Van AI-Pilot stagnatie naar waarde creatie

Deel 1: Diagnose van de Strategische Incongruentie (De ‘Waarom’)

1.1 De 47-Punten Perceptiekloof (O1)

De strategische noodzaak om agentische artificiële intelligentie (AI) te schalen wordt momenteel ondermijnd door een fundamentele en gevaarlijke incongruentie in de perceptie van gereedheid. De kern narratief identificeert een kloof van 47 procentpunten: 63% van de C-suite acht de organisatie ‘AI-gereed’, terwijl slechts 16% van de data-leiders degenen die de systemen moeten implementeren deze analyse deelt.

Deze kloof is geen triviaal communicatieprobleem; het is een indicator van een significant strategisch risico. Externe analyses bevestigen dat dit een wijdverbreid patroon is:

1. Vertrouwen versus Controle: Een recente EY-enquête toont aan dat 72% van de C-suite executives gelooft dat AI “geïntegreerd en geschaald” is, terwijl uit hetzelfde onderzoek blijkt dat slechts 33% de juiste governance protocollen heeft geïmplementeerd.¹ Dit is de kloof in de praktijk: er is vertrouwen in de aanwezigheid van AI-tools, maar een gebrek aan inzicht in de vereiste controle.
2. Ambities versus Capaciteit: Accenture rapporteert dat 86% van de C-suite-leiders beweert zich voor te bereiden op de komst van agentische AI, maar 75% tegelijkertijd toegeeft dat het tempo van verandering de interne trainings- en implementatiecapaciteit overstijgt.³
3. Toeschrijving van Frictie: Salesforce stelt de diagnose nog scherper: leiders zijn tweemaal zo geneigd om ‘gereedheid van medewerkers’ als de primaire barrière te identificeren dan hun eigen rol of de bedrijfsstructuur. Het onderzoek concludeert echter dat leiderschap en de strategische afstemming de grootste barrières vormen, niet de medewerkers.⁴

De kern van de 47-punten kloof ligt in een fundamenteel semantisch verschil in de definitie van ‘gereedheid’.

• C-suite ‘Gereedheid’ (de 63%): Dit meet de adoptie en beschikbaarheid van tools.⁵ De vragen die hier worden beantwoord zijn: “Hebben we toegang tot Generative AI?” Hebben we pilots gelanceerd? “Staan er budgetten gereserveerd?” Voor dit cohort is AI een applicatie die men aanschaft en implementeert.
• Data-leider ‘Gereedheid’ (de 16%): Dit meet de structurele capaciteit en robuustheid van de onderliggende data-infrastructuur.⁷ De vragen die hier worden beantwoord zijn: “Is onze data semantisch consistent (MDM/P3)? Is het real-time en met lage latency beschikbaar (P1)? Is het traceerbaar (lineage)? Is het compliant (GDPR, DORA)? Is het ontsloten zonder frictie (P2)?” Voor dit cohort is AI een systeem dat volledig afhankelijk is van de kwaliteit van het fundament.

De C-suite viert de aankoop van een Formule 1-auto (het AI-model), terwijl de data-leiders waarschuwen dat de organisatie uitsluitend beschikt over een onverharde zandweg (de data-architectuur). De C-suite meet intentie en investering; de data-leiders meten fysica en capaciteit. Dit fundamentele onbegrip is de directe oorzaak van de stagnatie die volgt.

1.2 Kwantificeren van ‘Pilot Purgatory’ (O2)

De stagnatie van pilots, aangeduid als ‘pilot purgatory’, is het directe, voorspelbare gevolg van de in 1.1 geïdentificeerde perceptiekloof. Het narratief van stagnatie wordt vaak ondersteund door de breed uitgemeten MIT-studie, die stelt dat 95% van de Generative AI-pilots geen meetbare Return on Investment (ROI) oplevert.⁹

Het is echter van cruciaal belang voor de besluitvorming op C-suite niveau om dit cijfer correct te interpreteren. Dit is geen technologisch falen. Critici van deze studie ⁹ wijzen terecht op methodologische zwaktes, zoals een te nauwe, uitsluitend op P&L-gebaseerde ROI-definitie en een onrealistisch korte tijdshorizon van zes maanden voor het meten van impact.

De ware oorzaken waarom pilots stagneren (en daarmee de 95% voeden) zijn structureel en liggen volledig in lijn met de 16%-score van de data-leiders:

1. Gebrek aan Workflow-Integratie: De MIT-studie zelf ¹² concludeert dat de echte reden voor falen het onvermogen is om bestaande workflows te herontwerpen. Organisaties proberen AI in bestaande processen te “bouten” in plaats van het proces fundamenteel te herontwerpen rond de nieuwe capaciteiten van AI.¹⁵
2. Data Niet ‘AI-Ready’: Dit is een harde, technische barrière. Uit enquêtes blijkt dat 69% van de AI-leiders slechte datakwaliteit en -infrastructuur noemt als de nummer één barrière voor implementatie.¹⁷ 43% van de Chief Data Officers noemt datagereedheid de top-hindernis.¹² Dit is het 16%-cijfer in de praktijk: de data is gefragmenteerd, van lage kwaliteit, inconsistent en niet toegankelijk.
3. Geen Duidelijk Eigenaarschap of Gedeelde KPI’s: De meest voorkomende oorzaak van falen is “misverstanden over het doel van het project”.¹² Zonder een gedeelde, business-gedreven KPI-set (Hypothese H3), optimaliseren technische teams voor de verkeerde doelen (bijv. $95\%$ model nauwkeurigheid) terwijl de business-unit (de ‘eigenaar’ van de use case) een procesverbetering verwacht die nooit was gedefinieerd.¹⁷

Deze elementen creëren een vicieuze cirkel. De C-suite (die 63% ‘gereed’ gelooft) keurt projectfinanciering goed voor pilots, in de veronderstelling dat het fundament (de data-architectuur) grotendeels aanwezig is. De data-leiders (die 16% ‘gereid’ weten) zien deze pilotprojecten arriveren zonder de noodzakelijke fundamentele financiering voor de data-architectuur. De pilot wordt gelanceerd, raakt onmiddellijk het zwakke, niet-gefinancierde fundament (gebrek aan Master Data Management, hoge latency, data-silo’s) en stagneert onvermijdelijk.

