Van AI-experiment naar bedrijfsstrategie: waar begin je?

Een chatbot die de interne wiki doorzoekt, een tool die offertes samenvat, een team dat een paar weken met een taalmodel experimenteert: in veel organisaties draait er wel ergens een AI-proef. Maar een proef is nog geen strategie. Wie AI structureel wil inzetten, moet bepalen welke problemen het oplost, wie verantwoordelijk is, op welke data het draait en hoe je opschaalt zonder dat kosten of risico’s uit de hand lopen.

De verleiding is groot om te beginnen bij de technologie: welk model, welke GPU, welke clouddienst? In dit artikel draaien we die volgorde om. We kijken eerst naar businesswaarde en naar de organisatie, daarna naar data als fundament. Vervolgens gaat het over de stap van pilot naar schaalbare oplossing, over security en verantwoord gebruik, en over de infrastructuur die groei mogelijk maakt. Tot slot zetten we alles op een rij in een strategische roadmap.

Experimenten zijn waardevol: ze laten zien wat een model kan en waar het struikelt. Het probleem is dat veel proeven nooit worden beoordeeld op wat ze opleveren. ‘Het werkt’ is iets anders dan ‘het levert iets op’. Een samenvattingstool die volgens medewerkers goed werkt maar geen minuut tijd bespaart, heeft geen businesscase.

De verwachtingen zijn intussen hoog. Uit onderzoek van de Europese Centrale Bank onder bedrijven in de eurozone blijkt dat bedrijven gemiddeld 9 procent van hun investeringen aan AI willen besteden. Bij bedrijven die AI al intensief gebruiken, is dat 20 procent. Die koplopers verwachten ook vaker omzetgroei dan bedrijven zonder AI. Maar verwachten is nog geen meten: wie investeert, moet kunnen aantonen wat het oplevert.

De les: koppel elk experiment vooraf aan één meetbaar doel. Denk aan de doorlooptijd van een aanvraag, het aantal tickets dat zonder escalatie wordt opgelost of de tijd die een jurist kwijt is aan het doorzoeken van contracten. Leg de nulmeting vast vóór de start. Dan weet je na zes of acht weken of een toepassing door mag, moet worden bijgesteld of kan stoppen. Stoppen is ook een uitkomst: het maakt budget en aandacht vrij voor de use case die wél rendeert.

Als AI-projecten vastlopen, ligt dat zelden aan het model. Volgens het CBS gebruikte in 2025 17 procent van de Nederlandse bedrijven AI, en 66 procent van de bedrijven met 250 of meer werkzame personen. Bedrijven die AI wel overwogen maar er niet aan begonnen, noemen als belemmering vooral gebrek aan ervaring, privacybezwaren en juridische onduidelijkheid. Dat zijn vraagstukken over mensen, processen en regels, niet over modellen of teraflops.

Begin daarom met eigenaarschap. Wie is opdrachtgever van een AI-toepassing: IT, de afdeling die het proces uitvoert of een apart AI-team? In de praktijk werkt een combinatie het best. De business bepaalt welk probleem wordt opgelost en beoordeelt het resultaat, IT bewaakt architectuur, security en beheer. Een klein kernteam of center of excellence houdt overzicht, voorkomt dat elke afdeling zijn eigen tools aanschaft en deelt wat werkt.

Minstens zo belangrijk is adoptie. Een assistent die niemand gebruikt, levert niets op. Medewerkers moeten weten wat een model goed kan, waar het fouten maakt en welke data ze er wel en niet in mogen stoppen. Dat is ook een wettelijke plicht: de AI Act vraagt organisaties te zorgen voor voldoende AI-geletterdheid. Lenovo biedt met AI Adoption & Change Management begeleiding bij precies deze stap: doelen en resultaten afstemmen, teams en technologie voorbereiden en de organisatiecultuur klaarmaken voor werken met AI.

Ook de werkplek speelt mee. Wie medewerkers laat wennen aan AI, doet dat het makkelijkst op hun eigen laptop. Een Copilot+ PC zoals de Lenovo ThinkPad X1 Carbon Gen 14 heeft een NPU voor AI-taken op het apparaat zelf, zodat transcriberen, samenvatten en beeldbewerking niet altijd via de cloud hoeven. Hoe die laptop zich in de praktijk houdt, lees je in deze review van de ThinkPad X1 Carbon Gen 14.

Een taalmodel weet niets van jouw organisatie. De waarde ontstaat pas als je het koppelt aan eigen data: handleidingen, contracten, klantcontacten, productinformatie. Meestal gebeurt dat via retrieval-augmented generation (RAG), waarbij het model relevante documenten opzoekt en zijn antwoord daarop baseert. De kwaliteit van dat antwoord is dan nooit beter dan de kwaliteit van de bronnen.

Dat maakt datahygiëne opeens urgent. Drie versies van hetzelfde beleidsdocument, verouderde prijslijsten op een netwerkschijf, mappen waar iedereen bij kan: een mens filtert dat onbewust weg, een model niet. Voordat je een AI-toepassing breed uitrolt, loont het om per bron te bepalen wie eigenaar is, wat actueel is en wat gearchiveerd kan worden. Classificeer daarbij ook welke data gevoelig is. Die classificatie bepaalt straks waar een model mag draaien en wie welke antwoorden te zien krijgt.

Vergeet daarbij de opslag niet. AI-toepassingen lezen veel en vaak, zeker bij het indexeren van grote documentverzamelingen voor RAG. De ThinkSystem DG5200 en DG7200 zijn all-flash unified-storagearrays, die block-, file- en objectopslag in één systeem combineren. Lenovo positioneert ze voor onder meer AI-inferencing en RAG-workflows, met optionele bescherming tegen ransomware. Wie data centraal en snel toegankelijk heeft, legt de basis voor meerdere AI-toepassingen tegelijk in plaats van per project een nieuwe dataset op te tuigen.

