In 1854 brak er cholera uit in Londen. De gevestigde medische wetenschap wist het zeker: het kwam door slechte lucht. Miasma, noemden ze het. Logisch verhaal, breed gedragen, compleet verkeerd.
John Snow, een arts die liever keek dan las, ging de straat op. Hij tekende op een kaart waar de zieken woonden. Het patroon wees naar een waterpomp op Broad Street. Snow haalde de hendel van de pomp. De uitbraak stopte.
Het verschil tussen Snow en zijn collega's was simpel. Zij redeneerden vanuit theorie. Hij begon bij de data.
Bij het kiezen van een AI consultancy is dat precies de scheidslijn die ertoe doet.
Het rapport-probleem
De meeste AI-trajecten bij consultancies verlopen volgens hetzelfde script. Er komt een team langs. Ze interviewen tien mensen. Ze maken een rapport met bevindingen, een roadmap en een prioriteitenmatrix. Het rapport wordt gepresenteerd aan de stuurgroep. Iedereen knikt. Het rapport gaat in een la.
Het is het patroon dat we in organisatie na organisatie tegenkomen. Niet omdat die consultancies slecht werk leveren. Maar omdat een rapport geen beslissing is. Een rapport is uitstel van een beslissing, verpakt als voortgang.
Het fundamentele probleem: de meeste organisaties die een AI consultancy inhuren weten al waar de pijn zit. Ze hebben iemand nodig die helpt bewegen, niet iemand die bevestigt dat er inderdaad pijn is.
Wat je eigenlijk zoekt
Een goede AI consultancy maakt zichzelf overbodig. Snel. Dat klinkt als een tegenstrijdigheid, maar het is het belangrijkste selectiecriterium dat bijna niemand hanteert.
Drie vragen die meer zeggen dan elk referentiegesprek.
Waar is het bewijs? Vraag om werkende voorbeelden. Geen casestudies in een PDF, werkende systemen die je kunt zien. Een consultancy die alleen rapporten laat zien, levert waarschijnlijk alleen rapporten. Een consultancy die prototypes laat zien, bouwt prototypes.
Hoe snel is het eerste resultaat? Als het antwoord "na de analysefase van acht weken" is, zoek verder. De waarde van AI-experimenten zit in snelheid. Twee weken om een eerste werkend iets neer te zetten. Dat werkende iets levert informatie op om te beslissen: doorgaan, aanpassen, of stoppen. Beslisdata, geen slideware.
Wat gebeurt er als het mislukt? Dit is de vraag die de meeste spanning oplevert. Een consultancy die ongemakkelijk wordt bij het woord "stoppen" is een consultancy die baat heeft bij voortdurende onzekerheid. De goede vinden het prima om te zeggen: dit werkt niet, hier is wat we geleerd hebben, stop hiermee en probeer dat.
Waar de markt je misleidt
De AI-consultancymarkt groeit snel en dat trekt twee soorten aanbieders aan.
De eerste soort verkoopt tools. Ze hebben een partnerschap met een platform en hun advies leidt opvallend vaak naar dat ene platform. Gewoon verkoop met een analysefase ervoor.
De tweede soort verkoopt complexiteit. Hoe ingewikkelder het traject, hoe langer de opdracht. Governance frameworks van veertig pagina's. Roadmaps die tot 2028 lopen. Risicoanalyses die zo uitgebreid zijn dat ze zelf een risico worden. Dat is Solutioneering vanuit de aanbodkant: de tool verkoopt zichzelf, het probleem komt later.
De vraag die helpt: zou deze consultancy mij ook adviseren om niets te doen? Als het antwoord nee is, als de aanbeveling altijd "meer" is, dan is het businessmodel het probleem.
Hoe je begint zonder te verdwalen
Drie principes die helpen bij elk AI-traject, ongeacht wie het uitvoert.
Kies een gevecht. De grootste fout is overal tegelijk beginnen. Kies een domein, een team, een proces. Ga diep in plaats van breed. Elke extra scope halviert je leervermogen.
Eis werkende dingen. Presentaties zijn geen resultaat. Rapporten zijn geen resultaat. Een werkend prototype dat echte mensen gebruiken tijdens hun gewone werkdag, dat is resultaat. Het hoeft niet af te zijn. Het moet echt zijn. Een goed AI proof of concept levert precies dat op: beslisdata, geen slideware.
Meet om te leren. De reflex is om te meten of AI "werkt". Dat is de verkeerde vraag in het begin. De juiste vraag: wat hebben we geleerd? Welke aannames klopten en welke niet? Meten om te leren creëert veiligheid. Meten om te oordelen creëert politiek. En schaal pas op als het bewijs er is, niet als het enthousiasme er is. Dat principe, proof before scale, beschermt tegen de duurste fout in AI-adoptie.
John Snow werd aanvankelijk genegeerd. De gevestigde orde had een theorie en die theorie was comfortabel. Maar Snow had data. En data wint het altijd van comfort, als je bereid bent om te kijken.
De juiste AI consultancy helpt je kijken. Naar je eigen processen, je eigen mensen, je eigen data. En dan bouwen. Snel, klein, meetbaar. Tot je genoeg weet om zelf te beslissen.