat geen capaciteit aan weerszijden oplost.

Wat deze analyse niet dekt

Dit artikel richt zich op teamsamenstelling voor vroege AI-productteams. Het behandelt niet het ontwerp van AI-systemen zelf, wat eigen randvoorwaarden introduceert rondom datakwaliteit, modelselectie en evaluatiemethodologie. Het behandelt niet de regelgevingscontext voor AI in de Nederlandse zorg, die valt onder de EU AI Act en sectorale regels van de NZa en IGJ. Het behandelt niet de organisatiedynamiek van het opschalen van een AI-team voorbij de initiële kern.

De CBS- en McKinsey-data reflecteren brede adoptiepatronen. De kwaliteit van AI-programma’s binnen die getallen varieert aanzienlijk, en de statistieken maken geen onderscheid tussen AI voor interne productiviteit en AI in klantgerichte producten.

Het plafond ligt niet bij AI-capaciteit

De organisaties die meetbaar rendement halen uit AI, zijn niet de organisaties met de beste modellen. Het zijn de organisaties die teams hebben gebouwd met de juiste combinatie van technische diepgang, productoordeelsvermogen en domeinkennis, en vervolgens veranderd hebben hoe werk daadwerkelijk verloopt. Het bewijs van BCG, McKinsey en Wu et al. convergeert op hetzelfde punt: organisatiearchitectuur is de beperkende factor.

Voor Nederlandse MKB-organisaties in de vroege fase van het opbouwen van AI-capaciteit zijn de eerste beslissingen het meest bepalend: wie er in het team zit, hoe de trial is gestructureerd, of domeinkennis aanwezig is vanaf dag één. De tools blijven verbeteren, ongeacht. De teamarchitectuur is wat je zelf bepaalt.