*An English-language synopsis is provided at the end of this entry.

De volgende fase van AI op het werk draait niet alleen om betere modellen of grotere tokenbudgetten. Zij draait om een nieuwe vraag:

Hoe organiseren we beschikbare AI-capaciteit tot productief werk?

Tokens zijn de brandstof van AI. Ze bepalen hoeveel informatie een model kan verwerken en hoeveel rekenwerk kan worden verricht. Technisch gezien geven tokens niet zelf toegang: daarvoor zijn ook modellen, data, tools en bevoegdheden nodig. Maar zonder voldoende tokenbudget blijft de beschikbare AI-capaciteit beperkt. Tokens worden een essentiële arbeidsvoorwaarde, daarover zo dadelijk meer. 

Subagents voegen daar iets wezenlijks aan toe. Zij organiseren die capaciteit als een tijdelijk team.

Van prompt naar tijdelijk projectteam

Bij traditioneel AI-gebruik legt één professional een vraag voor aan één model. Bij een subagentworkflow wordt de opdracht verdeeld over gespecialiseerde agents.

Voor deze bijdrage zijn door mijn subagents bijvoorbeeld vier deelonderzoeken uitgevoerd:

• feiten en actuele bronnen;

• praktijkcases;

• businesscase;

• kritische tegenlezing.

De ene agent verzamelt bewijs, de andere onderzoekt toepassingen, een derde berekent de zakelijke logica en een vierde zoekt naar zwakke plekken in de redenering. Daarna worden de resultaten samengebracht en beoordeeld.

Zo ontstaat een pop-upteam: samengesteld voor één opdracht en opgeheven zodra het werk is afgerond.

Dat is meer dan een technische verbetering. Het betekent de overgang van prompting naar werkontwerp. De kernvraag is niet langer alleen wat AI kan, maar hoe taken, rollen, capaciteit en controle rond AI worden georganiseerd.

Niet meer agents, maar betere arbeidsverdeling

De kracht van subagents zit niet simpelweg in meer output. De potentiële waarde ontstaat door arbeidsverdeling: meerdere agents kunnen gelijktijdig verschillende bronnen, perspectieven of scenario’s onderzoeken.

Anthropic beschrijft bijvoorbeeld een researchsysteem waarin een hoofdagent een onderzoeksstrategie opstelt, gespecialiseerde subagents parallel laat zoeken en een aparte agent bronverwijzingen controleert. OpenAI beschrijft vergelijkbare patronen waarbij een supervisor werk naar gespecialiseerde agents routeert.

Maar een tijdelijk AI-team is niet automatisch beter. Anthropic rapporteerde dat zijn multi-agentsysteem ongeveer vijftien keer zoveel tokens gebruikte als een gewone chatinteractie. Meer agents kunnen bovendien nieuwe problemen veroorzaken: dubbel werk, verlies van informatie, onduidelijke taakgrenzen en fouten die tijdens de synthese niet worden opgemerkt.

Het lijkt op een bekend organisatieprobleem: een projectteam kan meer expertise mobiliseren, maar ook meer gaan vergaderen.

Subagents zijn daarom vooral geschikt wanneer een opdracht uit duidelijk afgebakende deeltaken bestaat, werkzaamheden werkelijk parallel kunnen plaatsvinden en de waarde van een betere uitkomst de extra kosten rechtvaardigt.

Voor een eenvoudige samenvatting is één goed geïnstrueerde agent meestal voldoende. Voor strategisch onderzoek, scenarioanalyse, due diligence of een complexe beleidsvraag kan een tijdelijk agentteam wel degelijk meerwaarde hebben.

HCAF: het is een allocatievraagstuk

Vanuit het Human Capital Allocation Framework – HCAF (Scheepers, 2026) is een subagentteam vooral een allocatievraagstuk. Welke cognitieve activiteiten worden aan AI toegewezen en welke blijven bij de professional?

Feiten verzamelen, grote hoeveelheden informatie doorzoeken, opties vergelijken en eerste analyses structureren kunnen worden opgeschaald. Context wegen, betekenis geven, belangen afwegen en verantwoordelijkheid dragen blijven menselijke impactactiviteiten.

