Er is een vraag die ik intussen vroeg in elk AI-gesprek stel: welk probleem moet het precies oplossen? De antwoorden zijn het verzamelen waard. "Efficiëntie." "We willen niet achterop raken." "De raad van bestuur verwacht iets." En soms, na een korte stilte, de eerlijke versie: dat weten we nog niet, maar de tool is al gekozen.
Die volgorde, eerst de tool en dan het probleem, heeft ondertussen een track record, en het stemt weinig vrolijk. RAND interviewde 65 ervaren AI-practitioners en concludeerde dat, volgens sommige schattingen, ruim 80 procent van de AI-projecten mislukt, dubbel zoveel als IT-projecten zonder AI. De meest voorkomende oorzaak zit helemaal aan het begin: betrokkenen begrijpen elkaar verkeerd over welk probleem de AI moet oplossen, of communiceren het verkeerd. Een onderzoeksinitiatief van MIT kwam vanuit een andere hoek op hetzelfde uit: 95 procent van de onderzochte GenAI-pilots leverde niets meetbaars op, grotendeels omdat de tools nooit aansloten op hoe het werk echt door de organisatie stroomt. En S&P Global zag het gevolg in de cijfers verschijnen: in 2025 schrapte 42 procent van de bedrijven het merendeel van hun AI-initiatieven, tegenover 17 procent een jaar eerder.
De comfortabele lezing van die cijfers is "kies betere use cases". De ongemakkelijke lezing zit volgens mij dichter bij de waarheid: de meeste organisaties zien hun eigen problemen niet meer scherp genoeg om te kunnen kiezen.
Waar de echte problemen naartoe zijn
Het vreemde aan de fricties die uitstekende AI-use cases zouden opleveren: ze zijn onzichtbaar, precies omdat mensen goed zijn in hun job.
Twee onderzoekers, Anita Tucker en Amy Edmondson, volgden ooit 26 verpleegkundigen in negen ziekenhuizen, 239 uur lang, om te zien wat er gebeurt als het systeem hen in de steek laat: ontbrekend materiaal, ontbrekende informatie, haperende overdrachten. In 93 procent van de gevallen losten de verpleegkundigen het ter plekke zelf op, met een workaround, en gingen ze verder. Eén van hen vatte de mindset samen: rond problemen heen werken hoort gewoon bij mijn job. Het resultaat is een stille paradox. Hoe beter mensen worden in het opvangen van frictie, hoe minder de organisatie leert over waar het werk hapert. De problemen worden dagelijks opgelost en nergens geregistreerd.
Tel daar tijd bij op, en de workaround wordt zelfs onzichtbaar voor wie hem uitvoert. Sociologe Diane Vaughan noemde dat, in haar analyse van de Challenger-ramp, de normalisering van afwijking: wat "niet oké" was, wordt langzaam geherklasseerd als "oké". Niemand beslist dat. Het schuift. De export naar Excel voor het maandrapport was in 2019 een tijdelijke fix. Vandaag is het gewoon hoe het rapport gemaakt wordt.
En de aandachtspsychologie leert dat we daar niet verbaasd over hoeven te zijn. In het beroemde experiment van Daniel Simons en Christopher Chabris miste ongeveer de helft van de kijkers, druk basketbalpasses aan het tellen, een persoon in gorillapak die dwars door het beeld liep. Waar je op focust, bepaalt wat je ziet. Een managementteam dat op "AI-kansen" focust, kijkt recht voorbij het overtypen, het dubbel controleren en de schaduw-Excels: de gorilla's van de eigen werking.
Signalen lezen
Daarom ben ik "problem first thinking" gaandeweg als een vaardigheid gaan zien, eerder dan als een principe. Met principes is iedereen het snel eens. Vaardigheden moet je oefenen. Deze vaardigheid is in essentie signalen lezen: opnieuw zien wat je niet meer opmerkt.
De signalen zijn zelden spectaculair. Werk verlaat het systeem om in een spreadsheet rechtgezet te worden, en komt daarna terug. Dezelfde vraag belandt elke week bij dezelfde collega, omdat het antwoord in haar hoofd leeft en nergens anders. Een formulier heeft een veld dat iedereen invult met dezelfde standaardtekst. Iemand controleert de controle van iemand anders. Een terugkerende meeting bestaat om een overdracht te herstellen die nooit helemaal lukt. Mensen zuchten voor één specifieke taak, elke keer opnieuw, en die zucht is deel van het meubilair geworden.
In een processchema zie je daar weinig van terug. Je ziet het pas als je het werk volgt in plaats van het organogram. Ga naast mensen zitten. Stel kleine vragen: wat doe je vlak voor deze taak, wat doe je er vlak na, wat zou je nooit durven overslaan? Vraag wat ze zonder missen zouden achterlaten. Hou een lijstje bij van de workarounds die je tegenkomt, ook die met het licht gegeneerde lachje erbij; dat lachje markeert meestal de juiste plek.
Er is bemoedigend bewijs dat AI-waarde precies daar begint. Een team van het Stanford Digital Economy Lab bestudeerde 51 geslaagde enterprise-AI-implementaties bij 41 organisaties, en zag dat de successen doorgaans begonnen bij pijn die iemand kon benoemen. Eén executive omschreef de winnende use case in woorden die je in geen enkel strategiedeck leest: "This was a painkiller for those guys. It wasn't 'Hey, this would be great.' It was 'I'm drowning.'" Dezelfde studie levert de waarschuwing die ernaast hoort: AI versterkt het proces waarop je het loslaat. Is het proces kapot, dan maakt AI het sneller erger. Signalen lezen komt dus met reden eerst.
Een namiddag kijken
Als dit klinkt als etnografie: dat is het grotendeels ook. En het is toevallig wat goede change professionals altijd al gedaan hebben: kijken hoe werk echt stroomt, luisteren naar wat mensen niet meer hardop zeggen, het verschil zien tussen het officiële proces en het echte. Het AI-tijdperk geeft dat oude vakmanschap een nieuwe scherpte. Ergens tussen de toolkeuze en het opleidingsplan moet iemand de vraag vasthouden: welke frictie, voor wie, en waaraan zullen we het verschil merken?
Dus overweeg, voor de volgende AI-inspiratiesessie, een ander soort sessie. Een namiddag waarin je één proces van begin tot einde doorloopt met de mensen die erin leven, en elke plek noteert waar het werk het gebaande pad verlaat. Mijn ervaring: je komt thuis met een langere en betere use case lijst dan eender welke brainstorm oplevert, en met iets waardevollers daaronder: een gedeeld, concreet beeld van het werk dat je gaat veranderen.
De tools blijven veranderen. De vaardigheid om de problemen te zien die ze moeten dienen, veroudert net niet: ze stapelt op.
Dus misschien een vraag om mee te nemen naar volgende week: welke workaround voer jij zo vaak uit dat je hem niet meer meetelt als workaround?