Waarom je team AI-licenties heeft, maar AI nog steeds niet gebruikt

De meeste bedrijven hebben toegang tot AI, maar weinig teams gebruiken het elke dag. Zes stappen om van AI-toegang naar echte AI-adoptie te gaan, gebaseerd op ons werk met snelgroeiende teams.

Bijna elk bedrijf heeft inmiddels toegang tot AI. De tools zijn aangeschaft, de licenties lopen en ergens in de organisatie doet een handvol mensen er indrukwekkende dingen mee. Vraag je hoeveel mensen AI dagelijks in hun werk gebruiken, dan is het antwoord meestal een stuk kleiner dan de investering doet vermoeden.

Onderzoek laat hetzelfde zien. In de 2026 AI & Data Leadership Executive Benchmark Survey van Randy Bean noemde 93% van de senior data- en AI-leiders bij meer dan 100 Fortune 1000- en internationale organisaties cultuur en verandermanagement als grootste obstakel voor AI-adoptie. Slechts een klein deel zag technologie als het probleem. Ook managers merken die kloof. Onderzoek van het Chartered Management Institute onder ruim 1.000 Britse managers toont dat 68% van de organisaties nog experimenteert of pilots draait. Tegelijk zegt meer dan 80% van de managers dat zij en hun team beter zouden presteren als ze wisten hoe ze AI goed inzetten.

Waarom dit scale-ups extra hard raakt

Je zou verwachten dat dit een corporate probleem is, met te veel lagen en te veel stakeholders. Toch zien we hetzelfde patroon bij snelgroeiende bedrijven. Als een bedrijf snel groeit, moet de interne capaciteit meegroeien, en daar zou AI juist bij moeten helpen. Om te ontdekken wat AI voor jouw werk kan betekenen, heb je alleen wel tijd nodig om het te verkennen, en dat is precies wat een groeiend team zelden heeft.

Dus rennen de enthousiastelingen vooruit, blijft hun kennis bij hen en werkt de rest van het team gewoon zoals altijd. Niemand weigert AI te gebruiken. Er is alleen geen gedeelde werkwijze, geen gedeelde set tools en niemand van wie het de taak is om ervoor te zorgen dat het blijft hangen.

Croudx ai adoption iceberg linkedin post
Zes stappen van AI-toegang naar AI-adoptie in teams

1. Eerst de diagnose, dan pas bouwen.
De eerste vraag gaat vaak over een specifieke tool of taak. Zoek voordat je daarmee aan de slag gaat uit wat erachter zit: welke taken kosten de meeste tijd, waar gaat kwaliteit verloren en wat heeft het team echt nodig? Het antwoord blijkt vaak anders dan de oorspronkelijke briefing.

2. Bepaal je startpunt.
Breng in kaart waar elk teamlid nu staat en wat diegene verder zou helpen. Dat bepaalt de inhoud van je sessies en maakt voortgang zichtbaar.

3. Train op echt werk.
Generieke AI-cursussen veranderen zelden hoe mensen op maandagochtend werken. Bouw elke sessie op rond use cases uit de dagelijkse taken van het team en test ze op echte klantcases, zodat mensen het verschil in hun eigen werk zien.

4. Bouw een structuur die bij je team past.
De meeste mensen willen AI gebruiken, maar hebben geen behoefte om ermee te bouwen. Ze hebben een systeem nodig dat voor hen werkt, zodat ze AI leren aansturen zonder te leren programmeren. Je hoeft niet iedereen tot bouwer om te scholen. Je hebt een paar mensen nodig die het wel kunnen.

5. Maak gedeelde tools.
In plaats van dat iedereen zijn eigen prompts schrijft, bouw je een gedeelde bibliotheek met AI-tools, zoals Claude skills, gebaseerd op hoe je team al werkt en communiceert. Zo blijft de output consistent en is goed werk makkelijk te herhalen.

6. Wijs interne eigenaren aan.
Kies een kleine groep AI-ambassadeurs uit het team. Zij halen behoeften op, bouwen samen met hun collega’s en houden de kennis in huis zodra de externe ondersteuning stopt. Zo wordt een eenmalig project iets wat blijft.

Hoe dit er in de praktijk uitziet

Billy Grace, het attributieplatform voor performance marketeers, gebruikte AI al elke dag. Omdat het bedrijf snel groeide, wilden ze van individueel gebruik naar een gedeelde werkwijze binnen CS en Sales. Tien sessies, een gedeelde skill-bibliotheek en vijf AI Innovation Ambassadors later bedacht het team zelf zijn volgende AI-projecten. De output van beide teams is consistenter en er is minder handwerk.

Lees hier de volledige case.

De stap die je niet alleen kunt zetten

Stap 2 tot en met 6 zijn dingen waar de meeste teams zelf mee kunnen beginnen. Stap 1 is de lastige. Vanuit je eigen team is het moeilijk om de vraag achter de vraag te zien, omdat jij degene bent die hem stelt. Juist daar maakt een blik van buitenaf meestal het grootste verschil.

Elk team is anders, en het juiste startpunt hangt af van waar jouw team nu staat. We horen graag waar AI in jouw organisatie vastloopt en denken mee over die eerste stap. Schuif aan, dan praten we erover.

Blog CTA Shape

Discover your growth

Get insight in your digital marketing with a discovery growth scan

Free growth scan

Back to overview