Iedere AI-investering kan op zichzelf verstandig lijken. Maar wat leveren al die investeringen samen op: een organisatie die meer kan, of een organisatie die steeds minder begrijpt van haar eigen werk? Die vraag hoort op de bestuursagenda.

Een businesscase voor AI begint vaak overzichtelijk. Een proces kost te veel tijd. Medewerkers besteden uren aan analyses, rapportages of administratieve handelingen. Een toepassing belooft versnelling. De investering wordt afgezet tegen de verwachte besparing.

Dat is een begrijpelijk vertrekpunt. Maar het vertelt slechts een deel van het verhaal.

Wanneer AI werk overneemt, verschuift ook waar kennis ontstaat, wie ervaring opdoet en wie beslissingen kan beoordelen. Wat op de begroting als efficiëntiewinst verschijnt, kan gevolgen hebben voor opleiding, opvolging, zeggenschap en continuïteit.

In Sunny Side Up — 200 signalen uit de toekomst van werk formuleer ik het zo:

Het bestuur hoeft niet ieder model te begrijpen, wel de beslissingen die door modelgebruik worden verplaatst.

Daar begint de bestuursagenda voor AI.

Wat gebeurt er tussen de businesscases?

Stel je een zakelijke dienstverlener voor. De ene afdeling automatiseert dossieronderzoek. Een andere laat AI de eerste analyse maken. Een derde gebruikt agents om rapportages voor te bereiden.

• Iedere afdeling bespaart tijd. De gezamenlijke uitkomst kan echter zijn dat starters nauwelijks nog dossiers doorgronden, analyses opbouwen of leren hoe een conclusie tot stand komt.
• De ervaren medewerkers kunnen de resultaten voorlopig beoordelen. Zij hebben hun expertise immers opgebouwd in de oude werkwijze. Maar hoe worden hun opvolgers opgeleid?

Dit denkbeeldige voorbeeld laat zien waarom je AI-investeringen ook in samenhang moet beoordelen. Het risico ontstaat tussen projecten die afzonderlijk succesvol lijken.

Binnen DFI gebruik ik hiervoor het begrip Human Hollowing: de mogelijke uitholling van menselijk en organisatorisch vermogen wanneer automatisering de praktijk verdringt waarin mensen leren, oordelen en kennis overdragen.

Die uitkomst is geen vanzelfsprekend gevolg van AI. Je kunt werk ook zo ontwerpen dat medewerkers juist meer oefenen met complexe situaties, feedback krijgen en hun oordeel aanscherpen. Maar dat vraagt een bewuste keuze over de bestemming van de vrijgekomen tijd.

Verantwoordelijkheid moet uitvoerbaar zijn

“Er blijft altijd een mens verantwoordelijk.”

Het klinkt geruststellend. Toch zegt het weinig zolang onduidelijk blijft wat die persoon daadwerkelijk kan doen. Heeft de medewerker toegang tot de informatie waarop het advies is gebaseerd? Is er tijd om een uitkomst te onderzoeken? Is voldoende expertise aanwezig om een overtuigend geformuleerde fout te herkennen? En mag de medewerker het proces stilzetten wanneer daar aanleiding toe is?

Een menselijke goedkeuring kan anders verworden tot een administratieve handeling: iemand bevestigt een uitkomst die nauwelijks meer zelfstandig te beoordelen valt.

Voor bestuurders betekent dit dat verantwoordelijkheid moet worden vertaald naar concrete voorwaarden: informatie, tijd, competentie en bevoegdheid. Die voorwaarden horen bij het werkontwerp, de bezetting en de prestatieafspraken. Wie snelheid beloont en vertraging ontmoedigt, moet zich afvragen hoeveel ruimte er werkelijk overblijft voor zorgvuldige controle.

Waar leert de expert van morgen?

Veel expertise ontstaat tijdens werk dat achteraf eenvoudig lijkt. Een dossier voorbereiden. Bronnen vergelijken. Een eerste analyse schrijven. Een fout maken en met een ervaren collega bespreken waarom die fout ertoe doet.