De C-suite observeert een falende AI-pilot en trekt mogelijk de waarde van de technologie in twijfel. De data-leider observeert een voorspelbaar gevolg van een niet-bestaand fundament. De organisatie blijft vastzitten in ‘pilot purgatory’, waarbij de symptomen (falende pilots) worden aangepakt in plaats van de ziekte (de ontoereikende data-architectuur).

1.3 Het Echte Probleem: Agentische AI is Geen ‘Betere BI’

De definitieve escalatie van dit probleem wordt veroorzaakt door de transitie van Generative AI naar Agentic AI. De C-suite moet het fundamentele, kwalitatieve verschil tussen deze technologieën begrijpen, omdat de architecturale vereisten radicaal verschillen.

• Generative AI (GenAI): creëert content.¹⁸ Het is grotendeels passief en read-only (lees-toegang). Het functioneert als een copiloot voor een mens, die de output analyseert en vervolgens een beslissing neemt.¹⁶ De huidige, op Business Intelligence (BI) gerichte data-architecturen kunnen dit patroon (met moeite) ondersteunen.
• Agentic AI (Agents): Voert autonome acties uit.¹⁸ Het stelt doelen, plant ¹⁹, gebruikt tools (API’s) ²⁰ en muteert (schrijft, wijzigt, verwijdert) data in bronsystemen.¹⁸ Het is een autonome digitale medewerker.¹⁵

De huidige data-architectuur, die vaak is geoptimaliseerd voor batch reporting (BI) of read-only RAG (GenAI), faalt catastrofaal onder de eisen van agenten ⁷:

• Een agent kan geen transactie (Actuation) uitvoeren op een data-kopie die 12 uur oud is (een probleem van Principe P1: Latency).
• Een agent kan geen betrouwbare planning maken als de definitie van ‘klant’ of ‘product’ verschilt per data-silo (een probleem van Principe P3: Context).
• Een agent kan niet interoperabel functioneren als data contractueel of technisch gevangen zit (een probleem van Principe P2: Zero-Copy).²¹

De foute aanname dat een ‘BI-ready’ data warehouse ‘AI-ready’ is, is de kern van de 47-punten kloof. De volgende tabel (Tabel 1) maakt de causale mechanismen expliciet (Q1) en reverse-engineert de impliciete, foute aannames (O1).

Tabel 1: De Causale Keten van Architectuurkeuze tot Agent-Waarde (Q1, O1)

Deel 2: De Fundamentele Vereisten (De ‘Wat’) (O3)

Om van de huidige, stagnerende situatie naar een schaalbaar model te bewegen, moeten zeven architectuurprincipes worden beoordeeld (O3). Deel 2 analyseert de eerste drie, die het datafundament vormen.

2.1 Principe P1: Diagnose voor Implementatie (Latency vs. Integriteit)

Beoordeling (O3): Dit principe is essentieel en dwingt tot een diagnose per use case (Q2). Het erkent dat er geen ‘one size fits all’ data-architectuur bestaat voor agentische AI. De trade-off tussen snelheid (latency) en correctheid (integriteit) moet een bewuste keuze zijn, geen architecturaal toeval.

De Trade-off (Q2):

De vereisten voor een agent die leest (Retrieval) zijn fundamenteel anders dan voor een agent die handelt (Actuation).

1. Latency-First (Retrieval-Use Cases):

• Voorbeeld: Een RAG-gebaseerde klantenservice-agent ²⁴ of een marketing-agent die content personaliseert.²⁵
• Vereiste: Lage $p95$ en $p99$ latency is hier de primaire KPI. De gebruiker verwacht een onmiddellijk antwoord.
• Acceptatie: Uiteindelijke consistentie (eventual consistency) is vaak acceptabel. Het is geen ramp als de agent data van enkele minuten oud gebruikt.
• Technieken: De architectuur moet geavanceerde caching ²⁶, multiphase ranking (snel filteren, dan diepgaand her-ranken) en semantic chunking ondersteunen om de balans tussen snelheid en precisie te optimaliseren.²⁵

2. Integrity-First (Actuation-Use Cases):

• Voorbeeld: Een agent in de financiële sector die betalingen goedkeurt of transacties uitvoert ²⁷, of een agent in de gezondheidszorg die patiëntdossiers muteert of diagnostische data analyseert.¹⁵
• Vereiste: Data-integriteit, consistentie en auditability zijn hier de niet-onderhandelbare primaire KPI’s.
• Acceptatie: Hogere latency (binnen redelijke grenzen) is acceptabel in ruil voor de garantie van 100% correcte, transactioneel consistente data.
• Technieken: De architectuur moet transactionele garanties, entity-resolution (P3) en strikte governance (P4) afdwingen.

De huidige, monolithische data-architecturen (zoals een traditioneel data warehouse) kunnen deze dualiteit niet optimaal bedienen. Ze zijn vaak geoptimaliseerd voor één van de twee (meestal batch-gebaseerde integriteit, ten koste van latency).

Een moderne, agent-ready architectuur moet dualiteit ondersteunen. Dit impliceert een verschuiving naar patronen zoals Command Query Responsibility Segregation (CQRS) (zoals benoemd in Scenario’s/S2) en event-driven architecture. Het ‘write path’ (de Actuation van de agent) wordt geoptimaliseerd voor integriteit en auditability, terwijl het ‘read path’ (de Retrieval van de agent) wordt geoptimaliseerd voor snelheid en latency via gerepliceerde, gecached views. Principe P1 dwingt deze differentiatie af.

2.2 Principe P2 & P3: De ‘Zero-Copy’ Filosofie en Context boven Volume

Deze twee principes zijn symbiotisch en vormen de technische en functionele ruggengraat van een schaalbare data-architectuur.

Principe P2: Zero-Copy als Filosofie (Structurele Ruggegraat)

Beoordeling (O3): Dit principe is de structurele oplossing voor de data-silo’s die in 1.2 als primaire blocker werden geïdentificeerd. Het is een filosofie, geen dogma (P2). Het doel is niet “nul fysieke kopieën”, maar “nul onnodige, ongecontroleerde en niet-gemeten kopieën”.22 Door virtualisatie, data-contracten en federatieve queries kunnen data consumenten (agents, BI-tools) data benaderen waar deze zich bevindt, in plaats van een eindeloze reeks ETL-pijplijnen te bouwen die data dupliceren.

Validatie Hypothese H2 (30% reductie doorlooptijd):

Hypothese H2 stelt dat een Zero-Copy (ZCA) filosofie de doorlooptijd van data projecten met minimaal 30% vermindert.

