*An English-language synopsis as well as a music video is provided at the end of this entry.

De volgende fase van AI heet niet chatbot, ook niet agent. De volgende fase is subtieler en ingrijpender: autosapiens.

Dat zijn geen digitale hulpjes die wachten tot iemand een vraag stelt. Het zijn ook geen losse AI-agenten die een afgebakende taak uitvoeren. Autosapiens staan voor een nieuwe generatie autonome AI-systemen die zich ín processen nestelen. Ze analyseren, prioriteren, coördineren, signaleren, optimaliseren en handelen steeds vaker zonder dat een mens nog voortdurend aan het stuur zit.

AI verschuift daarmee van hulpmiddel naar procesactor en precies daar begint een nieuwe managementvraag.

Niet langer: welke taken kunnen we automatiseren?
Maar: waar moet de mens bewust in het systeem blijven?

Van chatbot naar autosapiens

• De chatbot gaf antwoord.
• De AI-agent voert taken uit.
• De autosapiens organiseert processen.

Dat verschil lijkt semantisch, maar is organisatorisch enorm. De chatbot was een venster. Een medewerker stelde een vraag, het systeem gaf een reactie. De mens bleef eigenaar van de handeling, het oordeel en de vervolgstap.

De AI-agent ging verder. Die kan opdrachten uitvoeren, informatie ophalen, documenten voorbereiden, acties starten of workflows activeren. De agent werd een digitale uitvoerder.

Maar de autosapiens gaat nog een laag dieper. Die beweegt niet naast het werk, maar in het werk. In finance, HR, procurement, klantenservice, logistiek, IT, compliance en planning kunnen autonome systemen werkstromen gaan bewaken, afwijkingen signaleren, besluiten voorbereiden en soms zelfs vervolgstappen initiëren.

Daarmee verandert AI van instrument in infrastructuur, en wie infrastructuur verandert, verandert organisaties.

Waarom dit meer is dan automatisering

Klassieke automatisering richtte zich vooral op repeterende handelingen. Denk aan factuurverwerking, standaardrapportages, planningsregels of eenvoudige administratieve controles.

Autosapiens raken aan iets anders: coördinatie, prioritering, allocatie en besluitvoorbereiding.

Dat zijn precies de gebieden waar organisaties traditioneel hun middenlaag, stafprofessionals, projectleiders, controllers, planners, HR-adviseurs, consultants en teamcoördinatoren voor inzetten niet alleen om werk te doen, maar om samenhang te creëren, om ruis te duiden, om uitzonderingen te wegen, om belangen bij elkaar te brengen, om te zien wanneer een procedure formeel klopt, maar materieel wringt.

Als autonome systemen dat werk deels overnemen, ontstaat een andere organisatie. Niet per se een organisatie zonder mensen, maar wel een organisatie waarin mensen op andere plekken terechtkomen.

Sommigen komen aan de linkerkant van de organisatie terecht: dicht op uitvoering, output, monitoring en procesdiscipline.

Anderen verschuiven naar de rechterkant: strategie, governance, ethiek, betekenisgeving, uitzonderingsmanagement en relationeel leiderschap.

Maar het midden, waar mensen leren door te analyseren, af te stemmen, te puzzelen, te twijfelen en verantwoordelijkheid op te bouwen, wordt dunner.

Daar raakt autosapiens direct aan het AI-Barbell Model.

De AI-Barbell: het midden verdampt

Het AI-Barbell Model beschrijft hoe AI organisaties niet simpelweg kleiner maakt, maar anders verdeelt.

Aan de ene kant ontstaat hyper-efficiënte uitvoering. AI-systemen nemen standaardtaken over, versnellen processen en maken schaalbaarheid mogelijk met minder menselijke inzet.

Aan de andere kant groeit de behoefte aan hoogwaardig menselijk oordeel. Juist omdat autonome systemen meer kunnen, wordt het belangrijker om te bepalen wat zij mogen, waar grenzen liggen en wie verantwoordelijkheid draagt wanneer processen ontsporen.

Tussen die twee polen ligt het kwetsbare midden.

Daar zaten jarenlang de functies waarin mensen leerden hoe organisaties werken. Daar werd informatie vertaald naar inzicht. Daar werd beleid omgezet in praktijk. Daar werden risico’s aangevoeld voordat ze formeel zichtbaar waren. Daar ontstond vakmanschap.

