Overbrug de AI-transformatiekloof: Zo bereid je je bedrijf voor op agentische AI

Ondanks alle hype rondom AI ontbreekt er een cruciaal onderwerp in de discussie: de AI-transformatiekloof.

Inmiddels voelen organisaties van elke omvang de druk om AI in te zetten. En sommige individuen worden daadwerkelijk productiever: ze schrijven, programmeren en analyseren sneller.

Maar zijn bedrijven als geheel aanzienlijk productiever geworden doordat hun medewerkers LLM's gebruiken? Nog niet. Een onderzoek van PwC, wordt geopend in een nieuw tabblad toont aan dat slechts 12% van de CEO's een waardevolle ROI rapporteert uit investeringen in generatieve AI, en 95% van de pilots levert nul meetbare ROI op, volgens een onderzoek van MIT, wordt geopend in een nieuw tabblad.

Ondanks de stijgende AI-budgetten en individuele productiviteitswinsten zien de meeste organisaties simpelweg niet het rendement waarop ze hadden gehoopt. De reden is eigenlijk heel eenvoudig: productieve individuen leiden niet automatisch tot een productieve organisatie.

Hoe ervaar je dan wel de organisatiebrede voordelen die AI-transformatie belooft?
Het overbruggen van de AI-transformatiekloof draait niet om hoe krachtig je AI-tools zijn of hoeveel mensen AI gebruiken. Het gaat om het herontwerpen van hoe je werkstromen daadwerkelijk functioneren.

Wat is AI-transformatie?

AI-transformatie is een alomvattend proces waarin een organisatie kunstmatige intelligentie (AI) integreert in alle aspecten van haar bedrijfsvoering, producten en diensten. AI-transformatie omvat de implementatie van verschillende soorten AI, zoals generatieve AI voor het maken van tekst, afbeeldingen en andere content, en agentische AI, wat verwijst naar AI-toepassingen die autonoom taken uitvoeren.

De meeste bedrijven willen AI inzetten om taken te automatiseren, informatie te synthetiseren, besluitvorming te versnellen, de klantervaring te verbeteren en producten of diensten te creëren.

AI-transformatie gaat verder dan simpelweg het adopteren van een paar AI-tools; het staat voor een fundamentele verandering in bedrijfsstrategie, operationele processen en organisatiecultuur. En dat is precies waarom het zo lastig is. Om onderdelen van je bedrijf aan te passen en te veranderen, moet je ze goed begrijpen, maar de meeste bedrijven doen dat niet.

We lichten dit toe.

Wat zijn de grootste uitdagingen bij AI-transformatie?

De grootste uitdagingen bij AI-transformatie ontstaan bij het opschalen van AI voorbij individuen of teams. Mensen programmeren, brainstormen en doen onderzoek sneller dan ooit, maar die waarde zit gevangen in silo's. Het versterkt elkaar niet en sluit niet op elkaar aan.

Het goede nieuws is dat we deze uitdaging bij eerdere technologische vooruitgang al eens hebben gezien, en dat we die lessen kunnen toepassen op de uitdagingen van nu.

In de jaren 1890 draaiden fabrieken op stoom, met een ingewikkeld netwerk van riemen en katrollen. Toen elektriciteit opkwam, verving de fabriekseigenaar de stoommachine door een elektromotor, maar behield dezelfde indeling. Hoewel nieuwe technologie individuele machines sneller maakte, steeg de fabrieksproductiviteit gedurende 30 jaar nauwelijks.

Pas toen iemand zich afvroeg hoe het werk daadwerkelijk zou moeten verlopen, boekte de fabriek echte productiviteitswinst. Eindelijk begreep iemand het werk goed genoeg om het zo te herontwerpen dat de voordelen van de elektromotor optimaal benut werden.

We bevinden ons nu in exact hetzelfde moment met AI: bedrijven hebben de motor vervangen, maar de fabriek nog niet herontworpen.

Om je bedrijf te herontwerpen voor AI, en met name agentische AI, moet je duidelijke inzichten hebben: waar vinden overdrachten plaats, waar zitten de knelpunten en waar worden beslissingen genomen? Alleen met grondig inzicht in de organisatie kun je deze onderzoeken, uitdagen en herontwerpen om de waarde van AI te maximaliseren.

