AI kent je bedrijf niet: wat weet het over jullie?

Probeer dit eerst

Drie antwoorden die in het algemeen klopten en hier niet.

Geen van deze is een verzinsel. Elk ervan is een degelijk, goed onderbouwd antwoord op de vraag die is gesteld, gemaakt door een systeem dat onmogelijk kon weten wat de doorslag gaf.

Wat er werd gevraagd

Schrijf de verlengingsmail voor deze klant.

Wat er terugkwam

Een nette, vriendelijke mail met een lichte hint over de prijsverhoging.

Wat het niet kon weten: die klant zit drie weken voor een overname, iedereen weet dat, en niemand noemt de prijs voordat dat rond is.

Wat er werd gevraagd

Hoe moeten we de nieuwe supportlaag inrichten?

Wat er terugkwam

Drie niveaus, op basis van verbruik, met onderaan een zelfbedieningslaag.

Wat het niet kon weten: die zelfbedieningslaag hebben jullie in 2024 geprobeerd, hij kostte twee van je vijf grootste klanten, en de oprichter heeft één keer gezegd dat hij nooit terugkomt.

Wat er werd gevraagd

Schrijf de inwerklijst voor een nieuwe engineer.

Wat er terugkwam

Een verstandige lijst van veertien punten die elk engineeringteam zou herkennen.

Wat het niet kon weten: elf van de veertien zijn hier al geautomatiseerd, en de drie die ertoe doen zijn juist de punten die niemand ooit heeft opgeschreven.

In alle drie de gevallen leest iemand het antwoord, denkt dat het ongeveer klopt, en repareert het ontbrekende stuk stilletjes zelf. Dat werkt, en het betekent dat de correctie in één hoofd blijft en volgende week opnieuw moet gebeuren.

In het wild

Wat het kan bereiken, en wat niet.

Links staat wat elk model kan zien over een bedrijf zoals het jouwe. Rechts staat het deel dat bijna elk echt antwoord bepaalt. Niets rechts is geheim. Het staat alleen nergens opgeschreven waar een machine bij kan.

Wat het kan bereiken

Wat alleen jullie mensen weten

Hoe bedrijven in jouw sector meestal prijzen.

Welke twee klanten je nooit aan een prijswijziging zou blootstellen, en waarom.

Wat de beste aanpak is voor een overdracht tussen teams.

Dat de overdracht tussen die twee teams twee keer is misgegaan en dat de reden een persoon was, geen proces.

Hoe goed werk er in jouw branche in het algemeen uitziet.

Hoe goed werk er hier uitziet, wat één ervaren collega meteen herkent en nooit hardop heeft beschreven.

Alles wat je ooit hebt gepubliceerd.

Alles wat je hebt besloten niet te publiceren, en het argument dat dat beslechtte.

Organisatiecontext is het deel van je bedrijf dat een model nodig heeft en niet kan vinden. Slechts 7% van de bedrijven zegt dat hun data volledig klaar is voor AI, en 73% zegt dat hun organisatie er meer prioriteit aan zou moeten geven dan ze doet.1

Het korte antwoord

In een onderzoek van Harvard Business Review Analytic Services met Cloudera zei 7% van de respondenten dat de data van hun organisatie volledig klaar is voor AI, en 27% dat die niet erg of helemaal niet klaar is.1
De grootste hindernis was verkokerde data en moeite met het samenbrengen van bronnen, 56%, gevolgd door het ontbreken van een heldere datastrategie met 44%.1
Een tweede, groter onderzoek van Cloudera onder 1.270 IT-verantwoordelijken vond dat 85% zegt een heldere datastrategie te hebben, terwijl ongeveer 80% zegt dat hun AI-werk nog steeds beperkt wordt door beperkte toegang tot data. Cloudera noemt dat de AI readiness illusion.2
84% had vertrouwen in de juistheid en volledigheid van de eigen data. Minder dan één op de vijf zei dat die volledig is ingericht met afspraken over beheer.2
En de menselijke helft: 14% van de bedrijven zegt dat hun agentwerkstromen, overdrachten en kwaliteitsnormen op organisatieniveau zijn vastgelegd.3 Dat is het deel dat geen enkel dataplatform oplost.

