Bouwen
AI Developers & Builders
Voor prototypes, technische haalbaarheid, architectuur, agents, automatisering en koppelingen met bestaande systemen. Zij vertalen een idee binnen een dag naar iets dat je kunt zien en proberen.
Van Homo sapiens naar Robo sapiens · AI Hackathon
Een AI-hackathon
die niet stopt bij
een goed idee.
Breng mee wat er binnen jullie organisatie al speelt rond AI. Wij brengen die werkelijkheid terug tot één centraal organisatievraagstuk en een handvol werkbare onderzoekslijnen. Teams onderzoeken die lijnen, senior AI-specialisten toetsen ze, en daarna leggen wij de uitkomsten over elkaar heen.
Het organisatievraagstuk is leidend, AI is het middel.
In het kort
Vooraf halen we op wat er al speelt rond AI: lopende pilots, tools die medewerkers zelf gebruiken, ideeën uit teams, knelpunten in het werk en strategische vragen van het MT. Die hoeven niet netjes geformuleerd of onderling verbonden te zijn. Wij analyseren en clusteren ze tot één centraal organisatievraagstuk en een beperkt aantal onderzoekslijnen.
Tijdens de hackathon werken teams aan die lijnen, met de senior AI-expertise erbij die het vraagstuk werkelijk nodig heeft. Na afloop leggen wij de opbrengsten over de lijnen heen. Dat levert organisatiebrede inzichten, prioriteiten en concrete vervolgstappen op.
De rode draad
de échte AI-werkelijkheid
wij clusteren en brengen samenhang aan
één centraal organisatievraagstuk
een beperkt aantal onderzoekslijnen
de juiste expertise erbij
teams onderzoeken en toetsen
wij leggen de uitkomsten over elkaar heen
betere keuzes voor het management
01 — Het probleem met veel AI-hackathons
Een hackathon levert energie op. En dan begint het echte werk.
Ideeën, prototypes, pitches, enthousiaste teams. Aan het eind van de dag draait er een demo en knikt de zaal. Drie maanden later is er meestal niets van over.
Dat ligt eigenlijk nooit aan de ideeën. Het ligt aan de vragen die pas ná de dag gesteld worden, als de energie op is en het team weer in de lijn zit.
Waar goede ideeën in de praktijk op stranden:
- 01
Technisch zwaarder dan gedacht
De demo draaide op één dataset, zonder koppelingen. Beheer, beveiliging en kosten maken van een prototype al snel tien keer zoveel werk.
- 02
Onvoldoende waarde
Het lost een probleem op dat niemand echt had. Of de winst valt ergens vrij waar niemand er iets aan heeft.
- 03
De data is er niet
Wel ergens, maar niet ontsloten, niet actueel, niet compleet, of niet in een vorm die bruikbaar is.
- 04
Juridische en compliancegrenzen
De AI Act, privacy of het inkoopbeleid stelt eisen die achteraf duurder zijn dan gedacht.
- 05
Niemand is eigenaar en het werk verandert niet mee
Het idee is van iedereen en dus van niemand. Processen blijven staan, medewerkers zijn er niet bij betrokken, en dan verdwijnt de oplossing vanzelf.
De reality check komt vaak te laat. Wij halen hem naar voren.
En er is een tweede probleem
Er wordt al van alles gedaan met AI. Alleen weet niemand wat het samen betekent.
Marketing experimenteert. Medewerkers gebruiken Copilot of ChatGPT, of ze het nu mogen of niet. Ergens loopt een pilot die niemand meer volgt. Klantenservice wil een kennisassistent, operations wil een proces automatiseren, en het MT heeft strategische ideeën die daar los van staan.
Een hackathon die daar simpelweg nóg meer losse ideeën aan toevoegt, maakt het beeld (en de werkelijkheid) eerder voller dan scherper.
De meeste organisaties hebben niet te weinig AI-ideeën. Ze missen samenhang en keuzes.
Een goede AI-organisatiehackathon brengt daarom niet alleen nieuwe ideeën voort. Hij helpt begrijpen wat alle bestaande en nieuwe initiatieven gezamenlijk zeggen over waar AI voor de organisatie werkelijk waarde kan toevoegen.
02 — Onze AI-hackathon werkt anders
Vier stappen, van vraagstuk naar besluit.
Wij beginnen niet bij een technologie die we willen laten zien, en ook niet bij een leeg canvas. We beginnen bij wat er in jullie organisatie al gebeurt, en brengen dat terug naar één vraag waar alle onderzoekslijnen van die dag aan hangen.
-
1
We brengen de werkelijkheid op tafel
Vooraf halen we gericht op wat er werkelijk speelt: bij jullie als opdrachtgever en waar nodig bij mensen uit verschillende delen van de organisatie. Lopende experimenten, tools die medewerkers zelf gebruiken, knelpunten in het werk, ideeën uit teams en de strategische vragen van het MT.
