Waar sta jij met AI? Ontdek onze vijf fases.
AI is overal. Als hype, als kans, als risico en soms zelfs als wondermiddel. Bij Cube kijken we liever naar wat er écht gebeurt. Want achter de schermen en steeds vaker ook vóór de schermen zien we dat veel organisaties dezelfde ontwikkeling doormaken. Van voorzichtig experimenteren tot AI die echt onderdeel wordt van software en processen. Waar sta jij nu? En welke stap kun je vandaag al zetten? In onze blog nemen we je mee langs de fases van AI-adoptie en laten we zien wat er nu al mogelijk is.
Fase 1 - AI op eigen initiatief.
Collega’s gebruiken AI-tools, maar niemand weet precies wie wat gebruikt en waarvoor. AI komt in meetings langs als gespreksonderwerp, maar staat nergens als project op de agenda. Drie afdelingen experimenteren los van elkaar, zonder dat iemand afstemt wat er gebeurt. En op de vraag: “Wat lossen we hier eigenlijk mee op?” blijft het stil.
Welke stap kun je nu zetten?
Begin met een nulmeting: welke AI-tools gebruiken collega’s al, waarvoor en welke informatie delen ze? Dat inzicht vormt de basis voor duidelijke afspraken en beleid. Kies daarna één team waar AI al actief wordt gebruikt. Daar zit vaak de meeste energie en leer je snel wat in de praktijk werkt. Beschrijf voor één proces wat er nu misgaat, wat AI kan verbeteren en hoe succes meetbaar wordt. Zo maak je AI concreet, veilig en toepasbaar.
De waarde van AI in deze fase.
In deze fase zit de waarde van AI vooral in directe ondersteuning. AI neemt kleine, terugkerende taken uit handen, zoals een mail opstellen, een document samenvatten of code aanvullen. Daardoor zie je snel waar tijd verloren gaat en waar AI direct verlichting kan brengen in het dagelijkse werk.
Fase 2 - Eerste spelregels en kaders.
Er ligt een AI-richtlijn op intranet, maar weinig mensen weten wat erin staat. Tools zijn toegestaan of verboden, maar de nuance daartussen ontbreekt. Collega’s vragen zich af: “Mag ik ChatGPT hiervoor gebruiken?” Alleen komen die vragen nergens samen. Ondertussen heeft één collega een prompt waarmee zijn werk twee uur sneller klaar is. De rest weet daar niets van.
Welke stap kun je nu zetten?
Maak van je AI-richtlijnen een versie die collega’s echt gebruiken. Geen juridisch taalgebruik, maar duidelijk: wat mag wel, wat mag niet en wanneer moet je opletten?Zorg daarnaast voor één plek waar collega’s prompts, vragen en ervaringen kunnen delen. Dat vormt de basis voor een gezamenlijke AI-bibliotheek. Plan ook een vaste review van je beleid, bijvoorbeeld elk halfjaar. AI verandert snel, dus afspraken moeten kunnen meebewegen.
De waarde van AI in deze fase.
In deze fase wordt AI bruikbaar voor meer mensen dan alleen de voorlopers. Met duidelijke kaders weten collega’s wat wel en niet kan, waardoor ze AI met meer vertrouwen inzetten. Dat maakt het gebruik breder én verkleint de kans op fouten.
Fase 3 - Gedeelde skills, werkwijze en pilots.
Eén team heeft een werkende AI-pilot, maar er is geen duidelijk pad naar bredere uitrol. De prompt-bibliotheek en use cases zijn er wel, maar niemand is eigenaar. Daardoor verouderen ze snel. Ook kennis zakt weg. Trainingen zijn gegeven, maar twee maanden later is een groot deel alweer vergeten. En soms ligt de eerste pilot meteen op een strategisch proces, terwijl de mensen die ermee moeten werken nog niet goed zijn meegenomen. Dan haakt de praktijk af voordat AI echt waarde kan leveren.
Welke stap kun je zetten?
Wijs per team een AI-ambassadeur aan: iemand die het werk kent én snapt hoe collega’s AI gebruiken. Zo blijft kennis niet hangen bij een paar voorlopers. Kies daarna één werkende pilot en maak de uitrol concreet: wie gaat ermee werken, welke data zijn nodig en welk probleem moet het oplossen? Verzamel use cases die waarde opleveren en bespreek maandelijks wat juist níet werkte met AI. Kies de volgende pilot op een taak waar veel herhaling of frustratie zit. Daar is de kans het grootst dat AI echt gebruikt wordt.
De waarde van AI in deze fase.
In deze fase wordt zichtbaar wat AI structureel oplevert, niet alleen wat het in een demo belooft. Door een pilot te draaien op je eigen data, maak je de waarde meetbaar, herhaalbaar en relevant voor de praktijk.
