Data maturity
Een maturity model is een kaart, geen trap
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.
Elke organisatie die met AI aan de slag gaat, staat voor hetzelfde dilemma. Technologische verandering beheers je het best stap voor stap: eerst de cultuur en de technische basis, dan de volgende stap. Tegelijk is AI zo ingrijpend dat te veel voorzichtigheid je kan inhalen door concurrenten die AI-first werken.
Faisal Hoque en Paul Scade laten zien dat je die keuze niet hoeft te maken. Je kunt beide tegelijk doen, mits je precies weet waar.
Vijf maturity-niveaus
Ze beschrijven een model met vijf niveaus. Het begint bij losse experimenten zonder strategie (initieel) en gaat via eerste herhaalbare toepassingen (ontwikkelend) naar een AI-strategie die aansluit op de bedrijfsdoelen, met volwassen datamanagement en risicokaders (gedefinieerd). Daarna volgen volledig geïntegreerde AI met meetbare prestaties (beheerst) en een cultuur van continue innovatie met naadloze samenwerking tussen mens en AI (optimaliserend).
Onderzoek onder 500 beursgenoteerde bedrijven liet volgens de auteurs zien dat het afstemmen van technologieprojecten op het maturity-niveau van de organisatie een belangrijke voorspeller is van financieel succes. Wie te snel wil, verspilt geld.
Gebruik het model als diagnose, niet als routekaart
Het belangrijkste inzicht: springen kan niet voor de hele organisatie tegelijk, maar wel gericht. Een bedrijf zonder veel ervaring met voorspellende analytics kan bijvoorbeeld in één afdeling direct een generatieve AI-toepassing voor kennismanagement inzetten. De diagnose werkt van achteren naar voren:
- Bepaal welke AI-toepassingen de meeste businesswaarde opleveren.
- Breng per toepassing in kaart wat de invoering blokkeert, van de huidige naar de gewenste situatie.
- Bepaal of die blokkades snel en betaalbaar zijn weg te nemen.
Springen werkt vooral bij weinig legacy, een sterk mandaat met geconcentreerde middelen, een afgebakende scope, een team dat er klaar voor is en echte strategische urgentie. Het werkt niet bij diep verweven systemen, processen waar een fout grote schade geeft, complexe regelgeving of een organisatie die er niet klaar voor is. Daar is geduld de snelste weg.
Acht vragen voordat je opschaalt
De businesscase van AI ontstaat pas bij opschaling, niet in de pilot. Didier Bonnet en Achim Plueckebaum geven een checklist die je aan het begin al moet 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?
Tot slot
Een maturity assessment is daarom geen rapportcijfer, maar een kaart. Ze laat zien waar je eerst het fundament moet leggen en waar je vandaag al kunt versnellen. Benieuwd waar jouw organisatie staat? De data maturity check op deze site geeft in drie minuten een eerste beeld.
Bronnen
- Hoque, F. & Scade, P. (2026). Strategic leapfrogging: Moving past AI maturity models with diagnostic precision. I by IMD, 18 februari 2026.
- 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.
Over een rol, een adviesvraag of een workshop voor je team op het gebied van data, analytics, AI en FP&A.