Ga in gesprek met medewerkers
Vraag waar ze energie van verliezen: welk terugkerend werk kost te veel tijd, welke informatie is moeilijk te vinden, welke handmatige stappen zijn foutgevoelig. Elke frustratie is een potentiële use-case.
Kennisartikel · Verantwoorde AI-implementatie
AI-use-cases verkennen, beoordelen en invoeren
Waar voegt AI echt waarde toe in jouw organisatie? Op deze pagina lees je hoe je use-cases vindt, beoordeelt op risico en haalbaarheid, prioriteert en stap voor stap verantwoord invoert.
Laatst bijgewerkt 14 juni 2026 · door Arjan Woldring
AI-use-cases selecteren is bepalen waar AI echt waarde toevoegt. Je begint bij het werk dat beter moet, niet bij de techniek. Via de route verkennen, beoordelen, prioriteren en borgen kies je toepassingen die aantoonbaar werken en beheersbaar zijn. Dat is de kern van verantwoorde AI-invoering.
Implementa
01 · Definitie
Wat is een AI use-case?
Een AI use-case is een concrete toepassing van AI-technologie om een specifiek werkprobleem op te lossen. Het is niet een technische specificatie en ook niet een generieke wens als “AI inzetten voor efficiëntie”. Een goede use-case beschrijft wie er last heeft van welk probleem, hoe groot die last is, en wat er beter wordt als AI dat probleem aanpakt.
In de zorg en GGZ zijn bekende voorbeelden: het automatisch opstellen van een conceptverslaglegging na een sessie, het snel ophalen van relevante richtlijnen via een interne chatbot, of het filteren en samenvatten van inkomende berichten. Al deze toepassingen lossen een herkenbaar werkprobleem op. Ze vervangen nooit het professionele oordeel van de behandelaar; ze maken ruimte voor dat oordeel.
De IGJ riep in februari 2025 zorgaanbieders op om zorgvuldig om te gaan met generatieve AI-toepassingen. Menselijke controle en navolgbaarheid zijn leidend. Dat is precies waarom de selectie van use-cases zo belangrijk is: een slecht gekozen use-case vergroot het risico, een goed gekozen use-case vergroot de kwaliteit.
02 · Verkennen
Hoe vind je goede use-cases?
De beste use-cases komen niet van een leverancier of een hype. Ze komen van de mensen die het werk doen. Gebruik deze drie bronnen om ze te vinden.
Analyseer processen
Kijk naar processen met veel handwerk, herhalingsstappen of dataverzameling. Waar mensen informatie overschrijven, samenvatten of opzoeken, is de kans groot dat AI ondersteuning kan bieden zonder het professionele oordeel over te nemen.
Kijk naar wat anderen doen
Collega-instellingen en sectorinitiatieven publiceren steeds vaker ervaringen. Gebruik die als inspiratiebron, maar toets altijd of de context overeenkomt met jouw situatie en of de randvoorwaarden er ook bij jou zijn.
03 · Beoordelen
Hoe beoordeel je waarde, risico en haalbaarheid?
Een use-case beoordeel je op drie assen. Ze zijn even belangrijk en moeten alle drie voldoende scoren voordat je verdergaat.
Toegevoegde waarde
Wat wordt er concreet beter? Denk aan tijdwinst, minder administratieve last, hogere kwaliteit van uitvoer of meer medewerkerstevredenheid. De winst hoeft niet groot te zijn, maar moet meetbaar en merkbaar zijn voor de mensen die ermee werken. In de GGZ is aangetoond dat spraakgestuurd rapporteren de registratietijd kan terugbrengen van gemiddeld 30 minuten naar 8 tot 12 minuten per behandelaar per dag (bron: Coöperatie VGZ). Dat is een concreet voorbeeld van waarde die je kunt benoemen en verifiëren.
Risicoprofiel
Verwerkt de use-case persoonsgegevens? Gaat het om bijzondere gegevens zoals gezondheidsdata? Wordt er een beslissing ondersteund die gevolgen heeft voor een patiënt of cliënt? Hoe meer ja-antwoorden, hoe zwaarder de zorgplicht. Toepassingen met gezondheidsgegevens vragen altijd een privacybeoordeling (DPIA) en expliciete borging van menselijke controle. Dat is geen bureaucratie; het is de kern van zorgvuldig werken.
