CEO-led AI is geen ROI-truc, maar een governance-test

De ROI-claim is niet het eindpunt, maar het begin van de discussie

Claims over hoger rendement door CEO-led AI trekken terecht aandacht. Ze passen bij de fase waarin veel organisaties zitten: er zijn al tools getest, teams hebben geëxperimenteerd en de directie wil weten wat het oplevert. Tegelijk is juist zo’n claim gevaarlijk als hij te makkelijk wordt gelezen als recept. Alsof de opbrengst vanzelf stijgt zodra de CEO het onderwerp naar zich toetrekt. Zo werkt AI-adoptie niet. De nuttige vraag is niet: levert CEO-led AI altijd meer op? De nuttige vraag is: wat verandert er in een organisatie wanneer AI niet langer een losse toolpilot is, maar een bestuurbare veranderopgave?

Voor AI-leads, founders en operators is dat onderscheid belangrijk. Zij krijgen vaak druk om sneller te gaan, meer tools te testen of zichtbare demo’s te laten zien. Maar demo-waarde is iets anders dan bedrijfswaarde. Een chatbot die intern applaus krijgt, is nog geen procesverbetering. Een agent die in een gecontroleerde test goed werkt, is nog geen betrouwbare operationele schakel. En een modelupgrade is nog geen strategie. CEO-betrokkenheid kan nuttig zijn wanneer het helpt om prioriteiten te kiezen, risico’s te wegen en budget te koppelen aan meetbare uitkomsten.

CEO-betrokkenheid is vooral een proxy voor prioriteit en discipline

Wanneer een organisatie betere resultaten ziet bij AI-programma’s met actieve directiebetrokkenheid, hoeft dat niet te betekenen dat de CEO inhoudelijk betere modelkeuzes maakt. Waarschijnlijker is dat CEO-betrokkenheid een proxy is voor iets anders: prioriteit, besluitkracht, budgetdiscipline en organisatiebrede afstemming. AI raakt namelijk zelden maar één team. Een sales-assistent raakt CRM-data, juridische afspraken, tone-of-voice, privacy en commerciële processen. Een support-agent raakt klantverwachtingen, escalatieregels en kwaliteitscontrole. Een interne kennisassistent raakt toegangsrechten, documenthygiëne en security.

Daarom ontstaan veel AI-problemen niet in de prompt, maar in het eigenaarschap eromheen. Wie mag bepalen welke data gebruikt wordt? Wie keurt een workflow goed waarin AI een conceptantwoord maakt? Wanneer is menselijke controle verplicht? Welke foutmarge is acceptabel? Wie betaalt voor doorontwikkeling nadat de eerste pilot klaar is? Zolang die vragen niet belegd zijn, blijft AI afhankelijk van losse enthousiastelingen. Dat kan tijdelijk snelheid geven, maar het maakt opschalen kwetsbaar.

Drie niveaus van AI-eigenaarschap

Een praktische manier om CEO-led AI nuchter te maken, is onderscheid maken tussen drie niveaus. Het eerste niveau is tooladoptie door teams. Denk aan marketing, sales, support, development of operations die AI gebruiken om sneller te schrijven, samen te vatten, te analyseren of concepten te maken. Dit niveau hoeft niet door de CEO gemanaged te worden. Het vraagt wel richtlijnen, training en duidelijkheid over wat wel en niet mag.

Het tweede niveau is programmamanagement. Hier wordt AI gekoppeld aan processen, data en systemen. Use-cases worden geprioriteerd, afhankelijkheden worden zichtbaar en er wordt gemeten of iets werkelijk werkt. Dit is vaak het domein van operations, IT, product of een AI-lead. Hier ontstaat de vertaling van enthousiasme naar uitvoering: welke workflow passen we aan, welke integratie is nodig, welke risico’s accepteren we en welke KPI gebruiken we?

Het derde niveau is strategisch eigenaarschap. Daar hoort de directie thuis. Niet om ieder experiment goed te keuren, maar om richting te geven. Welke bedrijfsdoelen verdienen AI-aandacht? Welke risico’s zijn onacceptabel? Welke leveranciersafhankelijkheden passen bij onze positie? Waar willen we snelheid boven controle, en waar juist niet? CEO-led AI wordt pas waardevol wanneer dit niveau expliciet wordt gemaakt.

Governance is geen rem, maar de manier om AI schaalbaar te maken

In veel organisaties klinkt governance nog als vertraging. Zeker bij AI-teams die snel willen bouwen, testen en leren. Toch is governance bij AI geen administratieve bijzaak. Het is de manier om te voorkomen dat pilots blijven hangen of later worden teruggedraaid omdat niemand de risico’s had uitgewerkt. Human-AI collaboration, security, datatoegang, leverancierskeuzes en meetbaarheid horen niet achteraf op een checklist. Ze horen vanaf het begin bij de use-case.

