Bridging the AI Divide: Inzichten uit Slaloms AI-enquête voor Succes en Rendement
Written by Olivia Nolan
October 25, 2025
De belofte van artificiële intelligentie (AI) is immens, maar de realiteit toont een groeiende kloof tussen organisaties die de vruchten plukken en zij die achterblijven. Een recent onderzoek van adviesbureau Slalom onderstreept deze tweedeling en biedt cruciale inzichten voor het succesvol implementeren van AI. De kern van de uitdaging ligt in het overbruggen van deze kloof, een proces dat bekendstaat als **Bridging the AI divide**. Dit artikel duikt diep in de bevindingen van Slalom en analyseert de onderscheidende factoren van AI-leiders. We onderzoeken hoe een solide datafundament, een gedragen strategie en een cultuur van samenwerking essentieel zijn om niet alleen technologisch, maar ook financieel rendement uit AI-investeringen te halen. Hierbij leggen we de verbinding met FinOps-principes, die een raamwerk bieden om de complexe kosten en baten van AI tastbaar en beheersbaar te maken voor de gehele organisatie, van de C-suite tot de development teams.
De basis voor elke succesvolle AI-implementatie is ontegenzeggelijk een robuust en betrouwbaar datafundament. De enquête van Slalom bevestigt dat AI-leiders significant meer vertrouwen hebben in hun datastrategie. Dit gaat verder dan alleen het verzamelen van grote hoeveelheden data; het draait om de kwaliteit, toegankelijkheid en governance. Organisaties moeten investeren in een moderne data-architectuur, zoals data lakes of lakehouses, die gestructureerde en ongestructureerde data efficiënt kan verwerken. Essentieel hierbij is het opzetten van heldere data governance-processen die de datakwaliteit waarborgen, eigenaarschap definiëren en compliance met regelgeving zoals de AVG garanderen. Zonder een 'single source of truth' worden AI-modellen getraind op inconsistente of vervuilde data, wat leidt tot onbetrouwbare uitkomsten, verspilde rekenkracht en een falende business case. Het op orde brengen van het datafundament is geen eenmalig project, maar een continue discipline die de basis legt voor schaalbare en waardevolle AI-toepassingen.
Een solide databasis is noodzakelijk, maar niet voldoende. Wat AI-leiders echt onderscheidt, is een heldere, door de hele organisatie gedragen AI-strategie die nauw is afgestemd op de bedrijfsdoelstellingen. AI mag geen technologisch speeltje zijn van de IT-afdeling; het moet een antwoord bieden op concrete zakelijke uitdagingen, zoals het verbeteren van de klantervaring, het optimaliseren van operationele processen of het creëren van nieuwe omzetstromen. Dit vereist sterk leiderschap en actieve sponsoring vanuit de C-suite. Directieleden moeten niet alleen het belang van AI uitdragen, maar ook de nodige middelen vrijmaken en de organisatiecultuur stimuleren om met data te experimenteren en van fouten te leren. Een effectieve strategie definieert duidelijke key performance indicators (KPI's) om het succes van AI-initiatieven te meten. Dit zorgt voor focus en maakt het mogelijk om de return on investment (ROI) te kwantificeren, een cruciale stap om de waarde van AI voor de financiële stakeholders inzichtelijk te maken.
Luister naar dit artikel:
Technologie en data zijn slechts een deel van de puzzel; de menselijke factor is minstens zo belangrijk voor het overbruggen van de AI-kloof. Het succesvol adopteren van AI vereist een diepgaande culturele verandering en een gerichte investering in talent. AI-leiders begrijpen dat ze niet alleen kunnen vertrouwen op het inhuren van een klein team van datawetenschappers. Ze investeren in het opleiden en bijscholen van hun bestaande personeelsbestand om een brede basis van datageletterdheid te creëren. Medewerkers in alle lagen van de organisatie moeten in staat zijn om data te interpreteren, de output van AI-modellen te begrijpen en te vertrouwen, en te identificeren waar AI waarde kan toevoegen in hun dagelijkse werk. Dit vraagt om een cultuur waarin experimenteren wordt aangemoedigd, waarin falen wordt gezien als een leermoment en waarin kennis actief wordt gedeeld tussen verschillende afdelingen en disciplines.