Je bent hier als

De antwoorden die je krijgt verstandig zijn en nooit helemaal over jouw bedrijf gaan
Iemand steeds hetzelfde met de hand moet corrigeren
Je een tool hebt gekocht die je eigen documenten zou gebruiken en die tegenviel
Je vermoedt dat de bruikbare kennis in drie mensen zit en op geen enkele schijf

Wat je meeneemt

Wat er werkelijk als context telt, en wat gewoon meer bestanden zijn
Een test voor dag één die een middag kost en de vraag beslecht
Het onderzoek, met de steekproeven en wie ervoor betaalde
Waar je begint, met iets dat je bedrijf al produceert

Wat het is

Je gedeelde schijf bevat de uitkomsten. De redenen zitten ergens anders.

De meeste bedrijven richten hun AI op de gedeelde schijf zodra ze horen dat er context nodig is. Daarna valt het tegen en concluderen ze dat de techniek er nog niet klaar voor is. Op die schijf staan uitkomsten: het afgeronde voorstel, het getekende contract, het gepubliceerde beleid. Wat het bepaalde staat er nergens in.

Neem één voorbeeld dat je herkent. Al je voorstellen lijken op elkaar en één ervan was elf procent hoger geprijsd, en de reden is een gesprek dat iemand op een parkeerplaats had. Een model dat twintig voorstellen leest ziet het patroon en middelt het. Iemand die hier vier jaar werkt ziet de uitzondering en weet waarom. Het verschil tussen die twee is de hele pagina.

De schijf staat vol met wat je hebt besloten. De redenen zitten in drie mensen, en twee daarvan hebben het druk. Paul Musters

Er zijn drie lagen, en bedrijven hebben meestal de eerste en vrijwel nooit de derde. De feiten: cijfers, klanten, contracten, meestal al in systemen. De methode: hoe het werk hier echt gebeurt, deels opgeschreven en grotendeels niet. En het oordeel: wat je zou weigeren, wat je al hebt geprobeerd, en waar de grens ligt tussen prima en niet prima. Alleen de eerste laag is een dataprobleem. De andere twee zijn een schrijfprobleem, en dat zijn de lagen die een antwoord laten klinken alsof het van binnen het bedrijf komt.

En daarom zit dit waar het zit op de AI Culture Levels. Opschrijven hoe het werk echt gebeurt is gedrag van level 3, en dat is het eerste level waarop een bedrijf iets eigens heeft om aan een machine te geven.

01Campfire60%

02Wild West25%

03Blueprint10%Hier opgeschreven

04Engine4%

05Ecosystem1%

Aandeel bedrijven per level. Op level 2 werkt iedereen vanuit zijn eigen hoofd, dus een antwoord is niet beter dan degene die het vroeg. Level 3, Blueprint, is waar een bedrijf heeft opgeschreven hoe het werk echt gebeurt, en dat is het eerste wat het aan een machine kan geven. De aandelen per level komen uit het eigen werk van emaho met klanten.

Onder die grens vraagt iedereen vanuit zijn eigen hoofd, dus hangt de kwaliteit van een antwoord af van wie het toevallig vroeg. Dat is te overleven zolang AI een nevenactiviteit is, en het houdt op te overleven op het moment dat een agent iets maakt dat een klant ziet.

Wat het onderzoek zegt

De meeste bedrijven denken verder te zijn dan hun eigen antwoorden zeggen.

Twee onderzoeken van hetzelfde bedrijf, zes weken uit elkaar, vertellen het verhaal beter dan elk afzonderlijk. Het eerste werd uitgevoerd door Harvard Business Review Analytic Services met Cloudera onder ruim 230 mensen die betrokken zijn bij de AI-databeslissingen van hun organisatie.1 Het tweede ondervroeg 1.270 IT-verantwoordelijken bij bedrijven met meer dan duizend medewerkers.2

7%

zegt dat de data van hun organisatie volledig klaar is voor AI, terwijl 27% zegt dat die niet erg of helemaal niet klaar is

1

85%

zegt een heldere datastrategie te hebben, en ongeveer 80% zegt dat AI nog steeds wordt geremd door beperkte toegang tot de eigen data

2

18%

zegt dat de data volledig is ingericht met afspraken over beheer, tegenover 84% dat vertrouwen heeft in de juistheid en volledigheid ervan

2

Cloudera heeft een naam voor die middelste en het is een goede naam: de AI readiness illusion. Vijfentachtig op de honderd hebben een strategie op papier. Vier op de vijf worden nog steeds geblokkeerd door precies datgene waar die strategie over ging. Niemand in dat onderzoek is oneerlijk, en de twee antwoorden zitten in verschillende delen van hetzelfde hoofd.

