Je strategie is niet begrensd door de markt, maar door je bandbreedte

Denk terug aan je laatste strategiesessie. Weken voorbereiding, iedereen ingevlogen, twee dagen discussie. Met hoeveel écht verschillende opties liep je de deur uit? Drie? Vier? En de eerlijke vraag daarachter: waren dat de enige goede opties, of waren het de enige die jullie in de beschikbare tijd konden bedenken en beoordelen?

Voor de meeste organisaties is het antwoord het tweede. De rem op strategische besluitvorming is nooit een gebrek aan mogelijke richtingen geweest. De rem zit in de mensen die het werk doen: we houden maar zoveel informatie tegelijk vast, beoordelen maar zoveel alternatieven per planningscyclus, en verwerken maar zoveel perspectieven voordat vermoeidheid, politiek of de klok een besluit afdwingen. Economen noemen dat bounded rationality.

Felipe Csaszar, hoogleraar strategie aan de Ross School of Business (University of Michigan), zet in Harvard Business Review een punt neer dat wij in de praktijk elke week terugzien: die cognitieve grens verklaart niet alleen hóé traag strategie gaat, maar ook waarom het strategie-instrumentarium eruitziet zoals het eruitziet. Een SWOT heeft vier vakjes, een BCG-matrix is 2×2 en Porter heeft vijf krachten — niet omdat de wereld zo eenvoudig is, maar omdat een team dat op een whiteboard moet kunnen invullen in een paar uur.

Drie taken, drie plafonds

Elk strategisch besluit bestaat uit drie denktaken: zoeken naar mogelijke koersen, representeren van de omgeving waarin die koersen uitpakken, en aggregeren van de oordelen van de mensen die meebeslissen. Op alle drie zit een plafond. En op alle drie schuift dat plafond nu op.

1. Zoeken: van een handvol naar duizenden opties

Een typische planningscyclus levert een stuk of twaalf ideeën op, waarna het veld wordt teruggebracht tot drie of vier. De rest van de mogelijkhedenruimte wordt nooit bekeken — niet omdat die niks belooft, maar omdat niemand de tijd heeft.

Csaszar beschrijft een softwarebedrijf dat voor overnames een AI-scoutingsysteem inzette: semantisch zoeken over een database van meer dan 40 miljoen publieke en private bedrijven, gevoed met patenten, deponeringen en experttranscripten. Het systeem vond en scoorde in minder dan een dag ruim 500 overnamekandidaten, bracht die terug naar 15 serieuze leads en leidde binnen enkele maanden tot drie afgeronde acquisities.

Het punt is niet de snelheid. Het punt is dat "zoeken naar opties" iets anders is gaan betekenen. In plaats van een team te vragen plausibele kandidaten te bedenken, scan je vrijwel het hele relevante universum langs meerdere strategische lenzen tegelijk. AI verbreedt de zoektocht; mensen kiezen. Gebruik het oordeel van je team op de shortlist, niet op de longlist.

2. Representeren: van statisch model naar levend model

Hoe modelleert jouw organisatie haar omgeving? Meestal met een combinatie van frameworks, spreadsheets en kwartaalrapportages. Nuttig, maar statisch: ze vangen de belangrijkste dynamiek en laten de rest weg.

MYbank, de digitale kredietverstrekker binnen Ant Group, laat zien wat er gebeurt als je een grofmazig model vervangt door een fijnmazig model. Traditionele banken beoordelen kleine bedrijven op een handvol variabelen — omzet, onderpand, kredietgeschiedenis — waardoor miljoenen ondernemingen simpelweg niet te scoren en dus niet te financieren zijn. MYbank gebruikt er meer dan 3.000, inclusief transactiedata, ketenrelaties en zelfs satellietbeelden. Het resultaat noemen ze 3-1-0: drie minuten aanvragen, één seconde goedkeuren, nul menselijke tussenkomst. Ruim 53 miljoen kleine bedrijven kregen krediet, 72 procent daarvan voor het eerst, bij een wanbetalingspercentage rond de 1 procent.

Het strategische inzicht zit niet in de snelheid van de beoordeling. MYbank ging niet bestaande klanten sneller bedienen — het zag een compleet klantsegment dat in het oude model onzichtbaar was.

