Stop met het verharden van koeienpaadjes: waarom procesanalyse en -optimalisatie vooraf moeten gaan aan AI

In maar weinig bestuurskamers blijft tegenwoordig de vraag achterwege: "Wat is onze AI-strategie?" De druk om in actie te komen is reëel en de angst om iets te missen is groot: concurrenten kondigen pilots aan en halen met AI het nieuws, leveranciers beloven transformatie en niemand wil het bedrijf zijn dat de boot heeft gemist. Onder die druk ontstaat een bekend patroon: organisaties behandelen de implementatie van AI als het project zelf. Eerst kiezen ze een tool en pas daarna zoeken ze een toepassing.

De feiten — uit de economie, onderzoek naar informatiesystemen en een groeiend aantal evaluaties van mislukte AI-initiatieven — wijzen in de tegenovergestelde richting. Organisaties die waarde halen uit Kunstmatige Intelligentie zijn niet de organisaties die AI het snelst invoeren, maar de organisaties die de basis ervoor leggen: ze denken hun bedrijfsvoering opnieuw door en brengen hun bedrijfsprocessen in kaart, analyseren en optimaliseren ze voordat één model in productie gaat. Een uitspraak die vaak aan Bill Gates wordt toegeschreven, vat de onderliggende logica samen: "(...) automatisering die wordt toegepast op een efficiënte bedrijfsvoering vergroot de efficiëntie, terwijl automatisering die wordt toegepast op een inefficiënte bedrijfsvoering de inefficiëntie vergroot." De toeschrijving is misschien een volkswijsheid; het mechanisme is, zoals we zullen zien, goed gedocumenteerd.

Dit artikel onderbouwt — met bewijs — een volgorde die gedisciplineerde bedrijfsleiders altijd hebben aangehouden: eerst analyseren, dan optimaliseren en vervolgens automatiseren.

 

De ongemakkelijke rekensom van AI in bedrijven

Laten we beginnen bij de uitkomsten. Een onderzoek van RAND Corporation uit 2024, gebaseerd op interviews met ervaren datawetenschappers en ingenieurs, schatte dat meer dan 80% van de AI-projecten mislukt — ongeveer twee keer zo vaak als IT-projecten zonder AI [1]. Een jaar later rapporteerde MIT’s Project NANDA een nog somberder cijfer voor het tijdperk van generatieve AI: ondanks tientallen miljarden dollars aan investeringen door bedrijven had ongeveer 95% van de GenAI-pilots geen meetbare impact op de winst- en verliesrekening, terwijl slechts zo’n 5% van de op maat gemaakte AI-tools voor bedrijven ooit op grote schaal in productie kwam [2].

Enquêtegegevens vertellen hetzelfde verhaal vanuit een andere invalshoek. S&P Global Market Intelligence stelde vast dat het aandeel bedrijven dat de meeste AI-initiatieven staakt in 2025 steeg naar 42%, tegenover 17% een jaar eerder. Gemiddeld werd 46% van de proof-of-concepts geschrapt voordat ze ooit in productie kwamen [3]. Gartner had deze opschoning precies voorspeld en verwachtte dat eind 2025 ten minste 30% van de generatieve-AI-projecten na de proof-of-conceptfase zou worden stopgezet [4]. En dit is niet uniek voor generatieve AI: al in 2019, voordat ChatGPT bestond, bleek uit een wereldwijd onderzoek van MIT Sloan Management Review en Boston Consulting Group dat zeven op de tien bedrijven tot dan toe weinig of geen impact van hun AI-investeringen hadden ervaren [5].

De belangrijkste bevinding is echter niet het percentage mislukkingen, maar de oorzaken ervan. Toen de onderzoekers van RAND de grondoorzaken indeelden, bleken de belangrijkste vrijwel niets met algoritmen te maken te hebben: gebrek aan overeenstemming tussen bedrijfsleiders en technische teams over welk probleem AI moest oplossen; gebrek aan de gegevens die nodig zijn om geschikte modellen te trainen; de focus op het gebruik van de nieuwste technologie in plaats van het oplossen van echte problemen van gebruikers; en ontoereikende infrastructuur en datagovernance [1]. Het rapport van MIT kwam tot een aanvullende conclusie: pilots mislukken omdat tools niet aansluiten op de daadwerkelijke werkprocessen en niet leren van de context waarin het werk plaatsvindt — een ‘leerkloof’ die haar oorsprong heeft in de bedrijfsvoering, niet in de kwaliteit van het model [2].

