Human-ready is AI-ready

Investeringen zonder adoptie

Organisaties hebben de instrumenten. Licenties zijn aangekocht, pilots draaien, beleidskaders zijn geschreven of staan op de roadmap. Toch blijft het rendement uit. De oorzaak ligt zelden in de technologie, maar in de afstand tussen wat een organisatie invoert en wat haar mensen ermee doen.

Die afstand is gedocumenteerd. Cisco’s AI Readiness Index classificeert 13% van de onderzochte organisaties als volledig AI-ready, een aandeel dat drie jaar op rij stabiel bleef bij ruim 8.000 respondenten in dertig markten (Cisco, 2025). De Enterprise AI Maturity Index meet op een andere schaal: in 2025 haalde minder dan 1% van de respondenten een score boven 50 op 100, met een gemiddelde dat van 44 naar 35 zakte; in 2026 herstelde dat gemiddelde tot 51 (ServiceNow, 2025).

Aan de bestuurskant is het beeld dat van beperkte controle. In een bevraging van 900 CEO’s meent 96% dat medewerkers generatieve AI gebruiken zonder goedkeuring, en 79% maakt zich zorgen over juridische blootstelling door AI-agents (Dataiku/Harris Poll, 2026). Governance loopt achter op gebruik. Dat is minder een controleprobleem dan een informatieprobleem: er wordt volop met AI gewerkt, alleen niet op de plek waar iemand kijkt.

Aan de kant van de medewerkers is de druk toegenomen. De Humans at Work Barometer, bij ruim 6.000 werknemers in tien landen, vindt dat 51% meer druk ervaart dan een jaar eerder en 48% de meeste werkdagen mentaal uitgeput eindigt (Workhuman, 2026). AI is daarvan niet de enige oorzaak, maar wel de verandering die er bovenop komt.

Het gevolg is meetbaar in afgebroken projecten. In 2025 liet 42% van de bedrijven het merendeel van zijn AI-initiatieven varen, tegenover 17% een jaar eerder (S&P Global, 2025). Gartner verwacht dat meer dan 40% van de agentic-AI-projecten tegen eind 2027 geschrapt wordt, door oplopende kosten, onduidelijke businesswaarde of ontoereikende risicocontroles (Gartner, 2025).

Vier bouwstenen, één volledig beeld

AI-readiness wordt in de praktijk gemeten als een technische eigenschap van de organisatie. Dat is één helft van de vraag, en niet de helft waar het meestal misgaat. Een volledig kader bestaat uit twee helften: is de medewerker er klaar voor, en kan de organisatie het dragen. De eerste helft valt uiteen in drie assen, de tweede in zeven dimensies. Samen vier delen, elk met precies één hoofdbron.

Deel 1 · De medewerker

1a. Gebruik

Wat iemand feitelijk doet met AI: welke tools, hoe intensief, tegen welke kost. Deze as is objectief en zit doorgaans al in bestaande telemetrie en metadata, zonder dat er iemand bevraagd hoeft te worden. Ze reageert in weken en is daarmee de enige as die vooruitloopt op de andere twee.

1b. Engagement

Hoe iemand zich verhoudt tot het werk en tot de verandering: begrip van het waarom, vertrouwen, ervaren autonomie, bereidheid tot inzet. Engagement meten alleen volstaat niet meer in een AI-gedreven omgeving (WTW, 2026), maar zonder deze as ontbreekt elke verklaring voor wat de gebruiksdata laten zien. Ze reageert in maanden en moet actief worden opgehaald.

1c. Performance

Wat iemand effectief neerzet. Deze as wordt in AI-readinessmetingen vrijwel altijd weggelaten, terwijl ze bepaalt of gebruik en betrokkenheid ergens in resultaat landen. Ze reageert in kwartalen en komt uit de bestaande beoordelings- en resultaatcyclus van de organisatie zelf.

Deel 2 · De werkgever

Datakwaliteit, infrastructuur, governance, beleid en de gekozen use cases: samen zeven dimensies die bepalen of de organisatie AI kan dragen. Deze helft is niet de bottleneck, maar wel de randvoorwaarde: waar governance ontbreekt, wordt gebruik onzichtbaar in plaats van afwezig. Ze wordt vastgesteld uit interviews en documentanalyse, aangevuld met de systeemdata die de organisatie al bijhoudt.

Waarom de vier delen niet parallel lopen

Dat is het analytische uitgangspunt van dit kader. Wie AI het meest gebruikt is niet noodzakelijk de sterkste presteerder; wie het meest geëngageerd is evenmin. Een meting op één as levert daarom systematisch verkeerde conclusies. Perceptie alleen labelt kritische maar productieve medewerkers als afgehaakt. Gebruiksdata alleen verklaart niet waarom iemand stilstaat. Performance alleen zegt niets over hoe lang dat resultaat houdbaar is. En een sterke organisatiescore zegt niets over de spreiding eronder.