• Analyse: De mechanismen die ZCA mogelijk maken, ondersteunen deze claim. De primaire winst zit in het elimineren van redundant werk.
• Bewijs: Bronnen ²³ bevestigen dat ZCA “snellere time to value” levert door “dubbele datapijplijnen” en “dubbele integratielogica” te elimineren. In plaats van dat een nieuw AI-project begint met het bouwen van een one-off integratie-pijplijn, een proces dat maanden kan duren ³⁰ kan het direct aansluiten op de gevirtualiseerde, reeds beschikbare data.
• Oordeel: De 30% reductie (H2) is een plausibele en conservatieve, falsifieerbare KPI. De oorzaak van de winst (eliminatie van redundante ETL/integratie-arbeid) is robuust.²³

Principe P3: Context boven Volume (Functionele Ruggengraat)

Beoordeling (O3): Dit principe is de functionele ruggengraat. Agentische AI draait niet op ‘big data’ (volume), maar op ‘precise data’ (context). Een agent heeft geen baat bij een petabyte aan ruis; het heeft de ene, correcte, semantisch geverifieerde entiteit (bijv. ‘klant’, ‘product’, ‘contract’) nodig. Dit principe mandateert de bouw van een Semantische Laag, Master Data Management (MDM) en entity-resolution systemen.

Validatie Hypothese H1 (20% KPI uplift door >98% semantische nauwkeurigheid):

Hypothese H1 stelt dat een semantische nauwkeurigheid (o.a. F1-score van entity-resolution) van >98% leidt tot een minimale KPI-uplift van 20% voor de AI-use case.

• Analyse: De link is causaal maar vaak indirect.
• Bewijs (Pro): MDM (de technische implementatie van P3) leidt tot “betere beslissingen” en “hogere operationele efficiëntie”.³¹ McKinsey ³² kwantificeert “productivity boosts” door AI-gedreven besluitvorming tot 40%. B-eye ⁸ stelt de causale link direct: “data readiness = Agentic AI readiness.” Hoge semantische nauwkeurigheid is data-gereedheid.
• Bewijs (Contra/Nuance): De link is niet automatisch. Een ArXiv-paper ³³ waarschuwt dat een model met 95% benchmark nauwkeurigheid (een technische KPI) toch faalde in de praktijk door “unmeasured trust and workflow integration issues”.
• Oordeel: Semantische nauwkeurigheid (H1) is een noodzakelijke maar niet voldoende voorwaarde voor succes. De 98% -> 20% koppeling is een sterke, testbare hypothese. Het falen in ³³ toont echter aan dat Hypothese H1 (technische nauwkeurigheid) moet worden gecombineerd met Hypothese H3 (gedeelde business-KPI’s / workflow-integratie) om daadwerkelijk waarde te realiseren.

De principes P2 en P3 zijn onlosmakelijk met elkaar verbonden. P3 (de Semantische Laag) creëert de ‘single source of truth’ (bijv. de ‘gouden’ klant-entiteit). P2 (Zero-Copy) is het distributie mechanisme dat ervoor zorgt dat de gehele organisatie inclusief alle agents, BI-tools en applicaties die ene waarheid gebruikt, zonder deze te kopiëren en te laten ‘vervallen’ (data drift ²²).

Zonder P2 (Zero-Copy) is een P3 (Semantische Laag) slechts weer een data-silo, zij het een mooie. Zonder P3 is P2 slechts het sneller, federatief ontsluiten van betekenisloze chaos. De combinatie van beide principes is wat vertrouwen op schaal mogelijk maakt.

Deel 3: De Versnellers: Governance, Security en Financiën (De ‘Hoe’) (O3)

Het datafundament (Deel 2) is een randvoorwaarde, maar het schalen van AI vereist actieve versnellers op het gebied van governance, security en financiële modellering.

3.1 Principe P4: Governance als Snelheid (Q4)

Beoordeling (O3): Dit principe vertegenwoordigt een fundamentele culturele en technische verschuiving (Q4). Historisch gezien is governance een bottleneck: een reeks handmatige stage-gate reviews, change advisory boards (CABs) en post-hoc audits die innovatie vertragen.

Het Mechanisme (Policy-as-Code):

Principe P4 wordt technisch mogelijk gemaakt door Policy-as-Code (PaC) en geautomatiseerde quality gates die direct in de CI/CD (Continuous Integration / Continuous Deployment) pijplijn worden geïntegreerd.34

In plaats van een handmatige review door een compliance-officier, wordt de regel (bijv. “Data met classificatie ‘GDPR-Persoonlijk’ mag niet worden gebruikt voor het trainen van dit model zonder pseudonimisering”) vastgelegd in code (bijv. in Open Policy Agent (OPA) ³⁵). Deze regel wordt automatisch en preventief afgedwongen telkens wanneer een ontwikkelaar of een agent een nieuwe data-actie voorstelt.³⁶ Dit transformeert governance van een reactieve rem naar een proactieve, geautomatiseerde vangrail.

Validatie Hypothese H4 (25% effectiviteit, 20% audit-tijd reductie):

Hypothese H4 kwantificeert de winst van PaC: 25% toename in controle-effectiviteit en 20% reductie in audit-doorlooptijd.

• Analyse: De data suggereert dat deze hypothese zeer conservatief is.
• Bewijs: Nexastack ³⁷ rapporteert dat organisaties die PaC adopteren “40-70% reductie in compliance kosten” zien, en specifiek in de financiële sector “90%+ reducties in compliance-schendingen door menselijke fouten”. De reductie in audit-doorlooptijd (de 20% claim) wordt direct ondersteund door het “automatisch verzamelen van bewijsmateriaal” ³⁵, waardoor audits verschuiven van handmatige interviews naar het inspecteren van een version-controlled PaC-repository.
• Oordeel: H4 wordt sterk gevalideerd door de beschikbare data. De business case voor PaC als enabler voor snelheid (P4) en als kostenbesparing (H4) is robuust.

3.2 Het Compliance & Security Mandaat (Niet-onderhandelbaar)

Voor organisaties die opereren in of leveren aan de EU, zijn governance en security geen ‘nice-to-haves’ of ‘principes’ (zoals P4); het zijn dwingende, wettelijke mandaten. De Raad van Bestuur en Audit-commissie moeten zich bewust zijn van de impact van recente regulering op de AI-strategie.