Maar volgens een recent onderzoek van Lucid, wordt geopend in een nieuw tabblad ontbreekt het bij de meeste bedrijven aan de documentatie die nodig is om de organisatie goed te begrijpen:

• 49% van de kenniswerkers geeft aan dat de huidige operationele werkstromen van hun organisatie matig tot amper goed gedocumenteerd zijn.
• 60% geeft aan dat de helft of meer van de werkstromen van hun team leunt op informele of persoonsafhankelijke kennis.
• 80% vertrouwt op ongeschreven of institutionele kennis om werk af te krijgen.

Kortom: AI-transformatie zal nooit haar volle potentieel bereiken zolang huidige bedrijfsprocessen, werkstromen, architecturen, datastromen en samenwerkingsvormen niet volledig begrepen en gedocumenteerd zijn.

De drie fasen van AI-transformatie

Een recent artikel van a16z beschrijft de kloof tussen individuele AI en institutionele AI in detail. Wat opvalt, is dat de meeste organisaties moeite hebben met de overgang van de ene naar de andere fase. Waarom? Omdat er een cruciale tussenfase ontbreekt tussen de huidige situatie en het einddoel. Laten we dat van dichtbij bekijken.

Fase 1: Individuele AI

In de fase van individuele AI bevinden de meeste bedrijven zich nu. Tijdens deze fase gebruiken medewerkers ChatGPT, Copilot, Claude en andere AI-tools individueel om hun taken te versnellen. Velen zijn productiever achter hun werkplek, maar verder is er in de organisatie niets veranderd.

Individuele AI is een belangrijke fase die in het teken staat van experimenteren en leren, maar er zit een grens aan hoeveel waarde dit de organisatie als geheel kan opleveren.

Fase 2: Zichtbaarheid en in kaart brengen

Hoe graag organisaties het ook willen, het is simpelweg onmogelijk om in één keer van individuele AI naar institutionele AI te springen. Er zit een cruciale tussenfase die de meeste bedrijven missen: het onzichtbare zichtbaar maken.

Het einddoel is een herontworpen organisatie die is geoptimaliseerd voor AI. Maar voordat je iets kunt herontwerpen, moet je de huidige situatie kennen. Daarom draait fase twee om documentatie: het in kaart brengen van processen, systemen en afhankelijkheden. Zodra je institutionele kennis uit het hoofd van medewerkers haalt en omzet in een gedeeld visueel model, wordt het veel eenvoudiger om het bestaande ontwerp te evalueren en te bepalen waar AI de meeste waarde toevoegt.

Maar niet alleen mensen hebben documentatie nodig over hoe het bedrijf werkt. Als AI-agents moeten samenwerken met verschillende bedrijfssystemen en processen, hebben ze ook aanzienlijke context nodig om effectief te kunnen werken. Forrester stelt: “AI-agents hebben stapsgewijze instructies nodig over hoe ze taken moeten uitvoeren. Bij de meeste bedrijven bevindt deze kennis zich vandaag de dag in gefragmenteerde werkstromen, ongedocumenteerde data en informele processen.” (Forrester-blog, “Autonomy Is The Future, But AI Agents Still Deliver Value Today,” juli 2025).

Fase 3: Institutionele AI

Institutionele AI is de eindbestemming: herontworpen, AI-first werkstromen die de productiviteit binnen de gehele organisatie stimuleren. In deze fase zijn kernprocessen vanaf de grond af heropgebouwd om AI-agents volledig te integreren. AI is geen individuele productiviteitstool meer, maar een gecontroleerde, betrouwbare capaciteit die aansluit bij de bredere organisatiedoelen.

Zo overbrug je de AI-transformatiekloof

Binnen fase twee, de brug tussen individuele en institutionele AI, zijn er een paar concrete stappen om te nemen: visualiseer je huidige werkelijkheid, zorg voor afstemming op een strategie en voer de uitrol uit met voldoende context.