Onduidelijk waar jij staat en wat je nu al kunt doen? Laten we sparren.
Fase 4 - AI in productie, maar los gekoppeld.
Er draait een interne AI-assistent op eigen documentatie, maar niemand weet zeker of de antwoorden altijd kloppen. Naast de officiële AI-features gebruiken collega’s ook nog hun eigen Claude of ChatGPT. Ondertussen bouwen sales, marketing en support ieder hun eigen AI-oplossing: drie losse eilanden die niet met elkaar praten. De features werken, maar het overzicht ontbreekt.
Welke stap kun je nu zetten?
Meet per AI-feature wat er gebeurt: hoeveel vragen worden gesteld, hoe tevreden gebruikers zijn en hoe vaak antwoorden nog worden gecontroleerd. Zo zie je of een feature niet alleen gebruikt wordt, maar ook betrouwbaar genoeg is. Houd daarnaast bij wat collega’s nog in hun eigen Claude of ChatGPT doen. Die lijst laat zien waar blijkbaar nog behoefte ligt. Breng per feature in kaart welke data en koppelingen worden gebruikt en wie eigenaar is. Dat overzicht vormt de basis voor de volgende stap.
De waarde van AI in deze fase.
In deze fase landt AI in de software die mensen al gebruiken. Niet als extra tool ernaast, maar op de plek waar het werk gebeurt. Dat scheelt schakelen tussen systemen en maakt AI direct onderdeel van het proces. Hier wordt ook het verschil tussen SaaS en maatwerk zichtbaar. Waar standaardsoftware AI vaak als losse functie toevoegt, kan maatwerk AI precies op de juiste plek in het proces laten werken. Cube bouwt AI daarom niet naast je software, maar erin.
Fase 5 - Een sterk fundament met eigen AI-architectuur.
In deze fase draait AI niet meer als losse feature of pilot, maar op een gezamenlijke basis. Data wordt via een Data Management Platform centraal ontsloten. Daarboven bepaalt een MCP-laag per rol wat AI mag zien en doen. Zo krijgt AI veilig toegang tot systemen, kennis en acties, zonder dat elke nieuwe toepassing een eigen koppeling nodig heeft. De vraag verschuift daarmee. Het gaat niet meer alleen om: “mag dit?” of “werkt dit?”, maar om: “hoe houden we grip terwijl AI steeds meer processen ondersteunt?”
Welke stap kun je nu zetten?
Breng eerst het fundament in kaart. Welke databronnen zijn aangesloten? Welke rollen mogen welke informatie zien? Welke acties worden gelogd? En waar moet een mens blijven meekijken of goedkeuren? Controleer daarna of nieuwe AI-features kunnen voortbouwen op dezelfde basis. Kun je het onderliggende model wisselen zonder dat functies omvallen? En is duidelijk wie eigenaar is van toegang, data en proceskwaliteit?
Wat levert AI hier op?
In deze fase kunnen AI-agents zelfstandig complexere processen uitvoeren op een fundament dat er al ligt. Nieuwe toepassingen bouwen daarop verder, toegang is per rol geregeld en je schaalt zonder vast te zitten aan één leverancier. Zo groeit AI mee met je organisatie, zonder dat de controle verdwijnt.
Klaar om AI structureel in te zetten? Wij ook.
Vaak zit een organisatie verspreid over twee of drie fases tegelijk. Welke beweging logisch is en wat het snelst iets oplevert, hangt af van waar het zwaartepunt ligt. Een uur sparren geeft meestal meer richting, en we denken dan ook graag vrijblijvend met je mee.
Dit sluit mooi aan...
Vibe coding: wat het is, hoe het werkt en hoe betrouwbaar het is.
Processen digitaliseren: 7 stappen om te starten zonder chaos
Model Context Protocol: koppel AI veilig aan je bedrijfssystemen.
Vragen? Geen probleem.
De meeste organisaties doorlopen vijf fases: van losse AI-tools op eigen initiatief, via beleid en pilots, naar AI geïntegreerd in bestaande software, en uiteindelijk een eigen AI-architectuur met een Data Management Platform en MCP-laag.
SaaS-AI werkt naast bestaande systemen. Maatwerk integreert AI direct in de software die mensen al gebruiken, wat leidt tot minder schakelen en meer bruikbare output.
Wat is een MCP-laag en waarom is die relevant voor AI?
Zodra AI moet werken met jouw data, jouw processen en jouw systemen. Standaard tools zijn snel op te zetten, maar werken naast je software in plaats van erin. Maatwerk integreert AI direct in de applicaties die mensen al gebruiken, dat scheelt schakelen en levert meer op.