Iedere organisatie voelt inmiddels de belofte van AI. Er zijn inspirerende demo’s, overtuigende pilots en steeds meer technologie die in korte tijd indrukwekkende resultaten laat zien. Toch zien wij in de praktijk dat de stap van potentie naar blijvende waarde nog vaak stokt. Niet omdat de modellen onvoldoende slim zijn, maar omdat organisaties worstelen met de vraag hoe AI echt landt in processen, besluitvorming en dagelijks werk.
Juist daar ontstaat de echte uitdaging. Veel initiatieven beginnen met een model, een tool of een leverancier, terwijl de werkelijke vraag ergens anders ligt: welke beslissing willen we verbeteren, welk probleem willen we oplossen en wat moet er in de organisatie veranderen om die verbetering ook echt te laten landen? Zolang die vragen impliciet blijven, blijft AI vaak hangen in experimenten die interessant zijn, maar niet structureel transformeren.
In onze visie moet AI-adoptie daarom niet worden benaderd als een technologietraject, maar als een samenhangende veranderopgave. Technologie blijft belangrijk, maar zij is niet de drijvende kracht achter duurzame impact. Die impact ontstaat pas wanneer data, modellen en beslissingen in één continue leer- en verbeterlus met elkaar verbonden zijn.
Die gedachte vatten wij samen in de infinity loop: een model waarin Data Ops, Model Ops en Decision Ops niet als losse disciplines worden gezien, maar als onderdelen van één continue keten. Die loop helpt organisaties begrijpen waarom AI-adoptie niet stopt bij het bouwen van een model, en waarom de rechterkant van de keten — waar beslissingen worden genomen en gedrag moet veranderen — vaak de doorslag geeft.
In dit blog werken wij die gedachte uit. We laten zien waarom zoveel AI-initiatieven blijven steken in pilots, waarom dezelfde loop geldt voor zowel klassieke machine learning als generatieve AI, waarom GenAI extra aandacht vraagt voor evaluatie en bias, en waarom de grootste succesfactor uiteindelijk organisatorisch is. Tot slot laten we zien hoe wij bij DIKW met het AI Model Canvas en de AI-weerstandsmatrix concrete tools hebben ontwikkeld om organisaties te helpen AI succesvol te adopteren.
Waarom AI-initiatieven vaak blijven steken in pilots
Veel organisaties investeren inmiddels serieus in AI. Ze richten innovatieteams op, starten experimenten, bouwen prototypes en verkennen use-cases in meerdere domeinen tegelijk. Op papier lijkt dat een logische route naar versnelling. In de praktijk zien wij echter regelmatig dat juist deze veelheid aan initiatieven leidt tot versnippering. Er is energie genoeg, maar te weinig samenhang om echt door te pakken.
Dat komt vaak doordat de aandacht vooral uitgaat naar wat technologisch mogelijk is, en minder naar wat organisatorisch nodig is. Een pilot kan laten zien dat een model een taak goed uitvoert. Een demo kan aantonen dat een generatieve toepassing verrassend bruikbaar antwoord geeft. Maar geen van beide garandeert dat die uitkomst ook leidt tot een betere beslissing in het echte proces. Nog minder garanderen ze dat medewerkers die nieuwe werkwijze gaan vertrouwen, gebruiken en volhouden.
Daarmee raken we aan wat wij de innovatiekloof noemen: de ruimte tussen een veelbelovend AI-idee en een oplossing die daadwerkelijk wordt gebruikt, geaccepteerd en ingebed in de operatie. Die kloof ontstaat niet pas aan het einde van een project. Zij ontstaat al aan het begin, wanneer organisaties te snel in techniek denken en te weinig expliciet maken welke beslissing moet veranderen, welke waarde dat moet opleveren en welke onzekerheden daarbij horen.
Wie de innovatiekloof wil overbruggen, moet dus verder kijken dan modelkwaliteit alleen. Het echte werk begint pas wanneer een technische mogelijkheid vertaald moet worden naar besluitlogica, procesinrichting, governance, eigenaarschap en gedragsverandering. Daarvoor is een ander perspectief nodig dan het klassieke innovatieverhaal waarin de technologie vanzelf zijn weg vindt.
