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

Organisaties zijn volop bezig met AI. Copilots worden uitgerold, chatbots gebouwd, dashboards verrijkt en processen geautomatiseerd. De belofte is aantrekkelijk: sneller werken, lagere kosten, hogere productiviteit en betere besluitvorming.

Maar onder die productiviteitsbelofte verschuift iets fundamentelers.

AI schrijft niet alleen teksten. AI analyseert prestaties, vergelijkt profielen, voorspelt risico’s, ondersteunt selectie, signaleert afwijkingen en kan steeds vaker aanbevelen wie welk werk zou dienen te doen. Daarmee raakt AI niet langer alleen het werkproces, maar ook de verdeling van kansen, beoordeling, ontwikkeling en zeggenschap binnen organisaties.

Wie bewaakt de mens wanneer AI invloed krijgt op werk, loopbaan en besluitvorming? Daar begint Human Capital Governance.

Van HCAF naar Human Capital Governance

In eerdere bijdragen stond de ontwikkeling van mens en organisatie in een AI-tijdperk centraal.

Met het Human Capital Allocation Framework werd zichtbaar dat organisaties niet alleen kampen met een tekort aan talent, maar ook met verkeerde talentallocatie. De juiste persoon op het juiste werk is geen toeval, maar vraagt om een bewuste match tussen mens, taak en context.

Daarna kwam Human Hollowing: de waarschuwing dat AI-productiviteit een verborgen prijs kan hebben. Organisaties kunnen efficiënter worden terwijl vakmanschap, kritisch denken, leerlijnen, oordeelsvorming en psychologische veiligheid langzaam verdwijnen.

Met Autosapiens verschoof het perspectief naar de organisatievorm zelf. Wat gebeurt er wanneer mens en AI niet langer los van elkaar werken, maar samen een nieuw organisatorisch systeem vormen?

De logische vierde stap is governance.

Want als AI helpt om mensen te selecteren, beoordelen, plannen, ontwikkelen of alloceren, ontstaat een bestuurlijke vraag: Wanneer AI werk gaat verdelen, wie bewaakt dan de menselijkheid van die verdeling?

Kader: wat is Human Capital Governance?

Human Capital Governance is het geheel van principes, afspraken, rollen, controles en besluitvormingsmechanismen waarmee organisaties verantwoord sturen op de inzet van menselijk kapitaal in een AI-gedreven werkomgeving.

Het gaat dus niet alleen om compliance. Het gaat ook niet alleen om ethiek. En het is zeker geen extra bestuurslaagje met formulieren, protocollen en vergadervitrines.

Human Capital Governance gaat over de vraag hoe organisaties voorkomen dat AI leidt tot verkeerde allocatie, uitsluiting, bias, overmatige monitoring, verlies van autonomie, uitholling van vakmanschap, verlies van psychologische veiligheid of verschraling van menselijk oordeel.

Daarmee verbindt het drie werelden die in veel organisaties nog te vaak los van elkaar staan:

• HR kijkt naar mensen.

• IT kijkt naar systemen.

• Bestuur kijkt naar risico’s, prestaties en verantwoordelijkheid.

Human Capital Governance brengt deze werelden bij elkaar.

AI maakt HR een governancevraagstuk

Traditioneel werd personeelsbeleid vooral gezien als het domein van HR. Selectie, beoordeling, talentontwikkeling, duurzame inzetbaarheid en strategische personeelsplanning lagen bij HR, management en directie. AI verandert dat.

Zodra algoritmen worden gebruikt bij recruitment, prestatieanalyse, personeelsplanning, skills mapping, interne mobiliteit of productiviteitsmeting, wordt HR ineens ook een vraagstuk van datakwaliteit, ethiek, compliance, medezeggenschap, transparantie en bestuurlijke verantwoordelijkheid.

Dat is geen detail. Dat is een systeemverschuiving.

Want AI stuurt niet neutraal. AI ordent, selecteert, weegt, voorspelt en adviseert. En zodra managers, HR-professionals of bestuurders die adviezen gebruiken bij beslissingen over mensen, verschuift de machtsverhouding in de organisatie.

• Elke score bevat een norm.
• Elke match bevat een selectie.
• Elke voorspelling bevat een aanname.
• Elke aanbeveling beïnvloedt gedrag.

