AI en gestructureerd werken

Twee teams gebruiken AI om hun kwartaalresultaten te verbeteren. Hetzelfde model, dezelfde technologie.

Het eerste team vraagt: "Hoe kunnen we onze klanttevredenheid verbeteren?" Het antwoord: "Focus op klantcommunicatie, verkort je responstijden, en investeer in training van je serviceteam." Klopt allemaal. En het is precies het advies dat elke organisatie zou krijgen. Generiek, inwisselbaar, bruikbaar als achtergrondmuziek maar niet als kompas.

Het tweede team stelt dezelfde vraag. Maar dit team werkt gestructureerd. Hun canvas staat: richting, resultaten, acties, eigenaren. De AI ziet dat het resultaat "klanttevredenheid van 7.2 naar 8.5" afhankelijk is van vier acties, waarvan twee op schema lopen en twee achterlopen. De AI ziet dat de achterlopende acties allebei wachten op een deliverable van operations, dat zelf ook een resultaat heeft dat onder druk staat. De AI ziet dat het salesteam dezelfde afhankelijkheid heeft maar die nog niet heeft gesignaleerd.

Het antwoord van de AI aan dit team is fundamenteel anders: "Je klanttevredenheid loopt risico door de vertraging bij operations. De twee acties die achterlopen (responsprotocol en feedbackloop) zijn beide afhankelijk van dezelfde bottleneck. Overweeg om de afhankelijkheid met operations te escaleren in de eerstvolgende review, en parallel een alternatieve actie te starten die onafhankelijk van operations uitvoerbaar is."

Het verschil tussen die twee antwoorden is niet de AI. Het is de context.

Het contextprobleem

Er is een paradox in hoe organisaties AI benaderen. Iedereen wil AI die de organisatie begrijpt. Maar bijna niemand heeft de organisatie zo gestructureerd dat AI haar kan begrijpen.

Meer dan 40% van alle AI-agentprojecten in organisaties zal voor eind 2027 worden stopgezet (Gartner). Niet omdat de technologie faalt, maar omdat de organisatorische basis ontbreekt. 48% van organisaties noemt het doorzoekbaar maken van hun eigen data als het grootste obstakel voor AI (Deloitte). En tot 70% van alle inspanning bij AI-implementaties gaat naar het ordenen en harmoniseren van data (McKinsey).

Kijk naar waar de meeste organisaties hun strategie bewaren. De richting staat in een PowerPoint die na de heidag niet meer is geopend. De resultaten staan in een spreadsheet die drie mensen kennen. De voortgang staat in e-mailthreads en vergadernotulen. De afhankelijkheden tussen teams bestaan alleen in de hoofden van de betrokkenen.

Niets daarvan is gestructureerd. Niets daarvan is machine-leesbaar. En dus heeft AI niets om mee te werken. Niet omdat de AI niet slim genoeg is, maar omdat de organisatie haar geen context geeft.

Gestructureerd werken als fundament

Hier komt het inzicht dat deze gids samenbrengt met de toekomst van AI in organisaties: alles wat je tot nu toe hebt geleerd, bouwt tegelijkertijd aan de context die AI nodig heeft.

Het canvas met richting, resultaten en acties is niet alleen een denkraamwerk voor het team. Het is gestructureerde data: een doel, meetbare uitkomsten, concrete stappen, allemaal gekoppeld in een hiërarchie die een machine kan lezen.

Eigenaarschap is niet alleen een organisatorisch principe. Het is metadata: bij elk resultaat en elke actie staat wie verantwoordelijk is, wie bijdraagt, en wie geïnformeerd wordt. Een AI die dat leest, weet niet alleen wat er moet gebeuren, maar ook bij wie de sleutel ligt.

Het ritme van check-ins, reviews en herijkingen is niet alleen een cadans voor het team. Het is temporele data: voortgang over tijd, trends die zichtbaar worden door herhaling, patronen die pas na meerdere metingen een signaal worden.

De informatiestromen (van beneden naar boven, van boven naar beneden, tussen teams) zijn niet alleen een communicatieontwerp. Het is een kennisgraaf: welke resultaten afhankelijk zijn van welke acties, welke teams verbonden zijn door gedeelde doelen, waar de knelpunten zitten.

De informatiepiramide uit het motor-hoofdstuk (gedetailleerd op actieniveau, samengevat op resultaatniveau, strategisch op canvasniveau) is tegelijkertijd de data-architectuur die AI nodig heeft. Elk niveau filtert en verrijkt, precies zoals een goed informatiesysteem dat doet.

Je bouwt de AI-backbone niet als apart project. Je bouwt hem door gestructureerd te werken.

AI als versterker van de methode

De omgekeerde richting is net zo waardevol: AI kan helpen om de methode beter uit te voeren.

Resultaten toetsen. Een team formuleert het resultaat "betere samenwerking met operations." AI dat de drie criteria kent (meetbaar, betekenisvol, beïnvloedbaar) kan dat resultaat direct bevragen. Meetbaar? Hoe meet je "betere samenwerking"? Beïnvloedbaar? Wat kan het team zelf veranderen versus wat hangt af van operations? Het resultaat wordt scherper voordat het op het canvas komt, niet pas bij de eerste review.