Unilever deed iets vergelijkbaars met ijs: een model dat weersverwachtingen, vraagsignalen en telemetrie uit zo'n 3 miljoen aangesloten vrieskisten over 35 fabrieken combineert, in plaats van achteraflopende kwartaalprognoses. Tien procent betere forecastnauwkeurigheid in Zweden, en in sommige regio's tot 30 procent meer omzet.

De praktische stap voor jou: pak het één of twee modellen waar je organisatie het zwaarst op leunt — je marktkaart, je klantsegmentatie, je vraagvoorspelling — en vraag je af of AI ze rijker, actueler en fijnmaziger kan maken. Meestal is het antwoord ja. En de opbrengst is niet betere informatie, maar het zien van kansen en risico's die je huidige model structureel niet kán tonen.

3. Aggregeren: van groepsdenken naar georganiseerde tegenspraak

In theorie nemen diverse teams betere besluiten dan individuen. In de praktijk worden strategiesessies gestuurd door hiërarchie, politiek, persoonlijkheid en de agenda. De mening van de hoogste in rang weegt te zwaar, tegenspraak is risicovol, en de groep convergeert te snel.

Hier wordt het voor ons concreet, want dit is precies wat wij bouwen. McKinsey beschrijft multi-agent-workflows waarin een "creator"-agent een analyse opstelt en een "critic"-agent die systematisch aanvalt. Het BCG Henderson Institute gaat verder met LLM-gedreven strategische wargames, waarin agents concurrenten, toezichthouders en klanten spelen — en juist omdat die reacties minder voorspelbaar zijn dan bij klassieke rule-based simulaties, dwingen ze een directie scenario's onder ogen te zien die niemand zelf had bedacht.

Het hardste bewijs komt uit een veldexperiment bij Procter & Gamble met 776 commerciële en R&D-professionals op echte innovatievraagstukken. Individuen mét AI haalden de gemiddelde kwaliteit van tweekoppige teams zónder AI. Teams met AI waren ongeveer 12 procent sneller en kwamen vaker tot oplossingen in de top-tien-procent. Het meest interessante effect: AI brak het silo tussen commercie en R&D, doordat beide kanten toegang kregen tot het perspectief van de ander.

"Maar iedereen kan diezelfde modellen kopen"

Terechte vraag. Het antwoord zit in de vergelijking met internet in 1995. De technologie was breed beschikbaar en niet eigendom van iemand. Toch wonnen Amazon, Netflix en Google niet omdat ze een website hadden, maar omdat ze internet niet als extraatje op hun bestaande operatie plakten. Wie het als nutsvoorziening behandelde, zag zijn aanbod commodity worden. Wie het als fundament voor iets nieuws behandelde, bouwde een voorsprong die decennia meeging.

Met AI staan we op hetzelfde punt. Het model is de commodity; het onderscheid zit in wat je erop bouwt. Drie routes:

• Maak AI slimmer met je eigen data. Morgan Stanley gaf 16.000 adviseurs een assistent bovenop meer dan 100.000 interne onderzoeksdocumenten: 98 procent adoptie, en de efficiëntie van documentopvraging ging van 20 naar 80 procent. Stripe's fraudedetectie Radar is getraind op data van miljoenen bedrijven die samen meer dan 1,4 biljoen dollar aan betalingen verwerken — de kans dat het systeem een willekeurige kaart al eens heeft gezien is 92 procent. Een kleinere concurrent met dezelfde algoritmes komt daar niet bij in de buurt.
• Zet AI in processen die alleen jij hebt. John Deere's See & Spray gebruikt computer vision en machine learning die iedereen kan kopen, maar ingebed in landbouwmachines die zo'n 2.100 vierkante voet per seconde scannen en meer dan 5.000 spuitbeslissingen per minuut nemen — 50 tot 77 procent minder herbicide. De moat is niet het algoritme, maar de integratie met hardware, veldata en dealernetwerk. En het verandert de positionering: van machinebouwer naar precisielandbouwplatform.
• Bereik de nieuwe grens eerder dan je concurrent. Duolingo lanceerde snel AI-functies na GPT-4, maar de echte voorsprong is Birdbrain: een eigen leermodel, getraind op gedragsdata van meer dan 500 miljoen gebruikers die dagelijks zo'n 1,25 miljard oefeningen maken.