Daarom is Human Capital Governance nodig. Zonder governance wordt AI geen hulpmiddel, maar een onzichtbare manager.

De governanceblinde vlek

Veel organisaties beginnen met AI vanuit enthousiasme. Dat is begrijpelijk. Een tool werkt sneller dan een beleidsnotitie. Een pilot voelt concreter dan een governancekader. Een dashboard oogt rationeler dan een moeilijk gesprek.

Maar precies daar ontstaat de blinde vlek.

Een organisatie kan AI inzetten voor efficiëntere HR-processen, zonder goed te weten welke aannames in het systeem zitten. Een organisatie kan productiviteit meten, zonder te beseffen dat vooral zichtbaar werk wordt beloond. Een organisatie kan skills matchen, zonder te begrijpen dat mensen meer zijn dan hun geclassificeerde vaardigheden. Een organisatie kan AI inzetten voor personeelsplanning, zonder te toetsen of bepaalde groepen structureel minder kansen krijgen.

Dan ontstaat wat je zou kunnen noemen: algorithmic human capital drift.

Dat is het sluipende proces waarbij beslissingen over mensen steeds meer worden beïnvloed door systemen, zonder dat de organisatie nog precies weet wie stuurt, wie controleert en wie corrigeert.

De cockpit lijkt bemand, maar de automatische piloot heeft ongemerkt de route herschreven.

De vijf pijlers van Human Capital Governance

Human Capital Governance vraagt niet om een dik handboek, maar wel om duidelijke principes. Vijf pijlers zijn daarbij essentieel.

1. Transparantie: medewerkers dienen te weten wanneer AI meespeelt

Medewerkers dienen te weten wanneer AI invloed heeft op beslissingen over hun werk, beoordeling, ontwikkeling, inzetbaarheid of loopbaan.

Niet in abstracte taal als: wij maken gebruik van innovatieve technologie. Maar concreet.

Wordt AI gebruikt bij selectie? Wordt AI gebruikt om productiviteit te analyseren? Wordt AI gebruikt bij interne mobiliteit? Wordt AI gebruikt om medewerkers te matchen met projecten? Wordt AI gebruikt om ontwikkelpotentieel of inzetbaarheid in kaart te brengen?

Transparantie betekent niet dat iedere medewerker de technische architectuur hoeft te begrijpen. Maar medewerkers dienen wel te kunnen begrijpen waarvoor AI wordt gebruikt, welke data relevant zijn, welke rol het systeem speelt en hoe zij toelichting of correctie kunnen vragen.

Zonder transparantie ontstaat wantrouwen. En waar wantrouwen groeit, krimpt psychologische veiligheid.

2. Menselijke eindverantwoordelijkheid: AI adviseert, mensen besluiten

AI kan ondersteunen, signaleren, ordenen, vergelijken en voorspellen. Maar bij beslissingen die mensen raken, mag AI niet de feitelijke eindbeslisser worden. Dat klinkt vanzelfsprekend, maar in de praktijk is het glibberiger.

Een manager die structureel het AI-advies volgt zonder eigen afweging, neemt formeel nog steeds de beslissing. Maar materieel is het systeem dan de beslisser geworden.

Daarom dient menselijke eindverantwoordelijkheid meer zijn dan een vinkje. Het vraagt om actieve oordeelsvorming.

De leidinggevende dient uit te kunnen leggen waarom het AI-advies is gevolgd, waarom ervan is afgeweken, welke context is meegewogen en welke menselijke factoren buiten het systeem vielen.

Menselijk toezicht is pas betekenisvol wanneer mensen voldoende kennis, tijd, ruimte en moed hebben om tegen het systeem in te gaan.

Anders wordt human in the loop vooral human on the hook: de mens mag achteraf uitleggen waarom het systeem iets verkeerd deed.

3. Dataminimalisatie: niet alles wat meetbaar is, hoort gemeten te worden

AI maakt het verleidelijk om steeds meer data te verzamelen. Activiteit, output, responstijd, communicatiepatronen, leerdata, aanwezigheid, productiviteit, klantfeedback, foutmarges.

Maar niet alles wat technisch kan, is organisatorisch wijs. Een volwassen organisatie stelt daarom vooraf de vraag:

Welke data zijn noodzakelijk, proportioneel en uitlegbaar voor dit doel?

Niet: kunnen we dit meten? Maar: mogen we dit willen weten? Dat is een cruciaal verschil.