De Dwingende Context (DORA, NIS2, ISO 42001):

Deze kaders zijn geen abstracte aanbevelingen; het zijn wettelijke verplichtingen met harde deadlines en sancties.38

1. DORA (Digital Operational Resilience Act): DORA is van kracht (enforceerbaar) sinds 17 januari 2025.⁴⁰ Het cruciale, en vaak gemiste, punt voor niet-financiële instellingen is de scope: DORA is van toepassing op de financiële sector en op hun kritieke ICT-toeleveranciers.⁴⁰ Als uw organisatie een AI-agent-dienst levert aan een EU-bank of -verzekeraar, bent u in scope voor DORA.
2. NIS2: Deze richtlijn, die DORA aanvult, stelt strenge eisen aan cybersecurity-risicobeheer en incident-rapportage voor een brede set ‘essentiële’ en ‘belangrijke’ entiteiten.
3. ISO 42001 (AI Management Systems): Dit is de eerste wereldwijde standaard voor AI-managementsystemen. Grote leveranciers zoals SAP ⁴¹ en compliance-platformen ⁴² adverteren reeds met certificering. Dit wordt snel de de facto industriestandaard om aantoonbare AI-governance te bewijzen, en wordt reeds geïntegreerd in updates van andere standaarden zoals ISO 27701 (Privacy).³⁸

Implicatie 1: DORA Dwingt AI Supply Chain Security (SBOM/SLSA) Af

De meest significante, en meest onderschatte, implicatie van DORA voor AI-strategie ligt in het risicobeheer van de toeleveringsketen.

• Stap 1: Het Mandaat: DORA (in het bijzonder Art. 10) vereist strikt ICT third-party risk management.⁴⁰ Organisaties moeten de risico’s van hun softwareleveranciers (inclusief open-source componenten) actief beheren.
• Stap 2: De Technische Vertaling: Zoals analyse door Anchore ⁴³ stelt, hoewel DORA de term ‘SBOM’ niet expliciet noemt, vereist het impliciet een Software Bill of Materials (SBOM). Het is de enige schaalbare, geautomatiseerde manier om alle softwarecomponenten en hun versies te inventariseren en te monitoren, zoals DORA vereist.⁴³
• Stap 3: De AI-Consequentie: Een AI-model is een ICT-dienst, maar met een exponentieel complexere toeleveringsketen. Deze keten omvat niet alleen code, maar ook pre-trained modellen, datasets, fine-tuning data en specifieke libraries.⁴⁴
• Conclusie: Om aantoonbaar DORA-compliant te zijn, moet de AI-architectuur verifieerbare provenance (herkomst) en inventarisatie ondersteunen. Dit maakt SLSA (Supply-chain Levels for Secure Artifacts) ⁴⁶ en een MLBOM (Machine Learning Bill of Materials) ⁴⁵ niet-onderhandelbare architecturale vereisten. Een MLBOM, zoals gedetailleerd in ⁴⁵, moet items bevatten als de “base model hash”, “training dataset versions” en “license and PII handling notes”.

Implicatie 2: Zero Trust Architectuur (ZTA) is Verplicht voor Agents

De autonomie van agents introduceert een nieuwe klasse van dreigingen die traditionele ‘perimeter security’ nutteloos maken.

• De Dreiging: De meest geavanceerde dreiging is Logic-layer Prompt Control Injection (LPCI).⁴⁸ In dit scenario injecteert een aanvaller een ‘slapende’ kwaadaardige payload in het geheugen van een agent (bijv. via een onschuldig lijkend document). Deze payload activeert pas weken of maanden later onder specifieke condities. Omdat de agent autonoom opereert, is er geen menselijke interventie om dit te stoppen.
• De Oplossing (Zero Trust): Het antwoord is een Zero Trust Architectuur (ZTA) die de agent zelf nooit vertrouwt.⁴⁹ De ZTA-principes voor AI-agents zijn specifiek en dwingend ⁵⁰:

1. Agent = Geen Identiteit: De agent heeft geen eigen credentials, permissies of instance profile roles.
2. Context = Gebruiker: De agent erft de credentials en de geverifieerde context van de oorspronkelijke menselijke gebruiker die de taak initieerde.
3. Verificatie = Per Actie: Elke downstream actie die de agent wil uitvoeren (een API-call, een database mutatie) wordt onafhankelijk geauthenticeerd en geautoriseerd op basis van de gebruikerscontext, niet de agent-context.⁵¹

Deze ZTA-implementatie is de enige effectieve mitigatie voor OWASP LLM08 (Excessive Agency) ⁵² en beperkt de ‘blast radius’ van een LLM01 (Prompt Injection) aanval.⁵³

Tabel 2 vertaalt deze complexe, dwingende vereisten naar een ’translation layer’ voor de Raad van Bestuur en Audit.

Tabel 2: Compliance Mapping: EU Regulering naar Technische Controles

3.3 Principe P7: De Financiële Casus voor ‘Compounding Returns’

Beoordeling (O3): Dit principe is het belangrijkste voor de C-suite en de Raad van Bestuur. Het levert de taal en het financiële model om de fundamentele data-investeringen (vereist door P1, P2, P3) te rechtvaardigen. Het herkadert de investering van een IT-kostenpost (IT Cost Center) ⁵⁴ naar een strategisch, in waarde toenemend bedrijfsmiddel (Strategic Asset).⁵⁵

Het ‘Compounding Knowledge’ Model:

De analyse van Teradata 57, gebaseerd op de analogie van Warren Buffet, biedt het perfecte mentale model:

• Simple Interest (De Huidige Fout): Dit is de ‘rip and replace’ aanpak van ‘pilot purgatory’. Elke pilot start op nul. De data wordt verzameld, gebruikt en weggegooid. De kennis en de datastructuur gaan verloren.⁵⁷ De organisatie investeert wel, maar bouwt geen kapitaal op.
• Compound Interest (Principe P7): Dit is het investeren in herbruikbare data-assets: de Semantische Laag (P3) en de Zero-Copy ontsluiting (P2). De eerste use case die deze infrastructuur financiert, draagt de hoogste kosten. Echter, elke volgende use case die ditzelfde, reeds gedefinieerde ‘klant’-object hergebruikt, heeft een significant lagere ‘cost per use’ en een snellere time-to-market. De totale waarde van het data-platform neemt exponentieel toe (compoundeert) bij elk hergebruik.⁵⁷

Het ‘Customer Asset Model’ als Vertaling naar de C-suite:

Het concept van ‘compounding returns’ kan abstract blijven. Het ‘Customer Asset Model’ 58 biedt een concrete, financiële vertaling die direct resoneert met de C-suite.