Met andere woorden: AI in bedrijven mislukt meestal door een verkeerde probleemkeuze, gebrekkige data en een slechte integratie in processen. Precies die drie zaken moeten met procesanalyse op orde worden gebracht.

 

We hebben deze film eerder gezien

Dit zou niemand moeten verbazen die zich herinnert wat er gebeurde toen een andere technologie voor algemene doeleinden door het bedrijfsleven raasde. In 1990, nadat een decennium van forse IT-uitgaven door bedrijven teleurstellende productiviteitsresultaten had opgeleverd, stelde Michael Hammer in een van de invloedrijkste managementartikelen ooit de oorzaak vast: bedrijven gebruikten technologie om hun oude manier van werken te mechaniseren. Inefficiënte processen bleven intact en computers voerden ze alleen sneller uit. “Het is tijd om te stoppen met het verharden van koeienpaadjes,” schreef hij. In plaats van verouderde processen vast te leggen in silicium en software, moesten organisaties eerst het werk zelf opnieuw ontwerpen [6].

Economen kwantificeerden vervolgens wat Hammer intuïtief had aangevoeld. Op basis van gegevens op bedrijfsniveau uit de jaren negentig toonden Erik Brynjolfsson en Lorin Hitt aan dat het rendement op IT-investeringen sterk uiteenliep. Dat verschil werd verklaard door complementaire organisatorische investeringen: bedrijven die processen opnieuw ontwierpen, besluitvorming decentraliseerden en in vaardigheden investeerden, behaalden grote productiviteitswinsten met dezelfde technologie die weinig opleverde voor bedrijven die deze alleen installeerden [7]. Twee decennia later formaliseerde dezelfde onderzoekstraditie dit als de ‘productiviteits-J-curve’: technologieën voor algemene doeleinden — elektriciteit, computers en nu AI — leveren hun voordelen pas na verloop van tijd op, omdat bedrijven eerst immateriële aanvullingen moeten ontwikkelen, zoals nieuwe processen en vaardigheden, en werkprocessen opnieuw moeten inrichten. Zonder die aanvullingen blijft de technologie ondermaats presteren [8].

AI is het vervolg op deze film, met grotere budgetten en snellere hypecycli. De technologie is veranderd; de economische logica van complementariteit niet.

Daarom is Mourinho Solutions de juiste partner om u te begeleiden bij het ontsluiten van efficiëntie in uw organisatie en het maximaliseren van het rendement op uw AI-investering. Wij zijn ervan overtuigd dat de bedrijfsvoering vooropstaat — technologie (en AI) volgt. Daar zijn vijf goede redenen voor.

 

Reden 1: automatisering versterkt elk proces waarop ze wordt toegepast

Een algoritme dat op een proces wordt toegepast, neemt de logica van dat proces over — inclusief de tekortkomingen. Dit was Hammers oorspronkelijke waarschuwing over IT [6]. Toen robotic process automation (RPA) aan het eind van de jaren 2010 een hoge vlucht nam, uitte de onderzoeksgemeenschap precies dezelfde waarschuwing. Omdat RPA-robots de manier waarop werk op dit moment wordt uitgevoerd nabootsen — door op dezelfde schermen te klikken en dezelfde regels te volgen — kan automatisering zonder voorafgaande analyse van het proces inefficiëntie als het ware in beton gieten. Zo wordt een slecht proces sneller, rigider en moeilijker te veranderen [9]. Ook een systematisch overzicht van de RPA-literatuur benoemde de keuze en geschiktheid van processen — regelgestuurd, gestandaardiseerd en volwassen — als een van de belangrijkste succesfactoren, en een slechte proceskeuze als een terugkerende oorzaak van mislukte initiatieven [10].

Deze les geldt rechtstreeks voor AI, en de inzet is mogelijk nog hoger. Een taalmodel dat reacties opstelt binnen een gebrekkige goedkeuringsketen vult de wachtrij bij het knelpunt alleen maar sneller. Een ML-model dat de vraag voorspelt voor een planningsproces dat niemand volgt, produceert voorspellingen die niemand gebruikt. Versterking is precies het doel van automatisering — daarom moet eerst kritisch worden gekeken naar wat er wordt versterkt.