Autosapiens kunnen dat midden verder uithollen, het is niet dat alle banen verdwijnen, maar omdat de leerruimte verdwijnt en daarmee komen we bij een dieper risico.

Human Hollowing: de verborgen prijs van autonome processen

De grootste schade ontstaat niet wanneer AI werk uitvoert, de grootste schade ontstaat wanneer mensen niet meer leren waarom dat werk ertoe doet.

Dat is de kern van Human Hollowing: organisaties worden efficiënter, maar verliezen langzaam menselijke kerncapaciteiten: kritisch denken, professionele twijfel, contextgevoeligheid, vakmanschap, moreel oordeel, psychologische veiligheid, het vermogen om tegen een systeem in te denken.

Een organisatie kan op papier productiever worden en tegelijk armer aan menselijk inzicht.

Dat klinkt paradoxaal, maar het is precies wat er kan gebeuren wanneer autonome systemen steeds meer proceslogica absorberen. De rapportage komt sneller. De analyse ziet er strakker uit. De workflow loopt gladder. De foutmarge lijkt kleiner.

• Maar wie begrijpt nog hoe het oordeel tot stand kwam?
• Wie ziet wanneer de uitkomst logisch oogt, maar maatschappelijk onwenselijk is?
• Wie leert nog van de rommelige tussenruimte waar ervaring ontstaat?
• Wie durft een proces te onderbreken als het systeem formeel gelijk heeft, maar professioneel ongemak oproept?

Autosapiens kunnen organisaties sneller maken, maar ook leger: leeg aan betekenisvolle menselijke betrokkenheid.

De mens als escalatiepunt

Een belangrijk risico is dat mensen pas weer verschijnen wanneer het systeem vastloopt. De mens wordt dan geen professional meer in het proces, maar een escalatiepunt aan het einde ervan. Iemand die mag ingrijpen wanneer de AI er niet uitkomt. Dat lijkt efficiënt, maar het verandert de aard van werk.

• Wie alleen nog uitzonderingen behandelt, mist de gewone gevallen waarin patroonherkenning ontstaat.
• Wie alleen nog toezicht houdt, verliest gevoel voor uitvoering.
• Wie alleen nog corrigeert, bouwt minder eigenaarschap op.
• Wie nooit meer het voorwerk doet, ontwikkelt minder oordeel over het eindwerk.

Dat is vooral riskant voor junioren en medior professionals, de 'kanaries in de kolenmijn'. Hun ontwikkeling bestaat juist uit meedoen, proberen, afstemmen, fouten maken, herstellen en opnieuw kijken. Als AI die leercurve gladstrijkt, ontstaat een generatie professionals die formeel hoger instapt, maar minder diep heeft leren kijken.

De organisatie lijkt dan slanker. Maar onder de motorkap wordt zij brozer.

De managementvraag verandert

Veel bestuurders en managers kijken nu naar AI vanuit drie vragen:

• Kan het sneller?
• Kan het goedkoper?
• Kan het met minder mensen?

Dat zijn begrijpelijke vragen, maar onvoldoende, bij autosapiens hoort een andere set vragen:

• Welke menselijke capaciteiten mogen wij niet uit het proces laten verdwijnen?
• Waar moet oordeel worden opgebouwd, ook als automatisering goedkoper lijkt?
• Waar is menselijke aanwezigheid nodig voor vertrouwen, legitimiteit en verantwoordelijkheid?
• Welke taken zijn niet efficiënt, maar wel vormend?
• Welke processen mogen autonoom verlopen, en welke vereisen bewuste menselijke tegenspraak?

Dat laatste woord is cruciaal: tegenspraak.

Een volwassen autonome organisatie heeft niet alleen AI nodig die handelt, maar ook mensen die kunnen betwijfelen, begrenzen en herontwerpen.

Waarom HCAF nodig wordt

Hier komt het Human Capital Allocation Framework in beeld.

HCAF is geen klassieke personeelsplanning. Het is ook geen HR-dashboard met bezettingspercentages. Het is een ontwerp- en allocatielaag voor organisaties waarin werk steeds meer door AI-systemen wordt voorbereid, verdeeld en uitgevoerd.

De kernvraag van HCAF is niet: hoeveel mensen hebben we nodig? De kernvraag is: welk menselijk kapitaal moet waar worden geplaatst om waarde, oordeel, leervermogen en verantwoordelijkheid in het systeem te behouden?