Dit model ⁵⁸ verschuift de discussie van sentiment metrics (bijv. “Onze Customer Satisfaction (CSAT) is hoog”) naar financiële assets (bijv. “Onze Customer Lifetime Value (CLV) stijgt” of “Onze Revenue at Risk door churn daalt”).

Dit stelt de organisatie in staat om het Gedeelde KPI-Dashboard (Principe P6) te vullen met de juiste metrics. In plaats van te rapporteren over “AI-pilot-nauwkeurigheid” (een technische, simple interest metric), rapporteert de organisatie over “Impact van AI-agent op Revenue at Risk” of “Reductie van Customer Churn“. Deze verschuiving in taal en meting transformeert het data-initiatief in de perceptie van de C-suite van een cost center naar een compounding growth engine.⁷

Deel 4: Besluitvorming en Herstelpaden (De ‘Volgende Stappen’) (O4)

Deze sectie levert de besluit klare opties (O4) om de organisatie uit ‘pilot purgatory’ te leiden, gebaseerd op de voorgaande analyse.

4.1 Principe P6 & H3: Het Sluiten van de Perceptiekloof

Beoordeling P6: Het voorgestelde instrument (P6) is een gedeeld, enkel KPI-dashboard dat business-statistieken (bijv. ‘Revenue at Risk’, ‘Churn Rate’) en data-statistieken (bijv. ‘Data Freshness SLA’, ‘Semantic Accuracy F1’) verenigt.

Validatie Hypothese H3 (Halvering pilot-stagnatie):

Hypothese H3 stelt dat dit gedeelde dashboard de stagnatie van pilots binnen twee kwartalen halveert.

• Analyse: Deze hypothese is zeer plausibel omdat het dashboard de hoofdoorzaak van falen, zoals geïdentificeerd in 1.2, direct aanpakt.
• Bewijs: Een gedeeld dashboard dwingt een gedeelde realiteit af.⁵⁹ Het elimineert “misverstanden over het doel van het project” ¹² en forceert de “business-IT alignment” die een voorwaarde is voor ROI.⁶¹ Onderzoek stelt expliciet: “bedrijven die effectieve KPI-tracking prioriteren, zien doorgaans hogere project succespercentages”.63
• Oordeel: H3 is een valide en kritieke interventie.

Het eindproduct (het dashboard) is echter niet het werkelijke doel. Het proces om tot dit dashboard te komen is de interventie. De CAIO, CDO, CISO, Risk Officer en de Domain Owners moeten in één ruimte worden gedwongen om het eens te worden over de definities, hiërarchie en eigenaarschap van de KPI’s die op dit ene dashboard verschijnen.⁶⁰ Deze onderhandeling is het mechanisme dat de perceptiekloof van 47 punten dicht.

4.2 Maturity Scan en Minimale Capaciteit (Q5)

Om een herstelplan te maken, is een nulmeting (diagnose) vereist. Het MIT 4-Stage AI Maturity Model ⁶⁵ is hiervoor het aangewezen raamwerk.

Maturity Scan (Diagnose):

1. Stage 1: Experiment (28% van de bedrijven)
2. Stage 2: Build Pilots & Capabilities (34%)
3. Stage 3: Industrialize AI (31%) – Gekenmerkt door de “heilige drie-eenheid”: architectuur, hergebruik en agents.³³
4. Stage 4: AI Future-Ready (7%)

Diagnose van de Organisatie:

De analyse in Deel 1 leidt tot een duidelijke diagnose: De organisatie is collectief vastgelopen in Stage 2. De C-suite gelooft dat ze klaar is voor Stage 3 (de 63% ‘gereed’ voor agents). De data-leiders weten echter dat de fundamentele vereisten voor Stage 3 (“architectuur, hergebruik”) volledig ontbreken (de 16% ‘gereed’).

Het herstelplan (sectie 4.4) moet daarom een concrete routekaart zijn om de ontbrekende capaciteiten van Stage 3 op te bouwen.

Minimale Levensvatbare Datacapaciteit (Q5):

De ‘meetlat’ voor deze Stage 3-capaciteiten wordt bepaald door de minimumeisen (Q5) die de verschillende agent-patronen stellen.

• Voor Agentic RAG: Standaard RAG (Retrieval) is niet agentisch. Agentic RAG vereist een planner, tool-use capaciteiten en een memory store.²⁰ Het vereist toegang tot dynamische, real-time kennis, niet statische, periodiek geïndexeerde documenten.¹⁹
• Voor Agentic Planning/Actuation: Vereist ontdekbare data products met duidelijke data-contracten ⁷, extreem hoge semantische nauwkeurigheid (H1) voor correcte entity-resolution, en strikte, niet-onderhandelbare security (ZTA).⁵¹

Tabel 3 definieert de minimale ‘pass/fail’ criteria voor datagereedheid de technische onderbouwing van de 16% van de data-leiders.

Tabel 3: Minimaal Levensvatbare Datacapabiliteit per Agent-Patroon (Q5)

4.3 Strategische Beslisopties (O4)

Op basis van de diagnose (Stage 2) en de vereisten (Deel 2 & 3), zijn er drie strategische herstelpaden (O4). Deze opties (Conservatief, Gebalanceerd, Ambitieus) ⁶⁷ worden hier gemapt op het ‘AI Value Plays’ framework van BCG ⁷⁰ om de strategische intentie te verduidelijken.

Optie 1: Conservatief (‘Deploy’ / Stabiliseren & Verdedigen)

• BCG Play: “Deploy” voor onmiddellijke productiviteitswinst.⁷⁰
• Focus: Strikte, defensieve focus op DORA/NIS2-compliance ⁶⁷ en het automatiseren van back-office processen (waar de MIT-studie de hoogste en snelste ROI identificeert ¹⁰).
• Acties: Implementeer de security-mandaten uit 3.2 (PaC (H4), ZTA, SBOM). Beperk de scope tot 3-5 interne, low-risk use cases. Prioriteer P4 (Governance) boven P7 (Value).
• Risico: Laag compliance-risico, laag executierisico. Hoog strategisch risico om marktaandeel te verliezen aan concurrenten die wel versnellen.

