Is je bureau klaar voor AI? Beoordeel vier dingen: context, mensen, proces en platform. Negeer daarna je beste score. Volgens een Singaporese bureauoprichter die 18 maanden probeerde AI-native te worden, bepaalt je zwakste dimensie je gereedheidsniveau. Daarom verandert iedereen op AI-cursus sturen, het standaardantwoord op ‘hoe laten we mensen bijscholen?’, zo vaak maar weinig.
De vraag rond mensen wordt scherper. Marketing Dive meldde vorige maand Gartner-onderzoek waaruit blijkt dat van 1.303 senior marketingleiders 18% vanwege AI al functies heeft geschrapt en 16% nieuwe functies heeft gecreëerd. Gartner voorspelt dat de meeste goed presterende marketingteams tegen 2030 traditionele instapfuncties zullen schrappen en dringt er bij CMO's op aan juniors eerder waardevoller werk te geven in plaats van de talentpijplijn af te knijpen. Dat is lastig als de rest van het bureau niet klaar is om hen te ondersteunen.
Wat meet een AI-gereedheidsscan eigenlijk?
De oprichter, die deze week sprak tijdens een sessie over AI-adoptie in Singapore, bracht gereedheid terug tot vier dimensies. Zoals het diagram laat zien:
- Context: wat is vastgelegd waar AI uit kan putten. Briefings, merkrichtlijnen, eerder werk, klanthistorie, de manier waarop jullie dingen doen.
- Mensen: wie echt werk uit AI haalt en wie achterblijft.
- Proces: hoe werk daadwerkelijk verloopt, voorbij de SOP.
- Platform: waarvoor je betaalt en hoe diep het wordt gebruikt.
De meeste bureaus beoordelen alleen de laatste, en dan nog slecht. Ze tellen licenties. Een licentie die niemand goed gebruikt, is een kostenpost, geen vaardigheid.
Waarom bepaalt je zwakste dimensie je gereedheid?
Omdat AI-werk door alle vier loopt en stokt op het smalste punt. Zoals zijn slide het zei: je zwakste dimensie bepaalt je gereedheidsniveau; je sterkste laat helemaal geen gereedheid zien.
Stel je drie bureaus voor. Een creatief bureau met briljante, nieuwsgierige mensen maar bijna niets vastgelegd: elke AI-output klinkt generiek omdat het model het merkboek en het werk van de afgelopen drie jaar nooit heeft gezien. Een mediabureau met uitstekende platforms en nette dashboards, waar het echte proces in de hoofden van twee senior planners en een chatgroep zit, zodat automatisering steeds stukloopt op ongedocumenteerde uitzonderingen. Een CRM-bureau met onberispelijke processen en een team dat stilletjes heeft besloten dat AI niets voor hen is.
Elk heeft een sterk punt om naar te wijzen. Geen van hen is klaar. En de oplossing is in elk geval anders, en daarom werkt een generiek AI-programma zelden.
Waarom zijn AI-cursussen niet genoeg om een team gereed te maken?
Cursussen pakken één dimensie aan, mensen, en dan nog maar een deel ervan. De oprichter stelde een lastiger vraag: als het je lukt om medewerkers te veranderen in hybride experts, deels strateeg, deels engineer, deels klantleider, wat gebeurt er dan als ze vertrekken? En als je nieuwe business wint en moet aannemen, waar vind je er dan meer van?
Bureaus moeten nieuwe collega's snel kunnen inzetten. Een gereedheidsstrategie die afhangt van een paar zeldzame hybriden is kwetsbaar. Eén die context in gedeelde systemen onderbrengt, vastlegt hoe het werk echt verloopt en tools gebruikt die een nieuwe collega in dagen oppakt, schaalt mee met het bureau.
Dit geldt dubbel voor juniors. Als Gartner gelijk heeft dat traditionele instapfuncties verdwijnen, moeten de juniors die je wel aanneemt snel bij waardevoller werk kunnen komen. Dat gebeurt alleen als context, proces en platform een deel van het lesgeven doen.
Zijn conclusie was ronduit: adoptie vereist waarschijnlijk dat je het team herstructureert en de manier van werken anders organiseert. Training is daar een onderdeel van, geen vervanging.
Waarom lopen sommige teams voorop terwijl andere vastlopen?
