Bij veel bedrijven begint AI-adoptie bij een kleine groep mensen die er meteen induikt. Ze testen tools, maken prompts en laten aan elkaar zien wat er mogelijk is. Ondertussen blijft een groot deel van de organisatie afwachten. Precies op dat stuk loopt AI-adoptie vaak vast.
AI-adoptie betekent dat een organisatie AI structureel opneemt in het dagelijkse werk van medewerkers. Veilig, praktisch en met duidelijke waarde voor het werk dat mensen al doen. Het verschil met het experimenteren met AI zit vooral in gedrag. Gebruiken medewerkers in alle lagen AI bewust, of blijft het bij een paar enthousiaste collega’s? We laten hier zien waarom adoptie vastloopt in het mkb, welke kennis en kaders medewerkers nodig hebben, hoe AI-geletterdheid zich verhoudt tot de AI Act, en welke eerste stap past bij waar jouw team nu staat.
Volgens Dialogic gebruikte 23 procent van Nederlandse bedrijven met tien of meer werkzame personen één of meer AI-technologieën. Dat was 9 procentpunt meer dan een jaar eerder. Volgens Stanford gebruikt inmiddels 88 procent van organisaties wereldwijd AI in minstens één bedrijfsfunctie. McKinsey ziet tegelijk dat slechts ongeveer een derde van de organisaties AI daadwerkelijk opschaalt. Deloitte constateert dat 30 procent belangrijke processen rond AI herontwerpt en dat 37 procent AI nog oppervlakkig gebruikt. De technologie is dus breed beschikbaar. De echte uitdaging zit in het dagelijkse gebruik.
AI-adoptie struikelt zelden over de technologie. Meestal gaat het mis op gedrag, onduidelijkheid of gebrek aan vervolg.
Een veelvoorkomend patroon is dat een organisatie een AI-tool uitrolt, waarna een handvol early adopters ermee aan de slag gaat. De rest kijkt eerst de kat uit de boom. Zonder collega’s die meebewegen, wordt de organisatie afhankelijk van een paar mensen. Hun werk verandert, maar het werk van de rest niet. De waarde blijft beperkt tot wat die kleine groep aankan. In MT-rapportages zie je dan vooral losse succesverhalen, zonder structurele cijfers.
Daar komt onzekerheid bij. Medewerkers weten niet welke data ze mogen invoeren, hoe ze output moeten controleren en wanneer AI niet geschikt is. Daardoor ontstaan onveilig experimenteren en vermijding. Een losse training zonder opvolging versterkt dit patroon. De echte vragen komen pas wanneer medewerkers AI in hun eigen werk toepassen. Als er dan niemand is om bij aan te kloppen, zakt het gebruik weg.
Bij Goudappel groeide AI-gebruik juist door. Eerst werden basisvaardigheden opgebouwd. Daarna werd gericht gewerkt aan toepassingen die teams direct in hun eigen werk konden gebruiken. AI werd normaler doordat het werk zelf meegroeide met de techniek.
Meer context bij dit patroon staat in het verdiepende artikel Waarom AI vaak hangen blijft bij de enthousiastelingen.
AI-geletterdheid is het vermogen om AI bewust, kritisch, veilig en effectief te gebruiken in je werk. Dit betekent niet dat iedereen technisch expert wordt of zou moeten worden. Medewerkers moeten vooral begrijpen wat AI kan, waar de grenzen liggen, waarom output soms fout is, hoe je betere instructies geeft en welke data je wel of niet invoert.
De Europese Commissie omschrijft AI-geletterdheid onder de AI Act als de vaardigheden, kennis en het begrip waarmee betrokkenen geïnformeerde keuzes kunnen maken over AI-systemen. Het gaat ook om bewustzijn van kansen, risico’s en mogelijke schade. Artikel 4 onder deze AI act verplicht aanbieders en gebruikers van AI-systemen om een voldoende niveau van AI-geletterdheid bij medewerkers te waarborgen. Dat artikel is sinds februari 2025 van kracht.
Volstaat één losse AI-training? Ja en nee. Ja: volgens de letter van de AI act dienen bedrijven medewerkers te voorzien van de juiste vaardigheden voor het gebruikmaken van AI in hun werkzaamheden. In die zin zou het voldoende zijn. Maar het antwoord is ook nee: AI-geletterdheid ontstaat niet na één losse training omdat het gezien kan worden als een startpunt. Echte geletterdheid ontstaat wanneer medewerkers kennis toepassen, vragen stellen, fouten herkennen en AI koppelen aan hun eigen werk. De exacte invulling verschilt per organisatie, rol, risico en AI-toepassing. Een training helpt om geletterdheid aantoonbaar te organiseren. Het is alleen geen automatische juridische garantie voor volledige compliance.