HCAF verplaatst de discussie daarmee van vervanging naar verdeling. Niet: welke functie kan AI overnemen? Maar: welke activiteiten binnen het werk kunnen aan AI worden toegewezen, onder welke voorwaarden en met welke menselijke tegenkracht?

De kwaliteit van een tijdelijk agentteam wordt daarom niet bepaald door het aantal agents, maar door de gekozen verdeling van capaciteit, oordeel en verantwoordelijkheid.

De AI-Barbell: schaal tegenover impact

Die verdeling wordt zichtbaar in het AI-Barbell Model (Scheepers, 2026).

Aan de ene kant van de barbell ontstaat een schaalbare uitvoeringspool van modellen en agents. Zij kunnen zoeken, vergelijken, rekenen, controleren en produceren. Aan de andere kant bevindt zich het menselijke impactwerk: richting geven, relaties onderhouden, ambiguïteit hanteren, legitimiteit beoordelen en verantwoordelijkheid dragen.

Subagents versterken vooral de schaalbare kant van de barbell. Daardoor wordt de menselijke kant niet minder belangrijk, maar juist bepalender. Naarmate agents meer voorbereidend werk uitvoeren, verschuift de toegevoegde waarde van de professional naar opdrachtgeverschap, synthese, besluitvorming en verantwoording.

Het midden van de barbell komt onder druk te staan: routinematig kenniswerk waarbij professionals vooral informatie verzamelen, verwerken en doorgeven. Juist daar dreigt een ongemakkelijke positie. De professional is niet langer de primaire producent, maar heeft ook nog niet de stap gemaakt naar werk waarin oordeel, context en impact centraal staan.

De ontwikkeling van subagents is daarom niet alleen een productiviteitsvraagstuk. Zij dwingt organisaties opnieuw te bepalen waarin menselijke professionele waarde precies bestaat.

De businesscase gaat niet over tokens

Wie subagents uitsluitend beoordeelt op tokenkosten, stelt de verkeerde vraag. De relevante maatstaf is:

Wat kost een bruikbare en aantoonbaar correcte uitkomst?

Daarbij horen niet alleen de kosten van modellen en tools. Ook menselijke beoordeling, monitoring, correcties, coördinatie en mogelijke foutschade moeten worden meegerekend.

De zakelijke vergelijking moet worden gemaakt tussen één professional zonder AI, een professional met één agent en een professional die een tijdelijk team van subagents kan inzetten. Vervolgens moet worden gemeten wat iedere werkwijze oplevert in tijd, kwaliteit, volledigheid en risico.

Productiviteitswinst mag daarbij niet worden verondersteld. Onderzoek van METR liet zien dat ervaren softwareontwikkelaars bij specifieke taken met AI juist langer bezig waren, hoewel zij vooraf verwachtten sneller te werken. AI-capaciteit wordt pas productief wanneer taakontwerp, vaardigheden en controle daarop zijn ingericht.

Human Hollowing: verantwoordelijk zonder betrokkenheid

Het grootste risico van het tijdelijke AI-team is Human Hollowing: de professional blijft formeel eindverantwoordelijk, maar raakt inhoudelijk steeds verder verwijderd van het onderzoek, de afwegingen en de totstandkoming van het advies.

De professional zet opdrachten uit, ontvangt deelresultaten, laat deze door een hoofdagent samenvatten en neemt de conclusie over. Op papier blijft de mens in the loop. In werkelijkheid kan die menselijke rol verschralen tot het plaatsen van een vinkje.

Dan groeit de capaciteit, maar holt het vakmanschap uit.

Menselijke eindverantwoordelijkheid heeft alleen betekenis wanneer de professional voldoende kennis, betrokkenheid en handelingsruimte behoudt om AI-uitkomsten daadwerkelijk te controleren, te betwisten en zo nodig af te wijzen.

Een kritische agent die het werk van andere agents controleert, kan daarbij helpen. Maar ook die controle blijft door AI gegenereerd. Een agent die een andere agent beoordeelt, vervangt geen onafhankelijke menselijke oordeelsvorming.

Het Cognitive Allocation Principle

Daarmee komen we bij het Cognitive Allocation Principle (Scheepers, 2026):

De waarde van AI wordt niet bepaald door hoeveel werk AI verricht, maar door welke cognitieve activiteiten de mens blijft uitvoeren.