De infinity loop als organisatiemodel voor AI-adoptie
De infinity loop helpt om dat andere perspectief zichtbaar te maken. In de loop onderscheiden wij drie samenhangende domeinen: Data Ops, Model Ops en Decision Ops. Samen vormen zij geen lineair project, maar een doorlopende bewegingsvorm waarin leren, verbeteren en terugkoppelen centraal staan.
Data Ops gaat over het beschikbaar maken van betrouwbare, veilige en bruikbare data. Dat klinkt voor veel bestuurders als een technische basisvoorwaarde, en dat is het ook, maar het is meer dan dat. Zonder stabiele datastromen, duidelijke definities, herleidbaarheid en governance komt elke AI-toepassing op drijfzand te staan. Wie AI wil opschalen, moet dus niet alleen in modellen investeren, maar ook in de discipline die data op tijd, schoon en beheersbaar beschikbaar maakt.
Model Ops bouwt daarop voort. Hier gaat het om het ontwerpen, trainen, registreren, deployen, monitoren en waar nodig hertrainen van modellen. Het doel van Model Ops is niet om één keer een slim model te maken, maar om van modellen beheersbare producten te maken. Modellen moeten gevolgd kunnen worden, aangepast kunnen worden en verantwoord kunnen worden ingezet in productie. Zonder Model Ops blijft AI hangen in notebooks, labs en incidentele successen.
Decision Ops vormt de derde en vaak meest onderschatte schakel. Dit domein gaat over de vraag hoe modeluitkomsten daadwerkelijk doorwerken in beslissingen, acties en resultaten. Welke standaardactie verandert? Welke regels en randvoorwaarden gelden? Wanneer mag een model slechts adviseren, en wanneer mag het zwaarder meewegen? Hoe wordt een uitkomst gepresenteerd aan een medewerker of klant? En hoe volgen we of dat uiteindelijk leidt tot betere resultaten?
Juist op dit punt blijkt vaak of AI-adoptie slaagt. Want waarde ontstaat niet op het moment dat een model technisch werkt. Waarde ontstaat pas wanneer een organisatie met behulp van dat model betere beslissingen neemt en die beslissingen ook weet vol te houden in de praktijk.
Twee stromen in één loop
Een belangrijke kracht van de infinity loop is dat hij zichtbaar maakt dat er in feite twee bewegingen tegelijk plaatsvinden. De eerste beweging loopt vooral van links naar rechts: van data naar model naar beslissing. Dat is de beweging waarin data- en AI-engineers opereren. Zij richten zich op dataontsluiting, voorbereiding, modellering, deployment en technische monitoring. Hun werk is onmisbaar, omdat zonder deze keten geen betrouwbare AI-oplossing kan ontstaan.
Maar er is ook een tweede beweging, die juist van rechts naar links loopt. Die begint bij de beslissing, de actie en het resultaat, en kijkt vandaar terug: lost deze toepassing het goede probleem op, ondersteunt zij het juiste gedrag, levert zij echt betere uitkomsten op, en welke signalen moeten terug naar model en data om te verbeteren? Dat is de beweging die wij verbinden aan de rol van de AI-adoptiespecialist.
Deze tweede stroom is relatief nieuw, maar wordt snel belangrijker. Waar engineers vooral optimaliseren op technische prestaties, optimaliseert de adoptiespecialist op besliskwaliteit, gebruik en businesswaarde. Die kijkt niet primair naar de vraag of een model goed presteert in abstracte zin, maar of mensen in een proces met behulp van de AI daadwerkelijk beter handelen.
Daarmee ontstaat een belangrijk inzicht voor beslissers. AI-adoptie vraagt niet alleen om technische teams die van links naar rechts bouwen. Zij vraagt ook om mensen en structuren die van rechts naar links terugredeneren vanuit praktijk, gebruik en resultaat. Pas wanneer die twee bewegingen elkaar ontmoeten, sluit de loop zich echt.
Dezelfde loop voor klassieke ML en generatieve AI
De infinity loop is niet alleen bruikbaar voor één type AI. In onze ogen geldt hij zowel voor klassieke machine learning als voor generatieve AI. In beide gevallen is er data nodig, in beide gevallen moet een model beheersbaar worden ontwikkeld en ingezet, en in beide gevallen ontstaat waarde pas als uitkomsten doorwerken in echte beslissingen.
Toch vraagt generatieve AI om extra aandacht, vooral aan de rechterkant van de loop. Bij klassieke machine learning zijn de evaluatievragen vaak relatief helder. Een model voorspelt bijvoorbeeld churn, fraude of vraaguitval, en de uitkomst kan worden getoetst aan een bekende werkelijkheid. Bias en kwaliteit zijn daar zeker belangrijke thema’s, maar zij laten zich vaker uitdrukken in meetbare verschillen tussen groepen, foutmarges of prestatiescores.
Bij generatieve AI is dat anders. Een taalmodel produceert geen eenduidig correct label, maar open antwoorden, samenvattingen, adviezen of acties. De kwaliteit van zo’n output hangt af van context, formulering, taak, toon, timing en gebruikssituatie. Bias sluipt hier niet alleen binnen via de data of het model, maar ook via framing, impliciete aannames, omissies, stijl en interactiepatronen. Daardoor is zij minder zichtbaar en vaak moeilijker met klassieke meetlatten te vangen.
Dat betekent niet dat generatieve AI ongrijpbaar is. Het betekent wel dat organisaties hun toetsingskader moeten verbreden. In plaats van alleen te vragen of een model technisch goed presteert, moeten zij ook vragen of de output begrijpelijk, veilig, eerlijk, passend en bruikbaar is in de context waarin zij wordt ingezet. Daarmee verschuift het zwaartepunt van evaluatie nadrukkelijk richting Decision Ops.
Waarom evaluatie bij GenAI om een nieuwe blik vraagt
Juist omdat generatieve AI minder deterministisch is, volstaat een klassieke testaanpak vaak niet meer. Een traditionele machine-learningtest kijkt idealiter naar een heldere relatie tussen input en gewenste output. Bij GenAI is die relatie opener. Er zijn vaak meerdere acceptabele antwoorden mogelijk, en soms is het verschil tussen goed, twijfelachtig en onacceptabel subtiel.
Daarom moeten organisaties explicieter maken welke normen zij hanteren. Wat betekent “goed genoeg” in deze context? Wanneer ondersteunt een antwoord een medewerker, en wanneer brengt het juist risico met zich mee? Welke toon past bij klantcontact? Welke onnauwkeurigheid is nog acceptabel? Wanneer is aanvullende menselijke controle verplicht? Dit zijn geen puur technische vragen. Het zijn vragen over beleid, risico, ervaring, merk en verantwoordelijkheid.
De opkomst van LLM-as-a-judge laat precies die verschuiving zien.
LLM-as-a-judge wordt vaak besproken als evaluatietechniek, maar in wezen is het ook een organisatiemodel. Een organisatie legt eerst via menselijke beoordelingen, voorbeelden en praktijkfeedback vast wat zij als goede of slechte output beschouwt. Vervolgens kan een taalmodel worden ingezet om die oordelen op schaal te benaderen en nieuwe outputs sneller te toetsen. Het interessante daaraan is niet alleen de efficiëntie, maar vooral wat er organisatorisch gebeurt: impliciete kwaliteitsnormen worden expliciet gemaakt en vertaald naar een herhaalbaar beoordelingskader.
Dat maakt LLM-as-a-judge relevant, maar ook spannend. Want wie bepaalt eigenlijk wat “goed” is? Welke normen zijn leidend? Hoe voorkom je dat een beoordelend model dezelfde blinde vlekken overneemt als de organisatie zelf? En hoe zorg je dat menselijke controle niet verdwijnt achter de schijn van geautomatiseerde objectiviteit? Precies daarom past dit onderwerp in een blog over adoptie en veranderen. Het gaat hier niet alleen om techniek, maar om de bestuurlijke inrichting van kwaliteit.
De innovatiekloof zit vooral in Decision Ops
Wanneer organisaties worstelen met AI-adoptie, ligt de reflex vaak bij technologie. Men wil betere modellen, betere prompts, meer data of andere tooling. Soms is dat terecht. Maar veel vaker zit het echte probleem niet in de linkerhelft van de loop, maar in de rechterhelft. De AI werkt in zekere zin wel, maar de organisatie weet nog niet hoe zij de uitkomst moet inpassen in het werk.
Dat zie je bijvoorbeeld wanneer medewerkers de aanbevelingen van een model negeren, wanneer managers geen duidelijke regels hebben voor gebruik, wanneer niemand eigenaar is van monitoring, of wanneer fouten alleen incidenteel worden gezien en niet systematisch worden teruggekoppeld. Het zie je ook wanneer een toepassing formeel beschikbaar is, maar in de praktijk nauwelijks wordt gebruikt omdat de standaardactie niet helder veranderd is.
Decision Ops is daarom geen sluitstuk, maar een bestuursvraag. Hier komen besluitlogica, UX, procesinrichting, risicoafweging, veranderaanpak en accountability samen. Dit is de plek waar bepaald wordt of AI ondersteunend blijft, adviserend wordt of daadwerkelijk handelingsruimte krijgt. En dit is ook de plek waar zichtbaar wordt of een organisatie de menselijke kant van verandering serieus neemt.
Voor bestuurders en andere beslissers is dat een cruciaal inzicht. De vraag is niet alleen welke AI-oplossing technisch mogelijk is, maar welke organisatievoorwaarden nodig zijn om die oplossing verstandig te gebruiken. Wie daar te laat mee begint, ontdekt vaak dat het model al gebouwd is voordat de organisatie weet hoe zij ermee moet werken.
De AI-adoptiespecialist als ontbrekende schakel
Precies op dit snijvlak zien wij de opkomst van een nieuwe rol: de AI-adoptiespecialist. Deze rol is niet bedoeld als vervanging van data scientists, machine-learning engineers of productteams. De rol vult iets aan wat in veel organisaties nog onderbezet is: het structureel verbinden van AI-uitkomsten aan gebruik, besluitvorming en verandering.
De AI-adoptiespecialist begint niet bij het model, maar bij het proces. Welke beslissing wordt hier beïnvloed? Wat is de huidige standaardactie zonder AI? Wanneer is de AI-uitkomst behulpzaam, en wanneer mag die nooit zelfstandig leidend zijn? Welke risico’s ervaren gebruikers? Welke signalen moeten zichtbaar worden in logging, monitoring en feedback? En hoe vertalen we wat we in de praktijk zien terug naar engineers en beleidsmakers?
Daarmee opereert deze rol vooral van rechts naar links. Vanuit Decision Ops kijkt de adoptiespecialist terug naar Model Ops en Data Ops. Niet om zelf alle techniek te bouwen, maar om ervoor te zorgen dat de juiste vragen worden gesteld en de juiste verbeterlussen bestaan. In een klassieke veranderomgeving zou je kunnen zeggen dat deze rol de brug vormt tussen innovatie en verankering.
Voor organisaties die AI serieus willen opschalen, is dat geen luxe. Het is een randvoorwaarde. Want naarmate AI dichter op primaire processen komt te zitten, worden niet alleen de technische eisen hoger, maar ook de eisen aan eigenaarschap, duiding en adoptie.
Van modeltaal naar beslissingstaal
Een van de belangrijkste taken in AI-adoptie is het vertalen van modeltaal naar beslissingstaal. Technische teams spreken logischerwijs over performance, drift, latency, prompts, benchmarks en deployment. Die taal is nodig, maar voor besluitvormers en proceseigenaren niet voldoende. Zij moeten kunnen praten over fouten die wel of niet acceptabel zijn, over uitzonderingen, over verantwoordelijkheden en over de waarde die gerealiseerd moet worden.
Daarom moet elke AI-toepassing uiteindelijk in gewone organisatietaal kunnen worden uitgelegd. Welke keuze ondersteunen we? Welke uitkomst willen we verbeteren? Welke medewerker moet anders gaan handelen? Wat doen we als de AI faalt of onzeker is? Hoe volgen we of de nieuwe manier van werken echt beter is? Pas als die vragen helder zijn, kan AI onderdeel worden van bestuur en operatie in plaats van een technisch zijspoor.