Haalbaarheid
Is de benodigde data beschikbaar en voldoende kwalitatief? Zijn de systemen koppelbaar? Is de organisatie klaar voor begeleiding en beheer? Een technisch haalbare use-case die de organisatie nog niet aankan, leidt tot teleurstelling. Beoordeel dus ook de menselijke kant: zijn medewerkers bereid, hebben ze de vaardigheden en is er een eigenaar die verantwoordelijkheid neemt?
04 · Prioriteren
Hoe kies je waar je mee begint?
Na de beoordeling heb je een lijst use-cases met scores op waarde, risico en haalbaarheid. Prioritering is dan een kwestie van logica, niet van voorkeur.
Werk als volgt: zet hoge waarde plus beheersbaar risico plus goede haalbaarheid bovenaan. Dit zijn je quickwins, de plekken waar je snel resultaat kunt boeken en tegelijkertijd leert hoe AI in jouw organisatie werkt. Use-cases met hoog risico en onduidelijke haalbaarheid parkeer je tijdelijk; die pak je op zodra de governance en de kennis verder zijn opgebouwd. Use-cases met lage waarde sla je over, ook als ze technisch gemakkelijk zijn.
Selecteer voor een eerste ronde maximaal twee of drie use-cases. Meer tegelijk is verleidelijk, maar leidt tot versnippering en minder leerrendement. Diepgang in een klein aantal use-cases levert meer inzicht op dan oppervlakkig contact met veel toepassingen.
05 · De vier-fasen-route
Van selectie naar geborgde praktijk
Een use-case invoeren is geen eenmalig project. Het volgt een route van vier fasen, waarbij elke fase een voorwaarde is voor de volgende.
stap 1/4
Verkennen
Ga in gesprek met de mensen die het werk doen. Breng de knelpunten in kaart en formuleer ze als concrete use-cases: wie heeft last van wat, hoe groot is die last, wat wordt er beter als AI helpt? Beperk je tot feiten en observaties; houd theorie buiten de deur.
stap 2/4
Beoordelen
Beoordeel elke use-case op waarde, risicoprofiel en haalbaarheid. Gebruik hierbij je eigen kennis van de context. Betrek bij toepassingen met persoonsgegevens de Functionaris Gegevensbescherming en bepaal of een DPIA nodig is.
stap 3/4
Invoeren als beheerste pilot
Voer de gekozen use-case in met een beperkte scope: een team, een afdeling, een werkproces. Definieer wie menselijk toezicht houdt, richt monitoring in en spreek af wanneer en hoe je evalueert. Leer van wat je tegenkomt voordat je opschaalt.
stap 4/4
Borgen en opschalen
Borging betekent dat de werkwijze in het kwaliteitssysteem is opgenomen, dat medewerkers zijn opgeleid en dat verantwoordelijkheden helder zijn vastgelegd. Pas daarna schaal je op naar meer teams of meer use-cases.
06 · Veelgemaakte fouten en voorbeeld
Wat gaat er mis en hoe ziet het er goed uit?
Veelgemaakte fouten
- Starten vanuit de techniek. Een organisatie koopt een AI-tool en zoekt daarna gebruik-cases. Dat werkt zelden goed. De tool stuurt de zoektocht, terwijl de echte knelpunten onzichtbaar blijven.
- Te veel tegelijk. Drie pilots tegelijkertijd uitrollen geeft te weinig focus en te weinig leerrendement per use-case.
- Risico onderschatten. Toepassingen die geïntegreerd zijn in het patiëntproces of die gezondheidsdata verwerken, vragen een stevige risicoafweging. Die stap overslaan is een veelgemaakte fout, ook bij goedbedoelde initiatieven.
- Geen eigenaar benoemen. Een use-case zonder iemand die eindverantwoordelijkheid draagt, verwatert. Benoem een eigenaar voordat je begint.
- Borging uitstellen. “We kijken later wel hoe we het structureel maken” leidt tot schaduw-AI: toepassingen die in gebruik zijn maar buiten het zicht van het management vallen.