Een van de grootste obstakels voor AI-implementatie is het werken in silo's. Een AI-project is per definitie een multidisciplinaire onderneming. Het vereist een naadloze samenwerking tussen business-experts die de context en de problemen kennen, data-engineers die de infrastructuur bouwen, datawetenschappers die de modellen ontwikkelen, en IT-operations die de systemen in productie nemen en beheren. Deze dynamiek vertoont sterke parallellen met de FinOps-filosofie, die pleit voor een nauwe samenwerking tussen finance, technologie en business om de financiële waarde van cloudinvesteringen te maximaliseren. Door cross-functionele teams op te zetten, breken organisaties barrières af en versnellen ze de cyclus van idee tot waardevolle toepassing. Deze teams zijn beter in staat om de technische haalbaarheid, de zakelijke waarde en de financiële implicaties van een AI-initiatief integraal te beoordelen, wat leidt tot betere besluitvorming en een hogere kans op succes.
Om deze samenwerking en kennisdeling te structureren, kiezen veel vooruitstrevende organisaties voor de oprichting van een AI Center of Excellence (CoE). Een CoE fungeert als een centraal kennis- en coördinatiepunt binnen de organisatie. Het is verantwoordelijk voor het vaststellen van best practices, het selecteren van gestandaardiseerde tools en platformen, en het bieden van training en ondersteuning aan de verschillende business units. Daarnaast speelt het CoE een cruciale rol in het bewaken van de overkoepelende AI-strategie en het waarborgen van ethische en juridische kaders. Door expertise te centraliseren, voorkomt een CoE dat elk team het wiel opnieuw moet uitvinden, wat leidt tot efficiëntie, consistentie en een versnelde adoptie van AI in de hele organisatie. Het fungeert als een katalysator voor innovatie en zorgt ervoor dat de investeringen in talent en technologie optimaal worden benut.
Naarmate AI-systemen een grotere rol spelen in kritische bedrijfsprocessen, worden vertrouwen en verantwoordelijkheid van het grootste belang. Het concept van 'Responsible AI' is een hoeksteen voor duurzaam succes en een sleutelfactor in **Bridging the AI divide**. Het gaat hierbij om het ontwerpen, bouwen en implementeren van AI-systemen die eerlijk, transparant, verklaarbaar en veilig zijn. AI-leiders erkennen dat het negeren van deze ethische dimensie kan leiden tot aanzienlijke risico's, variërend van discriminerende uitkomsten en reputatieschade tot juridische sancties. Het proactief adresseren van potentiële bias in data en algoritmes is geen optionele extra, maar een fundamentele vereiste. Organisaties moeten investeren in technieken voor 'Explainable AI' (XAI), die inzicht geven in hoe een model tot een bepaalde beslissing komt. Deze transparantie is cruciaal om het vertrouwen van zowel interne gebruikers als externe klanten te winnen en te behouden.
Een robuust AI-governance raamwerk is de praktische vertaling van de principes van verantwoorde AI. Dit raamwerk omvat duidelijke beleidsregels, processen en rollen voor het gehele levenscyclusbeheer van AI-modellen, van de ideefase tot de uiteindelijke uitfasering. Het definieert wie verantwoordelijk is voor de validatie van modellen, hoe de prestaties en eventuele 'model drift' continu worden gemonitord, en hoe wordt voldaan aan sectorspecifieke en algemene wetgeving, zoals de opkomende EU AI Act. Een effectief governance-model is geïntegreerd in de bestaande cloud- en IT-governance structuren. Het behandelt niet alleen de ethische aspecten, maar ook de operationele en financiële kant. Denk hierbij aan beleid voor het gebruik van dure resources zoals GPU's, het toewijzen van kosten aan de juiste business units (showback/chargeback) en het waarborgen van databeveiliging en privacy. Zonder sterke governance worden AI-initiatieven een 'wilde westen' van onbeheersbare kosten en onvoorspelbare risico's.
De integratie van AI-governance binnen een breder Cloud Financial Management-perspectief is essentieel om de financiële duurzaamheid van AI te garanderen. Slechte governance leidt onvermijdelijk tot financiële verspilling. Modellen die worden ontwikkeld maar vanwege ethische of compliance-bezwaren nooit in productie kunnen worden genomen, vertegenwoordigen een aanzienlijk verlies van geïnvesteerde tijd, geld en rekenkracht. Omgekeerd kan een gebrek aan financieel toezicht leiden tot ongebreidelde cloudkosten voor het trainen van onnodig complexe modellen of het permanent draaien van onderbenutte inference-endpoints. Door AI-governance en FinOps-principes te combineren, creëren organisaties een systeem van checks-and-balances dat ervoor zorgt dat AI-projecten niet alleen innovatief en ethisch verantwoord zijn, maar ook kosteneffectief en afgestemd op de financiële doelstellingen van de onderneming. Dit holistische perspectief is wat AI-leiders onderscheidt en hen in staat stelt om op een duurzame manier waarde te creëren.
