AI-adoptie blijft bij veel Nederlandse organisaties hangen door een gebrek aan kennis, ervaring en eigenaarschap. Volgens onderzoek van InSpark noemt 59% van de ondervraagde organisaties kennisgebrek als grootste obstakel. De techniek is beschikbaar, maar de toepassing in dagelijks werk vraagt om richting, begeleiding en een gedeeld leerproces.

Samenvatting
Nederlandse organisaties experimenteren volop met AI, maar brede adoptie blijft achter. Slechts 8% gebruikt AI organisatiebreed en heeft dit strategisch vastgelegd. De meerderheid verkent, test of wacht af. Dat wijst op een verschuiving in het vraagstuk. De uitdaging zit minder in toegang tot technologie en meer in het vermogen om AI verantwoord, praktisch en waardevol toe te passen. Teams hebben kennis nodig, leiders hebben richting nodig en organisaties hebben afspraken nodig over kwaliteit, veiligheid, rollen en eigenaarschap. AI wordt pas waardevol wanneer mensen ermee leren werken in hun eigen context. Dat maakt AI-adoptie vooral een organisatie- en leeropgave.

Belangrijkste inzichten

• 59% noemt kennisgebrek als grootste obstakel. AI-adoptie vraagt dus om meer dan tooling of licenties.
• 8% gebruikt AI organisatiebreed en strategisch. De meeste organisaties zitten nog in de fase van verkennen, pilots of losse toepassingen.
• 25% zet AI structureel in binnen meerdere processen. Daar ontstaat al waarde, maar vaak nog zonder brede organisatorische borging.
• 31% verkent vooral de mogelijkheden. Dat kan nuttig zijn, zolang verkennen leidt tot duidelijke keuzes en vervolgstappen.
• AI raakt rollen, processen en besluitvorming. De impact blijft beperkt wanneer teams alleen met tools werken en geen nieuw gedrag ontwikkelen.

De pilotfase duurt te lang
Veel organisaties zijn inmiddels met AI gestart. Medewerkers gebruiken ChatGPT, Microsoft Copilot of andere toepassingen. Soms gebeurt dat centraal georganiseerd, soms via enthousiaste collega’s die zelf ontdekken wat mogelijk is. Die energie is waardevol. Ze laat zien dat AI geen abstract toekomstthema meer is. De technologie ligt op de werkvloer. In sales, HR, finance, operations, productontwikkeling en communicatie ontstaan dagelijks nieuwe toepassingen.

Tegelijkertijd ontstaat er een patroon dat veel organisaties zullen herkennen. Er is interesse, er zijn experimenten en er zijn voorbeelden van tijdwinst of betere voorbereiding. Toch blijft de stap naar structureel gebruik lastig. De ene afdeling beweegt snel, de andere zoekt nog naar kaders. Sommige teams gebruiken AI dagelijks, andere teams wachten op beleid, training of goedkeuring.

Volgens InSpark gebruikt slechts 8% van de onderzochte Nederlandse organisaties AI organisatiebreed én strategisch. Een kwart zet AI structureel in binnen meerdere processen. De rest bevindt zich vooral in verkenning, kleinschalige pilots of gebruikt AI nog helemaal niet. Dat beeld past bij wat wij in gesprekken met organisaties zien. AI staat zelden meer ter discussie als onderwerp. De toepassing in de praktijk is de lastige stap.

Kennis is de eerste bottleneck
Het meest opvallende cijfer uit het InSpark-onderzoek is 59%. Dat aandeel noemt een gebrek aan kennis en ervaring als grootste obstakel voor AI-adoptie. Dat cijfer verdient aandacht. Het betekent dat de rem op AI-adoptie vooral zit in mensen, toepassing en organisatie-inrichting. De tools zijn er vaak al. De interesse is er ook. Wat ontbreekt, is voldoende begrip om AI verantwoord en doelgericht te gebruiken.

Kennis gaat daarbij verder dan weten hoe een prompt werkt. Medewerkers moeten begrijpen welke context nodig is voor goede output, hoe ze resultaten beoordelen en waar risico’s ontstaan. Teams moeten leren wanneer AI helpt en wanneer menselijk oordeel leidend blijft. Leiders moeten kunnen bepalen waar AI waarde toevoegt aan strategie, dienstverlening, efficiency of kwaliteit.