Bij HDI Global, een verzekeraar waar compliance per definitie zwaar weegt, was geletterdheid een randvoorwaarde voor brede AI-uitrol. Medewerkers leerden werken met AI en leerden beoordelen wanneer AI-output beleid of klantbeslissingen mag raken.
Niet elke rol heeft dezelfde AI-vaardigheden nodig. Een sales-rol leunt op klantcontext, een HR-rol op vertrouwelijkheid en een finance-rol op getalsmatige controle. De basis is voor iedereen hetzelfde. De toepassing verschilt sterk per functie.
Iedereen heeft in elk geval begrip nodig van wat AI wel en niet kan. Daar horen ook goede context geven, output kritisch controleren, veilig omgaan met data en weten wanneer menselijke beoordeling nodig blijft bij. Zonder die gedeelde basis ontstaat verschil in kwaliteit, onzekerheid over datagebruik en weinig grip op wat er in de organisatie gebeurt.
Per rol verschilt vooral de invulling. Een salesteam denkt aan klantvoorbereiding, opvolgmails en CRM-samenvattingen. Een HR-team aan vacatureteksten, onboarding en interne communicatie. Een marketingteam aan content, campagnes en hergebruik van materiaal. Een klantenserviceteam aan tickettriage en kennisbankinformatie. Operations kijkt naar planning, rapportage en kwaliteitscontrole.
Bij BeGlobal werd die rolspecifieke benadering vertaald naar een gestructureerd opleidingstraject voor uiteenlopende functies. Het Microsoft Copilot-traject bij MTS Euro Products liet zien hoe medewerkers binnen één tool toch heel verschillend werken, afhankelijk van wat hun rol vraagt.
Voor veel organisaties begint die basis met een training als AI Fundamentals. Meer uitwerking over vaardigheden per rol en de passende trainingsvorm staat in het verdiepende artikel Welke AI-vaardigheden horen bij welke rol?.
Twijfels over AI horen bij adoptie. Medewerkers vragen zich af of AI hun werk vervangt, of ze fouten mogen maken, welke data ze mogen invoeren en hoe ze weten of output klopt. Bij sommige teams ligt dat open op tafel. Bij andere teams speelt het onder de oppervlakte.
Weerstand komt meestal voort uit onzekerheid en onduidelijkheid. Goede adoptie neemt die vragen serieus. Medewerkers hebben houvast nodig voordat ze AI met vertrouwen gebruiken. Denk aan duidelijke kaders, herkenbare voorbeelden en ruimte om te experimenteren. In de praktijk betekent dit dat je laat zien welke taken AI lichter maakt, duidelijk maakt dat vakkennis nodig blijft om output te beoordelen, praktische afspraken geeft over datagebruik en zorgt dat medewerkers ergens terechtkunnen als ze vastlopen.
Voor MT en HR helpt het om weerstand te zien als signaal. Het laat zien waar mensen behoefte hebben aan uitleg, veiligheid en begeleiding. Wanneer die signalen serieus worden opgepakt, wordt het gesprek over AI concreter en valt het defensieve eraf.
Bij Hoek & Blok, een accountantskantoor met sterk vakinhoudelijke profielen, werd dat gesprek expliciet gevoerd voordat er met tools werd begonnen. Wat blijft van het vak, wat verandert en wat is leuk om te leren? Die vragen kregen ruimte, waardoor de stap naar gebruik daarna kleiner werd.
AI-adoptie versnelt wanneer kennis zich door de organisatie verspreidt. Daarvoor heb je mensen nodig die de brug slaan tussen management, teams en dagelijkse praktijk. Dat zijn AI-champions.
Een AI-champion is een medewerker die AI-gebruik zichtbaar maakt, collega’s helpt en signalen terugbrengt naar de organisatie. Een champion is geen losse vraagbaak na een training. Hij of zij verzamelt goede voorbeelden, herkent risico’s, zet kleine verbeteringen door en laat zien waar AI in het eigen werk waarde oplevert.
Een sterke champion begrijpt het eigen werkproces, kan collega’s praktisch meenemen en heeft genoeg mandaat en tijd om die rol vol te houden. Technische expertise telt minder zwaar dan proceskennis en vertrouwen in het team.