Wat er werkelijk in de weg zit

Het eerste onderzoek vroeg wat het voorbereiden van data voor AI moeilijk maakt. De antwoorden zijn het waard om op volgorde te lezen, want de bovenste is geen technisch probleem op de manier die mensen verwachten.1

Verkokerde data, of moeite om bronnen samen te brengen

56%

Geen heldere datastrategie

44%

Problemen met datakwaliteit en vertekening

41%

Wettelijke beperkingen op hoe data gebruikt mag worden

34%

De grootste hindernissen bij het voorbereiden van data voor AI, onder ruim 230 mensen die betrokken zijn bij de AI-databeslissingen van hun organisatie.1

Verkokerde informatie bovenaan, en het ontbreken van een strategie op twee. Dat zijn allebei organisatorische antwoorden in technische kleren. Ergens in je bedrijf bevatten twee systemen overlappende versies van hetzelfde ding en heeft niemand ooit de discussie gevoerd welke klopt, want tot nu toe dwong niets dat af.

En de helft die geen platform oplost

Alles hierboven gaat over data. De moeilijkere helft is de methode, en Microsoft heeft die gemeten. Op de vraag of agentwerkstromen, menselijke overdrachten en kwaliteitsnormen op organisatieniveau zijn vastgelegd en herhaalbaar zijn, zei veertien op de honderd ja. Onder de meest gevorderde AI-gebruikers in hetzelfde onderzoek was het vijfentwintig op de honderd.3

Lees dat naast de zeven procent en je hebt het eerlijke beeld. De feiten zitten in systemen en zijn lastig samen te brengen. De methode zit in mensen en is helemaal niet opgeschreven. Een bedrijf dat alleen het eerste oplost, houdt prachtig ingerichte data over en antwoorden die nog steeds niet als het bedrijf klinken.

Twee kanttekeningen bij het bewijs. Beide onderzoeken van Cloudera zijn betaald door een bedrijf dat dataplatformen verkoopt, en de vragen zijn daarnaar geformuleerd. En het tweede ondervroeg bedrijven met meer dan duizend medewerkers, wat ruim boven de omvang ligt waar emaho meestal mee werkt. De richting is bruikbaar, de precieze percentages gaan over het bedrijf van iemand anders.

Hoe het begint

Wat jullie weten staat nergens opgeschreven waar een model bij kan.

Niemand is ooit betaald om het waarom op te schrijven

Elk bedrijf legt vast wát het besloot, want dat is wat een contract, een specificatie en een beleidsstuk zijn. Bijna niemand legt vast waarom, want tot voor kort woonde het waarom prima in degene die de keuze maakte en kon je het gewoon vragen. Dat werkte decennialang. Het houdt op te werken op het moment dat het ding dat het werk doet niet even naar dat bureau kan lopen.

De mensen die het dragen zijn de mensen zonder tijd

De context die je het hardst nodig hebt zit geconcentreerd in drie of vier mensen, en dat zijn er drie of vier juist omdat alles via hen loopt. Ze vragen een week te besteden aan opschrijven is het drukste deel van het bedrijf vragen te stoppen. Dus wordt het ingepland, verzet, en elk kwartaal stilletjes geschrapt.

Degene die het zou kunnen opschrijven is degene die je niet kunt missen, en daaraan weet je dat het het opschrijven waard is. Paul Musters

Het met de hand repareren is elke keer goedkoop genoeg

Iemand krijgt een net iets te algemeen antwoord, corrigeert dat in vier minuten, en gaat verder. Vier minuten is niets. Het is ook onzichtbaar, ongeteld en het gebeurt elf keer per week bij elf mensen, en elk van die correcties is een stukje context dat even bestond en daarna is weggegooid. Dat is het mechanisme dat dit precies houdt zoals het is.