Daarmee wordt HCAF een noodzakelijke tegenhanger van autosapiens. Autosapiens beantwoorden de vraag: wat kan autonoom worden uitgevoerd? HCAF beantwoordt de belangrijkere vervolgvraag: waar moet de mens bewust aanwezig blijven? Dat gaat over meer dan capaciteit. Het gaat over kwaliteit van allocatie.

Niet iedere taak vraagt dezelfde menselijke inzet. Sommige taken vragen snelheid. Andere vragen ervaring. Sommige vragen empathie. Andere vragen domeinkennis, institutioneel geheugen, morele sensitiviteit of politieke antenne. Sommige taken kunnen volledig autonoom worden voorbereid, maar mogen nooit zonder menselijke eindverantwoordelijkheid worden afgerond.

HCAF helpt om dat onderscheid expliciet te maken.

Van functie naar opdracht

Daarmee verschuift ook het denken over werk. Organisaties zijn gewend om te redeneren vanuit functies. Een functie heeft taken, verantwoordelijkheden, competenties en een schaal. Maar AI knipt werk steeds vaker los van functies. Taken verdwijnen, verschuiven of worden herverdeeld tussen mens en machine.

Daarom moet de analyse zakken naar een dieper niveau: de opdracht.

• Welke opdracht ligt hier werkelijk?
• Wat is de context?
• Wat is het risico?
• Welke belangen spelen mee?
• Wat vraagt menselijke nabijheid?
• Wat vraagt controle?
• Wat vraagt creativiteit?
• Wat vraagt normatief oordeel?

Dat is waar HCAF relevant wordt. Het helpt organisaties om niet blind taken weg te automatiseren, maar per opdracht te bepalen welke combinatie van mens, AI-agent en autosapiens passend is.

In die zin is HCAF een antwoord op een tekort in veel AI-strategieën. Die gaan vaak over technologie, use cases en productiviteit. Maar ze zeggen te weinig over menselijke ontwikkeling, professionele verantwoordelijkheid en organisatieleren.

Het risico van automatische efficiëntie

De verleiding van autosapiens is groot. Wie wil er geen processen die zichzelf organiseren? Minder wachttijd. Minder overdracht. Minder vergaderingen. Minder administratieve ruis. Minder menselijke fouten.

Maar automatische efficiëntie heeft een schaduwzijde: niet alles wat traag is, is verspilling.

Soms is vertraging een vorm van zorgvuldigheid.
Soms is overleg een manier om belangen zichtbaar te maken.
Soms is dubbel werk ook een tweede blik.
Soms is frictie een signaal dat het proces moreel schuurt.

Als autosapiens vooral worden ontworpen om frictie te verwijderen, bestaat het risico dat organisaties ook hun waarschuwingssignalen verwijderen. Dan wordt het proces gladder, maar niet wijzer.

Daarom moet management niet alleen sturen op procesoptimalisatie, maar ook op behoud van betekenisvolle menselijke frictie. Niet als bureaucratische rem, maar als professioneel tegengewicht.

Vier vragen voor bestuurders

Voor bestuurders, HR-directeuren en organisatiedesigners worden vier vragen urgent.

1. Welke processen worden straks autonoom aangestuurd?
Niet alleen welke taken worden door AI ondersteund, maar welke werkstromen worden daadwerkelijk door agents of autosapiens beïnvloed.

2. Waar verdwijnen menselijke leer- en ervaringsmomenten?
Let vooral op plekken waar junioren, medioren en middenmanagement normaal gesproken inzicht, oordeelsvermogen en vakmanschap ontwikkelen.

3. Welke beslissingen vragen altijd menselijke eindverantwoordelijkheid?
Niet als symbolisch vinkje achteraf, maar als inhoudelijke verantwoordelijkheid vóórdat schade ontstaat.

4. Hoe alloceren we talent zó dat mensen blijven groeien in oordeel?
De vraag is niet alleen wie beschikbaar is, maar wie door welke opdracht beter wordt en waar de organisatie menselijk kapitaal moet versterken.

Dit zijn geen HR-vragen aan de rand van de organisatie. Dit zijn strategische vragen over de toekomst van organiseren.

De autonome organisatie heeft menselijk ontwerp nodig

De autonome organisatie ontstaat niet vanzelf verstandig. Zonder bewuste inrichting wordt zij vooral efficiënt. Snel. Meetbaar. Schaalbaar. Maar mogelijk ook eenzijdig. Ongevoelig. Moeilijk aanspreekbaar.