Bij de overstap van pilot naar productie stranden veel projecten. Een pilot draait met twintig enthousiaste gebruikers en een handvol schone documenten. In productie zijn er honderden gebruikers, rommelige data en eisen aan beschikbaarheid en support.

Ontwerp een pilot daarom alsof hij moet opschalen. Gebruik echte data, test met gebruikers die niet zelf voor het project kozen en regel authenticatie via het bestaande identity management. Leg vooraf vast wanneer een pilot doorgaat: een minimale nauwkeurigheid, een acceptabele responstijd en maximale kosten per gebruiker. En bepaal wie na de pilot het beheer overneemt, inclusief modelversies en de kwaliteit van antwoorden.

De lat ligt bovendien steeds hoger nu AI-agents opkomen: systemen die zelfstandig taken uitvoeren in andere applicaties. Uit onderzoek van Capgemini onder 1500 topbestuurders in veertien landen blijkt dat 23 procent van de organisaties pilots met agents draait, maar dat slechts 2 procent ze op volle schaal inzet. Het vertrouwen in volledig autonome agents daalde in een jaar van 43 naar 27 procent. Agents stellen nog hogere eisen aan beheer, logging en rechten. Lenovo helpt bij de stap naar productie met AI Fast Start, waarmee een use case snel wordt gevalideerd en naar een productierijpe opzet gaat.

Zodra AI uit het lab komt, wordt het een governance-vraagstuk. Het grootste risico is vaak niet een gehackt model, maar ongecontroleerd gebruik. Medewerkers die zonder afspraken klantdata in een gratis chatdienst plakken, zijn in veel organisaties al realiteit. Een verbod helpt meestal weinig; een goed alternatief met duidelijke spelregels wel.

Leg die spelregels vast in een AI-beleid dat kort en concreet is. Welke tools zijn toegestaan, voor welke data? Welke modellen mogen worden gebruikt en wie keurt een nieuw model goed? Wanneer moet een mens het resultaat controleren voordat het naar een klant gaat? Wie is aanspreekbaar als een antwoord fout blijkt? Hoe je data binnen je eigen omgeving houdt, lees je in Private AI: hoe kun je AI veilig binnen je organisatie draaien?

Verantwoord gebruik gaat verder dan beveiliging. Het gaat ook om uitlegbaarheid en menselijke controle, zeker waar AI meebeslist over mensen. Zorg daarnaast dat je kunt terugzien wat een systeem heeft gedaan: welke vraag, welke bronnen, welk antwoord. Die logging is onmisbaar bij incidenten en bij vragen van toezichthouders.

Richtlijnen voor verantwoord en ethisch AI-gebruik zijn bij Lenovo onderdeel van het AI Discover-traject, dat verderop in dit artikel aan bod komt.

Infrastructuur is in een AI-strategie geen startpunt, maar wel een belangrijke randvoorwaarde. Een pilot die in de cloud draait, kan bij opschaling onverwacht duur worden. Een toepassing die gevoelige data verwerkt, mag misschien helemaal niet buiten de deur. En een agent die realtime met productiesystemen praat, vraagt om lage latency. Elke stap in de roadmap verandert dus de eisen aan rekenkracht, opslag en netwerk.

Verstandig is een groeipad dat met de toepassing meebeweegt. Medewerkers starten op een AI-laptop met NPU. Ontwikkelaars en data scientists die modellen testen of finetunen, werken op een ThinkStation-workstation of een mobiel workstation uit de ThinkPad P-serie. Wat daar praktisch al mogelijk is, lees je in een volgend artikel ‘Lokaal AI draaien op een workstation: wat kan er praktisch al?’. Toepassingen die organisatiebreed draaien, verhuizen naar ThinkSystem-servers in het eigen datacenter of naar een hybride opzet met de cloud. Welke keuze bij welke workload past, werken we uit in het artikel ‘Server, workstation of cloud: welke AI-aanpak past bij welk gebruik?’.

Het voordeel van één leverancier voor die hele keten is consistentie: dezelfde beheertools, dezelfde beveiligingsbasis en gevalideerde combinaties van hardware en software. Ook de financiering kan meegroeien. Met Lenovo TruScale neem je infrastructuur af als dienst en betaal je naar gebruik, zodat de investering de waarde van een toepassing volgt in plaats van eraan vooraf te gaan.

Wie de stappen hierboven samenvoegt, heeft de bouwstenen van een roadmap. Dat hoeft geen dik document te zijn. Een overzicht op één A4 met fasen, eigenaren en beslismomenten is vaak bruikbaarder dan een strategieplan dat niemand leest.

Belangrijk is dat de roadmap levend blijft. Modellen worden elk halfjaar beter en goedkoper, regelgeving ontwikkelt zich en de organisatie leert. Plan daarom vaste momenten om use cases opnieuw te beoordelen en de prioriteiten bij te stellen.

Voor organisaties die die eerste stappen niet alleen willen zetten, biedt Lenovo AI Discover. Dat traject begint met een AI-readinessassessment, koppelt kansen aan bedrijfsprioriteiten en eindigt met een rapport met aanbevolen use cases, kritische succesfactoren en een implementatiepad.

Daarmee wordt de stap van losse experimenten naar een samenhangende strategie concreet, met een partner die vervolgens ook de infrastructuur, diensten en financiering kan leveren om die strategie uit te voeren.