Hoeveel weet het bedrijf over zichzelf?

Drie minuten, zes vragen, niemand ziet je antwoorden. Je level, wat het je daar kost, en wat er een niveau hoger verandert.

Doe de Culture Level scan

Hoe je het ziet

Geef het de opdracht die je een nieuwe collega zou geven.

Pak een echte taak die je iemand in zijn eerste week zou geven. Schrijf de opdracht precies zoals je hem voor een mens zou schrijven, met evenveel achtergrond, en geef hem in plaats daarvan aan een model. Vergelijk daarna wat terugkomt met wat een goede nieuwe collega op dag drie zou maken.

1

Allebei prima

Dan heeft de taak jouw context echt niet nodig, en heb je iets gevonden dat je blijvend kunt overdragen. De meeste bedrijven hebben er meer van dan ze denken en gebruiken er minder dan zou kunnen.

2

Het model is slechter op dezelfde manier als een nieuwe collega

Algemeen, plausibel, zonder de lokale regels. Dit is de nuttige uitkomst. Het gat is je inwerkprogramma en niet het model, en wat je die nieuwe collega op donderdag had verteld is de eerste context die het opschrijven waard is.

3

Het model is slechter op een manier die een nieuwe collega nooit zou zijn

Het spreekt iets tegen dat hier iedereen weet. Dat wijst naar een specifiek stuk oordeel, meestal één zin lang, dat nooit iemands hoofd heeft verlaten. Schrijf die zin vandaag op.

De tweede uitkomst is de gewone, en dat is vreemd genoeg goed nieuws. Het betekent dat het ontbrekende stuk kenbaar en opschrijfbaar is, en dat hetzelfde gat je al jaren stilletjes geld kost bij elke nieuwe collega.

Doe het op drie verschillende taken uit drie verschillende delen van het bedrijf voordat je iets concludeert. Eén is een anekdote, en drie is een patroon waar je in een vergadering naar kunt wijzen.

Level voor level

Context is voor elke persoon anders.

Er is een versie hiervan die mislukt, en dat is de versie waarin een bedrijf zes maanden bouwt aan één enorme kennisbank die iedereen zou moeten gebruiken. Hij komt er, hij veroudert, en binnen een jaar onderhouden twee mensen hem en leest niemand hem.

Een Operating Profile in gebruik. Persoonlijkheidstype en AI-niveau in één profiel, met de agents die daarbij passen.

De versie die wel werkt is kleiner en dichter bij de persoon. Wat een verkoper wil dat de machine weet is niet wat een controller wil, en geen van beiden onderhoudt een document dat voor de ander is geschreven. Dus meten we twee dingen per persoon, hoe iemand zijn dag inricht en hoe ver iemand is met AI, en bouwen we daarna zijn agents met de context erin die bij zijn echte week past.

Dat lost meteen het onderhoudsprobleem op, en dat is het probleem dat elke kennisbank de kop kost. Iemand houdt zijn eigen agent eerlijk omdat hij van hem is en omdat een fout antwoord hem zijn middag kost. Zo heeft nog nooit iemand zich gevoeld bij een gedeelde wiki.

Over emaho

emaho meet één Operating Profile per persoon: persoonlijkheidstype en AI-niveau in één profiel. Daarop bouwen we een persoonlijke set AI-agents die past bij hoe iemand werkt, binnen de tools die hij al gebruikt. Vijftien minuten invullen, het eerste profiel is gratis, gemaakt voor bedrijven van 20 tot 500 mensen.

Bekijk je eigen profiel, gratis Vind je AI Culture Level

Vijftien minuten per persoon. Geen creditcard, geen verplichtingen.

Wat je kunt doen

Begin met de tien dingen die je het vaakst uitlegt.

Hier zit geen project achter en dat hoeft ook niet. Je bedrijf produceert het ruwe materiaal hiervoor elke week, in de vorm van dezelfde uitleg die steeds opnieuw aan andere mensen wordt gegeven.

