Vorige maand zat ik bij een groothandel in beautyproducten. Ze belden UnicornAI omdat hun concurrent een AI-chatbot had gelanceerd en zij achter dreigden te raken. Wat ze wilden was een klantenservice-bot, gekoppeld aan productcatalogus, bestellingen en klantenhistorie. Wat ik tijdens dat eerste gesprek al zag, was iets wat zij nog niet zagen: waar het precies ging werken, op welke subset van hun productdata, en hoe de eerste week eruit zou kunnen zien. De dag erna had ik een werkend prototype. De gebruikelijke consultancy-wijsheid luidt dan nog: eerst je data op orde, daarna pas AI. Die wijsheid klopt niet.
Wat ik elke week zie
Bij UnicornAI krijgen we twee tot drie aanvragen per week van bedrijven die precies dit doen. Ze zien AI snel bewegen, voelen de druk, en vragen om een concrete toepassing. Bijna tachtig procent van die gesprekken eindigt bij dezelfde observatie. Hun data zit verspreid over systemen die niet met elkaar praten. Belangrijke informatie staat in spreadsheets, op persoonlijke drives, of in een mailadres van iemand die al jaren niet meer bij het bedrijf werkt. Dit is geen symptoom van een slecht geleid bedrijf. Het is de normale staat van middelgrote Nederlandse organisaties in 2026. Voeg daarbij dat de mensen op de vloer vaak beter weten waar de data staat dan het bedrijf zelf, en je hebt een situatie waarin een AI-project niet mislukt op techniek, maar op fundament. Zie ook de vijf niveaus van AI-adoptie in bedrijven voor waar de meeste organisaties nu zitten.
Waarom eerst data op orde vastloopt
De klassieke volgorde bij een AI-project is logisch op papier. Inventariseer je data, breng systemen bij elkaar, zet governance op, en dan pas bouw je. In de praktijk sterft dit type project in fase één. Een directeur die geld heeft vrijgemaakt voor AI wil zien wat die investering oplevert. Drie maanden een data-analist laten inventariseren zonder concreet resultaat, is niet wat hij verwachtte toen hij ja zei. De CFO ziet alleen kosten lopen. De mensen op de vloer worden moe van de vragenlijsten. En over een half jaar zit iedereen weer in het oude patroon, met een dure rapportage op een plank.
Wat ik bij klanten zie is dat data-werk pas serieus begint als het resultaat voor ze voelbaar is. Niet als abstract toekomstbeeld, maar als iets dat hun concrete situatie laat zien. Dat vereist dat er eerst iets concreets op tafel ligt.
Ik maak het prototype in een dag
Tijdens een eerste gesprek zie ik meestal al waar het gaat werken. Welke vraag, welke data-subset, welk model, welke vorm. De uitdaging zit niet in verbeelden, die sla ik tijdens het koffie zetten al over. De uitdaging zit in tonen.
Dus bouw ik binnen een dag iets werkends. Geen complete integratie met hun CRM, geen production-setup, geen fine-tuning. Bij de beautygroothandel hebben we in enkele uren een Claude Sonnet 4.6-chatbot gezet op een geëxporteerde subset van hun productcatalogus. Het beantwoordde vragen als welke crèmes geschikt zijn voor droge huid en welke op voorraad staan. Niet perfect, wel verrassend goed voor een paar uur werk.
Wat een prototype in een dag doet, is niet een product opleveren. Het is de visie verkopen. Een directeur die tien minuten met zo'n bot praat, stelt binnen een kwartier drie vragen die hij een dag eerder niet kon stellen. Kunnen we dit ook op bestellingen doen? Wat als we het aan ons nieuwsbriefsysteem koppelen? Werkt dit ook voor onze B2B-klanten? Die vragen kon hij eerder niet formuleren omdat hij geen beeld had van wat mogelijk was. Nu wel. Vanaf dat moment is de rest van het traject een andere onderhandeling.
Daarna begint de Discovery
Pas na het prototype beginnen we aan het serieuze werk. Welke datastromen zijn er echt, hoe ziet de architectuur eruit, waar zit de productcatalogus onder de motorkap, hoe komt een order in het systeem, welke legacy-paden moeten we respecteren. Een Discovery-fase die in mijn ervaring meestal twee tot drie weken kost, afhankelijk van hoe diep de organisatie zit.
Het bijzondere is dat deze Discovery heel anders verloopt als er al een werkend prototype is. De klant is niet meer aan het bedenken óf AI voor hen kan werken, die vraag is beantwoord. De vraag is nu: hoe krijgen we dit van de demo naar iets dat op schaal werkt in onze echte omgeving. Dat is een veel concretere, werkbaarder gesprek. En het betekent dat de mensen die het werk moeten doen, hun medewerking niet meer afhankelijk maken van een abstract idee maar van iets dat ze zelf al hebben zien werken.
Dat is het echte effect van de omgedraaide volgorde. Niet dat je sneller live gaat, maar dat data-werk, governance-gesprekken, en integraties met zichtbaar enthousiasme worden uitgevoerd. Niet omdat iemand het moet, maar omdat iedereen het al voor zich ziet.
Wat ik tegen elke directeur zeg die begint
Vraag je AI-partner niet om een zesmaands roadmap, vraag om een prototype na het eerste gesprek. Als ze daar niet in willen of kunnen, heb je de verkeerde partner. Wie tijdens een uur aan tafel niet kan vertellen waar het gaat werken en dat binnen een dag kan laten zien, mist of de creativiteit of de snelheid die je zoekt.
Wat je tegen jezelf moet zeggen is dit. Je data gaat niet eerst op orde komen om vervolgens AI in te voeren. Je voert AI in op een afgebakend stukje, dwingt het enthousiasme af waarmee het bredere data-werk haalbaar wordt, en pakt dan de Discovery aan die er toe doet. De volgorde is niet eerst schoonmaken, dan verbouwen. De volgorde is eerst zichtbaar een hoek bouwen, dan weet iedereen waar de stopcontacten moeten zitten. En in mijn werk bij Digital Impact zien we dat dit de fase is waarin AI-projecten van experiment naar impact bewegen.
De beautygroothandel zit nu in fase twee. De klantenservice-bot draait live, vooralsnog op de productcatalogus, met zestig procent van de inkomende vragen die hij zelfstandig beantwoordt. Die zestig procent is meer dan genoeg om de volgende investering in data-werk te rechtvaardigen. Dat is het verschil met een rapport in een la.