AI-anxiety is de factor die de assen verbindt. Het is geen algemene technologievrees maar een complexe psychologische respons op snelle, systemische verandering (HRD America, 2026). Een bevraging van ruim 1.500 voltijdse werknemers in vijf landen, begin 2026, vond dat 24% een verslechterde mentale gezondheid rapporteerde door informatie-overload en 23% een verminderd gevoel van controle over de eigen toekomst (Spring Health, 2026).

Van gemiddelde naar segment

Een readinessscore is een gemiddelde, en een gemiddelde beschrijft een werkelijkheid die niemand in de organisatie zo ervaart. Een score van 68 op 100, sterk in talent en zwak in governance, is bruikbare stuurinformatie op directieniveau en tegelijk ongeschikt als basis voor interventies.

De eerste segmentatielaag is organisatorisch. Onder een gemiddelde van 68 kan IT op 95 zitten en Finance op 55. Dat verschil bepaalt waar een interventie effect heeft en waar ze verspilling is. Teams zijn echter zelden homogeen, waardoor ook deze laag gemiddelden blijft produceren.

De tweede laag is individueel en kruist de dimensies onderling. Onderstaande matrix zet engagement tegen performance en levert negen segmenten op, elk met een eigen interventielogica.

De grootste groep zit in het midden. De motor, 24 medewerkers of 19%, scoort gemiddeld op beide assen en vormt de dragende laag van de organisatie. Deze groep vraagt onderhoud, geen interventie, en wordt in adoptietrajecten routineus overgeslagen ten voordele van de uitersten.

Rechts in de matrix ligt het retentierisico. HP vluchtrisico (12 medewerkers) en Kritiek vluchtgevaar (9) presteren op topniveau terwijl hun engagement wegzakt. Dat is geen gewoon verloopsrisico: het verlies treft rechtstreeks de productieve capaciteit, en de vervangingskost van een topperformer overtreft de kost van een tijdig gesprek ruimschoots.

Linksboven ligt het omgekeerde profiel. Verborgen potentieel (4 medewerkers) is sterk geëngageerd maar nog niet performant; Struggling willing (6) wil wel maar loopt vast. Hier is de marge het grootst, en het instrument is skill-building en coaching, niet motivatie.

Gebruik als vooruitlopende indicator

De matrix in figuur 1 toont twee van de drie dimensies. Wordt gebruik als derde as toegevoegd, dan blijft de matrix dezelfde maar krijgt ze diepte: dezelfde negen segmenten bestaan in drie lagen, van laag naar hoog AI-gebruik. Een medewerker zit niet langer in een vakje maar op een coördinaat.

Waarom deze as het meest oplevert

De drie assen meten hetzelfde verhaal op verschillende momenten, en dat is de inhoudelijke reden om de derde toe te voegen. Performance registreert wat al gebeurd is en beweegt in kwartalen. Engagement registreert de huidige verhouding tot het werk en beweegt in maanden, met een meetfrequentie die aan surveymomenten gebonden is. Gebruik is gedrag, is continu meetbaar uit bestaande telemetrie, en verandert in weken. Het is de enige as in het kader die vooruitloopt op de andere twee, en daarmee de enige die interventie mogelijk maakt vóór het verlies is opgetreden.

Acht profielen die pas met de derde as zichtbaar worden

Elk van onderstaande profielen zit in figuur 1 verborgen in een bestaand vakje, samen met mensen die om een tegengestelde aanpak vragen. De gebruiksas trekt ze uit elkaar. Niet elke combinatie van de drie assen is even betekenisvol: onderstaande acht zijn de profielen die zich in de praktijk het scherpst aftekenen en het meest bepalend zijn voor een interventie.

Van resolutie naar keuze

Elke bijkomende dimensie verhoogt de resolutie, en daarmee het aantal segmenten dat een organisatie onmogelijk allemaal kan bedienen. De vervolgvraag wordt daarmee strategisch in plaats van analytisch. Organisaties kiezen doorgaans één van drie routes. Alle drie zijn verdedigbaar. Geen van de drie is uitvoerbaar zonder segmentatie.

Van symptoom naar oorzaak

Een segment lokaliseert een probleem; het verklaart het niet. Twee medewerkers kunnen in hetzelfde vak terechtkomen om tegengestelde redenen, en die oorzaak zit niet in de KPI’s zelf. Gebruik, engagement en performance vertellen wát er beweegt. Om te weten waaróm, moet die beweging gecorreleerd worden met de drivers erachter.

Klassieke engagementmodellen doen precies dat. Job Demands-Resources correleert jobkenmerken — werkdruk, autonomie, sociale steun, middelen — met uitkomsten als bevlogenheid en burn-out. Self-Determination Theory correleert de mate waarin autonomie, competentiegevoel en verbondenheid vervuld worden met motivatie en welzijn. Geen van beide meet een score op zich; beide verklaren een score door ze te koppelen aan wat eronder ligt.