advertenties
advertenties
advertenties
advertenties
Een van de grootste uitdagingen die uit de enquête van Slalom naar voren komt, is het meten van de Return on Investment (ROI) van AI. In tegenstelling tot traditionele IT-projecten, waar de baten vaak direct zichtbaar zijn in de vorm van kostenbesparingen, is de waarde van AI vaak indirecter en strategischer. Het kan gaan om verbeterde besluitvorming, een hogere klanttevredenheid of een snellere time-to-market. Om deze waarde tastbaar te maken, is een meer geavanceerde benadering nodig dan een simpele kosten-batenanalyse. Hier biedt de FinOps-methodologie een krachtig raamwerk. Door de variabele en vaak onvoorspelbare kosten van AI-workloads (zoals dataopslag, modeltraining en inference) zichtbaar te maken en toe te wijzen aan specifieke projecten of business units, creëert FinOps een direct verband tussen investering en resultaat. Dit stelt teams in staat om de economische waarde van hun inspanningen te begrijpen en te communiceren naar de rest van de organisatie.
Het toepassen van FinOps-principes op AI begint met zichtbaarheid. Organisaties moeten mechanismen implementeren om de cloudkosten van elke fase in de AI-levenscyclus nauwkeurig te volgen. Dit vereist een gedetailleerde taggingstrategie voor resources, waarbij elke compute instance, storage bucket en API-call wordt gelabeld met informatie over het project, het team en het doel. Met deze data kunnen dashboards worden gecreëerd die niet alleen de totale kosten tonen, maar ook inzicht geven in de kostendrijvers. Is het de dure GPU-tijd tijdens de training of de continue kosten van het model in productie? Deze inzichten stellen teams in staat om te optimaliseren. Ze kunnen bijvoorbeeld kiezen voor goedkopere, minder krachtige hardware voor bepaalde taken, gebruikmaken van kostenefficiënte 'spot instances' voor trainingen die onderbroken mogen worden, of modellen 'right-sizen' om de inference-kosten te verlagen zonder de prestaties significant te beïnvloeden.
Forecasting en budgettering voor AI-workloads is notoir complex vanwege hun dynamische karakter. Een groot trainingsmodel kan de kosten tijdelijk enorm opdrijven, terwijl de kosten in de productiefase relatief stabiel kunnen zijn. Een FinOps-benadering helpt om deze complexiteit te beheren door een cultuur van financiële verantwoordelijkheid te promoten. Teams worden aangemoedigd om hun verwachte resourcegebruik te voorspellen en budgetten op te stellen. Door de werkelijke kosten te vergelijken met de prognoses, ontstaat een leerproces dat leidt tot steeds nauwkeurigere voorspellingen. Dit stelt de organisatie in staat om de financiële impact van haar AI-ambities beter te plannen en verrassingen op de maandelijkse cloudrekening te voorkomen. Het stelt hen ook in staat om weloverwogen beslissingen te nemen over de allocatie van middelen, waarbij wordt geïnvesteerd in de projecten met de hoogste verwachte waarde.
Concluderend, het overbruggen van de AI-kloof is geen louter technologische uitdaging, maar een integrale organisatorische transformatie. De inzichten van Slalom tonen aan dat succesvolle organisaties uitblinken op vier gebieden. Ten eerste bouwen ze een onwrikbaar datafundament, ondersteund door een heldere, door leiderschap gedragen strategie. Ten tweede cultiveren ze een cultuur van samenwerking en investeren ze in het talent en de vaardigheden van hun medewerkers. Ten derde implementeren ze robuuste governance voor verantwoorde en betrouwbare AI. En ten slotte, en misschien wel het belangrijkst, adopteren ze een FinOps-mentaliteit om de kosten te beheren en de waarde van hun AI-investeringen te maximaliseren. Door deze elementen te combineren, kunnen organisaties de kloof oversteken en zich positioneren als leiders in het tijdperk van kunstmatige intelligentie, waarin technologie niet alleen een kostenpost is, maar een strategische motor voor groei en innovatie.
Olivia Nolan is redacteur bij MSP2Day, waar zij zich richt op het vertalen van complexe IT- en technologische ontwikkelingen naar toegankelijke en inspirerende artikelen. Met haar ervaring als content manager en social media expert weet zij inhoud niet alleen informatief, maar ook aantrekkelijk en relevant te maken voor een breed publiek.