Zonder die kennis ontstaat versnippering. De ene medewerker bouwt een slimme werkwijze, de andere gebruikt AI voor gevoelige informatie zonder goed zicht op risico’s. Een team wint tijd met voorbereiding, terwijl een ander team dezelfde fout meerdere keren maakt omdat er geen gedeelde leerstructuur bestaat. AI-adoptie vraagt daarom om georganiseerd leren. Niet alleen een introductiesessie, maar een ritme waarin mensen oefenen, ervaringen delen, kwaliteitsnormen ontwikkelen en toepassingen verbinden aan hun eigen werk.

Eigenaarschap valt tussen afdelingen
AI raakt meerdere domeinen tegelijk. Daardoor ontstaat vaak onduidelijkheid over eigenaarschap. IT kijkt naar security, data, architectuur en tooling. HR en L&D kijken naar vaardigheden, training en adoptie. Legal en compliance kijken naar risico’s en regelgeving. Business teams kijken naar productiviteit, klantwaarde en procesverbetering. Leadership kijkt naar strategische impact en investeringskeuzes.

Al die perspectieven zijn nodig. Juist daardoor kan AI tussen afdelingen in vallen. Wanneer AI vooral als software wordt gezien, ligt de nadruk op licenties, beheer en beleid. Wanneer AI vooral als opleidingsvraagstuk wordt gezien, blijft de koppeling met strategie en operatie soms te zwak. Wanneer AI alleen bij innovatie wordt belegd, ontstaan mooie experimenten zonder route naar structurele toepassing.

Sterke AI-adoptie vraagt om helder eigenaarschap op meerdere niveaus. Er is richting nodig vanuit leiderschap, praktische begeleiding voor teams en voldoende technische en juridische borging. Daarnaast moet duidelijk zijn wie keuzes maakt over prioriteit, budget, risico en opschaling. Zonder die afspraken blijft AI hangen in enthousiasme. Met duidelijke eigenaarschap groeit het uit tot een volwassen capability.

Budget volgt vaak te laat
De financiering van AI-ontwikkeling is in veel organisaties nog onduidelijk. Dat vertraagt de stap van experiment naar adoptie. AI-training past vaak niet netjes in één budgetcategorie. Het is deels technologie, deels leren en ontwikkelen, deels veranderkunde en deels strategische innovatie. Daardoor ontstaat discussie over het potje waaruit het betaald moet worden.

Die discussie lijkt praktisch, maar heeft strategische gevolgen. Wanneer budget pas geregeld wordt na een pilot, ontstaat vertraging op precies het moment waarop energie en bewijs aanwezig zijn. Teams die willen doorpakken, moeten dan eerst terug naar de begrotingstafel. Het helpt om vooraf te bepalen welk type investering AI-adoptie is. Gaat het om digitale vaardigheid? Om procesverbetering? Om productiviteitsgroei? Om risicobeheersing? Om strategische vernieuwing?

In de praktijk zal het vaak een combinatie zijn. Juist daarom is een expliciete keuze nodig. Niet elk AI-initiatief vraagt om groot budget, maar elk serieus adoptietraject vraagt om capaciteit, begeleiding en besluitvorming.

Onderdeel	Typische eigenaar	Risico bij onduidelijkheid
Tooling en security	IT	Gebruik groeit zonder heldere kaders
Vaardigheden en training	HR en L&D	Medewerkers experimenteren zonder voldoende begeleiding
Procesverbetering	Business teams	AI blijft losstaan van concrete waarde
Governance en risico	Legal, compliance en leadership	Besluiten blijven liggen of worden te laat genomen
Opschaling	Leadership en transformation teams	Pilots leveren inzichten op, maar groeien niet door

Deze verdeling laat zien waarom AI-adoptie niet vanzelf in een bestaande structuur past. De organisaties die verder komen, maken expliciet wie welke rol speelt.

AI verandert werk, rollen en samenwerking
AI-adoptie raakt meer dan individuele productiviteit. Zodra AI op grotere schaal wordt toegepast, veranderen taken, rollen en samenwerking. Een medewerker die AI gebruikt voor analyse, voorbereiding of documentatie, werkt anders dan voorheen. Een team dat AI inzet in refinement, klantonderzoek of rapportage, moet nieuwe afspraken maken over kwaliteit en verantwoordelijkheid. Een leidinggevende die AI gebruikt voor besluitvorming of scenario’s, moet scherper zijn op interpretatie, bias en context.

Daarmee verschuift de impact van toolgebruik naar organisatieontwerp. Werk wordt opnieuw verdeeld. Taken verdwijnen, veranderen of schuiven naar andere rollen. Teams krijgen nieuwe mogelijkheden, maar ook nieuwe afhankelijkheden. Leiders moeten mensen begeleiden door die verandering heen. Dat maakt AI-adoptie vergelijkbaar met eerdere grote veranderingen rond Agile, DevOps of productgericht werken. De methode of technologie is zichtbaar, maar het echte werk zit in gedrag, samenwerking en toepassing.