De professional moet daarom niet pas aan het einde van het proces verschijnen om een resultaat goed te keuren. Menselijke betrokkenheid begint bij de probleemdefinitie en loopt door in het beoordelen van bronnen, het bevragen van aannames, het wegen van tegenstrijdige conclusies en het verbinden van uitkomsten aan hun organisatorische en maatschappelijke gevolgen.

De vraag is niet alleen wat we aan agents kunnen delegeren. Minstens zo belangrijk is wat mensen moeten blijven doen om deskundig, zelfstandig en aanspreekbaar te kunnen handelen.

Van arbeidsvoorwaarden naar intelligentievoorwaarden

Organisaties verdelen traditioneel functies, uren, budgetten en verantwoordelijkheden. In een AI-ondersteunde organisatie moeten zij ook AI-capaciteit verdelen.

Niet iedere professional krijgt, net zoals bij andere arbeidsvoorwaarden, vanzelf dezelfde modellen, tools, tokens of mogelijkheden om subagents in te zetten. Daardoor ontstaat een nieuwe categorie arbeidsvoorwaarden: intelligentievoorwaarden.

De relevante vraag bij een functie kan straks worden:

Welke AI-capaciteit krijg ik om mijn werk verantwoord en effectief uit te voeren?

Een medewerker met toegang tot één chatbot beschikt over een andere productiekracht dan iemand die zelfstandig een gespecialiseerd agentteam kan samenstellen. Dat verschil raakt niet alleen snelheid, maar ook onderzoekskracht, voorbereiding, kwaliteit en professionele handelings- én ontwikkelingsruimte.

Tokenbudgetten worden daarmee een organisatorische hulpbron. Subagents bepalen hoe die hulpbron in concreet werk wordt omgezet. HCAF helpt die capaciteit te verdelen. De AI-Barbell maakt zichtbaar hoe het werk verschuift. Human Hollowing waarschuwt voor verlies van vakmanschap. Het Cognitive Allocation Principle bepaalt welke denkactiviteiten menselijk moeten blijven.

De managementopgave is dan ook niet om zoveel mogelijk tokens beschikbaar te stellen of zoveel mogelijk agents te activeren. Zij is het ontwerpen van een verstandige verdeling van schaal, oordeel, leren en verantwoordelijkheid.

Tokens maken AI-werk mogelijk. Subagents maken er een tijdelijk team van. Maar de mens blijft eigenaar van de opdracht, de betekenis en het besluit.

Willem E.A.J. Scheepers, AI Implementer.

From Tokens to Team Power

Why AI capacity only creates value when subagents organize the work

The next phase of workplace AI is not just about better models or larger token budgets. It is about organizing AI capacity into productive work.

Tokens are the fuel of AI: they determine how much information a model can process and how much computational work can be performed. Subagents add something fundamentally different. They divide a complex assignment into specialized, parallel tasks—such as fact-checking, researching practical cases, building a business case and conducting a critical counter-analysis. Together, they operate as a temporary pop-up team that dissolves once the assignment is completed.

This marks a shift from prompting to work design.

The Human Capital Allocation Framework (HCAF) frames this as an allocation question: which cognitive activities should be assigned to AI, and which must remain with professionals? Research, comparison and structuring can be scaled, while contextual judgement, meaning-making and accountability remain human impact activities.

The AI-Barbell Model makes this division visible. Subagents form a scalable execution pool on one side, while humans increasingly concentrate on direction, synthesis, legitimacy and responsibility on the other. Routine knowledge work in the middle comes under pressure.

This also creates the risk of Human Hollowing: professionals may remain formally accountable while becoming increasingly detached from the research and reasoning behind their decisions. Human oversight only has substance when people retain sufficient knowledge and authority to challenge or reject AI-generated outcomes.

The Cognitive Allocation Principle therefore provides the essential design rule:

The value of AI is not determined by how much work AI performs, but by which cognitive activities humans continue to perform.

The management challenge is not to deploy as many agents or tokens as possible. It is to design an intelligent division of scale, judgement, learning and responsibility.

Tokens make AI work possible. Subagents turn that capacity into a temporary team. But humans must remain the owners of the assignment, its meaning and the final decision.