Optie 2: Gebalanceerd (‘Reshape’ / Gefaseerde Versnelling)

• BCG Play: “Reshape” van kritieke, waardevolle functies.⁷⁰
• Focus: Dit is het bouwen van het Stage 3 fundament. Implementatie van de Semantische Laag (P3, H1) en ZCA-principes (P2, H2) om core business processen te transformeren.⁷¹
• Acties: Uitrol van 6-10 use cases (een mix van interne efficiëntie en externe klantwaarde). Balanceert de investering in P7 (Compounding Value) met de controle van P4 (Governance). Dit is de directe route om de 47-puntenkloof te dichten.
• Risico: Gemiddeld. Vereist sterk management en C-suite-commitment (P6, H3) om de fundamentele investering te verdedigen.

Optie 3: Ambitieus (‘Invent’ / Marktleiderschap)

• BCG Play: “Invent” van nieuwe, AI-gedreven omzetstromen.⁷⁰
• Focus: Het ontwikkelen van eigen, proprietary agentische platformen (het bereiken van MIT Stage 4 ⁶⁵). Agressieve portfolio-uitrol (10+).
• Acties: Vereist de meest volwassen implementatie van alle controles uit 3.2 (ZTA, SLSA, MLBOM) om de hoge risico’s te beheersen. Investeren in R&D en het accepteren en budgetteren voor mislukkingen (bijv. een ‘dedicated recovery budget’).
• Risico: Hoog executierisico, hoog financieel risico, maar het hoogste potentiële ‘compounding return’ (P7) op de lange termijn.

Tabel 4: Vergelijkende Analyse Strategische Opties (O4) – Beslisdocument Raad van Bestuur

4.4 Implementatieplan en Eerlijke Tijdlijnen (P5)

Het implementeren van de aanbevolen Optie 2 (Gebalanceerd) vereist een gefaseerd plan dat Principe P5 (Eerlijke Tijdlijn) respecteert. Dit plan is ontworpen om change fatigue te managen en tegelijkertijd snel de fundamenten van MIT Stage 3 te bouwen.⁶⁵

Fase 1 (Dagen 0 – 90): ‘Diagnose & Controle’

• Doel: De perceptiekloof dichten, een gedeelde realiteit creëren en onmiddellijke compliance-risico’s (DORA) adresseren.
• Kernacties:

1. Voer de Maturity Scan uit (4.2) en bevestig de ‘Stage 2’-diagnose.
2. Lanceer het Gedeelde KPI-Dashboard (P6, H3): Start de onderhandeling tussen CAIO, CDO, CISO, Risk en Domein-eigenaren.
3. Start de DORA/SBOM Gap-Analyse (3.2) om de blootstelling aan regulatoir risico te kwantificeren.
4. Implementeer Policy-as-Code (P4, H4) voor 3 kritieke, reeds bekende controles (bijv. GDPR-toegang).

• KPI’s Fase 1: Perceptiekloof-score (van 47 naar $<30$). DORA-gap-rapport gereed. Eerste PaC-gates zijn live.

Fase 2 (Dagen 90 – 180): ‘Fundament Bouwen’

• Doel: De ‘heilige drie-eenheid’ (architectuur, hergebruik) van Stage 3 ⁶⁵ bouwen.
• Kernacties:

1. Lever een MVP (Minimum Viable Product) van de Semantische Laag (P3) op voor 1 geselecteerd, hoog-waardevol domein (bijv. ‘Klant’).
2. Lanceer de eerste Zero-Copy (P2) pilot-verbinding naar een bronsysteem.
3. Behaal $>98\%$ entity-resolution (H1) voor het geselecteerde domein.
4. Implementeer de MVP van de Zero Trust Architectuur (ZTA) gateway (3.2) voor de eerste geselecteerde use case.

• KPI’s Fase 2: F1-score entity-resolution (H1). % dataprojecten dat het ZCA-patroon gebruikt. Eerste agent-transactie succesvol geautoriseerd via ZTA.

Fase 3 (Dagen 180 – 360): ‘Schaal & Optimalisatie’

• Doel: Het ‘Compounding Returns’ (P7) model bewijzen door hergebruik en het schalen van governance.
• Kernacties:

1. Schaal de Semantische Laag (P3) en ZCA-patronen (P2) naar 10+ use cases (Balanced-optie).
2. Implementeer een geautomatiseerde SLSA/SBOM-pijplijn (3.2) voor alle nieuwe AI-producties.
3. Maak de governance-processen ‘audit-ready’ (H4) door PaC-dekking uit te breiden.
4. Start FinOps-optimalisatie (P7) o.b.v. ‘cost per data asset use’.

• KPI’s Fase 3: Audit-doorlooptijd (H4). Hergebruik-ratio van data-assets (P7). Tijd-tot-waarde voor nieuwe AI-projecten (H2).