Bottlenecks opsporen. Een team dat procesgericht denkt, zoekt naar de langzaamste stap in hun machine. AI die toegang heeft tot de voortgangsdata van acties kan dat sneller: welke stappen lopen structureel achter? Waar hoopt werk zich op? Welke acties blokkeren andere acties? De bottleneck wordt zichtbaar door data, niet door onderbuikgevoel.

Check-ins voorbereiden. De eigenaar die een check-in voorbereidt, loopt het canvas langs: welke acties zijn afgerond, welke lopen achter, waar zijn blokkades? AI kan die samenvatting automatisch maken op basis van de voortgangsdata. Niet om de check-in te vervangen, maar om de eigenaar te laten starten bij de inzichten in plaats van bij de inventarisatie.

Afhankelijkheden bewaken. Het hoofdstuk over van team naar organisatie beschrijft hoe je afhankelijkheden expliciet maakt op het canvas. AI die alle canvassen leest, kan afhankelijkheden ontdekken die teams zelf niet zien. Team A voegt een nieuwe actie toe die dezelfde resource claimt als team B. Zonder AI wordt dat zichtbaar in de volgende alignmentsessie. Met AI wordt het zichtbaar vandaag.

Signalen van ruis onderscheiden. Het monitoren-hoofdstuk beschrijft het verschil tussen een incident en een trend. AI die de voortgangsdata over meerdere check-ins leest, kan dat onderscheid scherper maken. Eén slechte week is ruis. Drie dalende check-ins bij dezelfde actie, gecombineerd met een vergelijkbaar patroon bij een afhankelijk team, is een signaal dat aandacht verdient.

Vooruit kijken. De krachtigste vraag in een check-in is niet "hoe ging het?" maar "gaan we het halen?" AI dat het tempo van de afgelopen weken extrapoleert, kan die vraag beantwoorden met data. "Op het huidige tempo bereik je 73% van je doel aan het einde van het kwartaal. Als actie X deze week wordt afgerond, stijgt dat naar 89%." Dat verandert een onderbuikschatting in een onderbouwde projectie.

De valkuil: AI zonder structuur

De verleiding is groot om AI in te zetten zonder eerst de basis te leggen. Een team dat geen canvas heeft, vraagt AI om een strategie te schrijven. Het resultaat is een plan dat er professioneel uitziet, de juiste termen gebruikt, en door niemand wordt gedragen. Want niemand heeft de keuzes gemaakt. Niemand is eigenaar. Niemand herkent zich in de richting, omdat die niet van het team kwam maar van een algoritme.

Dat is precies het probleem dat de cultuur-hoofdstukken beschrijven: eigenaarschap nemen versus eigenaarschap krijgen. Een team dat zelf het canvas invult, creëert een gedeeld verhaal over waar ze naartoe gaan. Een team dat de AI het canvas laat schrijven, heeft een document maar geen kompas.

AI versterkt wat je erin stopt. Als je gestructureerde context hebt (richting, resultaten, acties, eigenaren, voortgang, afhankelijkheden), versterkt AI die context met inzichten, patronen en voorspellingen. Als je niets hebt, versterkt AI niets. Of erger: AI produceert overtuigend klinkende maar inhoudelijk lege output die het gebrek aan structuur maskeert.

De organisaties die in de 40% vallen waarvan de AI-projecten worden stopgezet, zijn niet de organisaties met slechte AI. Het zijn de organisaties die AI invoerden zonder eerst de organisatorische basis te leggen.

AI groeit mee

AI-mogelijkheden zijn niet binair. Ze groeien mee met de volwassenheid van de organisatie, zoals beschreven in het groeimodel.

Een organisatie op volwassenheidsniveau 1 (structuur) heeft canvassen met richting, resultaten en acties. Dat is al genoeg context voor AI om te helpen bij het formuleren: resultaten toetsen aan criteria, acties suggereren op basis van vergelijkbare patronen, de koppeling tussen actie en resultaat valideren.

Op niveau 2 (ritme) komt temporele data erbij. Check-ins genereren voortgangsdata over tijd. AI kan nu helpen bij monitoren: trends detecteren, voortgang extrapoleren, signalen onderscheiden van ruis.

Op niveau 3 (verbinding) zijn meerdere teamcanvassen gekoppeld. AI kan nu over teams heen kijken: afhankelijkheden automatisch in kaart brengen, capaciteitsconflicten signaleren, cascadefouten opsporen waar een vertraging bij team A ongemerkt doorwerkt in de resultaten van team B en C.

Op niveau 4 (cultuur) is gestructureerd werken een gewoonte. De data is rijk, actueel en betrouwbaar. AI wordt een vanzelfsprekende verlenging van hoe de organisatie denkt: proactief inzichten aanbieden, reviews voorbereiden, de herijking voeden met patronen die over meerdere cycli zichtbaar zijn geworden.

Elk volwassenheidsniveau maakt nieuwe AI-mogelijkheden beschikbaar. Niet omdat de technologie verandert, maar omdat de organisatorische context rijker wordt. Investeer eerst in de methode. AI volgt.