De Digital Divide Theory is ontwikkeld om uit te leggen waarom toegang tot technologie geen gelijk voordeel garandeert. De kloof ontstaat in lagen: eerst wie toegang heeft, dan wie de vaardigheden heeft, dan wie er echte resultaten mee behaalt. Elk bureau heeft een variant daarvan in zichzelf. Iedereen heeft dezelfde licentie; een handvol mensen haalt er echt werk uit; de rest raakt elke maand verder achter.
Dezelfde kloof loopt tussen de holdingnetwerken en onafhankelijke bureaus. De netwerken hebben zwaar geïnvesteerd in platforms. Onafhankelijke bureaus kunnen die uitgaven niet evenaren, maar ze kunnen de resultaatkloof dichten via verbinding: gedeelde context, mensen die op live werk van elkaar leren, vakgenoten die uitwisselen wat echt werkt. Dat is waar iedereen die ‘hoe kan ik leren van anderen in mijn vakgebied?’ intypt eigenlijk naar op zoek is. Innovatie gedijt bij verbinding, niet bij concurrentie.
In de praktijk is de snelste manier om de interne kloof te dichten, de mensen die waarde uit AI halen te koppelen aan degenen die dat niet doen, op echt klantwerk in plaats van in een klaslokaal.
Hoe voer je een snelle AI-gereedheidsscan uit?
Geef elke dimensie een score van 1 tot 5 aan de hand van de onderstaande vragen en richt je inspanning dan op de laagste.
| Dimensie | Te stellen vraag | Tekenen van zwakte | Eerste oplossing |
|---|---|---|---|
| Context | Wat is vastgelegd waar AI uit kan putten? | Briefings begraven in inboxen, merkregels in het hoofd van één persoon, eerder werk niet doorzoekbaar | Bouw per klant een gedeelde bibliotheek van briefings, richtlijnen en het beste werk |
| Mensen | Wie haalt echt werk uit AI en wie raakt achterop? | Een paar power users, veel sceptici, geen gedeelde standaard voor ‘goed’ | Koppel power users aan sceptici op live werk; wijs goedkeurders aan |
| Proces | Hoe verloopt werk echt, voorbij de SOP? | Uitzonderingen worden in chatthreads afgehandeld; niemand kan een klus van begin tot eind in kaart brengen | Loop één workflow mee en leg vast wat er echt gebeurt |
| Platform | Waarvoor betalen we en hoe diep wordt het gebruikt? | Overlappende abonnementen, laag gebruik, tools zonder eigenaar | Controleer licenties; schrap, bundel en geef elke tool een eigenaar |
- Kies één team of één klant. Het hele bureau in één keer beoordelen levert een vaag gemiddelde op.
- Interview, enquêteer niet. Vraag vijf mensen je door een recente klus te leiden. Een uur daarvan leert je meer over proces en context dan welke vragenlijst ook.
- Geef elke dimensie een eerlijke score. Gebruik de bovenstaande vragen. Onenigheid tussen beoordelaars is bruikbare data, geen ruis.
- Omcirkel de laagste score. Dat is je gereedheidsniveau, wat de andere drie ook zeggen.
- Besteed het volgende kwartaal aan die ene dimensie. Weersta de neiging nog een tool te kopen als platform niet het probleem is.
- Beoordeel opnieuw en herhaal. Als één dimensie stijgt, wordt een andere de beperkende factor.
Wat verandert er zodra je je zwakste schakel kent?
Je stopt met het kopen van oplossingen voor problemen die je niet hebt. Als context de beperking is, is het werk niet glamoureus: dingen vastleggen en neerzetten waar mensen en AI ze kunnen vinden. Als proces de beperking is, breng het dan in kaart voordat je het automatiseert. Herstructurering kan volgen, en volgens de Singaporese oprichter is dat meestal juist het punt, geen mislukking.
Als mensen de beperking zijn, is het antwoord vaak een tool die minder van hen vraagt. Het Defy-platform bevat Defy MCP, waarmee je team klant- en categoriedata in Claude kan bevragen en het kan aansturen als een collega, zonder dashboard om te leren. Dat verlaagt de vaardigheidsdrempel, waardoor een nieuwe collega sneller nuttig is en de kloof tussen power users en de rest kleiner wordt. En dat is uiteindelijk wat gereedheid betekent.