Vraag drie of vier mensen via wie alles loopt om twee weken een notitie bij te houden. Elke keer dat ze iets uitleggen dat voor hen vanzelfsprekend is en voor de vrager niet, schrijven ze één regel. Geen document, een regel. Na twee weken heb je tussen de dertig en zestig regels, en ongeveer tien daarvan komen meer dan één keer terug. Die tien zijn jullie context, en ze waren gratis.

Schrijf die tien fatsoenlijk uit. Eén alinea per stuk, in gewone taal, met de reden en de uitzondering erbij. De reden is het deel dat telt, want een regel zonder reden wordt toegepast op het geval waar hij nooit voor bedoeld was. Zet ze daarna op een plek waar de tools die je mensen echt gebruiken erbij kunnen, en voor de meeste bedrijven is dat één bestand in plaats van een platform.

Houd het levend met hetzelfde trucje dat het opleverde. Elke keer dat iemand een machineantwoord voor de tweede keer met de hand moet corrigeren, wordt die correctie een regel. Zo worden die vier verspilde minuten het enige onderhoudsmechanisme dat ooit een druk kwartaal heeft overleefd.

En één ding om voorlopig te laten liggen. Begin niet met iets op de gedeelde schijf te richten. Veertien op de honderd bedrijven hebben hun werkwijze überhaupt opgeschreven,3 dus bij de meeste staan op die schijf uitkomsten en geen redenering. Die indexeren levert een stellige machine op met dezelfde blinde vlek en een grotere woordenschat.

Wat waren jullie tien regels?

Doe je de notitie van twee weken, stuur me dan drie regels die meer dan één keer terugkwamen. Die drie zeggen meestal meer over een bedrijf dan een organogram, en ik vertel je wat ik ermee zou doen. Ik antwoord zelf, meestal dezelfde dag, en daarmee is het klaar.

Stuur me een bericht op WhatsApp

Wat wachten kost

Het blijft een vreemde, en vreemden geven algemene antwoorden.

De zichtbare kostenpost is een tool die stilletjes wordt losgelaten. Je koopt iets dat belooft met je eigen documenten te werken, het geeft algemene antwoorden omdat die documenten uitkomsten bevatten en geen redenering, en binnen vier maanden doen mensen het weer met de hand. Daarna wordt het verhaal binnen het bedrijf dat dit spul hier niet echt werkt, en dat is duur om terug te draaien.

Daaronder zit de correctiebelasting. Elk algemeen antwoord kost iemand een paar minuten en die minuten worden nooit geteld, nooit gemeld en nooit opgelost, want elk stukje is te klein om aan te kaarten. Dezelfde elf correcties gebeuren elke week en de kennis die erin zit wordt elf keer weggegooid.

En er is er één die op een maandag binnenkomt. Een van de drie of vier mensen die de redenering dragen vertrekt, en wat met hem meeloopt is het antwoord op waarom, bij ongeveer veertig losse dingen. Welke veertig, dat ontdek je het jaar erna, één ongemakkelijke vergadering tegelijk.

Wat mensen vragen

Vragen over wat een model over jullie weet

Wat is organisatiecontext bij AI?

Alles over hoe jouw bedrijf werkelijk werkt dat een model nodig heeft en niet kan vinden: jullie normen, jullie geschiedenis, jullie beperkingen, en de reden waarom één klant anders wordt behandeld. Er zijn drie lagen: de feiten, de methode en het oordeel. Alleen de eerste is een dataprobleem.

Waarom werkt AI niet goed met onze eigen documenten?

Omdat op je gedeelde schijf uitkomsten staan en geen redenering. Het afgeronde voorstel, het getekende contract, het gepubliceerde beleid. Wat het bepaalde staat er niet in, en juist dat is wat een antwoord bruikbaar maakt.

Hoeveel bedrijven zijn klaar met hun data voor AI?

In het onderzoek van Harvard Business Review Analytic Services met Cloudera zegt 7% dat de data volledig klaar is, en 27% dat die niet erg of helemaal niet klaar is. Let op dat het onderzoek is betaald door een bedrijf dat dataplatformen verkoopt.

Wat is de AI readiness illusion?

De term van Cloudera voor het feit dat 85% van de IT-verantwoordelijken zegt een heldere datastrategie te hebben, terwijl ongeveer 80% zegt dat AI nog steeds wordt geremd door beperkte toegang tot de eigen data. Beide antwoorden komen uit hetzelfde hoofd.