Zeker bij medewerkersdata is terughoudendheid nodig. Data over mensen zijn nooit neutraal. Ze gaan over gedrag, kansen, kwetsbaarheid, reputatie en macht. Wanneer organisaties te veel meten, verandert werk in observatie. En wie zich permanent bekeken voelt, gaat zich aanpassen aan het meetinstrument.

Dan ontstaat performatief werk: mensen doen niet langer wat waardevol is, maar wat zichtbaar meetbaar is.

Dat is precies de snelweg naar Human Hollowing.

4. Bias- en impacttoetsing: kijk niet alleen of het systeem werkt, maar voor wie

Een AI-systeem kan gemiddeld goed presteren en toch bepaalde groepen benadelen. Dat geldt zeker bij HR-toepassingen. Historische data bevatten vaak historische ongelijkheid. Als het verleden als trainingsmateriaal wordt gebruikt, kan het systeem oude patronen in een nieuw jasje terugbrengen.

Daarom dienen organisaties periodiek te toetsen of AI-toepassingen leiden tot ongewenste effecten.

Bijvoorbeeld:

• krijgen bepaalde groepen minder kansen?

• worden atypische profielen onderschat?

• wordt zichtbaar digitaal gedrag verward met echte bijdrage?

• wordt snelheid hoger gewaardeerd dan zorgvuldigheid?

• worden medewerkers met beperkingen, zorgtaken of afwijkende werkpatronen benadeeld?

• worden bestaande machtsstructuren versterkt?

De vraag is dus niet alleen of AI accuraat is, de vraag is ook of AI rechtvaardig uitwerkt.

Daarmee hoort Human Capital Governance direct verbonden te zijn met diversiteit, inclusie, medezeggenschap en psychologische veiligheid.

5. Ontwikkelwaarde: AI dient menselijk kapitaal te versterken, niet leegzuigen

Veel AI-toepassingen worden beoordeeld op productiviteitswinst: sneller, goedkoper, efficiënter. Maar bij menselijk kapitaal is dat te smal.

Een organisatie dient ook te toetsen of AI bijdraagt aan leren, vakmanschap, autonomie, eigenaarschap en loopbaanontwikkeling.

De kernvraag is: Maakt AI mensen beter, of maakt AI mensen afhankelijker?

Wanneer AI junior werk overneemt, waar leren junioren dan nog het vak? Wanneer AI analyses voorbereidt, waar oefenen professionals dan hun denkspieren? Wanneer AI gesprekken samenvat, waar ontwikkelen medewerkers dan nog luistervaardigheid? Wanneer AI besluiten voorbereidt, waar wordt moreel oordeel dan nog gevormd?

Human Capital Governance dient dus niet alleen te voorkomen dat AI schade veroorzaakt. Het dient ook te borgen dat AI ontwikkelwaarde creëert.

Want een organisatie die vandaag productiviteit wint maar morgen geen vakmanschap meer opbouwt, heeft geen innovatie gerealiseerd. Die heeft roofbouw gepleegd met een glimmend dashboard.

HCAF als instrument binnen Human Capital Governance

HCAF kan binnen Human Capital Governance fungeren als praktisch instrument. Waar governance de spelregels bepaalt, helpt HCAF om de kwaliteit van allocatie zichtbaar te maken.

De Human Capital Match Index laat zien in hoeverre mens, taak en context bij elkaar passen. De Misallocatie Ratio maakt zichtbaar waar talent verkeerd, te laag, te hoog, te smal of te risicovol wordt ingezet.

Daarmee kan HCAF helpen om AI niet alleen efficiënter, maar ook mensgerichter toe te passen: Versterkt deze inzet het menselijk kapitaal, of holt zij het uit?

Dat is het verschil tussen personeelsplanning en Human Capital Governance: meet de match, maar bestuur de betekenis.

Human Hollowing als governance-risico

Human Hollowing is geen losstaand bijeffect van AI. Het is een governance-risico.

Wanneer AI taken overneemt zonder dat organisaties nadenken over leren, doorstroom en vakontwikkeling, verdwijnt de leercurve uit het werk. Wanneer AI vooral wordt ingezet om middenlagen te verkleinen, verdwijnt vaak ook de plek waar coaching, correctie, reflectie en professionele socialisatie plaatsvinden. Wanneer AI output verhoogt, maar de ruimte voor twijfel verlaagt, wordt de organisatie sneller maar dunner.