Organisaties die AI vooral als efficiëntiemiddel zien, missen een deel van het vraagstuk. De grotere waarde zit in beter leren, sneller denken, slimmer samenwerken en scherper besluiten.

Training helpt pas met praktijk eromheen
Training is belangrijk, maar training alleen is te beperkt voor brede AI-adoptie. Een introductie kan mensen op weg helpen. Een workshop kan voorbeelden geven. Een programma kan structuur brengen. Daarna begint de praktijk.

Daar ontstaan de echte leermomenten. Welke prompt werkt in ons proces? Welke output is bruikbaar voor onze klanten? Welke informatie mag in een tool? Hoe beoordelen we kwaliteit? Hoe delen we goede toepassingen tussen teams? Hoe voorkomen we dat iedereen afzonderlijk het wiel uitvindt? Dit vraagt om een leeromgeving rondom het werk. Mensen moeten kunnen oefenen, ervaringen delen en hun toepassing aanscherpen. Leiders moeten ruimte creëren om te leren zonder dat elk experiment meteen een businesscase hoeft te dragen. Teams hebben kaders nodig die richting geven zonder alles dicht te regelen.

Bij Connected Movement zien we dat training, begeleiding en community elkaar hierin versterken. Training geeft basis en taal. Begeleiding helpt bij toepassing in de eigen context. Community zorgt dat leren doorgaat, doordat professionals ervaringen blijven toetsen aan anderen die met vergelijkbare opgaven bezig zijn. AI-adoptie wordt daarmee een manier om het leervermogen van de organisatie te versterken.

De stap van willen naar doen
Veel organisaties willen met AI aan de slag. De spanning zit in het vertalen van ambitie naar hanteerbare stappen.

Daarvoor hoeft een organisatie niet te wachten op een volledig uitgewerkte AI-strategie voor iedere afdeling. Een betere eerste stap is vaak kleiner en concreter: kies een herkenbaar werkproces, vorm een gemengde groep met business, IT, HR en risk, bepaal duidelijke kaders en leer in korte cycli wat werkt. Belangrijk is dat de eerste toepassingen veilig genoeg zijn om te oefenen en relevant genoeg om waarde te tonen. Denk aan interne kennisdeling, voorbereiding van klantgesprekken, analyse van feedback, documentatie, rapportage of het verbeteren van terugkerende werkzaamheden.

Vanuit die eerste toepassingen ontstaat bewijs. Wat levert tijdwinst op? Waar verbetert kwaliteit? Waar ontstaan risico’s? Welke vaardigheden ontbreken? Welke afspraken moeten organisatiebreed worden gemaakt? Zo groeit AI-adoptie vanuit praktijkervaring in plaats van abstracte ambitie.

Conclusie
Het InSpark-onderzoek laat zien dat AI-adoptie in Nederland minder wordt afgeremd door technologie dan door kennis, ervaring en organisatievermogen. Dat is een belangrijk inzicht, omdat het probleem daarmee beïnvloedbaar wordt. Tools beschikbaar maken is relatief eenvoudig. Mensen helpen om AI professioneel, veilig en waardevol toe te passen vraagt meer aandacht. Daarvoor zijn duidelijke eigenaarschap, gerichte ontwikkeling, praktische begeleiding en leiderschap nodig.

De organisaties die verder komen, behandelen AI-adoptie als een leerproces. Ze beginnen klein, maken afspraken over kwaliteit en risico, verbinden toepassingen aan echte organisatiedoelen en bouwen stap voor stap aan vertrouwen. AI wordt dan geen los experiment naast het werk. Het wordt onderdeel van hoe mensen beter samenwerken, sneller leren en bewuster waarde leveren.

Volgende stap

Maak AI-adoptie concreet
Wil je weten waar AI-adoptie in jouw organisatie vastloopt? Begin met één werkproces, één team en één duidelijke toepassing. Onderzoek welke kennis, afspraken en begeleiding nodig zijn om daar veilig waarde uit te halen.

Plan een verkennend gesprek

Auteur Wesley van de Pol
Sales Director bij Connected Movement. Wesley spreekt dagelijks met organisaties die hun verandervermogen willen versterken rond Agile, digitalisering en AI. Vanuit zijn rol verbindt hij klantvragen aan de juiste expertise, begeleiding en praktische vervolgstappen.