AI als startpunt voor het gesprek, niet als oplossing: waarom de beste AI-strategieën beginnen met vertragen

Een leadershipteam voelt de scherpe druk om “de boot niet te missen”. Er komt budget vrij, of misschien wordt er een strategische subsidie beschikbaar. Een partner verschijnt met een gelikte deck, indrukwekkende demo’s en een voorstel met hoge snelheid. Plots springt het hele gesprek meteen naar de eindmeet: Large Language Models (LLM’s), maatwerkprototypes en agressieve tijdlijnen van zes maanden.

Maar voor de moderne executive is dat precies de verkeerde plek om te starten.

Bij Sigli zien we dat de meest succesvolle AI-strategieën niet met technologie beginnen. Ze beginnen met een diagnostische verkenning. Voor CIO’s, CTO’s en andere enterprise leaders moet AI niet starten als een “oplossing” die u koopt. Het moet starten als een dwingende prikkel, een strategische provocatie die businessproblemen verheldert, legacy-aannames test en blootlegt wat er werkelijk moet veranderen in het DNA van de organisatie.

Soms vraagt die evolutie om een generatief model. Soms vraagt ze om een fundamentele herstructurering van een datapijplijn. Het verschil daartussen herkennen is geen mislukking van een AI-initiatief; het is juist de kern van fiduciaire verantwoordelijkheid en strategische vooruitgang.

De omgekeerde logica van de AI-salespitch

De traditionele enterprise-salescyclus is gebouwd op een probleem-oplossingskader. De partner identificeert een pijnpunt en biedt een tool aan om het op te lossen. Maar AI is geen traditioneel hulpmiddel zoals een CRM of ERP. Het is een probabilistische motor die floreert op hoogwaardige data en helder gedefinieerde logica, twee zaken die in legacyprocessen vaak ontbreken.

Wanneer we AI als “oplossing” framen vóór het probleem volledig is begrepen, belanden we in de val van omgekeerde logica. In plaats van te vragen: “Wat remt onze groei fundamenteel af?”, verschuift de focus naar: “Hoe krijgen we AI in deze specifieke workflow geperst?”

Die manier van denken opent de deur naar false momentum. False momentum voelt als vooruitgang, omdat workshops worden ingepland, interne nieuwsbrieven “AI-taskforces” aankondigen en roadmaps worden uitgetekend. Maar als het onderliggende businessresultaat vaag blijft, versnelt u niet — u faalt alleen sneller.

Zoals Sigli’s leiderschap vaak aangeeft, is de grootste beperking van AI vandaag niet de technische capaciteit van de modellen, maar de onzekerheid van de uitkomsten. Zonder diagnostische fase wordt “goedkope” consultancy of snelle prototyping al snel de duurste post op de balans. Het creëert de indruk van beweging, terwijl de structurele helderheid die nodig is voor echte ROI juist wordt uitgesteld.

Case study: wanneer AI een diagnostische lens wordt

Om te begrijpen hoe AI als gespreksstarter werkt, kunnen we kijken naar Sigli’s samenwerking met een van de bekendste property data-platformen in het Verenigd Koninkrijk.

Op papier leek het project een klassieke AI-oplossingscase: “Implementeer geavanceerde machine learning om vastgoeddata te verrijken en nieuwe voorspellende functionaliteiten voor gebruikers mogelijk te maken.” Het was een ambitieus doel met hoge zichtbaarheid. Maar zodra het diagnostische gesprek begon, keek het team niet alleen naar modellen, maar naar de volledige “machinerie” van het bedrijf.

Het “AI-project” werkte als een lens die vier diepere operationele waarheden blootlegde die een standaard oplossingspartner waarschijnlijk zou hebben gemist:

• Data readiness versus modelverfijning: het team ontdekte dat de AI niet kon functioneren zonder tientallen nieuwe en robuuste datapijplijnen. De echte waarde lag in het verplaatsen en opschonen van data, niet alleen in de intelligentie van het model.
• Infrastructurele realiteit: strikte eisen rond vertrouwelijkheid en datasoevereiniteit maakten een standaard cloud-AI-aanpak onhaalbaar. Het gesprek verschoof naar een complexe on-premise implementatiestrategie die de kernactiva van de klant beschermde.
• Operationele schuld: het project legde een groot gebrek aan documentatie bloot, plus meerdere lagen complexe legacydatasets. Die moesten eerst worden opgelost voor er überhaupt een intelligente laag bovenop kon komen.
• De performantieparadox: de diagnostische fase liet zien dat bestaande modellen de gebruikerservaring juist verslechterden omdat ze te traag waren. De oplossing was niet méér AI, maar efficiëntere AI in een high-performance architectuur.

Door AI als gespreksstarter te behandelen in plaats van als plug-and-play-oplossing, bouwde de organisatie niet alleen een feature. Ze bouwde een geharde infrastructuur die inzichten herhaalbaar maakt en features effectief uitleverbaar maakt.