Human Hollowing ontstaat dus niet alleen door technologie. Het ontstaat door slecht ontwerp en zwakke governance. De governancevraag wordt dan:

Welke menselijke vermogens willen wij bewust behouden, trainen en beschermen?

Denk aan kritisch denken, moreel oordeel, relationele sensitiviteit, creativiteit, vakmanschap, patroonherkenning door ervaring, conflicthantering en leiderschap.

Als organisaties deze vermogens niet expliciet beschermen, worden ze vanzelf weg-geoptimaliseerd, niet met lawaai. Eerder als een kaars onder een glazen stolp: het licht is er nog even, maar de zuurstof verdwijnt.

Autosapiens vraagt om nieuwe checks and balances

Autosapiens beschrijft de organisatie waarin menselijke en kunstmatige intelligentie samen functioneren. Maar zo’n organisatie vraagt om nieuwe checks and balances.

Want hoe complexer mens en AI verweven raken, hoe moeilijker het wordt om verantwoordelijkheid toe te wijzen.

Wie is verantwoordelijk als een AI-systeem een medewerker structureel minder geschikte projecten adviseert? Wie grijpt in als een dashboard leidt tot ongewenste prestatiedruk? Wie controleert of AI vooral bestaande machtsstructuren versterkt? Wie vertegenwoordigt de medewerker in AI-besluitvorming? Wie bewaakt dat menselijke ontwikkeling niet wordt ingeruild voor korte termijn efficiency?

In een Autosapiens-organisatie is governance geen rem op innovatie. Het is het stuurmechanisme dat voorkomt dat de organisatie sneller gaat rijden dan zij kan verantwoorden.

Aanzet tot actie: begin met een Human Capital Governance Board

Organisaties hoeven niet te wachten tot alle wetgeving, technologie en interne kaders volledig zijn uitgekristalliseerd. Juist nu is het moment om de basis te leggen.

Een concrete eerste stap is het instellen van een Human Capital Governance Board of een vergelijkbare governancefunctie als multidisciplinair overleg waarin HR, IT, legal, medezeggenschap, management, data-expertise en medewerkersperspectief samenkomen.

Deze board beoordeelt AI-toepassingen die invloed hebben op mensen.

Denk aan AI in recruitment, personeelsplanning, performance management, skills databases, learning & development, verzuim- of inzetbaarheidsanalyse, interne mobiliteit en productiviteitsmonitoring.

De board stelt per toepassing minimaal zeven vragen:

• Doel: welk probleem lossen we op en is AI daarvoor noodzakelijk?

• Data: welke gegevens worden gebruikt en zijn die proportioneel?

• Impact: welke groepen medewerkers kunnen hierdoor geraakt worden?

• Uitlegbaarheid: kan de uitkomst begrijpelijk worden toegelicht?

• Menselijk oordeel: waar zit de menselijke afweging en hoe wordt die geborgd?

• Ontwikkelwaarde: draagt de toepassing bij aan leren, vakmanschap en duurzame inzetbaarheid?

• Correctie: hoe kunnen medewerkers bezwaar maken, fouten melden of herbeoordeling vragen?

Zo wordt AI geen los project van enthousiaste voorlopers, maar onderdeel van volwassen organisatiebesturing.

Wanneer is Human Capital Governance urgent?

Human Capital Governance wordt urgent zodra AI invloed krijgt op beslissingen over mensen. Niet pas wanneer er problemen ontstaan, maar juist voordat de automatische piloot ongemerkt de route bepaalt.

Signalen dat governance nodig is:

• AI wordt gebruikt bij selectie, beoordeling of personeelsplanning.

• Managers gebruiken AI-analyses voor beslissingen over medewerkers.

• Productiviteit wordt gemeten via digitale sporen.

• AI adviseert over inzetbaarheid, mobiliteit of ontwikkeling.

• Medewerkers weten niet welke AI-tools over hen of hun werk worden gebruikt.

• HR gebruikt dashboards waarvan de aannames niet helder zijn.

• De ondernemingsraad of medezeggenschap is nog niet betrokken.

• Er wordt vooral gestuurd op efficiency, niet op ontwikkelwaarde.

• Medewerkers voelen zich bekeken, vergeleken of gereduceerd tot data.