Een voorbeeld: als een AI-tool commerciële e-mails voorbereidt, lijkt dat simpel. Maar al snel volgen vragen. Mag het systeem klantdata gebruiken? Moet de output altijd door een medewerker worden gecontroleerd? Hoe voorkomen we dat verouderde productinformatie wordt gebruikt? Welke tone-of-voice is toegestaan? Wanneer meten we succes: op tijdwinst, conversie, foutreductie of medewerkerstevredenheid? Zonder governance blijft het antwoord impliciet. Met governance wordt het bestuurbaar.

Dat betekent niet dat ieder AI-initiatief zwaar moet worden opgetuigd. Kleine individuele productiviteitscases vragen een lichte aanpak. Proceskritische AI vraagt zwaardere afspraken. Het punt is dat organisaties dit verschil bewust maken. CEO-led AI is dus niet: alles centraal trekken. Het is: expliciet bepalen waar vrijheid nodig is, waar controle nodig is en wie aanspreekbaar is op de uitkomst.

De bredere AI-context maakt eigenaarschap belangrijker

AI-adoptie staat niet los van de markt eromheen. Nieuwe modelversies, custom chips, veranderingen in toegang tot modellen, vraag naar geheugen en infrastructuur, en zorgen rond security of concurrentiedruk kunnen allemaal invloed hebben op keuzes van organisaties. Niet iedere headline is direct relevant voor je roadmap. Maar samen laten ze wel zien dat AI geen statisch softwarepakket is dat je één keer selecteert en daarna vijf jaar ongewijzigd gebruikt.

Voor operators is dat een belangrijk inzicht. Een AI-strategie die alleen bestaat uit ‘we gebruiken tool X’ is dun. Wat gebeurt er als prijzen veranderen? Als functionaliteit verschuift? Als een leverancier nieuwe voorwaarden stelt? Als interne security-eisen strenger worden? Als een model dat vandaag goed genoeg is morgen wordt vervangen door een goedkoper alternatief? Dit zijn geen redenen voor paniek. Het zijn redenen om AI-besluiten volwassen te documenteren.

Hier komt directiebetrokkenheid opnieuw terug. Niet omdat de CEO de technische details moet oplossen, maar omdat sommige keuzes bedrijfsrisico’s zijn. Een team kan prima een tool testen. Maar de keuze om klantdata in een externe workflow te verwerken, een kernproces afhankelijk te maken van één leverancier of AI-output direct richting klant te gebruiken, hoort bestuurlijk helder te zijn.

Een besliskader voor AI-use-cases

Wie AI-rendement serieus wil beoordelen, heeft minder aan een algemene belofte en meer aan een besliskader. Begin per use-case met zes vragen. Eén: welk bedrijfsprobleem lossen we op? Twee: welke huidige kosten, vertragingen of fouten willen we verminderen? Drie: welke data en systemen zijn nodig? Vier: wie is eigenaar van kwaliteit en risico? Vijf: hoe meten we effect na livegang? Zes: wanneer stoppen we?

Die laatste vraag wordt vaak overgeslagen. Toch is hij essentieel. AI-projecten kunnen blijven doorlopen omdat ze interessant zijn, niet omdat ze waarde leveren. Een goed stopcriterium beschermt teams tegen hobbyprojecten met een professioneel jasje. Bijvoorbeeld: als een support-assistent na acht weken geen aantoonbare afname in behandeltijd of kwaliteitsverbetering laat zien, gaat hij terug naar ontwerp. Als een sales-workflow alleen werkt met uitzonderlijk veel handmatige correctie, wordt de businesscase opnieuw bekeken.

CEO-aandacht is vooral nodig bij use-cases met hoge impact, hoge risico’s of organisatiebrede afhankelijkheden. Denk aan klantcontact, pricing, compliancegevoelige processen, personeelsbeslissingen, financiële analyses of kernsystemen. Teamniveau is voldoende voor persoonlijke productiviteit en laag-risico experimenten. Programmamanagement zit ertussenin: procesverbeteringen die meerdere teams raken, maar niet iedere keer directiebesluitvorming vragen.

De Pascal-take: maak AI uitlegbaar voordat je het opschaalt

De vraag is niet of de CEO de AI-strategie heeft geclaimd. De vraag is of het bedrijf kan uitleggen waarom deze AI-inzet waarde oplevert, welke risico’s erbij horen en wie daarop aanspreekbaar is. Dat klinkt minder spectaculair dan een ROI-belofte, maar het is veel bruikbaarder voor organisaties die AI echt willen laten landen.

Een houdbare AI-strategie begint met taal die de organisatie begrijpt. Niet alleen modelnamen, benchmarks en toolfeatures, maar keuzes: dit probleem pakken we aan, deze data gebruiken we wel of niet, deze output controleren we, deze leverancier vertrouwen we tot dit niveau, deze KPI bepaalt of we doorgaan. Dan wordt CEO-led AI geen hypebegrip, maar een governance-test. En die test is simpel: kan je organisatie AI-besluiten herhalen, uitleggen en verbeteren zonder afhankelijk te zijn van één enthousiaste medewerker?