Bij Amega werden meer dan vijftig medewerkers uit verschillende afdelingen opgeleid als AI-ambassadeur. Dat patroon werkt goed. Kies mensen uit verschillende teams, geef ze duidelijke verwachtingen, laat ze periodiek samenkomen en verbind hun signalen aan beleid, training en nieuwe use-cases. Zo wordt adoptie onderdeel van hoe de organisatie leert.
Voor medewerkers die hier een grotere rol in willen pakken, is een AI Accelerator-training een logische stap. Daar leren ze kansen in werkprocessen herkennen en AI-oplossingen ontwikkelen die breder bruikbaar zijn voor het team.
Veilig AI-gebruik vraagt om duidelijke afspraken. Welke tools mogen worden gebruikt? Welke data is geschikt voor AI? Wanneer moet output gecontroleerd worden? Wie kan helpen bij twijfel? Zonder die spelregels gaat iedereen het zelf invullen. Dat leidt tot onveilig experimenteren, vermijding of allebei.
De omvang van dat risico is concreet meetbaar. Volgens Sharp gebruikt bijna de helft van medewerkers AI-tools zonder dit intern te melden. Internationaal rapporteert Lenovo dat een vijfde tot een derde van medewerkers AI gebruikt buiten de controle van IT. Beleid werkt pas wanneer medewerkers het kennen en kunnen toepassen.
Het helpt om onderscheid te maken tussen oefenen en toepassen. Medewerkers kunnen AI goed gebruiken om ideeën te verkennen, een tekst te structureren of een eerste concept te maken. Zodra AI-output in klantcommunicatie, beleid, besluitvorming of gevoelige processen wordt gebruikt, is extra controle nodig. Vakkennis, context en verantwoordelijkheid blijven dan leidend.
AI kan overtuigend klinken en toch fouten maken. Een antwoord kan logisch ogen en toch bronnen missen, verouderde informatie gebruiken of verkeerde aannames bevatten. Controle hoort daarom bij het werkproces. Lezen, toetsen, aanpassen en pas daarna gebruiken. De Europese Commissie benadrukt onder de AI Act dat AI-geletterdheid moet aansluiten op rol, risico, context en het type AI-systeem. Een klantenserviceteam heeft andere voorbeelden en risico’s dan HR, finance of legal. De basisprincipes zijn hetzelfde, de invulling verschilt per functie.
Voor sectoren met hoge datagevoeligheid bepaalt dit of een organisatie kan starten. In de zorg liet Pantein zien dat met de juiste kaders ook gevoelige werkomgevingen veilig met AI kunnen werken. Dataveiligheid stond vanaf dag één centraal in elke trainingsmodule en elke afspraak.
In de markt geldt circa 70 procent als indicatie voor het aandeel AI-trainingen waarvan het gebruik na verloop van tijd stilvalt. Dat getal staat niet op zichzelf. Brinkerhoff laat in training-transferonderzoek zien dat slechts 5 tot 20 procent van wat in trainingen wordt geleerd op de werkvloer wordt toegepast. Ander trainingsonderzoek wijst erop dat 52 tot 92 procent van het geleerde binnen een jaar verloren gaat. Voor AI specifiek schat Gartner dat 30 procent van generatieve AI-projecten na de proof-of-concept-fase wordt verlaten. NTT DATA concludeert dat 70 tot 85 procent van GenAI-deployments de verwachte ROI niet haalt. Hetzelfde patroon komt steeds terug.
In die fase ontstaan de vragen die vooraf lastig te voorspellen zijn. Een prompt levert te weinig op. Een output klinkt overtuigend en blijkt toch onvolledig. Een medewerker twijfelt of bepaalde informatie in een AI-tool mag. Een team ziet een kans om een proces slimmer in te richten, maar weet niet hoe je daar een werkbare aanpak van maakt.
Na de training moeten die vragen ergens terechtkunnen. Teams hebben terugkommomenten nodig om ervaringen te delen, voorbeelden aan te scherpen en knelpunten te bespreken. Goede toepassingen moeten intern zichtbaar worden, zodat medewerkers van elkaar leren.
Bij RKC Waalwijk bleek dat zelfs in een organisatie met sterk afwijkende werkritmes een vast opvolgmoment het verschil maakte. Stafrollen, scouting en commercie hebben totaal andere AI-vragen. Juist daarom was opvolging nodig om van losse experimenten naar bestendig gebruik te komen.