Voorbeeld uit de praktijk
Een GGZ-praktijk met 24 behandelaren en 3 vestigingen wilde de administratielast verlagen. In plaats van meteen te starten met een AI-tool, begonnen ze met gesprekken op de werkvloer. Wat kwamen ze tegen? Behandelaren besteedden te veel tijd aan het nawerken van sessieaantekeningen tot volwaardige verslaglegging. Dat was de use-case: het ondersteunen van de verslaglegging met AI, waarbij de behandelaar het concept altijd controleert en zelf akkordeert. De waarde was helder, het risicoprofiel was te beoordelen en de haalbaarheid was goed. Dat is de route.
Veelgestelde vragen
Vragen over
AI use-cases selecteren
Waar begin je als je AI use-cases wilt selecteren?
Begin bij het werk, niet bij de techniek. Vraag medewerkers waar ze energie van verliezen: welke taken kosten te veel tijd, welke informatie is moeilijk te vinden, welke stappen zijn foutgevoelig. Dat zijn je potentiële use-cases.
Hoe beoordeel je een AI use-case op risico?
Kijk naar drie factoren: verwerkt de use-case persoonsgegevens (en zo ja, bijzondere gegevens zoals gezondheidsdata)? Wordt er een beslissing ondersteund die gevolgen heeft voor mensen? En is er voldoende menselijk toezicht geborgd? Hoe meer ja-antwoorden, hoe groter de zorgvuldigheid die gevraagd wordt.
Hoe prioriteer je AI use-cases als er meerdere opties zijn?
Gebruik een eenvoudige matrix: toegevoegde waarde op de ene as, risico en haalbaarheid op de andere. Kies use-cases met hoge waarde en beheersbaar risico als startpunt. Use-cases met hoog risico en onduidelijke haalbaarheid parkeer je totdat de governance beter op orde is.
Wat zijn veelgemaakte fouten bij het selecteren van AI use-cases?
De meest voorkomende fouten zijn: starten vanuit de techniek in plaats van vanuit het probleem, te veel use-cases tegelijk oppakken, risico onderschatten bij toepassingen met patientdata, en verzuimen om menselijk toezicht te definiëren voordat je begint.
Hoe weet je of een AI use-case haalbaar is?
Een use-case is haalbaar als de benodigde data beschikbaar en voldoende kwalitatief is, de systemen koppelbaar zijn, de medewerkers bereid en in staat zijn om met AI te werken, en de organisatie capaciteit heeft voor begeleiding en beheer.
Moet elke AI use-case door een DPIA?
Niet elke use-case, maar zodra je persoonsgegevens verwerkt met een nieuwe technologie of op grote schaal bijzondere gegevens (zoals gezondheidsdata) verwerkt, is een DPIA op grond van de AVG vaak verplicht. Laat dit beoordelen door of samen met je Functionaris Gegevensbescherming.
Hoe lang duurt het om een AI use-case te selecteren en in te voeren?
Het selectieproces zelf kan in een of twee werksessies. De invoering als beheerste pilot duurt doorgaans vier tot twaalf weken, afhankelijk van de complexiteit van de use-case, de beschikbaarheid van data en de technische aanpassingen die nodig zijn.
Over de auteur
Arjan Woldring
oprichter Implementa
Arjan is oprichter van Implementa en begeleidt organisaties in de zorg en het MKB bij het verantwoord invoeren van AI. Hij combineert inhoudelijke kennis van AI-governance met praktijkervaring in complexe organisaties. Zijn aanpak is altijd: begin bij het werk, niet bij de technologie.
Volg op LinkedIn
Vakinhoudelijk gecontroleerd op Vakinhoudelijk gecontroleerd op 14 juni 2026
Lees ook
Meer over verantwoorde AI-implementatie
Verdiep je in aanverwante onderwerpen binnen de kennisbank van Implementa.
Pilaar 1
Van AI-pilot naar praktijk
Hoe zorg je dat een geslaagde pilot ook echt wordt verankerd in de organisatie? Lees over de stappen van pilot naar geborgde werkwijze.
Lees verderPilaar 1
Wat kost AI verantwoord invoeren?
Wat zijn de echte kosten van een verantwoorde AI-invoering? Een eerlijk overzicht van de factoren die de investering bepalen.
Lees verderPilaar 1
Pilaar: Verantwoorde AI-implementatie
Het overzicht van alle kennisartikelen binnen de pilaar Verantwoorde AI-implementatie. Van beleid tot borging.
Lees verder