Daarom is het onvoldoende om autosapiens alleen technisch te implementeren. Organisaties moeten tegelijk hun menselijke allocatielogica opnieuw ontwerpen.

• Wie mag ingrijpen?
• Wie begrijpt het systeem?
• Wie houdt overzicht?
• Wie leert van afwijkingen?
• Wie bewaakt de waarden achter het proces?
• Wie ontwikkelt de volgende generatie professionals?

Als die vragen niet worden gesteld, ontstaat een organisatie waarin AI steeds meer kan, maar mensen steeds minder begrijpen. Dat is geen vooruitgang. Dat is bestuurlijke verdamping.

Conclusie: sneller mag niet leger worden

Autosapiens markeren een volgende fase in de ontwikkeling van AI. Niet omdat zij spectaculairder zijn dan chatbots of agents, maar omdat zij dieper ingrijpen in de manier waarop organisaties werken.

Zodra AI processen gaat organiseren, wordt menselijke aanwezigheid een ontwerpkeuze. Daarmee wordt HCAF geen luxe. Het wordt een noodzakelijke managementlaag.

De toekomst van werk draait dan niet om de vraag of AI taken kan overnemen. Die vraag wordt steeds vaker met ja beantwoord. De echte vraag is of organisaties nog weten welke menselijke capaciteiten zij bewust willen behouden, versterken en beschermen.

Want de autonome organisatie heeft geen tekort aan intelligentie, zij dreigt een tekort te krijgen aan menselijk oordeel.

Autosapiens kunnen organisaties sneller maken. HCAF moet ervoor zorgen dat ze niet leger worden.

310526

AI automatiseert niet langer alleen werk. AI begint werk te organiseren.

Dynamic Workflows van Anthropic laat zien hoe één opdracht kan worden opgesplitst over honderden gespecialiseerde AI-agents die samenwerken als een digitaal projectteam.

Dat roept een interessante vraag op: worden organisaties slimmer, of worden menselijke leerpaden, vakmanschap en mentoring langzaam uitgehold?

👇 Lees verder via Damies Future Intelligence.

Willem E.A.J. Scheepers, AI Implementer

Info over de AI Reality Check vind je op de LI pagina DAMIES Future Intelligence. Of mail: willem@willemscheepers.eu  GET READY FOR THE FUTURE

Mijn Yamala.ai Profile; daarin kun je met mijn AI-Twin praten.

Voor je Autosapiens heb ik dit profiel beschikbaar: Rent-a-Human.ai 

Synopsis

The next phase of AI is not the chatbot, nor even the AI agent. It is the rise of autosapiens: autonomous AI systems that move inside organizational processes, analyse context, coordinate workflows, prioritize actions and increasingly initiate decisions without continuous human intervention.

This shift changes AI from a tool into a process actor. While chatbots answer questions and AI agents execute tasks, autosapiens begin to organize work itself. That makes them powerful, but also risky. As autonomous systems take over coordination, analysis and decision preparation, organizations may become faster and more efficient while quietly losing the human capabilities that once lived inside those processes.

This is where the risk of Human Hollowing emerges. Organizations may not lose people immediately, but they may lose critical thinking, professional judgement, practical experience, moral sensitivity and learning capacity. Humans risk becoming escalation points at the end of automated workflows rather than active participants in the work where insight and responsibility are developed.

The AI-Barbell Model helps explain this shift. On one side, AI creates hyper-efficient execution. On the other side, demand grows for strategic judgement, governance, ethics and meaning-making. But the middle layer, where professionals traditionally learned, coordinated, interpreted and developed judgement, becomes thinner.

This is why the Human Capital Allocation Framework, HCAF, becomes essential. HCAF is not traditional workforce planning. It is a strategic allocation layer for organizations in which work is increasingly prepared, distributed and executed by autonomous systems. Its central question is not simply how many people are needed, but where human capital must be deliberately positioned to preserve value, judgement, learning and accountability.

Autosapiens answer the question: what can be executed autonomously?
HCAF answers the more important question: where must humans remain consciously present?

The future of work will therefore not be defined only by what AI can take over. It will be defined by whether organizations can still identify, protect and strengthen the human capabilities they cannot afford to automate out of existence.

Autosapiens may make organizations faster. HCAF must ensure they do not become hollow.