Datastrategie en data governance

Gebruik een maturity model als kaart

Stap voor stap bouwen is veilig, maar te traag als concurrenten vooruitspringen. De kunst is weten waar je moet klimmen en waar je kunt springen.

· · 3 minuten lezen

Elke organisatie die met AI begint, loopt tegen hetzelfde dilemma aan. Technologische verandering gaat het best stap voor stap: eerst de cultuur en de technische basis op orde, dan de volgende stap. Wie te voorzichtig is, kan echter worden ingehaald door concurrenten die vanaf het begin op AI bouwen.

Faisal Hoque en Paul Scade stellen dat je die keuze niet hoeft te maken. Je kunt beide tegelijk doen, als je precies weet waar.

Vijf maturity-niveaus

Hun model telt vijf niveaus. Op het eerste niveau, initieel, zijn er losse experimenten zonder strategie. Daarna volgen de eerste herhaalbare toepassingen (ontwikkelend) en een AI-strategie die aansluit op de bedrijfsdoelen, met volwassen datamanagement en risicokaders (gedefinieerd). Op het vierde niveau is AI volledig geïntegreerd en worden de prestaties gemeten (beheerst). Het vijfde niveau is een cultuur van continue innovatie waarin mens en AI vanzelfsprekend samenwerken (optimaliserend).

De auteurs verwijzen naar onderzoek onder 500 beursgenoteerde bedrijven. Daaruit bleek dat technologieprojecten die passen bij het maturity-niveau van de organisatie een belangrijke voorspeller zijn van financieel succes. Wie te snel wil, verspilt geld.

Gebruik het model als diagnose

Het belangrijkste punt van Hoque en Scade: een hele organisatie kan geen niveaus overslaan, één afdeling of toepassing soms wel. Een bedrijf met weinig ervaring in voorspellende analytics kan bijvoorbeeld in één afdeling meteen een generatieve AI-toepassing voor kennismanagement inzetten. Hun diagnose begint bij het einddoel:

  1. Bepaal welke AI-toepassingen de meeste businesswaarde opleveren.
  2. Breng per toepassing in kaart wat de invoering blokkeert, van de huidige naar de gewenste situatie.
  3. Bepaal of die blokkades snel en betaalbaar zijn weg te nemen.

Springen werkt vooral als er weinig legacy is, een sterk mandaat met geconcentreerde middelen, een afgebakende scope, een team dat er klaar voor is en echte strategische urgentie. Bij diep verweven systemen, processen waar een fout grote schade aanricht, complexe regelgeving of een organisatie die er nog niet klaar voor is, is geduld de snelste weg.

Acht vragen voordat je opschaalt

De business case van AI ontstaat pas bij opschaling. Didier Bonnet en Achim Plueckebaum geven een checklist die je al aan het begin van een pilot zou moeten doorlopen:

  • Draagt de opgeschaalde toepassing wezenlijk bij aan de strategische doelen?
  • Lost het een terugkerend probleem op, en geen eenmalig vraagstuk?
  • Zijn er middelen en budget om op te schalen?
  • Is er een schaalbare technische basis met gedeelde standaarden?
  • Zijn de databronnen op lange termijn van voldoende kwaliteit en goed beheerd?
  • Kunnen we security, compliance en ethiek op schaal borgen?
  • Hebben we de vaardigheden en de organisatie om breed uit te rollen?
  • Is er een business-eigenaar met budgetverantwoordelijkheid voor het resultaat?

Daarom zie ik een maturity assessment liever als een kaart dan als een rapportcijfer. Het laat zien waar je eerst het fundament moet leggen en waar je vandaag al kunt versnellen. Wil je weten waar jouw organisatie staat? De data maturity check op deze site geeft een eerste beeld.

Bronnen

  1. Hoque, F. & Scade, P. (2026). Strategic leapfrogging: Moving past AI maturity models with diagnostic precision. I by IMD, 18 februari 2026.
  2. Bonnet, D. & Plueckebaum, A. (2025). How to scale your AI use cases: A checklist. I by IMD, 27 november 2025.

Lees ook

Laten we kennismaken

Wil je van gedachten wisselen over data, analytics, AI of FP&A? Ik maak graag kennis.