De drie pijlers van een diagnostisch gesprek

Wanneer een executive de stap maakt van “een oplossing kopen” naar “een gesprek starten”, moet het diagnostische kader rond drie pijlers draaien.

1. Kennisliquiditeit

Waar zit cruciale institutionele kennis vast? AI wordt vaak gepitcht als vervanging van menselijke inspanning, maar de hogere waarde ligt vaak in het vloeibaar maken van vastzittende kennis. Als uw beste underwriters of engineers vertrekken, verdwijnt hun logica dan ook? Een diagnostisch AI-gesprek vraagt hoe technologie kan helpen om die expertise vast te leggen en te verspreiden binnen de organisatie.

2. Consistentie van oordeel

In veel ondernemingen is het echte probleem niet snelheid, maar variatie. Als drie verschillende managers naar dezelfde data kijken en drie verschillende beslissingen nemen, is de organisatie inefficiënt. AI kan helpen om die variatie te verkleinen. Het gesprek zou dan niet moeten zijn: “Hoe automatiseren we deze beslissing?”, maar: “Waar is ons menselijk oordeel sterk inconsistent, en waarom?”

3. Materiële impact (de P&L-test)

Executives moeten zich hard afvragen: “Als we dit ene probleem met AI oplossen, wat verandert er dan concreet op de P&L?” Als het antwoord neerkomt op een marginale efficiëntiewinst zonder hogere throughput of lagere kosten, dan is het project waarschijnlijk vooral innovation theater.

Snelheid versus strategie: waarom langzaam soepel maakt

In het leger bestaat het gezegde: “Slow is smooth, and smooth is fast.” Dat geldt ook perfect voor AI-implementatie.

Een goede partner versterkt niet de illusie van een snelle oplossing. Die helpt juist om die illusie af te breken. In de eerder genoemde property data-case gaf Sigli prioriteit aan research, pipeline development en sequentiële integratie. Die aanpak zette data readiness boven AI-nieuwigheid.

Dat betekent vaak dat het salesproces bewust wordt vertraagd om de uiteindelijke beslissing te verbeteren. Het betekent dat de ongemakkelijke vragen eerst worden gesteld, nog vóór er één regel code wordt geschreven.

• Is de data bevooroordeeld?
• Is het proces dat we willen automatiseren eigenlijk logisch?
• Wie “bezit” de output van de AI wanneer de consultants vertrokken zijn?

Zonder antwoorden op die vragen wordt snelheid een risico. Daarom veranderen veel projecten die beginnen als “AI-initiatieven” uiteindelijk in iets anders, bijvoorbeeld een master data management-project of een traject rond workflowautomatisering. Die verschuiving betekent niet dat het AI-idee fout was. Het betekent dat het eerste gesprek eindelijk eerlijk werd.

De lakmoesproef voor partners

Voor executives is de vraag niet of een partner “iets met AI doet”. In 2026 doet iedere partner “iets met AI”. De echte vraag is: hoe gedraagt die partij zich wanneer het oorspronkelijke AI-idee onder kritische toetsing begint te verzwakken?

• Beschermen ze het narratief of de uitkomst?
  Een oplossingspartner zal vechten om het AI-label binnen de scope te houden, zodat het prijskaartje te rechtvaardigen blijft. Een echte partner stuurt u naar de meest uitvoerbare volgende stap, ook als die minder glamoureus is.
• Behandelen ze discovery als overhead?
  Als een partner de diagnostische fase wil overslaan en direct naar build wil, ziet die discovery als kostenpost in plaats van als essentieel risicomanagement.
• Focussen ze op beperkingen of op mogelijkheden?
  Onvolwassen AI-gesprekken draaien om wat de technologie kan. Volwassen executive-gesprekken draaien om wat de organisatie nog niet kan, en waarom.

De waarde van de smallere stap

Enterprisewaarde ontstaat niet door nieuwigheid. Ze ontstaat wanneer technologie goed genoeg op de business aansluit om operationeel te worden gemaakt, geadopteerd te worden en vertrouwd te worden door de mensen op de frontlinie.

De bedrijven die de AI-race winnen, zijn niet per se degene die het eerst bewogen. Het zijn de bedrijven die het AI-gesprek gebruikten om hun echte beperkingen te vinden. Zij begrijpen dat AI een diagnostisch hulpmiddel is dat zwakke proceslogica, vaag eigenaarschap en gebrekkige datadiscipline blootlegt.

Een van de gezondste signalen in een AI-gesprek op hoog niveau is de bereidheid om de ruimte te verlaten met een smallere, minder glamoureuze, maar veel beter uitvoerbare volgende stap.

Behandel AI niet als een aankoopbeslissing. Behandel het als een strategische verkenning. Beoordeel uw partners niet op hoe snel zij u een antwoord verkopen, maar op hoe diep zij u helpen het probleem te definiëren. Dáár begint echte ROI.