Een AI Spreekuur past in die fase. Het is een vast moment waarop medewerkers vragen kunnen inbrengen, vastlopers kunnen bespreken en nieuwe mogelijkheden naar hun eigen werk vertalen. Daardoor blijft AI-gebruik in beweging.
De juiste eerste stap hangt af van wat je in je team ziet gebeuren. Het patroon is meestal goed te herkennen:
Wat je in je team ziet
Een paar mensen gebruiken AI overal voor, de rest kijkt toe, medewerkers weten niet welke data ze mogen invoeren, iedereen krijgt dezelfde training en past die totaal anders toe.
Wat dat aangeeft
Adoptie blijft hangen bij enthousiastelingen, AI-geletterdheid mist en er is een AI Act-risico
De stap die je hier in kan maken
AI Fundamentals voor de hele groep + helderheid over de AI Act.
Een ander voorbeeld:
Wat je in je team ziet
Veel twijfels en zorgen worden niet besproken en eén of twee mensen doen alles, niemand neemt het over.
Wat dat aangeeft
Weerstand komt voort uit onzekerheid en AI-champions missen.
De stap die je hier in kan maken
Teamgesprek voordat je met tools begint en een AI Accelerator training.
De kern blijft in elk scenario hetzelfde. Adoptie vraagt om een gedeeld fundament, toepassing op eigen werk en begeleiding na de eerste stap. Bedrijven beginnen op verschillende plekken. Sommige starten met training, sommige met automatisering en sommige met een gesprek om scherp te krijgen waar de meeste winst zit.
AI laten landen in je organisatie begint met scherp krijgen waar adoptie bij jullie vastloopt. Een AI voor jouw domein-traject helpt medewerkers om AI toe te passen op het werk dat ze al doen, met herkenbare voorbeelden, eigen documenten en concrete uitkomsten.
Wil je eerst sparren over waar jouw organisatie staat? Plan een kennismaking of doe de AI Scan. Dan brengen we in kaart welke stap voor jouw team het meest oplevert.
FAQ
Veelgestelde vragen
AI-adoptie gaat over hoe AI structureel in het werk wordt ingebed. AI-geletterdheid gaat over wat medewerkers moeten kunnen om dat veilig en effectief te doen. Geletterdheid is een voorwaarde voor adoptie. Zonder geletterdheid blijft adoptie afhankelijk van een paar enthousiastelingen die zelf hun weg vinden.
Artikel 4 van de AI Act verplicht aanbieders en gebruikers van AI-systemen om een voldoende niveau van AI-geletterdheid te waarborgen bij medewerkers die met AI-systemen werken. Sinds februari 2025 is dat artikel van kracht. Het exacte niveau hangt af van rol, risico en type AI-systeem. Een training helpt om dit aantoonbaar te organiseren. Het is geen automatische juridische garantie.
Een eerste training duurt een dag tot enkele weken, afhankelijk van het format. Adoptie zelf is een proces van maanden tot meer dan een jaar, omdat het verandering in gedrag, werkprocessen en kennisdeling vraagt. Opvolging na de eerste training is doorgaans even belangrijk als de training zelf.
Een AI-champion maakt AI-gebruik zichtbaar, helpt collega’s, verzamelt goede voorbeelden, herkent risico’s en brengt signalen terug naar de organisatie. Die persoon vormt een schakel tussen dagelijkse praktijk en beleid. Goede champions hebben proceskennis, mandaat en tijd om de rol vol te houden.
Meet op drie niveaus. Kijk naar gedrag, dus hoeveel medewerkers AI structureel gebruiken. Kijk naar proces, dus welke werkprocessen sneller of consistenter lopen dankzij AI. Kijk ook naar effect, zoals tijdwinst, kwaliteitsverbetering of vrijgekomen capaciteit. Meet alle drie, anders mis je waar bijsturing nodig is.
Bij voorkeur gelijktijdig. Management dat AI snapt kan sturen op beleid, budget en prioriteiten. Medewerkers die AI snappen leveren de praktische signalen waarop dat beleid moet rusten. Wanneer slechts één laag start, ontstaat afstand tussen beleid en praktijk.
AI Fundamentals voor de basis, AI voor jouw domein voor rolspecifieke toepassingen, AI Accelerator voor medewerkers die zelf willen bouwen, en AI Spreekuur voor opvolging na de eerste training. Welke combinatie past, hangt af van waar adoptie nu vastloopt. De diagnose-tabel hierboven helpt om die eerste keuze te maken.