Als technologie wordt AI alomtegenwoordig. Als capability — verankerd in je data, je processen en je uitvoeringssnelheid — is dat allerminst het geval.

Wat je maandag anders kunt doen

Csaszar sluit af met een playbook dat wij grotendeels herkennen uit onze eigen implementaties. Vier dingen:

1. Verbreed het optieveld vóór je versmalt. Laat AI bij elke grote keuze — een overname, een marktbetreding, een portfolioverschuiving — eerst een longlist maken. Organisaties versmallen te vroeg, omdat veel opties verkennen vroeger duur was. Dat is het niet meer.
2. Vervang statische momentopnames door levende modellen. Neem de representatie waar je het meest op leunt en maak er iets van dat meebeweegt met de omstandigheden.
3. Maak tegenspraak een procedure, geen karaktereigenschap. Bouw creator-critic-competitor-workflows in bij elke grote toezegging: één agent maakt de sterkste zaak vóór het plan, één probeert het te slopen, één simuleert hoe concurrenten of toezichthouders reageren. Net zo routineus als financiële modellering.
4. Verschuif de rol van de strateeg van analist naar architect. Als het basiswerk automatiseerbaar wordt, verschuift de schaarste van analyse naar verbeelding: het formuleren van de juiste vraag, het ontwerpen van de workflow die hem beantwoordt, en weten waar de machine het moet afleggen tegen menselijk oordeel.

De scherpste interventie is bestuurlijk, niet technisch. Eis dat elk groot strategisch voorstel drie dingen meebrengt voordat het de directietafel bereikt: de door AI verbrede lijst met alternatieven die zijn overwogen én afgevallen, een actueel model van de concurrentieomgeving, en de uitkomst van een gestructureerde kritiek. Zodra de directie de lat voor een geloofwaardig voorstel zo legt, volgt de rest van de organisatie vanzelf.

Waar het misgaat

Twee kanttekeningen, en die zijn niet cosmetisch. Ten eerste: taalmodellen produceren analyses die overtuigend klinken maar subtiel onjuist, intern inconsistent of gebouwd op verzonnen bewijs kunnen zijn. Ook synthetische tegenspraak kan bezwaren opleveren die plausibel ogen en volledig naast de kwestie zitten. De kwaliteit van AI-ondersteunde strategie hangt af van de data die erin gaat en van het menselijk oordeel over wat eruit komt. Dat is geen reden om deze instrumenten te mijden, wel een reden om het proces zorgvuldig te ontwerpen — en precies daarom wordt de rol van de menselijke strateeg belangrijker, niet minder belangrijk.

Ten tweede, en dat is onze eigen toevoeging: dit werkt alleen als je weet hoe je organisatie feitelijk werkt. Een agent die je besluitvorming moet uitdagen heeft toegang nodig tot je echte processen, je echte data en je echte context. Dat is dezelfde barrière die we bij process mining beschreven: je kunt geen agents bouwen op processen die je niet kent. Begin dus niet bij het model, maar bij de plek waar je mensen de pijn al voelen — herbouw dat besluitproces met AI en maak de nieuwe werkwijze de standaard. Adoptie volgt op bruikbaarheid, niet op een memo.

Stel je je volgende strategiesessie eens onbegrensd voor. Het team komt binnen met een AI-scan van honderden mogelijkheden, teruggebracht tot de meest kansrijke. Het marktmodel aan de muur is actueel, niet zes maanden oud. En elk voorstel heeft de kritiek van een advocaat van de duivel, gesimuleerde concurrenten en sceptische klanten al doorstaan. Dan gaat de tijd in die kamer naar de vragen die alleen mensen kunnen beantwoorden: wat geloven wij, wat willen we riskeren, en wat voor bedrijf willen we zijn?

Bron: Felipe A. Csaszar, "AI Is Revolutionizing Strategic Decision-Making", Harvard Business Review, september–oktober 2026. hbr.org