 

Reden 2: datakwaliteit is een uitkomst van processen — en het is erger dan u denkt

Elk AI-systeem is afhankelijk van data, en data is afhankelijk van processen: gegevens worden aangemaakt, ingevoerd, getransformeerd en doorgegeven in de dagelijkse bedrijfsvoering. De staat van die gegevens is zorgwekkend. In een onderzoek waarin managers steekproeven van de gegevens van hun eigen organisaties beoordeelden, voldeed slechts 3% van de bedrijfsgegevens aan de basiskwaliteitsnormen en bevatte bijna de helft van de nieuw aangemaakte records ten minste één kritieke fout die het werk beïnvloedde [11]. De geïnterviewden van RAND rekenden het gebrek aan toereikende, bruikbare data tot de belangrijkste oorzaken van mislukte AI-projecten. Ze merkten op dat organisaties de vereiste gegevensvoorbereiding structureel onderschatten [1].

De gevolgen van het negeren hiervan zijn goed gedocumenteerd door mensen uit de praktijk. Uit onderzoek onder AI-professionals in domeinen met grote risico’s bleek dat 92% te maken had gehad met ‘datacascades’: opeenstapelende, downstreamfouten als gevolg van problemen met de datakwaliteit upstream. Die blijven doorgaans onzichtbaar totdat ze zich laat openbaren in gebrekkige modellen en stopgezette implementaties [12]. Alleen al de titel van het onderzoek vormt een diagnose van het volgordeprobleem in de sector: “Iedereen wil aan het model werken, niet aan de data.”

Dit is het strategische punt: datakwaliteit kunt u niet herstellen met een eenmalige opschoningsronde, want processen blijven slechte data opnieuw produceren. Procesanalyse brengt in kaart waar gegevens ontstaan, worden gedupliceerd, opnieuw ingevoerd en beschadigd; procesoptimalisatie herstelt het probleem bij de bron. Een organisatie die eerst haar processen optimaliseert, bouwt tegelijkertijd — zonder daar veel ruchtbaarheid aan te geven — aan de databasis waarop toekomstige AI kan steunen.

 

Reden 3: zonder inzicht in processen kiest u de verkeerde toepassingen

Bepalen waar AI thuishoort is een portfoliobeslissing, en die kunt u niet verstandig nemen zonder te weten hoe het werk daadwerkelijk verloopt. Davenport en Ronanki [13] onderzochten 152 projecten met cognitieve technologie en ontdekten dat ambitieuze ‘moonshot’-implementaties vaak tegenvielen. Succesvolle gebruikers kozen juist voor een stapsgewijze aanpak: ze onderzochten processen taak voor taak en koppelden specifieke AI-mogelijkheden aan specifieke knelpunten in specifieke werkprocessen.

Precies dat inzicht op taakniveau biedt het vakgebied business process management (BPM), een van onze kerncompetenties. De standaardlevenscyclus van BPM omvat procesidentificatie, -ontdekking, -analyse en -herontwerp vóór implementatie en automatisering. Die volgorde is voortgekomen uit decennia praktijkervaring: een niet-onderzocht proces automatiseren is een categoriefout [14]. Moderne process mining versterkt dit nog verder: door processen te reconstrueren aan de hand van eventlogs uit bestaande IT-systemen, vervangt process mining proceskaarten op basis van meningen door bewijs. Het legt het werkelijke aantal procesvarianten bloot, evenals herstelrondes, afwijkingen en knelpunten die interviews alleen nooit aan het licht brengen [15]. In feite is het een röntgenfoto vóór een operatie — en vaak blijkt daaruit dat het proces zoals leidinggevenden het beschrijven niet het proces is dat de organisatie daadwerkelijk uitvoert.

De klassieke succesverhalen over automatisering zijn precies op die zorgvuldige selectie gebouwd. Bij Telefónica O2, een van de eerste en vaakst aangehaalde implementaties van RPA — die uiteindelijk een rendement op investering van honderden procenten opleverde — werden de automatiseringsdoelen bewust gekozen: processen met een hoog volume die gestandaardiseerd en regelgestuurd waren. Ze werden eerst gestabiliseerd en pas daarna met softwarebots geautomatiseerd [16]. Het succes zat in de selectie, niet in de software.

 

Reden 4: soms is het beste ‘AI-project’ het schrappen van een stap

Procesanalyse heeft een ongemakkelijke gewoonte: ze blijft problemen vinden waarvoor helemaal geen AI nodig is. Een dubbele goedkeuring, een rapport dat niemand leest, een overdracht die bestaat vanwege een organigram uit 2014, gegevens die handmatig opnieuw worden ingevoerd tussen twee systemen die eenvoudigweg gekoppeld kunnen worden — volgens de klassieke industriële-engineeringleer moet u eerst elimineren, combineren en vereenvoudigen voordat u automatiseert. Afval automatiseren levert immers alleen sneller afval op. Dit was de kern van Hammers argument ‘automatiseer niet, maar schaf af’: veel van het werk dat technologie moest versnellen, had helemaal niet moeten bestaan [6].