Geciteerd werk

1. EY survey: AI adoption outpaces governance as risk awareness among the C-suite remains low, geopend op november 12, 2025, https://www.ey.com/en_gl/newsroom/2025/06/ey-survey-ai-adoption-outpaces-governance-as-risk-awareness-among-the-c-suite-remains-low
2. EY survey: AI adoption outpaces governance as risk awareness among the C-suite remains low, geopend op november 12, 2025, https://www.ey.com/en_ro/newsroom/2025/08/ey-survey-ai-adoption-outpaces-governance-as-risk-awareness
3. Accenture Pulse of Change: Business and Technology Trends, geopend op november 12, 2025, https://www.accenture.com/us-en/insights/pulse-of-change
4. Become an Agentic Enterprise: A Step-By-Step Guide – Salesforce, geopend op november 12, 2025, https://www.salesforce.com/blog/playbook/agentic-ai/
5. From Potential to Profit: Closing the AI Impact Gap | BCG, geopend op november 12, 2025, https://www.bcg.com/publications/2025/closing-the-ai-impact-gap
6. AI and digital transformation are top C-Suite priorities despite implementation challenges, new report shows – Thomson Reuters Institute, geopend op november 12, 2025, https://www.thomsonreuters.com/en-us/posts/corporates/c-suite-survey-2025/
7. Building the Foundation for Agentic AI | Bain & Company, geopend op november 12, 2025, https://www.bain.com/insights/building-the-foundation-for-agentic-ai-technology-report-2025/
8. Agentic AI in Action: 5 Data Readiness Steps You Should Know | B EYE, geopend op november 12, 2025, https://b-eye.com/blog/agentic-ai-data-readiness-steps/
9. That Viral MIT Study Claiming 95% of AI Pilots Fail? Don’t Believe the Hype., geopend op november 12, 2025, https://www.marketingaiinstitute.com/blog/mit-study-ai-pilots
10. Why 95% of GenAI projects fail   and why the 5% that survive matter | Trullion, geopend op november 12, 2025, https://trullion.com/blog/why-95-of-ai-projects-fail-and-why-the-5-that-survive-matter/
11. MIT Report Finds 95% of AI Pilots Fail to Deliver ROI, Exposing “GenAI Divide” – Legal.io, geopend op november 12, 2025, https://www.legal.io/articles/5719519/MIT-Report-Finds-95-of-AI-Pilots-Fail-to-Deliver-ROI-Exposing-GenAI-Divide
12. The AI Readiness Gap: Why Pilots Fail and a Checklist for Success …, geopend op november 12, 2025, https://aijourn.com/the-ai-readiness-gap-why-pilots-fail-and-a-checklist-for-success/
13. Beyond ROI: Are We Using the Wrong Metric in Measuring AI Success?, geopend op november 12, 2025, https://exec-ed.berkeley.edu/2025/09/beyond-roi-are-we-using-the-wrong-metric-in-measuring-ai-success/
14. Why 95% of AI Pilots Fail   And How to Succeed Like the 5% – Multimodal, geopend op november 12, 2025, https://www.multimodal.dev/post/why-ai-pilots-fail
15. Preparing for the agentic AI revolution | EY – US, geopend op november 12, 2025, https://www.ey.com/en_us/insights/consulting/agentic-ai/preparing-for-the-agentic-ai-revolution
16. Seizing the agentic AI advantage – McKinsey, geopend op november 12, 2025, https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage
17. Why AI Pilots Fail – And How To Fix Them – TeKnowledge, geopend op november 12, 2025, https://teknowledge.com/insights/why-ai-pilots-fail-and-how-to-fix-them/
18. What is agentic AI? Definition and differentiators | Google Cloud, geopend op november 12, 2025, https://cloud.google.com/discover/what-is-agentic-ai
19. Traditional RAG vs. Agentic RAG Why AI Agents Need Dynamic Knowledge to Get Smarter, geopend op november 12, 2025, https://developer.nvidia.com/blog/traditional-rag-vs-agentic-rag-why-ai-agents-need-dynamic-knowledge-to-get-smarter/
20. Agentic RAG Explained: Everything You Need to Know – Quytech, geopend op november 12, 2025, https://www.quytech.com/blog/agentic-rag-explained-everything-you-need-to-know/
21. How Agentic AI is Transforming Enterprise Platforms | BCG, geopend op november 12, 2025, https://www.bcg.com/publications/2025/how-agentic-ai-is-transforming-enterprise-platforms
22. Zero Copy Architecture: Redefining Data Movement in the Modern Enterprise, geopend op november 12, 2025, https://sutejakanuri.medium.com/zero-copy-architecture-redefining-data-movement-in-the-modern-enterprise-12f6d90487ce
23. Salesforce Data Cloud Zero Copy: When (and When Not) to Use It …, geopend op november 12, 2025, https://www.salesforceben.com/salesforce-data-cloud-zero-copy-when-and-when-not-to-use-it/
24. 8 Powerful Use Cases of Agentic RAG Transforming Enterprises – Softude, geopend op november 12, 2025, https://www.softude.com/blog/agentic-rag-enterprise-use-cases/
25. Eliminating the Precision–Latency Trade-Off in Large-Scale RAG – The New Stack, geopend op november 12, 2025, https://thenewstack.io/eliminating-the-precision-latency-trade-off-in-large-scale-rag/
26. A Practical Guide to Reducing Latency and Costs in Agentic AI Applications – Georgian, geopend op november 12, 2025, https://georgian.io/reduce-llm-costs-and-latency-guide/
27. Navigating the Trade-offs: Latency, Cost, and Performance in Agentic Systems – Arya.ai, geopend op november 12, 2025, https://arya.ai/blog/navigating-trade-offs-in-agentic-systems
28. Innovation Guide H2 2025 – SAP, geopend op november 12, 2025, https://www.sap.com/topics/innovation-guide/h2
29. How the zero-copy data lake will advance modern healthcare and data – Arcadia.io, geopend op november 12, 2025, https://arcadia.io/resources/zero-copy-data-lake
30. Zero Copy in Salesforce: The Fix for Data Lag, Stale Insights, and Integration Overhead, geopend op november 12, 2025, https://coastalcloud.us/resources/zero-copy-in-salesforce-the-fix-for-data-lag-stale-insights-and-integration-overhead/
31. Impact of AI and Machine Learning on Master Data Management, geopend op november 12, 2025, https://jisem-journal.com/index.php/journal/article/download/5186/2444/8642
32. The Impact of Artificial Intelligence on KPI Tracking and Reporting Software, geopend op november 12, 2025, https://vorecol.com/blogs/blog-the-impact-of-artificial-intelligence-on-kpi-tracking-and-reporting-software-170077
33. The Measurement Imbalance in Agentic AI Evaluation Undermines Industry Productivity Claims – arXiv, geopend op november 12, 2025, https://arxiv.org/html/2506.02064v2
34. Quality assurance in the AI era: a leadership imperative, according to S&P Global Market Intelligence | Sonar, geopend op november 12, 2025, https://www.sonarsource.com/blog/quality-assurance-in-the-ai-era/
35. Principled AI Governance with Policy-as-Code: Leveraging OPA for Trustworthy AI, geopend op november 12, 2025, https://principledevolution.ai/blog/governance-policy-as-code-opa-trust-ai/