Waar past dit tussen de andere AI-challenges?

Het is er één van vijfentwintig, en hij ligt naast generiek AI-advies en het verouderde organogram. De volledige set van 25 AI-challenges geeft per challenge het onderzoek, het level en een test die je deze week kunt doen.

Hoe test je of AI genoeg over je bedrijf weet?

Geef het de opdracht die je een nieuwe collega in zijn eerste week zou geven, met dezelfde achtergrond. Vergelijk het resultaat met wat een goede nieuwe collega op dag drie zou maken. Doe het op drie taken uit drie delen van het bedrijf voordat je iets concludeert.

Hoe leg je bedrijfskennis vast voor AI?

Laat drie of vier mensen via wie alles loopt twee weken één regel opschrijven elke keer dat ze iets uitleggen dat voor hen vanzelfsprekend is. Na twee weken heb je dertig tot zestig regels, waarvan er ongeveer tien vaker terugkomen. Die tien zijn je context.

Waarom wordt het waarom nooit opgeschreven?

Omdat er nooit iemand voor is betaald. Elk bedrijf legt vast wat het besloot, want dat is wat een contract en een beleidsstuk zijn. Het waarom woonde prima in degene die de keuze maakte, en dat werkte tot het ding dat het werk doet niet meer naar dat bureau kan lopen.

Is een bedrijfsbrede kennisbank een goed idee?

Meestal niet als eerste stap. Hij wordt gebouwd, hij veroudert, en binnen een jaar onderhouden twee mensen hem en leest niemand hem. De versie die wel werkt zit dichter bij de persoon, want die houdt hem bij omdat een fout antwoord hem zijn middag kost.

Hoeveel bedrijven hebben hun werkwijze vastgelegd?

Microsoft meet dat 14% zegt dat agentwerkstromen, menselijke overdrachten en kwaliteitsnormen op organisatieniveau zijn vastgelegd en herhaalbaar zijn. Onder de meest gevorderde AI-gebruikers is dat 25%. Dat is het deel dat geen dataplatform oplost.

Dichtbij

Uit hetzelfde ontbrekende stuk

Alle drie zijn wat er gebeurt als de machine moet antwoorden zonder iets over jullie te weten.

13

Goed advies, verkeerd bedrijf

Hetzelfde gat vanaf de ontvangende kant: advies dat in het algemeen klopt en voor jou niet.

Lees deze 20

Iedereen hetzelfde antwoord

Wat er in een hele markt gebeurt als niemand iets eigens in de vraag te stoppen heeft.

Lees deze 15

Organogram loopt achter

Wat er nog meer verdwijnt als nooit is opgeschreven hoe het werk echt gaat.

Lees deze

Alle 25 AI-challenges, en wat je aan elk kunt doen

Vijfentwintig dingen die stukgaan in een bedrijf zodra mensen met AI gaan werken, elk met het onderzoek erachter en het level waarop het begint te bijten. Deze begint te bijten op Blueprint, en 7 andere beginnen daar ook.

Open de volledige set

Aan de slag

Zet je bedrijf in de tools, één persoon tegelijk.

Eén bedrijfsbrede kennisbank veroudert binnen een jaar. Een profiel en een set agents per persoon blijft actueel, want degene die hem gebruikt is degene die hem bijwerkt.

Vraag het iets dat alleen een insider kan beantwoordenHet antwoord wordt degelijk en fout, en dat is de goedkoopste demonstratie die je deze maand krijgt.
Zet de wereld van één persoon erinEen profiel en een set agents draagt het deel van je bedrijf dat deze specifieke persoon nodig heeft.
Laat de gebruiker de beheerder zijnEen kennisbank zonder eigenaar is binnen een jaar verouderd. Deze blijft actueel omdat degene die hem gebruikt hem bijhoudt.

Begin met je eigen profiel, gratis Stel me eerst je vraag Plan een gesprek van 30 minuten

Eerste profiel gratis · geen creditcard · gemaakt voor bedrijven van 20 tot 500 · jij bepaalt wat je team te zien krijgt

Nog niet zover om je team ergens in te zetten? Begin dan met het level van het bedrijf. De Culture Level scan is zes vragen, drie minuten, en vraagt niets van je.