Die werkelijkheid hoeft niet netjes te zijn. Meestal is ze dat niet. Hoeveel voorbereiding nodig is, volgt uit het vraagstuk en de omvang van de dag.
-
2
Wij clusteren het tot één vraagstuk en een paar onderzoekslijnen
Jullie hoeven zelf geen onderzoekslijnen te formuleren, en wij verzinnen ze niet. We destilleren ze uit wat er daadwerkelijk speelt. Eén lijn kan meerdere bestaande deelvragen, experimenten en initiatieven verbinden, zolang ze samen bijdragen aan hetzelfde grotere vraagstuk.
Zo werken teams niet aan willekeurige AI-ideeën, maar aan verschillende delen van hetzelfde organisatievraagstuk. Daarna bepalen we welke expertise die dag nodig is om die lijnen echt te kunnen toetsen.
-
3
Teams onderzoeken, ontwikkelen én toetsen
Ieder team werkt aan een eigen onderzoekslijn. Dat kan leiden tot inzichten, oplossingsrichtingen of een werkend prototype, maar net zo goed tot het herbeoordelen van een bestaande pilot, of tot de conclusie dat AI hier niet de beste oplossing is.
Onze AI-specialisten bewegen tussen de teams en toetsen op waarde, techniek, data, compliance en impact op werk en organisatie. Zo'n check duurt twintig minuten en kan een richting redden of terecht laten sneuvelen.
Iedere onderzoekslijn eindigt bij dezelfde vraag: wat leert dit ons over het centrale organisatievraagstuk?
-
4
We brengen alles weer bij elkaar
Aan het einde van de dag leggen we de onderzoekslijnen naast elkaar. Niet om per idee een oordeel te vellen, maar om te zien wat ze samen laten zien over het centrale vraagstuk.
Dat is waar de dag stopt en ons werk begint: die oogst werken wij daarna uit tot een managementsamenvatting met patronen, prioriteiten en vervolgstappen.
03 — De expertise
Eén AI-expert bestaat niet.
Veel organisaties zoeken "iemand die verstand heeft van AI". Maar een organisatievraagstuk raakt techniek, data, wet- en regelgeving, geld, processen en mensen tegelijk. Die kennis zit bijna nooit in één hoofd. Hieronder de vakgebieden waaruit we putten, niet het lijstje dat standaard komt opdraven.
Waarde
AI Use-case & Business Experts
Voor het toetsen van organisatiewaarde, prioriteiten en businesscases, en voor de vraag die te weinig gesteld wordt: is AI hier eigenlijk wel de juiste oplossing?
Kaders
AI Compliance & Governance Experts
Voor de AI Act, privacy, verantwoord gebruik, risico's, aansprakelijkheid en governance. Niet om af te remmen, maar om te laten zien binnen welke ruimte je wél snel kunt bewegen.
Fundament
Data & Security Experts
Voor databeschikbaarheid, datakwaliteit, toegangsrechten, security en de technische randvoorwaarden. Vaak de mensen die het snelst zien of een idee kan bestaan.
Landing
Change & Organisatie Experts
Voor de impact op werk, processen, teams, rollen, eigenaarschap, gedrag en adoptie. Zij stellen de vraag wie dit straks gebruikt, wie het beheert en wie er iets voor moet loslaten.
Werk
Mens × AI Experts
Voor de vraag hoe mens en AI effectief samenwerken: welk werk menselijk moet blijven, welk werk opnieuw ontworpen kan worden, en waar het oordeel van een mens de doorslag moet geven.
Geen leger consultants. Wel de juiste experts op het juiste moment.
De samenstelling volgt uit het centrale vraagstuk, de onderzoekslijnen en de reality checks die die dag nodig zijn. Soms zijn drie disciplines genoeg, soms meer. En expertise die als belangrijke vervolgvraag naar voren komt, hoeft er die dag nog niet bij te zitten.
04 — In de praktijk
Jullie brengen de werkelijkheid. Wij maken er onderzoekslijnen van.
Een voorbeeld van een dienstverlenende organisatie. Bij de start ligt er geen challenge, maar een verzameling losse signalen uit verschillende hoeken.
Wat er in de organisatie speelt
- Sales heeft meerdere AI-experimenten lopen en weet niet welke echt waarde toevoegen.
- Customer Service onderzoekt een interne kennisassistent.
- Medewerkers verliezen tijd aan het zoeken naar betrouwbare interne informatie.
- Marketing kijkt waar AI de klantinteractie kan versterken.
- HR vraagt zich af wat AI betekent voor rollen en vaardigheden.
- IT ziet losse tools ontstaan en maakt zich zorgen over data en security.
- Het MT wil weten waar AI bijdraagt aan de dienstverlening van morgen.