De elli-aanpak trekt die logica door naar het AI-domein. Gebruik, engagement en performance zijn de KPI’s; ernaast staat een set key drivers, jobkenmerken en jobbeleving specifiek voor AI-adoptie: ervaren nut, autonomie over de tool, vertrouwen in het beleid, werkdruk, leiderschapssteun, psychologische veiligheid om te experimenteren. Door KPI’s en drivers tegen elkaar te correleren, wordt zichtbaar welke driver een score in een specifiek segment het sterkst verklaart, op dezelfde manier waarop JD-R en SDT dat voor klassieke engagementmetingen doen.

Dat onderscheid is wat de interventie bepaalt. Een lage gebruiksscore die sterk correleert met vertrouwen in het beleid vraagt om communicatie. Diezelfde score, gecorreleerd met ervaren autonomie, vraagt om een ander soort tool of een andere rol. De KPI wijst de plek aan; de correlatie met de drivers wijst de oorzaak aan.

Aan de communicatiezijde bevestigt een systematische review het mechanisme: wanneer medewerkers begrijpen waaróm verandering gebeurt en hoe zij in de toekomst passen, verbetert het welzijn en stijgt het engagement (Frontiers in Psychology, 2026). Heldere en consistente communicatie verkleint de ruimte waarin onzekerheid groeit — zelf een driver die in de correlatie meegenomen wordt.

Praktisch betekent dit dat de KPI-meting een startpunt is en geen eindpunt. De segmenten volgen uit gebruik, engagement en performance; de oorzaak volgt uit de correlatie met de drivers, aangevuld met open antwoorden, gesprekken en context. Pas dan is een interventie meer dan een gok.

Methodologie in vier tot zes weken

Het elli-model, gebaseerd op het ADKAR-model (Awareness, Desire, Knowledge, Ability, Reinforcement), biedt een bruikbare ordening van de oorzaken die uit de meting naar voren komen. Wie niet weet waarom AI wordt ingevoerd, heeft geen trainingsprobleem maar een communicatieprobleem. Wie het wil maar niet kan, heeft geen motivatieprobleem maar een vaardigheidsprobleem. Wie het kan maar niet doet, botst op werkdruk, prioritering of ontbrekende bekrachtiging.

Het meetkader wordt operationeel via drie gegevensbronnen die elkaar controleren, gevolgd door analyse, rapportage en opvolging.

• Survey. Een bevraging brengt maturiteit, adoptie en perceptie in kaart over zeven dimensies, uitgesplitst per team. Open vragen leveren de oorzaakinformatie die uit gesloten items niet valt af te leiden.
• Telemetrie. Usage- en tokengegevens komen uit metadata die al beschikbaar is, ontsloten via OpenTelemetry. Ze tonen het feitelijke gebruik, de spend per team en de anti-patronen, met een kostenschatting per patroon.
• Interviews en documentanalyse. Beleid, governance en context worden vastgelegd uit bestaande documenten en aangevuld met gesprekken op sleutelposities. Deze bron corrigeert de survey waar perceptie en formeel kader uiteenlopen.
• Analyse en scoring. Elke dimensie krijgt een score van 0 tot 100, gewogen naar prioriteit, met daarnaast een dimensieprofiel dat sterke en zwakke plekken toont. Vijf volwassenheidsniveaus vertalen de samengestelde score naar één leesbare positie: afwachtend, verkennend, adopterend, opschalend of verankerd.
• Doorlooptijd. Week 1 as-is scan, week 2 en 3 bevraging, week 4 analyse, week 5 en 6 een directieklare readout met aanbevelingen per thema, elk met een eigenaar en een beoogd resultaat.
• Privacy en compliance. Rapportage gebeurt uitsluitend geaggregeerd, met een minimum van vijf respondenten per groep, GDPR- en AI Act-conform. Die keuze is niet louter juridisch: een meting die het vertrouwen ondermijnt, verergert precies het probleem dat ze wil oplossen.
• Opvolging. Readiness is geen momentopname. Pulse- en impactmetingen op vaste intervallen maken zichtbaar of een interventie het beoogde segment daadwerkelijk in beweging brengt, of enkel het gemiddelde optilt.

Voorbereiding begint bij zicht

De belemmering voor AI-adoptie is zelden technisch. Ze zit in het verschil tussen wat een organisatie invoert en wat haar mensen ermee kunnen, willen en mogen doen, en precies dat verschil blijft in de meeste readinessmetingen buiten beeld.

Drie dimensies samen leveren de segmenten waarop gestuurd kan worden. Segmentatie legt de retentierisico’s en de groeimarges bloot die een gemiddelde verbergt. De derde as, gebruik, bepaalt vervolgens hoeveel tijd er nog is om er iets aan te doen. En de oorzaakanalyse bepaalt of een interventie communicatie, vaardigheid of bekrachtiging moet aanpakken.

AI is voor de meeste organisaties niet het grootste risico. Er niet op voorbereid zijn wel. En voorbereiding begint niet bij de technologie, maar bij het zicht op waar de mensen staan.

elli brengt de drie assen in één traject samen, van meting tot segmenten tot interventie.

Literatuur