Die vertaling is ook nodig om weerstand serieus te nemen. Weerstand is lang niet altijd irrationeel. Vaak is zij een signaal dat impliciete risico’s, rolveranderingen of onduidelijkheden nog niet goed zijn besproken. Medewerkers die terughoudend zijn, stellen soms precies de vragen die bestuurders ook zouden moeten stellen: waarom vertrouwen we dit systeem, wie is verantwoordelijk als het misgaat, en wat betekent dit voor mijn vakmanschap?
De tools die helpen om AI te laten landen
Bij DIKW hebben wij juist daarom niet alleen een verhaal ontwikkeld, maar ook concrete hulpmiddelen.
Het AI Model Canvas helpt organisaties om aan de voorkant de juiste vragen te stellen. Niet: welk model willen we gebruiken? Maar: welk probleem lossen we op, welke beslissing verandert, welke waarde levert dat op, welke aannames maken we, welke data zijn nodig en welke risico’s zijn relevant? Het canvas helpt om AI niet als technologieproject te framen, maar als business- en veranderopgave. Daarmee voorkomt het dat organisaties te vroeg springen naar oplossingen zonder de onderliggende keuze expliciet te maken.
De AI-weerstandsmatrix helpt juist aan de andere kant van de adoptieopgave. Waar zit weerstand, bij wie, in welke vorm en met welke reden? Gaat het om inhoudelijke twijfel, emotionele terughoudendheid, gebrek aan vertrouwen, onduidelijkheid over verantwoordelijkheid of praktische belemmeringen in het werkproces? Door dat zichtbaar te maken, kan een organisatie veel gerichter interveniëren. Niet met algemene communicatie over AI, maar met gerichte acties die passen bij het soort weerstand en de plek waar die ontstaat.
Samen vormen deze tools een praktisch instrumentarium om de innovatiekloof te verkleinen. Het AI Model Canvas helpt om een initiatief goed te starten, met een scherpe focus op beslissing en waarde. De AI-weerstandsmatrix helpt om de menselijke en organisatorische werkelijkheid serieus te nemen wanneer de toepassing richting gebruik en opschaling gaat. In combinatie met de infinity loop ontstaat zo een samenhangend kader: van idee naar model, van model naar beslissing, en van beslissing weer terug naar verbetering.
Van belofte naar verankerde praktijk
Voor beslissers in organisaties die worstelen met de belofte van AI is de kernboodschap wat ons betreft helder. Succesvolle AI-adoptie vraagt niet in de eerste plaats om nog meer experimenten, maar om meer samenhang. Niet om losse pilots, maar om een bestuurbare loop tussen data, modellen en beslissingen. Niet alleen om technische excellentie, maar om organisatorische volwassenheid.
Wie AI succesvol wil maken, moet dus twee bewegingen tegelijk organiseren. De eerste is de technische beweging van links naar rechts: data op orde brengen, modellen bouwen, uitrollen en monitoren. De tweede is de adoptiebeweging van rechts naar links: vanuit beslissingen, gebruik, resultaten en weerstand terugwerken naar wat er in modellen, data en processen moet verbeteren. Juist in die tweede beweging ligt vandaag voor veel organisaties nog de grootste winst.
Daarom geloven wij dat de toekomst van AI-adoptie niet alleen ligt in betere modellen, maar in betere verbindingen tussen techniek, besluitvorming en verandering. Met de infinity loop maken we die verbinding zichtbaar. Met het AI Model Canvas helpen we organisaties om de juiste AI-vraag te formuleren. Met de AI-weerstandsmatrix helpen we om de menselijke en organisatorische realiteit van verandering bespreekbaar en hanteerbaar te maken.
Zo bouwen we niet alleen aan AI die iets kan, maar aan AI die ook werkelijk landt.
Referernties
A survey on LLM-as-a-judge, Jiawei Gu, Xuhui Jiang, Zhichao Shi, Hexiang Tan, Xuehao Zhai, Chengjin Xu, Wei Li, Yinghan Shen, Shengjie Ma, Honghao Liu, Saizhuo Wang, Kun Zhang, Zhouchi Lin, Bowen Zhang, Lionel Ni, Wen Gao, Yuanzhuo Wang, Jian Guo, (link)
Agent Quality Authors: Meltem Subasioglu, Turan Bulmus, and Wafae Bakkali
Google Research 2025 (link)