Dit worden geen zeven losse hackathonopdrachten. Wij clusteren ze.
Het centrale organisatievraagstuk
"Hoe kunnen we AI inzetten om onze dienstverlening toekomstbestendig te maken, zonder de kwaliteit en menselijke maat uit het oog te verliezen?"
Breed genoeg om verschillende teams ruimte te geven, scherp genoeg om er aan het einde van de dag iets over te kunnen besluiten. Daaronder hangen drie onderzoekslijnen.
1 Onderzoekslijn
Kennis & dienstverlening
Hier komen de kennisassistent, het zoekprobleem van medewerkers en de vraag hoe kennis beschikbaar komt voor medewerkers én klanten bij elkaar.
2 Onderzoekslijn
AI in klant- en werkprocessen
Hier landen de experimenten van Sales, de ideeën van Marketing en de lopende pilots. Niet de vraag wat er nog meer kan, maar wat werkelijk bijdraagt aan de dienstverlening.
3 Onderzoekslijn
Mens, werk & organisatie
Welk werk verandert, waar blijft menselijk oordeel doorslaggevend, en wat vraagt dat van rollen, processen en verantwoordelijkheden?
Dwars door de lijnen heen: de reality checks
- Waarde
- Techniek
- Data
- Security
- Compliance
- Eigenaarschap
- Governance
- Impact op werk
Data, compliance of eigenaarschap worden zelden een eigen onderzoekslijn. Ze duiken juist in meerdere lijnen tegelijk op. Daarvoor zetten we tijdens de dag de specialisten in, die tussen de teams door bewegen. Komen er tijdens de voorbereiding of de dag zelf nieuwe deelvragen op, dan horen die er gewoon bij.
Geen willekeurige AI-ideeën. Verschillende delen van hetzelfde vraagstuk.
05 — Aan het einde van de dag
Wat ligt er om vijf uur op tafel?
Niet "een inspirerende dag", maar ook geen afgeronde businesscases. Om vijf uur ligt er per onderzoekslijn een scherp beeld en een gedeeld gevoel voor richting. Het echte oordeel over prioriteiten volgt kort daarna, als wij de lijnen naast elkaar hebben gelegd.
Het doel is niet méér AI-ideeën. Het doel is samenhang en betere keuzes in wat er al gebeurt en wat er nog mogelijk is.
Daarom eindigt de dag niet met een winnaar en een groot applaus, maar verschillende onderzoekslijnen die elk iets anders hebben blootgelegd over dezelfde vraag.
Aan het einde van de hackathon
- 01 Resultaten per onderzoekslijn
- 02 Prototypes of concepten waar dat relevant was
- 03 Eerste reality checks op waarde, techniek, data en compliance
- 04 Inzicht in wat een richting vraagt van werk en organisatie
- 05 Gedeelde inzichten over de teams heen
- 06 Voorlopige prioriteiten, nog geen definitief besluit
06 — Na de hackathon
Na de energie komt de synthese.
Een hackathondag levert veel op: inzichten, oplossingsrichtingen, prototypes, nieuwe vragen en een hoop halve conclusies. Dat materiaal is op de dag zelf nog te vers om er als MT een besluit op te nemen.
Daarom brengt High Potential Factory de opbrengsten daarna samen in een managementsamenvatting, niet per team, maar juist over de teams heen.
De hackathon is de onderzoeksdag. De managementwaarde ontstaat wanneer we de uitkomsten daarna over elkaar heen leggen.
Patronen die binnen één onderzoekslijn onzichtbaar blijven, springen eruit zodra je de lijnen op elkaar legt.
- meerdere initiatieven lopen tegen hetzelfde dataprobleem aan;
- eigenaarschap ontbreekt op verschillende plekken;
- losse toepassingen raken dezelfde rollen en processen;
- twee experimenten lossen feitelijk hetzelfde probleem op;
- een randvoorwaarde moet eerst organisatiebreed geregeld worden;
- sommige initiatieven dragen nauwelijks bij aan het centrale vraagstuk.
De managementsamenvatting geeft antwoord op
- 01 Waar zit het grootste potentieel?
- 02 Welke patronen zien we over de lijnen heen?
- 03 Wat kan de organisatie zelf verder brengen?
- 04 Waar is verdieping nodig, en met welke expertise?
- 05 Welke randvoorwaarden vragen organisatiebrede aandacht?
- 06 Waar moeten we juist níét verder in investeren?
Waar een richting terechtkomt
Nu doen
Kansrijk en overzichtelijk
Relatief helder, voldoende waarde, weinig blokkades. Dit kan direct verder, vaak met mensen die er al mee bezig waren.
Verder onderzoeken
Potentieel, nog te veel onbekend
Interessant, maar er is technische, juridische, financiële of organisatorische verdieping nodig voordat je erin investeert.
Eerst randvoorwaarden
De basis moet eerst kloppen
Governance, data, eigenaarschap, vaardigheden, processen of organisatie-inrichting. Zonder die stap loopt elke toepassing hierop stuk.
Stoppen
Niet prioriteren
Niet ieder AI-idee verdient vervolg. Een idee bewust laten vallen scheelt tijd, geld en aandacht voor wat er wél toe doet.
Dat een expertise tijdens de dag ontbrak, kan zelf een conclusie zijn. Soms is de belangrijkste uitkomst dat een vraagstuk eerst een gesprek nodig heeft, of een besluit over eigenaarschap, voordat er iets met AI gedaan wordt.
07 — Voor welke organisaties
Wanneer dit past.
Deze AI-organisatiehackathon is bedoeld voor organisaties die voorbij de inspiratiefase zijn. Die niet willen ontdekken dát AI iets kan, maar willen bepalen wat het hier moet doen, en hoe alles wat er al gebeurt zich tot elkaar verhoudt.
- Op verschillende plekken lopen al AI-initiatieven en experimenten, maar het totaalbeeld ontbreekt.
- Er is veel activiteit rond AI, maar nog onvoldoende samenhang tussen wat teams doen en wat de organisatie als geheel wil bereiken.
- Er gaan al veel AI-ideeën rond, maar prioriteit ontbreekt.
- Medewerkers experimenteren zelf en de organisatie wil ontdekken waar de echte waarde zit.
- Het MT wil concrete AI-kansen onderzoeken in plaats van erover te vergaderen.
- Er liggen meerdere toepassingen op tafel, maar het is onduidelijk welke haalbaar zijn.
- Er is behoefte om voorbij inspiratie te komen en concreet te gaan experimenteren.
- Innovatie, IT, HR, business en compliance moeten meer gezamenlijk naar AI kijken.
- Je wilt voorkomen dat technische pilots los komen te staan van het echte werk.
08 — De vorm
Eén vraagstuk. De juiste expertise eromheen.
Er zijn geen pakketten om uit te kiezen. Er is één AI-organisatiehackathon, die zich voegt naar wat het vraagstuk vraagt. Soms werkt één team aan een scherp afgebakend vraagstuk. Soms werken meerdere teams vanuit verschillende onderzoekslijnen aan een breder vraagstuk. En soms zit de directie zelf aan tafel.
- vorm
- duur
- aantal deelnemers
- omvang van de voorbereiding
- aantal onderzoekslijnen
- samenstelling van het expertteam
In een eerste gesprek bepalen we welke opzet past. Ook of een hackathon hier überhaupt het juiste middel is: soms is een scherp gesprek met het MT of een tool- of datacheck vooraf zinvoller.
09 — Over High Potential Factory
Technologie, mens en organisatie in hetzelfde gesprek.
Wij geloven niet dat ieder AI-vraagstuk door dezelfde expert opgelost kan worden. Daarom beginnen we bij het organisatievraagstuk en organiseren we daar de expertise omheen die op dat moment nodig is.
Dat is iets anders dan een lijst met specialisten in een netwerk hebben. Het vraagt dat businesswaarde, governance, data, mens en organisatie in hetzelfde gesprek terechtkomen, en dat iemand die gesprekken aan elkaar knoopt tot één beeld waar een MT iets mee kan.
Wij beginnen dus niet bij de technologie die we willen verkopen, maar bij wat de organisatie probeert te bereiken. Pas daarna kijken we welke technologie, expertise, verandering en randvoorwaarden daarvoor nodig zijn. Daarom kijken wij niet alleen naar wat technisch mogelijk is, maar ook naar:
- wat waarde toevoegt
- wat verantwoord kan
- wat mensen nodig hebben
- wat in processen en organisatie moet veranderen
- wat nodig is om een idee daadwerkelijk te implementeren
Afhankelijk van het vraagstuk werken we met specialisten uit ons netwerk: bouwers, data- en securityspecialisten, juristen, verandermensen en experts op het snijvlak van mens en technologie. De synthese daarna maken wij, ook als daaruit blijkt dat de organisatie het daarop volgende vraagstuk zelf kan oppakken.
Volgende stap
Hebben jullie genoeg AI-ideeën, maar nog te weinig echte keuzes?
Misschien lopen er al pilots. Misschien experimenteren medewerkers zelf. Misschien liggen er twintig of misschien wel vijftig ideeën en weet niemand welke prioriteit verdienen. Breng die werkelijkheid mee. In een kennismaking kijken we samen wat het centrale vraagstuk is, hoe een hackathon daarbij zou helpen, en of dat hier het juiste middel is.
Van Homo sapiens naar Robo sapiens begint niet bij een tool. Het begint bij de vraag welk werk en welke organisatie je ermee wilt creëren.