Home / Inzichten / AI-gereedheid: mijn test voordat ik ja zeg
Insights

AI-gereedheid: mijn test voordat ik ja zeg

Vat samen met AI Prompt gekopieerd — plak hem in de chat

Ik wijs meer AI-projecten af dan ik aanneem, en dat gaat bijna nooit over budget. AI-gereedheid heeft niets met het model te maken, en alles met de vraag of het bedrijf dat erom vraagt drie vragen kan beantwoorden voordat we beginnen.

Wat betekent "nog niet klaar voor AI" eigenlijk?

Het betekent niet klein, arm, of achter met technologie. Sommige van de beste projecten die ik heb opgeleverd kwamen van een bedrijf van vijf man met een spreadsheet en heel veel helderheid over wat er kapot was. "Nog niet klaar" betekent iets nauwers en specifiekers: niemand in de kamer kan de ene taak benoemen die dit moet veranderen, de data waar het van afhangt ligt ergens waar op dit moment niemand naar kan wijzen, of de persoon die erom vraagt zit over zes maanden niet meer in het gebouw om te zorgen dat het beklijft. Geen van die drie is een technisch probleem. Alle drie komen ze naar boven in het eerste gesprek, ruim voordat iemand een laptop opent.

Ik dacht vroeger dat gereedheid een schaal was waar je langzaam op vooruitkwam — hier wat data opschonen, daar wat processen documenteren, tot een bedrijf op een gegeven moment een onzichtbare lijn overstak naar "AI-klaar". Dat denk ik niet meer. Gereedheid is geen volwassenheidsscore. Het is een veel kleinere, veel binairdere vraag: kun je wijzen naar het specifieke ding dat kapot is, of wijs je naar een categorie?

Waarom repareer ik het gat niet gewoon later?

De verleidelijke keuze is om het project toch aan te nemen en de ontbrekende stukken onderweg op te lossen — de taak uitzoeken terwijl je de pilot scopeert, de data vinden terwijl je de pijplijn bouwt, de eigenaar aanwijzen zodra de demo er goed genoeg uitziet om iemand enthousiast te maken. Ik deed dit voortdurend in de eerste twee jaar van dit bedrijf, en het is de duurste fout die ik keer op keer maakte, tot ik leerde ermee te stoppen.

Het onderzoek van RAND naar het mislukken van AI-projecten is de meest grondige versie van een patroon dat ik meteen herkende: RAND zet het mislukkingspercentage boven de 80%, ruwweg het dubbele van gewone IT-projecten, en van de onderliggende oorzaken die uit hun interviews met data scientists en engineers naar boven kwamen, was de technische categorie de kleinste. Falen door leiderschap — het project dat een vage ambitie najaagt in plaats van een benoemd probleem, zonder iemand met genoeg gezag die daadwerkelijk verantwoordelijk is voor de uitkomst — werd door de ondervraagde professionals het vaakst genoemd. Dat komt bijna exact overeen met wat ik zie voordat een project al begonnen is: het gat zou nooit door betere code gedicht zijn. Het zat al in het kennismakingsgesprek, in het feit dat degene die de "visie" voor AI in zijn bedrijf beschreef niet kon vertellen welke dinsdag die visie moest veranderen.

Het gat repareren nadat het contract getekend is, werkt om een structurele reden niet: zodra er geld van eigenaar is gewisseld, wordt de prikkel om eerlijk te zijn over wat er ontbreekt zwakker, niet sterker. Niemand wil degene zijn die na drie weken toegeeft dat de data waarvan iedereen aannam dat die bestond, in werkelijkheid verspreid ligt over de inboxen van vier collega's. Voor iedereen is het veel goedkoper om dat gesprek te voeren voordat er ook maar iets betaald is.

Waarom is dit in Nederland makkelijker te zeggen dan het klinkt?

Ik zeg vaker dan de meeste adviesbureaus zouden toegeven "dit is nog niet klaar" tegen een potentiële klant, en ik ben gaan denken dat dit bot doen een van de meer Nederlandse dingen is aan hoe ik dit bedrijf run. De Culture Map van Erin Meyer zet Nederland aan het meest directe uiteinde van de wereldwijde feedbackschaal, naast Israël en Rusland, en apart ook aan het extreme low-context uiteinde van de communicatieschaal, waar, zoals zij het stelt, mensen je niet vertrouwen als je iets niet recht voor z'n raap zegt. Twee verschillende dimensies in haar model, die dezelfde kant op wijzen: dat is geen stereotype dat ik erbij haal om een alinea op te leuken, het is een oprecht bruikbare beschrijving van hoe een eerste gesprek met mij klinkt. Ik ben niet tactvol aan het doen als ik zeg dat een project nog niet klaar is. Ik doe het ding dat, in deze cultuur, daadwerkelijk laat zien dat ik te vertrouwen ben voor het volgende gesprek.

