Waarom teams met AI‑tools niet sneller leveren
Samenvatting. De meeste bedrijven voegen AI toe aan de manier waarop ze al werken. De code wordt sneller geschreven, en daarna wacht ze.
De meeste bedrijven proberen AI in te passen in de manier waarop ze al werken. Dat is het probleem.
Goldman Sachs benoemde het al in 2024 met een rapport onder de titel “Gen AI: too much spend, too little benefit?” De tools zijn sindsdien veel beter geworden, en toch blijft de vraag in veel engineeringteams overeind. Iedereen heeft een licentie. Code wordt sneller geschreven dan ooit. Het releaseritme is hetzelfde als voorheen.
De bottleneck was er altijd al
Ik hoor telkens een versie van dezelfde vraag, van engineering leaders, van mensen die ik interview en van de teams die ik heb geleid: AI is geweldig, maar nu hebben we plots een bottleneck bij code review. Hoe lossen we dat op?
Die vraag legt de kern bloot. De bottleneck is niet ontstaan door AI. Hij is ontstaan omdat het proces eromheen nooit ontworpen is voor dit volume, deze snelheid of deze manier van werken.
Dat gebeurt er wanneer je AI als een toevoeging behandelt. Snellere output belandt in een systeem dat er niet op gebouwd is. Reviews stapelen zich op en eigenaarschap wordt vaag. Beslissingen die vroeger een dag duurden, duren nu een week, omdat onduidelijk is wie wat goedkeurt. De snelheid is er. De structuur om ze te benutten ontbreekt.
Je betaalt er het tarief van een senior voor
Het is verleidelijk om AI-tools als een goedkoop experiment te zien. Dat zijn ze niet. Eerder dit jaar liet ik een frontier-model los op een echte engineeringtaak, en één prompt kostte me 7 tot 8 euro. Trek dat door naar aanhoudend werk en je zit aan 100 tot 200 euro per uur. Dat is een ruwe schatting, en het is ook het uurtarief van een zeer ervaren engineer.
Niemand werft een zeer ervaren engineer aan om diens werk vervolgens een week in een wachtrij te laten liggen. Met AI doen veel teams dat elke dag.
Het zijn de mensen
Bedrijven vragen in welke AI-tools ze moeten investeren en hoe ze het rendement van adoptie meten. Dat zijn redelijke vragen. Ik stelde ze zelf ook, en ik ben ermee gestopt. De tools doen er nog steeds toe, maar wat bepaalt of het blijft hangen, zijn de mensen.
Ik zie hetzelfde patroon, los van de rol. Mensen die hun werk al met nieuwsgierigheid benaderen, gebruiken AI om sneller te leren, betere vragen te stellen en hun oordeel verder te brengen dan ze alleen zouden kunnen. Mensen die hun rol als een vaste identiteit zien, gebruiken AI om die te beschermen. Soms door AI ronduit af te wijzen, soms door er stilletjes op mee te liften terwijl ze productief blijven lijken.
AI heeft geen van beide patronen gecreëerd. Het heeft versneld wie iemand al was.
Daarom leveren de meeste adoptiestrategieën minder op dan verwacht. Bedrijven behandelen adoptie als een toolprobleem en betalen uiteindelijk voor tools die de cultuur absorbeert, neutraliseert of ombuigt tot iets wat ze kan verdragen. De reactie van je organisatie op AI is een van de zuiverste cultuurdiagnoses die je vandaag hebt.
Wachten is ook een richting
Engineeringteams volgen risico’s nauwgezet op met post-mortems, rollbackplannen en risicoanalyses. Wat weinig teams opvolgen, is het risico van niets doen: de beslissing die je uitstelde tot het moment voorbij was, de vaardigheid die je team niet opbouwde omdat de timing onzeker aanvoelde. Die verliezen tellen mee. Ze staan alleen niet in incidentrapporten.
Als ik kijk naar teams die vandaag achterlopen met AI, gaat het verhaal bijna nooit over roekeloosheid. Het is het omgekeerde. Redelijke mensen nemen redelijke beslissingen en wachten op meer zekerheid voor ze een richting kiezen. Wachten is een richting, ook al voelt het niet zo.
Voorzichtigheid voelt als de afwezigheid van risico. Dat is ze zelden.
Wat je dan wel doet
Het antwoord is opnieuw nadenken over hoe werk wordt opgeleverd, in plaats van AI op het bestaande proces te schroeven. Dat klinkt groter dan het hoeft te zijn. Je begint niet bij de hele organisatie. Je begint bij één workflow en herontwerpt die van begin tot eind.
Drie dingen blijven altijd mensenwerk: bepalen wat succes is, goedkeuren wat gebouwd wordt, en meten en bijsturen. Al de rest in die workflow mag herontworpen worden.
Eén voorwaarde houdt het geheel samen: je bent eigenaar van wat je oplevert, of het nu door een mens of door AI geschreven is. Tools en processen werken pas wanneer dat klopt.
De meeste teams zijn niet klaar voor dat gesprek. Loslaten hoe het altijd gegaan is, is moeilijk. De terugkeer naar vertrouwde processen voelt veilig, en net dat maakt ze gevaarlijk.