De AI-ambitie is hoog. De scope is nog te vaag.

De meeste bedrijven zijn voorbij het "moeten we AI gebruiken?"-gesprek. Budgetten zijn goedgekeurd, boarddecks vermelden agents, en iemand op seniorniveau heeft de opdracht gekregen om "dit kwartaal iets met AI te doen". De druk om te bewegen is reëel.

En toch lopen de projecten vast — niet omdat de ambitie ontbreekt, maar omdat niemand de volgende vraag met enige precisie kan beantwoorden: wat bouwen we precies eerst, en hoe weten we dat het gewerkt heeft?

Het probleem is geen gebrek aan ambitie. Het probleem is een gebrek aan gescopete uitvoering. Ambitie vertelt je de bestemming. Scope vertelt je de eerste tien stappen, wie ze zet en hoe je weet dat je op de juiste weg zit. Sla dat over, en je komt niet sneller bij AI-waarde — je komt bij een dure pilot die nooit voorbij de demo raakt.

De ambitie is echt. De scope niet.

Het macrobeeld bevestigt dit. In McKinsey's State of AI-onderzoek is adoptie inmiddels wijdverspreid, maar de meeste organisaties zijn nog aan het experimenteren in plaats van duurzame waarde te realiseren — en wie uitloopt, zijn de organisaties die workflows rond AI herontwerpen, niet degene die een model op een onveranderd proces vastschroeven.

BCG maakt hetzelfde punt nog scherper in Are You Generating Value from AI? The Widening Gap: de afstand tussen AI-leiders en de rest groeit, en agentic AI vergroot die kloof verder. De leiders zijn niet degenen met de meeste pilots. Het zijn degenen die een klein aantal workflows diepgaand hebben gescopet en hebben geschaald wat werkte.

En de voorzichtigheid is terecht. Eén veel geciteerd rapport uit 2025 — MIT's Project NANDA "GenAI Divide" — waarschuwde dat een groot deel van de enterprise GenAI-pilots nog niet is vertaald in blijvende businessimpact. Het krantenkopcijfer is makkelijk te sensationaliseren; de nuttige les is smaller: pilots die niet gescopet zijn tegen een eigenaar, een metric en een echte workflow, sterven meestal in stilte — hoe goed de technologie ook is.

De kloof is dus niet ambitie versus voorzichtigheid. Het is vage scope versus gescopete uitvoering.

Wat is een Minimal Viable Agent (MVA)?

Het tegengif voor een vage scope is een kleine, bewijsbare scope. Dat is de taak van een Minimal Viable Agent.

Een Minimal Viable Agent (MVA) is de kleinste nuttige AI-agent die één workflow end-to-end bewijst — de data die hij nodig heeft, de menselijke reviewmomenten en de businesswaarde die hij creëert — vóór je schaalt. Eén taak. Goed genoeg uitgevoerd om te beslissen op basis van bewijs, niet van mening.

Een MVA is geen uitgeklede versie van je uiteindelijke platform, en ook geen wegwerpdemo. Het is een bewust smal AI-prototype, ontworpen om eerst je grootste risico weg te nemen. Als de aanname die je het meest beangstigt "zal het model accuraat genoeg zijn op onze rommelige data?" is, dan bewijst de MVA dat. Is het "gaat iemand dit echt gebruiken op een dinsdagochtend?", dan bewijst de MVA dat.

Agentic AI maakt deze discipline belangrijker, niet minder belangrijk. Een agent die acties uitvoert over systemen heen kan op meer manieren fout zitten dan een chatbot die een vraag beantwoordt — wat betekent dat de workflow, de datatoegang en de human-in-the-loop-checkpoints gescopet moeten worden vóór je bouwt, niet ontdekt in productie.

De zes vragen die ambitie omzetten in scope

Wanneer de ambitie hoog is en de scope vaag, lopen teams vast op dezelfde zes vragen. Een goede scope beantwoordt ze allemaal op één pagina.

1. Welke use case is het waard om eerst te bouwen?

Niet de meest flitsende — die waar de metric van een benoemde eigenaar beweegt, de data al bestaat en de workflow klein genoeg is om in weken te prototypen. Dit is AI use case-prioritering, en het is de beslissing met de grootste hefboom die je zult nemen. Een gestructureerde AI Scoping Workshop bestaat precies om deze rangschikking af te dwingen vóór er geld wordt vastgelegd.

2. Hoe moet de Minimal Viable Agent er eigenlijk uitzien?

Definieer de ene workflow, de inputs, de outputs en het moment waarop een mens in de loop blijft. Een Minimal Viable Agent (MVA) Sprint bouwt of coördineert die MVA vervolgens om de meest risicovolle aanname te testen — in plaats van een v1 te overbouwen die niet hoefde te bestaan.

3. Wat moet gevalideerd worden — workflow, data en menselijke review?

Drie dingen breken de meeste AI-projecten: de workflow past niet bij hoe mensen echt werken, de data is niet zo beschikbaar of schoon als aangenomen, en er is geen duidelijk punt waar een mens de agent reviewt of overrulet. De scope benoemt elk van die drie als een expliciete test — wat meestal wat AI-workflowherontwerp betekent vóór er ook maar één model wordt getraind.

4. Welk partnertype past bij de scope?

FDE-boutiques, AI-agencies, productstudio's, automatiseringsspecialisten, freelancers en grote consultancies lossen verschillende problemen op. De juiste AI-implementatiepartner hangt af van de scope en de bindende beperking — snelheid, compliance, integratie of kost. Maak eerst de scope helder; dan is onafhankelijke partnerselectie een korte, evidence-based oefening in plaats van een gok. (Weeg je specifiek embedded engineers af? Onze explainer over forward deployed engineering legt uit wanneer dat model past.)

5. Welk budget is redelijk?

Een eerste stap hoort eruit te zien als een scoping-workshop in de lage vijf cijfers en een gefocust prototype in de lage tot middelhoge vijf cijfers — geen platformbouw van zes cijfers vóór er iets bewezen is. Als een voorstel meteen naar een groot programma springt, vindt een onafhankelijke AI-voorstelreview meestal de over-scoping.

6. Hoe vermijden we overbouwen, vendor lock-in en pilots die nooit schalen?

Blijf vendor-neutraal tot de data anders zegt, hou de eerste build klein en breng het bredere toolinglandschap in kaart vóór je je vastlegt — onze AI Ecosystem-kaart bestaat zodat je componenten kiest op verdienste, niet op wie het eerst pitchte. De verborgen kost van de verkeerde AI-partner is zelden de factuur; het zijn de lock-in en het half afgebouwde ding dat niemand kan weggooien.

Scope omvat nu ook governance

Zeker in Europa is scope niet langer alleen "wat werkt" — het is "wat verdedigbaar is". Het NIST AI Risk Management Framework en zijn Generative AI Profile kaderen AI-governance als lifecycle-werk: evaluatie, betrouwbaarheid en menselijk toezicht die vanaf het begin worden ingebouwd. De EU AI Act duwt in dezelfde richting — AI-beslissingen vragen steeds vaker risicobewuste scoping, niet louter experimenteren.

Je hebt geen compliance-afdeling nodig om hiernaar te handelen. Je hebt een scope nodig die benoemt waar een mens de agent reviewt, welke data hij aanraakt en hoe je een beslissing zou uitleggen als iemand ernaar vraagt. Dat is goedkoper om vooraf te ontwerpen dan achteraf in te bouwen.

Vóór je de partner inhuurt: definieer de scope

Dit is de zin om te onthouden: vóór je de partner inhuurt, definieer je de scope. Een gescreende partner kan bijna alles bouwen. Wat hij niet kan, is je — onafhankelijk — vertellen of het ding het bouwen waard is, hoe klein het moet starten, of dat zijn eigen voorstel over-scoped is. Dat is het werk dat eerst moet gebeuren, en het moet onafhankelijk zijn van wie uiteindelijk zal leveren.

Krijg de scope goed en de rest is procurement. Krijg hem fout en je koopt loterijbiljetten met een projectplan eraan vast.

Belangrijkste inzichten

• Ambitie is niet langer de beperking. Vage scope is dat wel.
• Een Minimal Viable Agent bewijst één workflow — data, menselijke review en waarde — vóór je schaalt.
• Beantwoord de zes vragen (use case, MVA-vorm, wat te valideren, partnertype, budget, anti-overbouw) op één pagina.
• Governance is nu onderdeel van de scope, geen latere fase.
• Definieer de scope vóór je de AI-implementatiepartner kiest — onafhankelijk.