Paul MustersOprichter van emaho

Paul Musters

Vijftien jaar leiderschaps- en teamontwikkeling in Nederlandse scale-ups. Die praktijk zit nu in software: één Operating Profile per persoon, met agents die echt passen. Hij schrijft deze pagina’s vanuit wat hij bij klanten tegenkomt, in plaats van vanuit een samenvatting van onderzoek.

LinkedIn · paul@emaho.world · WhatsApp

Bronnen en cijfers die op deze pagina staan

Harvard Business Review Analytic Services met Cloudera, Taming the Complexity of AI Data Readiness, aangekondigd op 5 maart 2026. Onderzoek onder ruim 230 leden van het lezerspubliek van Harvard Business Review, allemaal betrokken bij de AI-databeslissingen van hun organisatie, afgenomen in oktober 2025. Bron van: 7% dat zegt dat de data van de organisatie volledig klaar is voor AI; 27% dat zegt dat die niet erg of helemaal niet klaar is; 73% dat vindt dat de organisatie meer prioriteit zou moeten geven aan datakwaliteit voor AI en een even groot deel dat het verwerken en voorbereiden van data lastig noemt; hindernissen genoemd als verkokerde data of moeite met het samenbrengen van bronnen 56%, gebrek aan een heldere datastrategie 44%, problemen met datakwaliteit en vertekening 41% en wettelijke beperkingen 34%; 23% met een vastgestelde datastrategie voor AI en 53% dat er actief aan werkt; en 65% dat verwacht dat veel bedrijfsprocessen binnen twee jaar worden ondersteund of vervangen door agentic AI. Het onderzoek is betaald door Cloudera, dat dataplatformen verkoopt.
Cloudera, The Data Readiness Index: Understanding the Foundations for Successful AI, gepubliceerd op 14 april 2026. Onderzoek in opdracht van Cloudera, uitgevoerd door Researchscape onder 1.270 IT-verantwoordelijken in de regio’s AMER, EMEA en APAC bij bedrijven met meer dan 1.000 medewerkers, afgenomen van 22 januari tot 3 maart 2026, gewogen naar het bbp van de onderzochte landen. Bron van: 96% dat meldt dat AI is opgenomen in kernprocessen; 85% dat zegt een heldere datastrategie te hebben; ongeveer 80% dat zegt dat AI- en data-initiatieven worden beperkt door beperkte datatoegang over omgevingen heen, wat Cloudera de AI readiness illusion noemt; 84% dat vertrouwen heeft in de juistheid, volledigheid en samenhang van de data terwijl minder dan één op de vijf, 18%, zegt dat de data volledig is ingericht met afspraken over beheer en 71% zegt dat het grootste deel dat is; 73% dat meldt dat prestatiebeperkingen operationele initiatieven hebben gehinderd; en als redenen waarom AI-initiatieven tekortschieten datakwaliteit 22%, kostenoverschrijding 16% en slechte inbedding in bestaande werkstromen 15%. Ook betaald door Cloudera, en de steekproef ligt ruim boven de bedrijfsomvang waar emaho normaal mee werkt.
Microsoft, 2026 Work Trend Index Annual Report, gepubliceerd op 5 mei 2026. Onderzoek door Edelman Data x Intelligence onder 20.000 kenniswerkers die AI op het werk gebruiken in tien markten waaronder Nederland, 2.000 per markt, afgenomen van 18 februari tot 7 april 2026. Bron van: 14% dat zegt dat agentwerkstromen, menselijke overdrachten en kwaliteitsnormen op organisatieniveau zijn vastgelegd en herhaalbaar zijn, en 25% onder de meest gevorderde AI-gebruikers in hetzelfde onderzoek. Microsoft geeft aan dat de vragen zelfgerapporteerd zijn en statistische samenhang tonen in plaats van een oorzakelijk effect.

Cijfers staan zoals ze zijn gepubliceerd. De drie voorbeelden bovenaan en de vergelijking in twee kolommen zijn samengesteld uit klantsituaties en geen letterlijke weergave. Het aandeel bedrijven per level komt uit het eigen werk van emaho met klanten.