36. Red Hat Introduces “Policy as Code” to Help Address AI Complexities at Scale, geopend op november 12, 2025, https://www.redhat.com/en/about/press-releases/red-hat-introduces-policy-code-help-address-ai-complexities-scale
37. Agent Governance at Scale: Policy-as-Code Approaches in Action, geopend op november 12, 2025, https://www.nexastack.ai/blog/agent-governance-at-scale
38. Cybersecurity regulatory pressures and robust industry frameworks …, geopend op november 12, 2025, https://atos.net/en/lp/cybersecurity-regulatory-pressures-and-robust-industry-frameworks-a-mid-year-update
39. An Update on European Compliance: NIS2, CRA, DORA | Schellman, geopend op november 12, 2025, https://www.schellman.com/blog/cybersecurity/european-compliance-nis2-cra-dora
40. How Businesses Can Prepare For The Implementation of DORA …, geopend op november 12, 2025, https://www.isms.online/information-security/how-businesses-can-prepare-for-the-implementation-of-dora/
41. NIS2 and DORA FAQ – SAP, geopend op november 12, 2025, https://www.sap.com/about/trust-center/certification-compliance.html?pdf-asset=fc03c3a4-ff7e-0010-bca6-c68f7e60039b&page=1
42. Agentic AI vs AI Agents: What’s the Difference and Why It Matters for Compliance – Akitra, geopend op november 12, 2025, https://akitra.com/agentic-ai-vs-ai-agents/
43. DORA + SBOM Compliance: Securing the Software Supply Chain, geopend op november 12, 2025, https://anchore.com/sbom/dora-overview/
44. Same same but also different: Google guidance on AI supply chain security, geopend op november 12, 2025, https://cloud.google.com/transform/same-same-but-also-different-google-guidance-ai-supply-chain-security
45. Securing The AI/LLM Supply Chain – AppSecEngineer, geopend op november 12, 2025, https://www.appsecengineer.com/blog/securing-the-ai-llm-supply-chain
46. SLSA • Supply-chain Levels for Software Artifacts, geopend op november 12, 2025, https://slsa.dev/
47. DORA Report 2022: The Magnitude of Software Supply Chain Security – DevOps.com, geopend op november 12, 2025, https://devops.com/dora-report-2022-the-magnitude-of-software-supply-chain-security/
48. Fortifying the Agentic Web: A Unified Zero-Trust Architecture for AI, geopend op november 12, 2025, https://cloudsecurityalliance.org/blog/2025/09/12/fortifying-the-agentic-web-a-unified-zero-trust-architecture-against-logic-layer-threats
49. Zero Trust Architecture for the Age of AI Agents | by Natarajan Elayappan – Medium, geopend op november 12, 2025, https://medium.com/@natdns/zero-trust-architecture-for-the-age-of-ai-agents-0c29ddd1ad12
50. Zero Trust in the Era of Agentic AI – Cisco Blogs, geopend op november 12, 2025, https://blogs.cisco.com/security/zero-trust-in-the-era-of-agentic-ai
51. Analyzing Zero Trust Architecture in the Age of Agentic GenAI – YouTube, geopend op november 12, 2025, https://www.youtube.com/watch?v=-o52PXD3Xu4
52. OWASP Top 10 for Large Language Model Applications, geopend op november 12, 2025, https://owasp.org/www-project-top-10-for-large-language-model-applications/
53. OWASP Top 10 for LLM Applications 2025, geopend op november 12, 2025, https://owasp.org/www-project-top-10-for-large-language-model-applications/assets/PDF/OWASP-Top-10-for-LLMs-v2025.pdf
54. Financial models in infrastructure investments – what can we miss? | EY Luxembourg, geopend op november 12, 2025, https://www.ey.com/en_lu/insights/infrastructure/financial-models-in-infrastructure-investments—what-can-we-mis
55. Valuing Data as an Asset – Columbia Business School, geopend op november 12, 2025, https://business.columbia.edu/sites/default/files-efs/imce-uploads/lveldkamp/papers/ValueDataArticle_aug2022_edited.pdf
56. A Data Valuation Model to Estimate the Investment Value of Platform Companies: Based on Discounted Cash Flow – MDPI, geopend op november 12, 2025, https://www.mdpi.com/1911-8074/16/6/293
57. Compounding Interest & Investments in Data and Analytics – Teradata, geopend op november 12, 2025, https://www.teradata.com/blogs/how-does-compounding-interest-relate-to-your-investments-in-data-analytics
58. The Customer Asset Model: What the C-Suite Really Values, geopend op november 12, 2025, https://www.cmswire.com/customer-experience/your-boss-needs-a-new-cx-roi-language-the-customer-asset-model/
59. What is a KPI Dashboard? 4 Key Examples and Best Practices – Qlik, geopend op november 12, 2025, https://www.qlik.com/us/dashboard-examples/kpi-dashboards
60. What Is a KPI Dashboard? How to Build + Popular Examples – Julius AI, geopend op november 12, 2025, https://julius.ai/articles/kpi-dashboard
61. Maximizing AI ROI: The Key to Aligning Technology with Business Strategy, geopend op november 12, 2025, https://solutionsreview.com/maximizing-ai-roi-the-key-to-aligning-technology-with-business-strategy/
62. How to maximize ROI on AI in 2025 – IBM, geopend op november 12, 2025, https://www.ibm.com/think/insights/ai-roi
63. Reframing KPIs with AI: from fixed dashboards to dynamic insight – Querio, geopend op november 12, 2025, https://querio.ai/articles/reframing-kpis-with-ai-from-fixed-dashboards-to-dynamic-insight
64. AI Success Metrics: KPIs, Business ROI, and Tracking Strategic Impact – Medium, geopend op november 12, 2025, https://medium.com/@amitkharche14/ai-success-metrics-kpis-business-roi-and-tracking-strategic-impact-1180c44772f8
65. What’s your company’s AI maturity level? | MIT Sloan, geopend op november 12, 2025, https://mitsloan.mit.edu/ideas-made-to-matter/whats-your-companys-ai-maturity-level
66. Agentic RAG: A Powerful Leap Forward in Context-Aware AI | Data Science Dojo, geopend op november 12, 2025, https://datasciencedojo.com/blog/agentic-rag/
67. How a five-step roadmap helps governments succeed with AI | EY Luxembourg, geopend op november 12, 2025, https://www.ey.com/en_lu/insights/government-public-sector/how-a-five-step-roadmap-helps-governments-succeed-with-ai
68. AI and tech investment ROI | Deloitte Insights, geopend op november 12, 2025, https://www.deloitte.com/us/en/insights/topics/digital-transformation/ai-tech-investment-roi.html
69. IT Spending Pulse: AI Agents and GenAI Reshape Priorities, geopend op november 12, 2025, https://www.bcg.com/publications/2025/ai-shifts-it-budgets-to-growth-investments
70. The Leader’s Guide to Transforming with AI | BCG, geopend op november 12, 2025, https://www.bcg.com/featured-insights/the-leaders-guide-to-transforming-with-ai
71. AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value | BCG, geopend op november 12, 2025, https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value