Bekijk de werkelijkheid

De eerste stap bij het overbruggen van de AI-transformatiekloof is inzicht krijgen in hoe het werk daadwerkelijk wordt uitgevoerd, en niet alleen hoe de processen beschreven staan in een verouderde bedrijfs-wiki. Denk aan de afwegingen, keuzes en ongeschreven regels binnen elk proces. Door al deze context vast te leggen in een gedeelde visuele ruimte leg je het fundament voor AI-gereedheid.

Vanaf daar kun je je huidige werkstromen, processen en systemen evalueren om te bepalen hoe goed ze zijn uitgerust voor AI-verbeteringen. Het toevoegen van AI aan een inefficiënte werkwijze vergroot ten slotte alleen het probleem in plaats van het op te lossen. Het is belangrijk om zorgvuldig te bepalen welke onderdelen van de organisatie klaar zijn voor AI en welke eerst geoptimaliseerd moeten worden.

Belangrijke activiteiten in deze stap zijn:

• Ongeschreven kennis vastleggen in visuele proceskaarten, wordt geopend in een nieuw tabblad en systeemdiagrammen, wordt geopend in een nieuw tabblad
• De huidige situatie evalueren om prioritaire toepassingen voor agentische AI, wordt geopend in een nieuw tabblad te identificeren
• Systeemafhankelijkheden en integratiepunten binnen werkstromen in kaart brengen

Breng de organisatie op één lijn

Vervolgens wil je teams op één lijn krijgen rondom een AI-strategie die een gedeelde visie verduidelijkt, nieuwe werkstromen definieert om die visie te bereiken en beleidskaders opzet om de uitrol te waarborgen. Denk aan: Hoe worden processen herontworpen? Waar werken mensen en AI-agents samen? Welke systemen moeten toegankelijk zijn binnen elke werkstroom? Hoe zorgt de organisatie ervoor dat iedereen toegang heeft tot de juiste informatie?

Het ontwikkelen van een enterprise AI-strategie, wordt geopend in een nieuw tabblad lijkt op het proces dat teams gebruiken om producten te ontwikkelen. Leiders hebben een plek nodig om samen te komen, realtime of asynchroon, om te brainstormen, te prioriteren en te plannen. En teams hebben toegang nodig tot documentatie die gecentraliseerd is, voorzien is van versiebeheer en altijd goedgekeurd en up-to-date is.

Dit proces omvat doorgaans:

• Het faciliteren van strategische planning, wordt geopend in een nieuw tabblad om AI-investeringen te prioriteren op basis van doelen, risico's en verwachte resultaten
• Het herontwerpen van werkstromen en het definiëren van rollen tussen mensen en AI-agents via RACI-matrices, wordt geopend in een nieuw tabblad en swimlane-diagrammen, wordt geopend in een nieuw tabblad
• Het instellen van governance, goedkeuringsprocessen en richtlijnen voor compliance bij AI-initiatieven

Bouw aan de toekomst

Met inzicht in je huidige situatie en plannen voor je toekomstige situatie kun je AI effectief inzetten en opschalen. Deze stap omvat het coördineren van uitvoeringstaken, het inzetten van agents in herontworpen werkstromen, en het verfijnen en opschalen van processen in verschillende teams.

Opvallend genoeg is dit ook het punt waarop je documentatie infrastructuur wordt. Waar documentatie historisch gezien voornamelijk diende als een nalevingsdocument of presentatievisual, dient het nu als de cruciale contextlaag die de besluitvorming van AI-agents stuurt. Zo zien we teams Lucid gebruiken om hun operationele blauwdruk te documenteren en hun visuele elementen in Lucid via de Lucid MCP-server, wordt geopend in een nieuw tabblad rechtstreeks te koppelen aan hun AI-tools (zoals ChatGPT, Claude en Microsoft Copilot) voor een naadloze uitvoering.

Het op schaal inzetten van AI ziet er als volgt uit:

• Het maken van flexibele implementatie-tijdlijnen, wordt geopend in een nieuw tabblad met duidelijke mijlpalen, afhankelijkheden en taakeigenaren
• Het rechtstreeks invoeren van goedgekeurde procesdocumentatie in een AI-uitvoeringsomgeving die agents kunnen volgen
• Het monitoren van resultaten en het bijwerken van documentatie binnen één centrale, gecontroleerde informatiebron (zoals de Process Accelerator, wordt geopend in een nieuw tabblad in Lucid)

Voorbeelden van AI-transformatie

Nu meer organisaties de stap willen maken van individuele AI naar institutionele AI, ontstaat er een rode draad: de meest succesvolle implementaties leunen op duidelijk gedocumenteerde visuals. Hier zijn een paar voorbeelden van organisaties die het voortouw nemen.

