Beginnen met AI kun je het beste klein doen en op meerdere plekken tegelijk: niet met één grote uitrol, maar met een handvol kleine experimenten waarvan je er een paar laat doorgroeien. Waarom dat geen voorzichtige maar een strategische keuze is, en wat het te maken heeft met zaaiend management, lees je hieronder.
De vraag die op bijna elke directietafel terechtkomt zodra AI serieus wordt, is dezelfde: waar beginnen we? En bijna altijd zit er dezelfde aanname onder. Beginnen betekent groot uitrollen. Een organisatiebreed platform, een licentie voor iedereen, een stuurgroep en een implementatieplan met een einddatum. Wie op die manier naar de eerste stap kijkt, ervaart klein beginnen als achterblijven, als een gebrek aan ambitie of daadkracht.
In het werk dat ik doe zie ik het omgekeerde. De organisaties waar AI daadwerkelijk iets oplevert, zijn zelden de organisaties die het grootst begonnen. Ze hebben zichzelf een andere vraag gesteld: niet wat ze konden uitrollen, maar wat ze wilden laten groeien. Dat verschil lijkt klein, en toch bepaalt het vaak of technologie rendeert of vooral geld kost.
Waarom snoeien je AI niet laat renderen
Achter de aanname dat groter beter is, zit een bepaalde manier van kijken naar verandering. Je kijkt wat er weg kan, je optimaliseert de rest, en de winst haal je uit wat je schrapt. Voor incrementele verbetering werkt dat prima, en het is de reflex waar de meeste AI-business cases nog altijd op leunen: minder handen, meer productie. Het gangbare verhaal luidt dan ook dat AI vooral een manier is om met minder mensen hetzelfde te doen.
Maar AI gedraagt zich niet als een besparing, het werkt als een multiplier. Het versterkt wat een organisatie al doet, en dus ook alles wat er niet goed gaat. Wie die kracht loslaat op een organisatie die vooral bezig is met schrappen, vergroot juist de dingen die je niet wilt vergroten: de ruimte die al krap was, het oordeel dat al onder druk stond, het aantal mensen dat nog kan ingrijpen als een systeem de verkeerde kant op gaat. Snoeien levert een mooi cijfer op de korte termijn, maar het bouwt niets op waar AI daarna iets aan heeft.
Zaaien: tien planten, drie laten groeien
De organisaties die het wél laten renderen, doen iets wat meer op tuinieren lijkt dan op reorganiseren. Ze zetten niet één groot project op waar alles van afhangt, maar planten meerdere kleine experimenten en gaan ervan uit dat er een paar zullen aanslaan. In mijn boek noem ik dat zaaiend management: investeren in nieuwe capaciteiten in plaats van optimaliseren wat er al is. Je plant tien initiatieven, je rekent op drie die groeien, en de zeven die het niet worden zijn geen mislukking maar leergeld.
Zo bekeken is klein beginnen geen voorzichtige keuze maar een strategische. Eén groot AI-project is in feite een weddenschap waarbij je alles op één uitkomst zet en pas achteraf weet of je goed hebt gegokt. Tien kleine experimenten vormen een portfolio: je spreidt het risico, je leert sneller en je schaalt op wat aantoonbaar werkt in plaats van te hopen dat je ene grote keuze de juiste was. Dat vraagt overigens meer discipline dan snoeien, niet minder. Kiezen wat je plant, eerlijk beoordelen wat groeit en durven stoppen met wat niet aanslaat, is lastiger dan één keer een handtekening zetten onder een groot contract.
AI-implementatie is een menselijk veranderproces
Er is nog een reden waarom de omvang van je eerste stap ertoe doet, en die heeft niets met techniek te maken. Een klein experiment houdt mensen in het systeem. Het dwingt je om te zien hoe medewerkers echt met de technologie omgaan: waar ze de uitkomst vertrouwen, waar ze die zouden moeten bevragen en waar ze een advies inmiddels klakkeloos overnemen. Dat laatste heet automation bias, de neiging om een algoritmisch advies steeds minder kritisch te wegen naarmate het vaker blijkt te kloppen. Bij een grote uitrol merk je dat pas als het al op schaal is ingebakken, terwijl je het bij een klein experiment ziet gebeuren op het moment dat je er nog iets aan kunt doen.
AI-implementatie is daarom geen technisch project maar een menselijk veranderproces, en klein beginnen is de manier waarop je dat proces kunt volgen terwijl het zich voltrekt. Het is meteen je governance-oefening: elke kleine pilot is in de praktijk een oefening in menselijk toezicht, hetzelfde toezicht dat de EU AI Act toch al van je verwacht. Daarover schreef ik eerder in de EU AI Act is geen last maar het startpunt van AI-governance.
Waar begin je dan concreet?
Niet bij de tool, maar bij de vraag wat je wilt laten groeien. Kies een plek in de organisatie waar het antwoord op die vraag helder is, en zet daar een experiment op dat klein genoeg is om te mislukken zonder schade en echt genoeg om er iets van te leren. Spreek van tevoren af waaraan je zult zien of het werkt, en wie de uitkomst mag tegenspreken. Dat is niet het minst belangrijke onderdeel maar juist het onderdeel dat een experiment onderscheidt van een gok.
En begin dan ook echt. Wijsheid ontstaat door te handelen, niet door te wachten tot je alle onzekerheid hebt weggenomen, want dat moment komt niet. De organisaties die erop blijven wachten, kijken over een jaar naar de organisaties die tien keer klein zijn begonnen en inmiddels precies weten wat bij hen werkt.
Veelgestelde vragen over beginnen met AI
Niet bij de tool, maar bij de vraag wat je wilt laten groeien. Kies een afgebakende plek, zet daar een klein experiment op dat mag mislukken zonder schade, en spreek vooraf af waaraan je succes afmeet en wie de uitkomst mag tegenspreken.
Een grote uitrol zet alles op één uitkomst. Meerdere kleine experimenten spreiden het risico, leveren sneller inzicht op en laten je opschalen op wat aantoonbaar werkt. Bovendien zie je bij een klein experiment hoe mensen echt met de technologie omgaan, voordat een eventueel probleem op schaal is ingebakken.
Liever meerdere kleine dan één grote weddenschap. De vuistregel uit zaaiend management is om er ongeveer tien te planten, te rekenen op drie die groeien en de rest als leergeld te behandelen. Zo spreid je het risico en ontdek je sneller wat in jouw organisatie werkt.
Nee. Klein beginnen is geen rem op je ambitie maar een manier om die ambitie met minder risico waar te maken. Je zet niet alles op één uitkomst, je leert bij elk experiment, en je schaalt op wat werkt. Dat vraagt meer discipline dan een grote uitrol, niet minder.
Zaaiend management betekent investeren in en cultiveren van nieuwe capaciteiten in plaats van alleen optimaliseren wat er al is. Je plant meerdere experimenten, verwacht dat er een paar groeien en behandelt de rest als leergeld. Het is de tegenhanger van snoeien, en het vraagt meer discipline, niet minder.
Hoe je zaaiend management inricht, en waarom investeren in mensen je AI laat renderen in plaats van alleen geld kost, werk ik uit in Modern leiderschap is geen algoritme (2026). Verkrijgbaar via Managementboek en jolandatermaten.com.