Dat laatste signaal verdient extra aandacht. Zodra medewerkers ervaren dat zij vooral meetobject worden, daalt vertrouwen. En zonder vertrouwen wordt AI-adoptie een façade.

Mensen gebruiken de tool dan wel, maar geloven het systeem niet. Of erger: zij gaan zich gedragen naar het systeem.

De paradox van AI en menselijk kapitaal

De paradox is dat AI organisaties kan helpen menselijk kapitaal beter te benutten, maar dat dezelfde AI menselijk kapitaal ook kan verarmen.

AI kan talent zichtbaar maken, maar ook mensen reduceren tot scores.
AI kan bias helpen opsporen, maar ook bias automatiseren.
AI kan werk verlichten, maar ook werk intensiveren.
AI kan leren ondersteunen, maar ook leerervaringen wegnemen.
AI kan betere matches maken, maar ook atypisch talent buiten beeld duwen.

Daarom is Human Capital Governance geen luxe. Het is de voorwaarde waaronder AI werkelijk waardevol wordt voor organisaties én mensen.

Tot slot: van AI-adoptie naar AI-besturing

De komende jaren zal niet de organisatie winnen die de meeste AI-tools uitrolt. Ook niet de organisatie die de hoogste productiviteitsclaim presenteert. De winnende organisatie is de organisatie die begrijpt dat AI niet alleen werk verandert, maar ook macht, kansen, ontwikkeling en verantwoordelijkheid.

HCAF helpt om talent beter te alloceren.
Human Hollowing waarschuwt voor de uitholling van menselijk vermogen.
Autosapiens laat zien dat mens en AI samen een nieuw organisatorisch systeem vormen.
Human Capital Governance zorgt ervoor dat dit systeem bestuurbaar, uitlegbaar en menswaardig blijft.

(Scheepers, 2026)

Want zodra AI invloed krijgt op mensen, is de centrale vraag: Wat willen wij als organisatie nog zelf kunnen verantwoorden?

En misschien is dat wel de volwassen fase van AI in organisaties: net de fase van experimenteren, niet de fase van opschalen, maar de fase van besturen.

AI kan werk verdelen. Governance dient te voorkomen dat mensen verdeeld raken.

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

Human Capital Governance: who protects the human when AI starts allocating work?

As organizations adopt AI at increasing speed, the discussion often focuses on productivity, automation and efficiency. But beneath that promise, a deeper shift is taking place. AI is no longer only supporting tasks. It is beginning to influence decisions about people: recruitment, performance analysis, workforce planning, skills mapping, internal mobility, development opportunities and even the allocation of work.

This makes AI in organizations more than a technological issue. It turns human capital management into a governance issue.

The article positions Human Capital Governance as the logical fourth step after HCAF, Human Hollowing and Autosapiens. HCAF shows how organizations can better match people, tasks and context. Human Hollowing warns that AI-driven productivity can erode professional judgment, learning, craftsmanship and psychological safety. Autosapiens describes the emerging organization in which human and artificial intelligence operate as one intertwined system. Human Capital Governance then asks the crucial next question: how do we keep this system accountable, explainable and humane?

The central argument is that AI can help organizations allocate talent more intelligently, but it can also reduce people to scores, automate bias, intensify monitoring and weaken human development. Every AI-generated score contains a norm. Every match contains a selection. Every prediction contains an assumption. Every recommendation influences behavior.

Without governance, AI risks becoming an invisible manager.

The proposed framework rests on five pillars: transparency, human accountability, data minimization, bias and impact testing, and developmental value. Employees should know when AI affects decisions about their work. Human decision-makers must remain responsible and able to challenge AI recommendations. Organizations should avoid measuring everything simply because it is technically possible. AI systems must be tested for unequal effects. And above all, AI should strengthen human capital rather than hollow it out.

A practical first step is the creation of a Human Capital Governance Board, bringing together HR, IT, legal, management, employee representation and data expertise. Its task is to assess AI applications that affect people, asking not only whether the system works, but whether it is fair, explainable, proportionate and developmental.

The conclusion is clear: the winners of the AI era will not be the organizations that deploy the most tools, but those that can govern AI responsibly. Once AI starts influencing people’s work, careers and opportunities, the key question is no longer: what can the system do?

The real question becomes:

What are we, as an organization, still willing and able to take responsibility for?