Persoonlijk ben ik erg gecharmeerd van het motto dat vaak aan Leonardo da Vinci wordt toegeschreven: “Eenvoud is de ultieme verfijning.” Een proces eenvoudig maken is veeleisend werk. Het vraagt om sterke analytische competenties, het vermogen om bijdragen uit verschillende organisatieonderdelen met elkaar in verband te brengen en kennis uit verschillende vakgebieden te integreren. Precies dat vakmanschap vormt de basis van Mourinho Solutions.

Voor een organisatie die op het punt staat een AI-programma te financieren, is dit geen omweg; het levert direct besparingen en risicoreductie op. Geschrapte stappen kosten niets om te automatiseren, vereisen geen onderhoud aan modellen, brengen geen nieuwe foutmogelijkheden met zich mee en leveren meteen voordeel op. Het proceswerk levert bovendien een tweede voordeel op: een vastgestelde nulmeting. Een van de belangrijkste bevindingen van het MIT NANDA-rapport was dat de meeste GenAI-pilots geen meetbare impact op de winst- en verliesrekening konden aantonen [2] — maar impact kan alleen worden gemeten ten opzichte van een bekend uitgangspunt. Een geoptimaliseerd proces gaat gepaard met gedocumenteerde doorlooptijden, foutpercentages en kosten per transactie. De daaropvolgende AI-implementatie kan daardoor meteen aantonen wat ze oplevert.

 

Reden 5: AI levert waarde op door organisatorische verandering, niet door software te installeren

Tot slot wijzen onderzoeken naar de werkelijke bronnen van AI-waarde op een ongemakkelijke waarheid voor strategieën die met tools beginnen: de waarde ontstaat op het niveau van bedrijfsprocessen, en alleen wanneer de organisatie zich aanpast aan de technologie. Uit een systematisch literatuuroverzicht over AI en bedrijfswaarde bleek dat de eerste effecten zichtbaar zijn in procesefficiëntie en betere besluitvorming binnen processen. Het benutten van die effecten hangt af van organisatorische randvoorwaarden en een doelbewuste transformatie van bedrijfsprocessen, niet van de geavanceerdheid van het model [17]. Uit interviewonderzoek onder AI-gebruikers blijkt eveneens dat organisatorische gereedheid — strategische afstemming, datakwaliteit en -governance, kennis van processen en cultuur — een randvoorwaarde is die vóór adoptiebeslissingen moet worden beoordeeld, niet pas erna ontdekt [18].

Onderzoek vanuit de praktijk bevestigt dit. Leiders van McKinsey schreven in Harvard Business Review dat de grootste obstakels voor het opschalen van AI niet technisch, maar cultureel en organisatorisch van aard zijn. Succes vraagt om het herontwerpen van werkprocessen en het uitvoeren van AI-initiatieven als bedrijfsgeleide procesverandering, met multidisciplinaire teams — niet als IT-installaties [19]. En uit het wereldwijde onderzoek van MIT Sloan en BCG bleek dat bedrijven die daadwerkelijk waarde uit AI haalden, zich onderscheidden door de manier waarop ze strategie, organisatorische verandering en technologie combineerden, in plaats van technologie als strategie te behandelen [5].

Procesanalyse en -optimalisatie is precies dit organisatorische werk, in de juiste volgorde uitgevoerd. Het brengt leiders op één lijn over welke problemen ertoe doen (en pakt daarmee de belangrijkste faaloorzaak van RAND aan [1]), bouwt het procesinzicht op dat nodig is om werkprocessen opnieuw in te richten en creëert stabiele, gestandaardiseerde bedrijfsvoering waarop AI met vertrouwen kan worden toegepast.

 

Mourinho Solutions brengt u naar ‘proces eerst’

Geen van de bovenstaande redenen pleit ervoor om jarenlang te analyseren voordat iemand een model mag aanraken. Ze pleiten voor een korte, gedisciplineerde reeks stappen — in essentie de eerste helft van de BPM-levenscyclus [14] — uitgevoerd in weken, niet in kwartalen, en afgestemd op de ambities van het AI-programma dat erop volgt.

