Een ondernemer die ik vorige maand sprak had zijn AI-agent ingericht om inkomende e-mails te sorteren en te beantwoorden. Drie weken later was zijn inbox nog net zo vol als daarvoor. De agent draaide keurig — geen foutmeldingen, geen crashes. Maar niemand had hem verteld wat afgehandeld precies betekende.
Dat is de stille epidemie van AI-implementaties in 2026: niet technologie die het laat afweten, maar instructies die nooit scherp genoeg waren om mee te beginnen.
Een AI-agent stelt geen vragen terug
Gartner voorspelde dat in 2026 veertig procent van alle bedrijfsapplicaties AI-agents zou bevatten. Dat klopt aardig. Maar wat er minder luid bij gezegd wordt: het faalpercentage is navenant hoog.
Mensen die een taak niet begrijpen, stellen een vraag. Een AI-agent doet dat niet — of pas als je hem expliciet instrueert om dat te doen. Hij voert uit wat jij hebt beschreven, zo letterlijk als hij kan. Als jouw beschrijving ambigu is, voert hij de ambigue versie keurig uit. Elke keer.
Het gevolg: bedrijven sturen een agent de wereld in met instructies die ze zelf als ‘duidelijk’ beschouwden, en zijn dan verbaasd dat de resultaten niet kloppen. Het probleem zit hem niet in de AI.
Je eigen werkwijze kennen is moeilijker dan je denkt
Stel dat je een AI-agent wil inzetten voor het verwerken van offerteaanvragen. Je denkt: simpel. Maar zodra je het moet opschrijven, stuit je op vragen die je nooit eerder hoefde te beantwoorden. Wat is een volledige aanvraag? Wanneer volg je op? Wie beslist over de prijs? Welke klanten krijgen prioriteit — en op basis waarvan?
Die kennis zit ergens in een hoofd. Misschien in twee hoofden. En die mensen werken al tien jaar op gevoel, wat prima is — totdat je een machine vraagt hetzelfde te doen.
Onderzoek naar MKB-implementaties laat zien dat de meeste mislukkingen niet aan de technologie liggen, maar aan ontbrekende use cases, onduidelijk proceseigenaarschap en het meten van succes op basis van enthousiasme in plaats van output. AI dwingt je om eerlijk te zijn over hoe je eigenlijk werkt. Dat is ongemakkelijk.
Wat de bedrijven die het wél goed doen anders aanpakken
Ze beginnen klein. Niet met een ambitieus platform dat vijftien processen tegelijk automatiseert, maar met één taak — een aanvraag sorteren, een factuur classeren, een afspraak inplannen — met heldere invoer, heldere uitvoer en een mens die de resultaten de eerste weken controleert.
Ze schrijven hun proces eerst uit alsof ze het aan een nieuwe medewerker uitleggen. Als ze dat niet kunnen, automatiseren ze nog niks. Want een AI-agent maakt een slecht proces niet beter. Hij maakt het sneller. En sneller slecht is erger dan langzaam slecht.
Na een paar weken weten ze precies waar de uitzonderingen zitten, passen ze de instructies aan en schalen ze op. Niet andersom.
De les is vervelend simpel: de waarde van een AI-agent hangt bijna volledig af van hoe goed jij je eigen werk begrijpt. Dat is geen technisch probleem. Het is een managementprobleem.
Wil je weten waar bij jouw bedrijf de processen scherp genoeg zijn voor automatisering — en waar je eerst nog huiswerk te doen hebt? Dat is precies wat we bij NextEnabler in kaart brengen. Zonder grote beloftes, wel met een eerlijk startpunt.