Your AI Strategy Has No Contract With RealityUw AI-strategie heeft geen contract met de werkelijkheid

9 min read · By Jeroen Janssen9 min leestijd · Door Jeroen Janssen

Last updated: April 2, 2026Laatst bijgewerkt: 2 april 2026

There’s a fascinating paradox emerging in boardrooms around the world, and almost nobody is talking about it.Er ontstaat een fascinerende paradox in bestuurskamers wereldwijd, en bijna niemand heeft het erover.

99% of senior executives call AI a top priority. Budgets are rising. Chief AI Officers are being appointed. The future is clear, they say, and those who don’t get on board are already too late.99% van de senior bestuurders noemt AI een topprioriteit. Budgetten stijgen. Chief AI Officers worden aangesteld. De toekomst is helder, zeggen ze, en wie niet meedoet is al te laat.

Meanwhile, companies are laying off people based on what AI could do — not what it does. A survey of over a thousand executives reveals that just 2% have actually restructured based on proven AI implementation.Ondertussen ontslaan bedrijven mensen op basis van wat AI zou kunnen doen — niet wat het doet. Een onderzoek onder meer dan duizend bestuurders onthult dat slechts 2% daadwerkelijk heeft gereorganiseerd op basis van bewezen AI-implementatie.

The rest are acting on anticipation. On belief. On what a competitor announced in a press release. Klarna cut its workforce in half, only to start rehiring because quality collapsed. Duolingo fired translators in favor of AI and reaped a public backlash.De rest handelt op anticipatie. Op geloof. Op wat een concurrent aankondigde in een persbericht. Klarna halveerde haar personeelsbestand, om vervolgens opnieuw te gaan werven omdat de kwaliteit instortte. Duolingo ontsloeg vertalers ten gunste van AI en oogstte publieke verontwaardiging.

This is not a technology problem. This is a decision-making problem.Dit is geen technologieprobleem. Dit is een besluitvormingsprobleem.

The Core MistakeDe kernfout

The core mistake in most AI initiatives is simple to articulate: companies buy capability — models, infrastructure, licenses — but sell value internally without designing the measurement chain. Then a predictable pattern emerges. The promise rises faster than the evidence. Pilots proliferate: lots of activity, little integration. Management sees momentum, operations feels friction. And bad signals never reach the top, because nobody wants to be the one carrying the message “it’s not working.”De kernfout in de meeste AI-initiatieven is eenvoudig te verwoorden: bedrijven kopen capaciteit — modellen, infrastructuur, licenties — maar verkopen intern waarde zonder de meetketen te ontwerpen. Vervolgens ontstaat een voorspelbaar patroon. De belofte stijgt sneller dan het bewijs. Pilots vermenigvuldigen zich: veel activiteit, weinig integratie. Management ziet voortgang, de operatie voelt wrijving. En slechte signalen bereiken nooit de top, omdat niemand degene wil zijn die de boodschap brengt “het werkt niet.”

What is visible gets governed. What is invisible gets ignored. And the gap between strategy and operational reality keeps widening until someone measures it.Wat zichtbaar is, wordt bestuurd. Wat onzichtbaar is, wordt genegeerd. En de kloof tussen strategie en operationele werkelijkheid blijft groeien totdat iemand haar meet.

The market, by the way, is not impressed. When Microsoft reported quarterly results in late January that came in just below expectations — Azure grew 39% instead of the 39.4% consensus — $357 billion in market cap evaporated in a single day. UBS put it in writing: “Microsoft needs to prove that these are good investments.” The market doesn’t punish AI. The market punishes capex without proof.De markt is overigens niet onder de indruk. Toen Microsoft eind januari kwartaalcijfers rapporteerde die net onder de verwachtingen lagen — Azure groeide 39% in plaats van de 39,4% consensus — verdampte $357 miljard aan beurswaarde op één dag. UBS schreef het zwart op wit: “Microsoft moet bewijzen dat dit goede investeringen zijn.” De markt straft AI niet af. De markt straft kapitaaluitgaven zonder bewijs af.

Three Curves, Not OneDrie curves, niet één

What’s missing from virtually every AI business case is the understanding that AI value is a socio-technical system. You don’t manage one curve — you manage three, in parallel.Wat ontbreekt in vrijwel elke AI-businesscase is het inzicht dat AI-waarde een sociotechnisch systeem is. U beheert niet één curve — u beheert er drie, parallel.

The value curve: cost, cycle time, quality, revenue. This is what most dashboards track.De waardecurve: kosten, doorlooptijd, kwaliteit, omzet. Dit is wat de meeste dashboards meten.

The adoption curve: actual usage, skill levels, process fit. This is what most dashboards don’t track.De adoptiecurve: daadwerkelijk gebruik, vaardigheidsniveaus, procesinpassing. Dit is wat de meeste dashboards niet meten.

The trust curve: psychological safety, error-reporting behavior, willingness to escalate, perceived fairness. This is what almost nobody tracks.De vertrouwenscurve: psychologische veiligheid, foutmeldingsgedrag, bereidheid om te escaleren, ervaren eerlijkheid. Dit is wat vrijwel niemand meet.

And here’s the crux. Researchers at Columbia University had two-person teams play a video game. Midway through, some teams had a human member replaced by an AI agent. An agent that individually outperformed the human. The result? Teams with AI performed worse. Not because of the technology. But because the remaining human lost motivation. The trust curve broke. And 84% of participants simply wanted their human teammate back.En hier zit de crux. Onderzoekers aan Columbia University lieten tweepersoonsteams een videogame spelen. Halverwege werd bij sommige teams een menselijk lid vervangen door een AI-agent. Een agent die individueel beter presteerde dan de mens. Het resultaat? Teams met AI presteerden slechter. Niet vanwege de technologie. Maar omdat de overgebleven mens zijn motivatie verloor. De vertrouwenscurve brak. En 84% van de deelnemers wilde simpelweg hun menselijke teamgenoot terug.

Harvard professor Amy Edmondson confirms the underlying mechanism: without psychological safety, people stop reporting, correcting, and learning. Value then becomes structurally unmeasurable — not because it isn’t there, but because the system that’s supposed to realize that value has quietly seized up.Harvard-professor Amy Edmondson bevestigt het onderliggende mechanisme: zonder psychologische veiligheid stoppen mensen met melden, corrigeren en leren. Waarde wordt dan structureel onmeetbaar — niet omdat ze er niet is, maar omdat het systeem dat die waarde zou moeten realiseren stilletjes is vastgelopen.

93% of executives in a major annual survey acknowledge that the human dimension — culture, change, adoption — is their biggest challenge with AI. Not technology. But how many of that 93% spend the lion’s share of their budget and attention on precisely that human dimension? Almost none. The budgets go to licenses and data centers. Not to people’s ability to say, honestly: this isn’t working.93% van de bestuurders in een groot jaarlijks onderzoek erkent dat de menselijke dimensie — cultuur, verandering, adoptie — hun grootste uitdaging is met AI. Niet technologie. Maar hoeveel van die 93% besteedt het leeuwendeel van het budget en de aandacht aan juist die menselijke dimensie? Vrijwel niemand. De budgetten gaan naar licenties en datacenters. Niet naar het vermogen van mensen om eerlijk te zeggen: dit werkt niet.

The J-Curve Nobody ExplainsDe J-curve die niemand uitlegt

There’s another complication that boards need to understand: the productivity dip. Every serious AI implementation begins with a dip. Processes need to be redesigned. People need to learn. Friction comes before gains.Er is nog een complicatie die besturen moeten begrijpen: de productiviteitsdip. Elke serieuze AI-implementatie begint met een dip. Processen moeten worden herontworpen. Mensen moeten leren. Wrijving komt vóór winst.

This is the J-curve, and it’s well documented empirically. Down first, then up.Dit is de J-curve, en die is empirisch goed gedocumenteerd. Eerst omlaag, dan omhoog.

The problem is that virtually no organization explains this dip to its own board. And so the dip is read as failure. The pilot gets killed at precisely the moment when pushing through would have been the right call. Or worse, the dip gets ignored, the numbers get polished, and the board is presented with a success story that doesn’t match operational reality.Het probleem is dat vrijwel geen organisatie deze dip uitlegt aan haar eigen bestuur. En dus wordt de dip gelezen als falen. De pilot wordt afgebroken op precies het moment dat doorzetten de juiste keuze was geweest. Of erger: de dip wordt genegeerd, de cijfers worden opgepoetst en het bestuur krijgt een succesverhaal gepresenteerd dat niet overeenkomt met de operationele werkelijkheid.

What Actually WorksWat daadwerkelijk werkt

The answer already exists. Harvard Business Review makes the case for a portfolio approach to AI investments: not everything at once, but structured, with clear phases and kill criteria. That’s a good start. But portfolio management alone is a dashboard. It only becomes operational when you attach hard gates to it.Het antwoord bestaat al. Harvard Business Review pleit voor een portfoliobenadering van AI-investeringen: niet alles tegelijk, maar gestructureerd, met heldere fasen en stopcriteria. Dat is een goed begin. Maar portfoliomanagement alleen is een dashboard. Het wordt pas operationeel wanneer u er harde beslismomenten aan koppelt.

For each AI initiative, a board should be able to answer five questions. (These map directly to the dimensions in the AI Enterprise Control Index.)Voor elk AI-initiatief zou een bestuur vijf vragen moeten kunnen beantwoorden. (Deze sluiten direct aan op de dimensies in de AI Enterprise Control Index.)

1. Why does this exist? Strategic fit.Waarom bestaat dit? Strategische fit.
2. What do we actually know, and what are we assuming? Evidence status.Wat weten we feitelijk, en wat nemen we aan? Bewijsstatus.
3. Is it in the value stream, or is it a demo? Integration level.Zit het in de waardestroom, of is het een demo? Integratieniveau.
4. What is it doing to the team? Human impact; dynamics, roles, safety.Wat doet het met het team? Menselijke impact; dynamiek, rollen, veiligheid.
5. What are the risks and how are we managing them? Compliance, model risk, audit trail.Wat zijn de risico’s en hoe beheersen we die? Compliance, modelrisico, audittrail.

If you can’t answer these questions, you don’t have an AI strategy. You have a budget.Als u deze vragen niet kunt beantwoorden, heeft u geen AI-strategie. U heeft een budget.

Speed Is Not a Style. It’s a Governance Variable.Snelheid is geen stijl. Het is een governancevariabele.

The last misconception I want to address is speed. In the boardroom, speed is treated as a style choice: we move fast, we move slow, we’re ambitious, we’re cautious.Het laatste misverstand dat ik wil adresseren is snelheid. In de bestuurskamer wordt snelheid behandeld als een stijlkeuze: we gaan snel, we gaan langzaam, we zijn ambitieus, we zijn voorzichtig.

But speed is not a style. Speed is: how much uncertainty do you accept per dollar and per process. In non-critical processes, you can iterate faster and tolerate more uncertainty. In critical processes, you need to tie speed to demonstrability. That’s not caution. That’s governance.Maar snelheid is geen stijl. Snelheid is: hoeveel onzekerheid accepteert u per euro en per proces. In niet-kritieke processen kunt u sneller itereren en meer onzekerheid tolereren. In kritieke processen moet u snelheid koppelen aan aantoonbaarheid. Dat is geen voorzichtigheid. Dat is governance.

The QuestionDe vraag

The question is not whether you’re doing AI. That question was answered long ago.De vraag is niet of u met AI bezig bent. Die vraag is lang geleden beantwoord.

The question is whether your AI strategy has a contract with reality. Whether you measure what you claim. Whether you know when to stop. Whether your people dare to say it’s not working. And whether, when things don’t go as planned, you can explain the difference between a J-curve dip and a fiasco.De vraag is of uw AI-strategie een contract heeft met de werkelijkheid. Of u meet wat u beweert. Of u weet wanneer u moet stoppen. Of uw mensen durven te zeggen dat het niet werkt. En of u, wanneer dingen niet volgens plan verlopen, het verschil kunt uitleggen tussen een J-curve-dip en een fiasco.

If you can do that, you have an AI strategy.Als u dat kunt, heeft u een AI-strategie.

If you can’t, you have a bet.Als u dat niet kunt, heeft u een gok.

And $357 billion says: the market is learning the difference.En $357 miljard zegt: de markt leert het verschil.

Why Strategic Red TeamingWaarom Strategic Red Teaming

The pattern described above does not fail because organizations lack intelligence, talent, or intent. It fails because assumptions remain implicit, untested, and socially protected until reality enforces its own correction.Het hierboven beschreven patroon faalt niet omdat organisaties intelligentie, talent of intentie missen. Het faalt omdat aannames impliciet, ongetest en sociaal beschermd blijven totdat de werkelijkheid haar eigen correctie afdwingt.

Strategic Red Teaming exists to surface those assumptions before they harden into sunk cost, reputational exposure, or irreversible commitments.Strategic Red Teaming bestaat om die aannames naar boven te brengen vóórdat ze verharden tot verzonken kosten, reputatieschade of onomkeerbare verplichtingen.

In practice, this means subjecting AI strategies, investments, and operating choices to structured adversarial scrutiny. Not to block progress, but to distinguish what is evidence-backed from what is belief-driven — a principle explored in depth in The AI Accountability Trap. To separate J-curve friction from genuine failure. And to make the implicit trade-offs between speed, risk, and trust explicit at decision level.In de praktijk betekent dit dat AI-strategieën, investeringen en operationele keuzes worden onderworpen aan gestructureerd adversarieel onderzoek. Niet om voortgang te blokkeren, maar om te onderscheiden wat op bewijs is gebaseerd en wat op overtuiging berust — een principe dat uitgebreid wordt behandeld in The AI Accountability Trap. Om J-curve-wrijving te scheiden van werkelijk falen. En om de impliciete afwegingen tussen snelheid, risico en vertrouwen expliciet te maken op besluitniveau.

At Apparens, Strategic Red Teaming is applied as an operational discipline. Each initiative is examined across strategic intent, evidence status, integration into value streams, human impact, and risk posture. The objective is not to produce another report, but to create decision clarity. What to invest in. What to stop. What to adjust. And why.Bij Apparens wordt Strategic Red Teaming toegepast als operationele discipline. Elk initiatief wordt onderzocht op strategische intentie, bewijsstatus, integratie in waardestromen, menselijke impact en risicopositie. Het doel is niet om nog een rapport te produceren, maar om beslishelderheid te creëren. Waarin te investeren. Wat te stoppen. Wat bij te stellen. En waarom.

The output is a decision document that allows boards and executives to act with eyes open. Not because assumptions disappear. Every strategy has them. But because they are named, challenged, and owned. That is the difference between managing AI as a belief system and managing it as a governed strategic capability.Het resultaat is een beslisdocument dat bestuurders en directieleden in staat stelt te handelen met open ogen. Niet omdat aannames verdwijnen. Elke strategie heeft ze. Maar omdat ze worden benoemd, aangevochten en geëigend. Dat is het verschil tussen AI besturen als een geloofssysteem en AI besturen als een beheerst strategisch vermogen.