Mourinho Solutions biedt een aanpak op maat, gebaseerd op de nieuwste inzichten en jarenlange ervaring. We begeleiden uw organisatie systematisch door de volledige BPM-levenscyclus, zodat u het hoogste rendement op uw investering behaalt.

Er is ook een cumulatief effect dat het benoemen waard is. Organisaties in de succesvolle minderheid — de 5% van MIT en de ‘pioniers’ uit de onderzoeken van MIT Sloan en BCG — ontliepen niet alleen mislukking; ze bouwden ook de organisatorische slagkracht op die elke volgende AI-implementatie goedkoper en sneller maakt dan de vorige [5], [2]. Duidelijke processen, schone datastromen en gedisciplineerde metingen vormen infrastructuur. Ze worden met de tijd waardevoller.

 

Conclusie: klaar voor AI betekent klaar voor processen

De haast om AI te implementeren behandelt procesanalyse als een vertraging. Het bewijs wijst op het tegenovergestelde: procesanalyse is de meest effectieve manier om risico’s te beperken. Ze pakt de gedocumenteerde hoofdoorzaken van AI-mislukkingen aan — het verkeerde probleem, zwakke data en niet-geïntegreerde workflows — voordat die zich kunnen opstapelen en een pilot doen stranden. Bestaande inefficiënte processen automatiseren levert vrijwel geen waarde op en kan die zelfs verminderen. Vijfendertig jaar onderzoek, van businessprocess reengineering [6] via de economie van complementariteit [7], [8] tot de meest recente analyses van mislukte AI-projecten [1], [2], vertelt steeds hetzelfde verhaal: technologie versterkt de organisatie waarin ze wordt ingezet. Optimaliseer eerst de organisatie, en AI versterkt iets dat het versterken waard is.

De vraag voor leidinggevende teams is dus niet: ‘Hoe snel kunnen we AI implementeren?’, maar: ‘Welke van onze processen zou AI echt transformeren zodra we ze hebben begrepen en geoptimaliseerd?’ Wie de vragen in die volgorde beantwoordt, hoort bij de 5% en niet bij de 95%.

Mourinho Solutions zorgt ervoor dat uw organisatie bij de 5% hoort.

---

Bij Mourinho Solutions werken we volgens deze volgorde. We helpen organisaties hun processen in kaart te brengen en te analyseren, ze te optimaliseren voor meetbare resultaten en pas daarna AI te ontwerpen en te implementeren waar die aantoonbaar voordeel oplevert. Plant uw bedrijf een AI-initiatief? Begin dan met een gesprek over uw processen — neem contact met ons op voor een procesbeoordeling.

 

 

Referenties

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “The GenAI divide: State of AI in business 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “Voice of the Enterprise: AI & machine learning” survey, 2025; findings reported in “AI project failure rates are on the rise: Report,” CIO Dive, Mar. 2025. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025,” Press release, Jul. 29, 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “Winning with AI,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, Res. Rep., 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “Reengineering work: Don’t automate, obliterate,” Harvard Business Review, vol. 68, no. 4, pp. 104–112, Jul.–Aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “Beyond computation: Information technology, organizational transformation and business performance,” Journal of Economic Perspectives, vol. 14, no. 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “The productivity J-curve: How intangibles complement general purpose technologies,” American Economic Journal: Macroeconomics, vol. 13, no. 1, pp. 333–372, Jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “Robotic process automation,” Business & Information Systems Engineering, vol. 60, no. 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “Robotic process automation: Contemporary themes and challenges,” Computers in Industry, vol. 115, Art. no. 103162, Feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “Only 3% of companies’ data meets basic quality standards,” Harvard Business Review, Sep. 11, 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘Everyone wants to do the model work, not the data work’: Data cascades in high-stakes AI,” in Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, Art. no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “Artificial intelligence for the real world,” Harvard Business Review, vol. 96, no. 1, pp. 108–116, Jan.–Feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentals of Business Process Management, 2nd ed. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2nd ed. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Robotic process automation at Telefónica O2,” MIS Quarterly Executive, vol. 15, no. 1, pp. 21–35, Mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “Artificial intelligence and business value: A literature review,” Information Systems Frontiers, vol. 24, no. 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “Ready or not, AI comes — An interview study of organizational AI readiness factors,” Business & Information Systems Engineering, vol. 63, no. 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “Building the AI-powered organization,” Harvard Business Review, vol. 97, no. 4, pp. 62–73, Jul.–Aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization