Next steps en leeragenda

Wanneer de strategie “klopt”, maar niemand weet wat maandagochtend te doen

Je hebt een klantcase netjes opgebouwd: ambitie is aangescherpt, domeinen zijn gekozen, het portfolio is gebalanceerd en het operating model is in beeld. Toch eindigt het gesprek vaak met één van deze zinnen: “Goed verhaal… maar wat zijn nu de vervolgstappen?” of “Wie gaat dit wanneer beslissen?” Dat is geen detail; dit is het moment waarop strategie verandert in uitvoering of verdwijnt in de la.

Next steps en leeragenda is het brugstuk dat van een overtuigende recap een werkbaar veranderplan maakt. Het vertaalt de logica (ambitie → domeinen → portfolio → operating model) naar concrete besluiten, ritmes en leerdoelen waarmee je onzekerheid actief managet. Je maakt dus niet alleen duidelijk wat je gaat doen, maar ook wat je eerst moet weten om verantwoord door te kunnen met kill/scale-besluiten.

In klanttrajecten is dit extra belangrijk omdat capaciteit schaars is en stakeholders verschillende snelheden hebben. Een CFO wil investeringszekerheid, IT wil duidelijkheid over dependencies, en teams willen weten welke ruimte er is om te experimenteren. Een goede next-steps-aanpak voorkomt dat iedereen “ja” zegt op de strategie, maar “nee” doet in de praktijk.

Wat bedoelen we met next steps, leeragenda en “beslisbaar maken”?

Next steps zijn de eerstvolgende, expliciete acties die nodig zijn om de strategie te laten landen. Ze zijn alleen nuttig als ze gekoppeld zijn aan eigenaarschap, timing en een beslismoment. “We gaan pilots doen” is geen next step; “we starten twee experimenten met duidelijke kill/scale-criteria en leggen funding vast voor 8 weken” wél.

Een leeragenda is het overzicht van de belangrijkste onzekerheden en aannames die je bewust wilt testen, inclusief hoe je gaat meten en wanneer je een beslissing neemt. Het is je antwoord op: wat moeten we leren om goed te kunnen kiezen? Daarmee voorkom je schijnzekerheid (businesscases met te harde cijfers) én vaagheid (“we zien wel wat eruit komt”). In de vorige les zat dit al impliciet in het portfolio als beslissysteem; hier maak je het expliciet en planbaar.

Beslisbaar maken betekent dat je de organisatie zo inricht dat keuzes sneller, herhaalbaar en traceerbaar zijn. Dat sluit aan op de kernprincipes uit de eerdere lessen: focus door domeinkeuzes, balans door portfolio-management, en uitvoerbaarheid via operating model. De leeragenda is daarbij het “bewijs” dat je onzekerheid niet wegpoetst, maar structureert.

Een praktische analogie: je recap is de routekaart; next steps zijn de eerstvolgende afslagen en tussenstops; de leeragenda is je lijst met wegcondities die je moet checken (files, afsluitingen, brandstof) voordat je een snelle route kiest.

Van recap naar actie: drie bouwblokken die bijna altijd werken

1) Beslisketen: welke besluiten moeten er vallen (en door wie)?

De snelste manier waarop strategie vastloopt, is wanneer acties starten zonder dat de beslisketen helder is. Dan ontstaan bekende symptomen: teams experimenteren, maar kunnen niet opschalen; of er is funding, maar legal/compliance blokkeert; of een stuurgroep beslist, maar zonder goede informatie. In deze stap vertaal je de strategie naar een reeks besluiten die logisch op elkaar volgen.

Begin met het onderscheid tussen drie typen besluiten die in innovatie telkens terugkomen. Richting-besluiten (bevestigen we ambitie en domeinen?), portfolio-besluiten (welke initiatieven starten/stoppen/schalen we?) en operating-besluiten (welke ritmes, rollen en budgetvorm passen daarbij?). Deze driedeling sluit direct aan op de recap-structuur en houdt gesprekken zuiver: je voorkomt dat discussies over tooling eigenlijk discussies over ambitie zijn.

Maak vervolgens per besluit expliciet: owner, input, criteria, moment. Daarmee maak je governance praktisch, niet politiek. Belangrijk is dat criteria herleidbaar blijven naar de ambitie (traceerbaarheid): “past dit bij doorlooptijd omlaag met compliance guardrails?” is beter dan “heeft het enthousiasme?”. Ook voorkom je zo de valkuil van “keuzes zonder consequenties”: als een domein prioriteit heeft, moet je dat terugzien in budget, mensen en besluitritme.

Veelvoorkomende misvatting: “We regelen governance later wel.” In klantcontext is dat riskant, omdat “later” vaak betekent: zodra er frictie is. En frictie komt gegarandeerd bij innovatie, juist door onzekerheid. Best practice is: minimaal werkende governance nu (ritmes + kill/scale-criteria + eigenaarschap), en pas verfijnen wanneer je leert wat werkt.

2) Leeragenda: van aannames naar testbare leerdoelen met kill/scale-criteria

Een leeragenda is effectief omdat het het portfolio verandert van een projectlijst naar een leer- en beslissysteem. Je erkent dat sommige initiatieven onzeker zijn (technisch, adoptie, compliance, data), en je maakt die onzekerheid bestuurbaar door hem te knippen in prioritaire leervragen. Dat past bij de eerdere les: stoppen is geen falen, maar een ontworpen uitkomst wanneer aannames niet kloppen.

Formuleer leervragen als expliciete aannames die de businesscase “dragen”. Bijvoorbeeld: “Als we intake automatiseren, daalt de doorlooptijd met X zonder kwaliteitsverlies” of “Een kennisassistant wordt geadopteerd door medewerkers binnen Y weken als content ownership klopt.” Je hoeft niet altijd harde cijfers te hebben; je kunt ook werken met drempels (“voldoende” adoptie, “acceptabel” risico), zolang je vooraf afspreekt wat “genoeg bewijs” is voor de volgende investering.

Koppel elke leervraag aan één van drie assen uit het portfoliodenken: waarde, onzekerheid/risico, capability-impact. Zo voorkom je dat je alleen op korte-termijn waarde test en later vastloopt op capability gaps (data, integratie, MLOps, change). Dit is precies waar “pilot fatigue” ontstaat: veel pilots bewijzen iets lokaals, maar niets over schaalbaarheid. Een sterke leeragenda bevat daarom altijd minimaal één leervraag over opschalen (integratie, governance, adoptie) en niet alleen over “werkt de technologie?”.

Typische valkuil: een leeragenda die eigenlijk een takenlijst is (“dataset opschonen”, “vendor selecteren”). Taken kunnen onderdeel zijn van next steps, maar de leeragenda moet primair antwoord geven op: welke onzekerheid reduceren we, zodat een besluit mogelijk wordt? Taken zijn middel; leerdoelen zijn de stuurinformatie.

3) 30-60-90 dagen: tempo maken zonder de strategie te verwateren

Klanten willen snelheid, maar snelheid zonder focus leidt tot context switching en ruis. Een 30-60-90 dagen aanpak werkt omdat het een ritme introduceert dat past bij innovatie: korte cycli voor leren, en zwaardere momenten voor investeringsbesluiten. Het helpt ook om verwachtingen te managen: niet alles is in 30 dagen “live”, maar in 30 dagen kun je wel beslisbaar bewijs verzamelen.

In de eerste 30 dagen ligt de nadruk meestal op: het “minimaal werkend” operating model activeren (rollen, ritmes, criteria), de top-onzekerheden scherp stellen, en 1–3 initiatieven kiezen die zowel snelle waarde als capability-opbouw ondersteunen. In dagen 60 en 90 verschuift de nadruk naar: resultaten interpreteren, kill/scale-besluiten nemen, en capability gaps gericht dichten (bouwen/kopen/partneren of scope bijstellen). Dit sluit aan bij de vorige les: PoC is vaak het begin van het echte werk; in deze planning reserveer je dus expliciet ruimte voor integratie, compliance en adoptie.

Een veelvoorkomende misvatting is dat een 30-60-90 plan een vaste template is. In werkelijkheid hangt het af van je portfolio-mix. Een organisatie met vooral kortetermijn “process wins” kan sneller bewijs leveren dan een organisatie die inzet op nieuwe platform-capabilities. Best practice is daarom om het plan te koppelen aan portfolio-horizonnen (nu/straks/later) en daar ook funding- en besluitritmes op af te stemmen.

Onderstaande vergelijking helpt om dit scherp te houden:

[[flowchart-placeholder]]

Twee klantvoorbeelden: zo ziet “next steps en leeragenda” er in het echt uit

Voorbeeld 1: B2B-dienstverlener — doorlooptijd omlaag, AI als middel

Je recap heeft de rode draad al neergezet: ambitie is doorlooptijd omlaag en win rate omhoog, binnen compliance guardrails. De next steps starten daarom niet met “we kiezen een AI-tool”, maar met het beslisbaar maken van twee domeinen: procesautomatisering in intake en kennisontsluiting voor medewerkers. Stap één is een besluit: welk deel van de keten is de bottleneck waar versnelling de meeste impact heeft (intake, triage, offerte, delivery)? Dit is belangrijk omdat anders elk team “zijn” stap optimaliseert en je end-to-end doorlooptijd nauwelijks beweegt.

De leeragenda richt zich vervolgens op drie kern-aannames. Eén: waardebewijs (welke cycle time reductie is haalbaar zonder kwaliteitsverlies?). Twee: risicobewijs (welke compliance- en reputatierisico’s ontstaan door automatisering/assistants, en welke guardrails zijn minimaal nodig?). Drie: schaalbaarheid (welke data/content ownership is nodig zodat een kennisassistant actueel blijft en geen verouderde policies gebruikt?). Per aanname leg je vooraf vast wat “genoeg” is voor een scale-besluit, en wat een kill-signaal is (bijvoorbeeld: foutmarge boven drempel, te hoge handmatige correctie, of afhankelijkheden die niet binnen acceptabele tijd oplosbaar zijn).

In 30-60-90 dagen vertaalt dit zich naar een logisch ritme. In de eerste 30 dagen zet je een klein evaluatie-ritme op (bijvoorbeeld elke 2 weken) voor experimenten, terwijl je een zwaarder moment (na 60–90 dagen) reserveert voor investeringsbesluiten met IT/legal/operations. De impact is dat de klant niet “AI projecten” ziet, maar een gecontroleerde route naar doorlooptijdwinst met expliciete stopvoorwaarden. De beperking is ook eerlijk: als content ownership of data-kwaliteit nu onvoldoende is, dan moet je óf capabilities bouwen, óf de ambitie tijdelijk bijstellen voor dat domein.

Voorbeeld 2: Retail/consumer — van tientallen pilots naar thematische keuzes met schaalpad

In deze case is het probleem niet gebrek aan ideeën, maar gebrek aan focus en opschaling. De next steps beginnen daarom met een portfolio-ingreep: je clustert pilots onder enkele strategische thema’s die aan de ambitie hangen (bijvoorbeeld retentie verhogen en marge beschermen). De eerste beslisstap is expliciet: welke pilots stoppen we onmiddellijk omdat ze buiten de domeinen vallen of geen capability-opbouw leveren? Dit is spannend, maar essentieel om ruis te verminderen en ruimte te maken voor initiatieven die wél schaalpotentie hebben.

De leeragenda moet hier vooral “pilot naar scale” bewijzen leveren. Veel pilots voelen succesvol omdat ze in isolatie werken, terwijl opschaling stukloopt op POS/CRM-integratie, consent, of datakwaliteit. Daarom formuleer je leervragen die niet alleen klantrespons meten, maar ook dependency-realiteit: Welke integratie is minimaal nodig? Welke data mogen we gebruiken? Wie is eigenaar van customer data en consent? Je koppelt dit aan capability-impact: investeringen in shared capabilities (customer data, experimentatie-framework, omnichannel consent) scoren hoger omdat ze meerdere initiatieven versnellen en pilot fatigue structureel verminderen.

Het operating model krijgt “twee snelheden”, passend bij wat in de recap al logisch werd: een innovatieboard dat per kwartaal vergadert is te traag voor experimenten, maar je wilt wel stevige governance voor opschaling. In next steps leg je daarom twee ritmes vast: een snelle cyclus voor kleine tests met duidelijke kill/scale-criteria, en een zwaardere investeringscyclus voor initiatieven die IT/legal/operations raken. De impact is dat de klant een geloofwaardiger ROI-verhaal kan bouwen: minder projecten, meer schaal. De beperking blijft dat leiderschap stoppen moet normaliseren; als elke pilot politiek beschermd wordt, werkt zelfs het beste ritme niet.

Een compacte afsluiting die klanten vertrouwen geeft

Next steps en leeragenda zijn geen “extra slide”, maar het moment waarop je strategie bestuurbaar wordt. Als je dit goed doet, kunnen stakeholders met verschillende belangen toch hetzelfde gesprek voeren: wat is het bewijs dat we nodig hebben, wanneer besluiten we, en wie is eigenaar?

Belangrijkste punten om mee te nemen:

• Maak beslissingen expliciet: owner, criteria, input en besluitmomenten; anders blijft uitvoering hangen.

• Gebruik een leeragenda om onzekerheid te managen: test aannames over waarde, risico én schaalbaarheid; voorkom pilot fatigue.

• Plan tempo met 30-60-90 dagen: korte leerloops, zwaardere investeringsmomenten, en capabilities gericht opbouwen.

Een checklist die je kunt hergebruiken

• Zijn de first next steps gekoppeld aan de recap-keten (ambitie → domeinen → portfolio → operating model)?

• Staat er per top-initiatief minimaal één kill-criterium en één scale-criterium?

• Hebben we een ritme dat past bij experimenten én bij opschaling (twee snelheden waar nodig)?

• Is zichtbaar welke capability gaps we moeten bouwen/kopen/partneren, of welke scope we aanpassen?

• Is er duidelijkheid over wat we bewust níet doen (stoppen en parkeren)?

Een checklist die je kunt trusten

• Innovatiestrategie = keuzes met samenhang: ambitie, domeinen, portfolio en operating model versterken elkaar of ze werken tegen elkaar in.

• Recap = traceerbaar verhaal: je maakt expliciet waarom keuzes logisch zijn en wat ze betekenen voor prioriteiten en uitvoering.

• Next steps + leeragenda = bestuurbare uitvoering: je zet een beslis- en leermechaniek neer dat kill/scale normaliseert en pilot fatigue voorkomt.

Met deze aanpak kun je na een sterke strategie-discussie ook het vervolg organiseren: sneller beslissen, gerichter leren en consistenter opschalen.