Dit is niet alleen cultureel relevant, het is ook praktisch relevant. In markten met een hoge-context communicatiestijl verzacht een adviseur die je project nog niet kan aannemen dat vaak tot iets dat klinkt als een ja met voorwaarden — en de klant loopt weg met het idee dat er groen licht is. In een zakencultuur die gebouwd is op het vroeg zeggen van het botte ding, is "nog niet" een complete zin, en weet iedereen in de kamer precies wat de volgende stap is. Dat voelt niet altijd prettig. Het is, in mijn ervaring, aanzienlijk sneller dan het alternatief.

Het verandert ook wat een "nee" kost, in reputatie, op een manier die buitenstaanders volgens mij onderschatten. Een klant die ik met een heldere, specifieke reden afwijs, komt vaak terug zodra die reden is opgelost — en stuurt in de tussentijd vaak iemand anders door, want eerlijk en recht voor z'n raap verteld worden leest hier als vakmanschap, niet als afwijzing. Ik zou niet aannemen dat dit in elke markt zo werkt. Hier heeft het botte "nog niet, en dit is precies waarom" me meer doorverwijzingen opgeleverd dan welke pitch dan ook — het deel van de Nederlandse directheid dat niet in het cultuurboek staat, maar voor een klein adviesbureau belangrijker is dan bijna al de rest.

Waarom werd dit in 2026 lastiger, niet makkelijker?

Pull quote: Een vaag ja kost een klant geld. Een helder nog-niet kost hen niets behalve de waarheid — en de waarheid is elke keer goedkoper. — Crux Digits

Je zou verwachten dat het gereedheidsgesprek eenvoudiger zou worden naarmate AI-tooling volwassener werd, en in zekere zin is dat ook zo: niemand hoeft nog overtuigd te worden dat de techniek werkt. Wat er echt gebeurde is vreemder. Omdat het bouwen van een werkend prototype nu een middag kost in plaats van een kwartaal, kom ik steeds vaker potentiële klanten tegen die zelf al iets gebouwd hebben — een chatbot die in een weekend in elkaar is geklikt, een agent-framework losgelaten op een spreadsheet, een demo die daadwerkelijk indruk maakt. Dat was vroeger een zeldzaam en bemoedigend teken. In 2026 is het zo gewoon geworden dat het op zichzelf geen bruikbaar signaal meer is, en het staat af en toe zelfs in de weg.

De reden is dat een zelfgebouwde demo een andere vraag beantwoordt dan degene die ik eigenlijk stel. Hij bewijst dat de eigenaar of een nieuwsgierige medewerker een model op een goede dag met nette voorbeelddata iets aannemelijks kan laten produceren. Hij zegt niets over of de onderliggende taak precies genoeg benoemd is om tegen te bouwen, of de echte data erachter zichtbaar en actueel is in plaats van handmatig uitgekozen voor de demo, of iemand met het gezag om de nieuwe manier de enige manier te maken daadwerkelijk in de kamer zit. Een weekendproject kan elke toets doorstaan die voor een hobbyist telt en toch alle drie de mijne niet halen, en de twee mensen in dat gesprek zijn dan vaak verrast hoe weinig de demo mijn antwoord verandert.

Ik zeg dit niet om het geknutsel af te kraken — sterker nog, ik zou liever hebben dat een potentiële klant iets geprobeerd heeft en tegen een muur is gelopen, dan dat hij alleen met een slide komt. Maar de eerlijke lezing van "we hebben al een demo gebouwd" ligt dichter bij "we zijn nieuwsgierig en capabel" — een oprecht goed teken over de mensen, en een volledig aparte vraag van of dit specifieke project, op deze specifieke data, met deze specifieke eigenaar, klaar is om echt werk te worden. Die twee door elkaar halen is de nieuwste manier waarop ik slimme mensen zichzelf zie overtuigen voorbij een gat dat een goedkopere, snellere demo makkelijker dan ooit te verbloemen maakt.