Carta: Agentische werkstromen in kaart brengen

Toen Carta begon met het inzetten van autonome AI-agents om complexe boekhoudkundige werkstromen af te handelen – wat uiteindelijk meer dan 3.500 uur per maand bespaarde – ontdekten ze dat het geheim van intelligente automatisering schuilt in het bouwen van een vlekkeloze visuele blauwdruk.

Voordat een AI-agent kon instappen in het kasreconciliatieproces, taken via tools kon uitvoeren en micro-beslissingen kon nemen, moesten de menselijke beheerders het bestaande proces tot in het kleinste detail begrijpen.

Het team van Carta koos ervoor om hun proces te visualiseren in Lucid. Met het Lucid-diagram als contextlaag vertaalden ze dit naar een agent die nu het overgrote deel van het handmatige werk uitvoert, met af en toe menselijke controles ('human-in-the-loop'). Wanneer de agent of het team afwijkingen zag ten opzichte van het officieel gedocumenteerde proces of beslissingen die buiten de kaders vielen, verfijnden ze het proces in Lucid en pasten ze de agent daarop aan.

AI verandert de manier waarop we bij Carta werken nu al, en Lucid speelt een centrale rol in die verandering”, aldus Henry Ward, CEO bij Carta. “Lucid is van onschatbare waarde geweest voor het in kaart brengen en itereren van AI-werkstromen met onze bedrijfsteams vroeg in het proces. Het geeft ons de helderheid die we nodig hebben voordat we ze vastleggen in andere systemen. Die samenwerking in een vroeg stadium is van cruciaal belang geweest om ambitieuze ideeën om te zetten in praktische, schaalbare AI-oplossingen.”

Uber: Blauwdrukken maken voor AI-besluitvorming

Een van 's werelds grootste ritdelingsbedrijven, Uber Technologies, heeft de waarde van een visuele blauwdruk al erkend om een belangrijk AI-initiatief te versnellen en miljoenen dollars te besparen.

Voor een organisatie van deze omvang is het beantwoorden van miljoenen ondersteuningsverzoeken per week een grote kostenpost. Ze stelden zich ten doel dit proces te automatiseren met behulp van agentische AI, maar om deze automatisering te bouwen, moesten ze de juiste context bieden zodat de agent gepast kon reageren op ondersteuningsverzoeken.

Uber beschikte in Lucid al over documentatie in de vorm van beslisbomen die medewerkers hielp bij het afhandelen van tickets. Met deze visuals als uitgangspunt creëerden ze uitgebreide, gelaagde ondersteuningsdocumentatie in Lucid als blauwdruk die de supportagent kan volgen.

Het project ligt op koers om tegen het einde van 2026 70% van de ondersteuningstickets te automatiseren, met een verwachte jaarlijkse besparing van $ 500 miljoen.

Zet de volgende stappen in je AI-transformatie

Het overbruggen van de kloof tussen individuele AI en institutionele AI vereist zichtbaarheid, afstemming en governance. Sommige tools bieden basale diagrammogelijkheden maar missen governance, terwijl andere wel standaardisatie bieden maar samenwerking missen. Lucid biedt het beste van twee werelden: het combineert flexibiliteit met intelligentie en structuur om je te helpen je huidige situatie inzien, je organisatie herontwerpen en de uitrol beheren.

Lucid ondersteunt AI-transformatie met:

• Meer dan 100 integraties met toonaangevende apps, waaronder een MCP-server om te koppelen met toonaangevende LLM's
• Intuïtieve en intelligente functies voor diagrammen om de visualisatie van processen, systemen en gegevens te versnellen
• Geavanceerde add-ons om documentatiestandaardisatie en governance te stroomlijnen
• Een team van professional services om oplossingen op maat te bieden