Wat check ik daadwerkelijk voordat ik ja zeg?

Ik schreef eerder al over de specifieke rode vlaggen waar ik in het eerste half uur van een gesprek op let — een onduidelijke beslissing, data die niemand bezit, geen echt mandaat — dus ga ik die lijst hier niet opnieuw opbouwen. Kort samengevat: een benoemde taak, data die ik nu kan zien in plaats van alleen beschreven hoor, en één persoon die iets verliest als dit mislukt. Twee van de drie is een misschien. Eén van de drie is een "bel me over zes maanden weer", zo recht voor z'n raap gezegd als ik kan opbrengen, want een vaag "we blijven in gesprek" verspilt onze tijd meer dan een duidelijk nee.

Wat dat eerdere stuk niet behandelt, en waar ik het hier eigenlijk over wil hebben, is wat er gebeurt zodra een van die drie ontbreekt en ik het hardop in de kamer moet zeggen.

Wat zeg ik daadwerkelijk als het antwoord nee is?

Niet "laten we er nog even over nadenken", en niet "stuur me een voorstel, dan kijken we verder." Dat zijn de zinnen waardoor beide mensen het gesprek verlaten met een ander idee over wat er net gebeurd is. Wat ik zeg, zo letterlijk mogelijk, is ongeveer: "Ik denk niet dat we klaar zijn om hiermee te beginnen — dit is het specifieke ding dat ontbreekt, en dit moet waar zijn voordat ik ja zeg." Daarna hou ik mijn mond, want de neiging in die stilte is om het te verzachten, en verzachten is precies wat een bruikbaar nee verandert in een verwarrend misschien.

De specificiteit is het hele punt. "Je bent nog niet klaar voor AI" is een belediging verkleed als feedback, en daar kan niemand iets mee. "Niemand in deze kamer kan me vertellen welke factuurstap dit vervangt" is een feit, en het geeft de ander iets om mee terug te gaan: op te lossen, tegenin te brengen, of volgend kwartaal met een ander antwoord terug te komen. Ik probeer precies te benoemen welke van de drie vragen leeg bleef, het gewoon te zeggen, en dan te stoppen met verkopen — de verkoop, als die er komt, gebeurt later, zodra zij het gat dichten, niet nu doordat ik het wegpoets.

De fout die ik jarenlang maakte, was het nee behandelen als het einde van de relatie in plaats van het eerste daadwerkelijk nuttige ding dat ik ervoor deed. Een specifiek, goed onderbouwd nee, zonder omwegen gebracht, is het duidelijkste signaal van vakmanschap dat ik in een eerste gesprek te bieden heb — duidelijker meestal dan wat ik ook zou kunnen zeggen over ons trackrecord.

Wat gebeurt er als ik toch ja zeg?

Ik heb mijn eigen regel vaak genoeg gebroken om precies te weten wat het kost. Het project dat me het meest is bijgebleven was geen ramp — de techniek werkte prima, de demo was echt goed, iedereen in de kamer knikte. Het werd alleen nooit daadwerkelijk iemands werk om het te blijven gebruiken, want niemand verloor iets toen het stilletjes niet meer gebruikt werd, en ik wist dat van tevoren en nam het project toch aan omdat het gesprek veelbelovend voelde en ik het werk wilde. Dat is de eerlijke reden dat ik de regel brak: geen naïviteit, maar de gewone verleiding om een ja ook echt een ja te willen laten zijn. De oplossing was nooit een beter overdrachtsdocument. Het was dat ik in het eerste gesprek had moeten zeggen dat we nog niet klaar waren om te beginnen.

Het patroon herhaalt zich consistent genoeg dat ik inmiddels mijn eigen tegenzin om nee te zeggen als het echte risico behandel, niet de gereedheid van de klant. Betrap ik mezelf erop dat ik mezelf voorbij een ontbrekend antwoord op een van de drie vragen praat omdat de klik goed voelt of de sector spannend is, dan is dat precies het moment om te vertragen, niet te versnellen.

"Nog niet" is geen "nee"

Niets hiervan betekent dat ik denk dat de meeste bedrijven die bij me aankloppen niet klaar zijn — de meeste zijn dat, uiteindelijk, precies wel, en een flink deel is het al op de dag dat ze bellen. Wat ik beschrijf is een filter, geen vonnis, en de eerlijke volgende stap na een "nog niet" is bijna altijd klein en specifiek: benoem de ene taak, zoek uit wie de pijn nu al voelt, ga kijken waar de data daadwerkelijk staat. Dat is dichter bij een week werk dan bij een strategie-heidag, en het is precies het voorwerk dat onze gereedheidsscan is gebouwd om te versnellen — een gestructureerde manier om die drie vragen te beantwoorden voordat een van ons zich ergens toe verbindt.

Ken je de antwoorden al — de taak, de data, de persoon die het opmerkt als het stopt — dan gaat het gesprek daarna snel, en dat is het gesprek dat we eigenlijk willen voeren. We zetten realistische bedragen uiteen op onze pagina over wat een AI-project daadwerkelijk kost, en ben je nog eerder in dat proces en weet je nog niet of dit het juiste moment is, dan is dat eerdere gesprek — het gesprek dat misschien eindigt in "nog niet" — het gesprek dat we het eerst voeren, vóór welk voorstel dan ook, bij Crux Digits.

Ik schreef eerder al over de signalen die ik in het eerste half uur van een gesprek lees en over waarom ik die gesprekken onder de dertig minuten houd — beide beschrijven eigenlijk hetzelfde filter vanuit een andere hoek. Dit stuk is het deel dat ik nog niet had geschreven: wat er gebeurt aan de andere kant van dat filter, en waarom een project afwijzen, vaker dan het voelt, het nuttigste is wat ik die week voor iemand doe. Gereedheid is geen compliment en geen belediging. Het is dichter bij een diagnose, en zoals de meeste eerlijke diagnoses is hij veel bruikbaarder naarmate je hem eerder krijgt.

Veelgestelde vragen

Hoe weet ik of mijn bedrijf klaar is voor een AI-project?

Gereedheid komt neer op drie dingen: een specifieke taak die je kunt benoemen in plaats van een algemene ambitie, data waar je nu naar kunt wijzen en die je kunt openen ook als die niet schoon is, en één persoon die het merkt en iets verliest als het project mislukt. Kun je alle drie beantwoorden, dan ben je waarschijnlijk klaar; kun je alleen naar een categorie of een branchetrend wijzen, dan waarschijnlijk nog niet.

Wat is de grootste reden dat AI-projecten al mislukken voordat ze beginnen?

Het onderzoek van RAND naar het mislukken van AI-projecten liet zien dat falen door leiderschap — een vage ambitie in plaats van een benoemd probleem, zonder iemand met genoeg gezag die verantwoordelijk is voor de uitkomst — het vaakst werd genoemd door de ondervraagde professionals uit de praktijk, vaker dan enige puur technische beperking. Dat gat wordt al zichtbaar in het eerste gesprek, ruim voordat er een model gekozen wordt.

Moet ik wachten tot mijn data perfect schoon is voordat ik aan een AI-project begin?

Nee. Rommelige data kan tijdens een project worden opgelost; onzichtbare data meestal niet. Wat telt voordat je begint, is of de informatie waarvan het project afhangt ergens staat waar iemand vandaag naar kan kijken, niet of die netjes is. Wachten op perfecte data is vaak een manier om een beslissing uit te stellen die een zichtbaarheidscheck in één dag kan beantwoorden.

Is het normaal dat een AI-consultant een project afwijst?

Het zou normaler moeten zijn dan het is. Een adviesbureau dat op elk gesprek ja zegt, optimaliseert voor getekende contracten, niet voor projecten die het contact met een gewone dinsdag overleven. Een project afwijzen of uitstellen met een specifieke, uitgesproken reden is meestal een sterker signaal van vakmanschap dan een snelle ja.

Wat is het verschil tussen een bedrijf dat niet klaar is voor AI en een bedrijf dat nog niet klaar is?

Bijna elk bedrijf dat vandaag niet klaar is, is een "nog niet", geen permanent nee. Het gat is meestal een week voorwerk — de taak benoemen, uitzoeken wie de pijn voelt, checken waar de data daadwerkelijk staat — geen structurele reden waarom AI niet voor hen zou werken. Een korte gereedheidsscan is gebouwd om dat snel te beantwoorden in plaats van het als gok te laten staan.
Onze AI-diensten AI consultant inhuren AI-automatisering AI-agents AI-implementatie Prijzen

Iets hiervan toepassen in uw bedrijf?

Wij maken van deze concepten werkende tools — gegrond, veilig en meetbaar. Begin met een gratis consult.

Gratis consult boeken →