AI kan delen van dat werk versnellen of overnemen. Daarmee ontstaat de mogelijkheid om leerprocessen te verbeteren. Starters kunnen bijvoorbeeld meerdere oplossingsrichtingen vergelijken of oefenen met uitzonderingen waarvoor eerder weinig tijd beschikbaar was.

Maar die ontwikkeling dien je te organiseren. Vraag daarom bij iedere relevante AI-businesscase wat er verandert in het leerpad. Welk oefenwerk verdwijnt? Welke begeleiding komt ervoor terug? En hoe stel je vast dat iemand zelfstandig beter leert oordelen?

Een organisatie kan vandaag profiteren van de expertise die zij gisteren heeft opgebouwd. Voor de expertise van morgen moet zij vandaag investeren.

Wie krijgt toegang, en wie ontvangt de winst?

AI-capaciteit bestaat uit meer dan een account. Ook de kwaliteit van de beschikbare modellen, toegang tot data, beschikbaar stellen van tokens, gebruiksruimte, begeleiding en experimenteertijd bepalen wat iemand ermee kan bereiken.

Wanneer deze voorwaarden verschillen, kunnen ook ontwikkelkansen uiteenlopen. De ene professional leert complexe workflows organiseren, terwijl een collega vooral incidenteel een tekst laat samenvatten. Dat maakt de verdeling van AI-capaciteit tot een strategische keuze.

Hetzelfde geldt voor de productiviteitswinst. Wat gebeurt er met de tijd die vrijkomt? Gaat die naar betere dienstverlening, meer productie, ontwikkeling, lagere werkdruk of kostenbesparing?

Meerdere keuzes kunnen verdedigbaar zijn. Het bestuur moet ze wel expliciet maken en de gevolgen ervan volgen. Anders bestaat het risico dat de opbrengsten op één plek terechtkomen, terwijl anderen de transitiekosten dragen.

Kan de organisatie nog functioneren zonder haar AI?

Een aanvullende vraag verdient meer aandacht: wat gebeurt er wanneer de belangrijkste AI-dienst tijdelijk niet beschikbaar is?

Een technisch alternatief is slechts een deel van het antwoord. Medewerkers moeten ook weten welk werk voorrang krijgt, welke processen kunnen doorgaan en welke beslissingen tijdelijk moeten worden uitgesteld. Bovendien moeten zij het werk nog voldoende begrijpen om een alternatief uit te voeren.

Laat daarom oefenen met een concrete verstoring. Welke dienstverlening valt stil? Welke kennis blijkt onmisbaar? Wie neemt de regie? Zo wordt zichtbaar of de afhankelijkheid beheersbaar is en waar menselijke expertise behouden moet blijven. Dit noem ik AI-RTO: Artificial Intelligence Recovery Time Objective.

Tien vragen voor de bestuurstafel

In het boek werk ik de bestuursagenda uit aan de hand van tien vragen:

• Welke waarde willen we creëren?

• Welk werk wordt opnieuw verdeeld?

• Wie blijft werkelijk verantwoordelijk?

• Wat gebeurt er met leren en instroom?

• Hoe verdelen we AI-capaciteit?

• Wie ontvangt de productiviteitswinst?

• Welke groepen lopen extra risico?

• Hoe organiseren we tegenspraak?

• Kunnen we zonder onze primaire AI-laag?

• Welke capability willen we over drie jaar bezitten?

Deze vragen verbinden technologie aan de organisatie die je wilt opbouwen. Ze helpen ook om te bepalen welke expertise je in huis wilt houden en waar samenwerking of uitbesteding passend is. De besluitregel die daarbij hoort:

Geen belangrijke AI-investering zonder antwoord op drie effecten: productiviteit, menselijke capability en verdeling.

Concreet: wat levert de investering op, welk menselijk vermogen wordt opgebouwd of afgebroken, en bij wie komen de baten en lasten terecht?

Maak de volgende investeringsbeslissing breder

Vraag bij de eerstvolgende AI-businesscase om deze drie effecten op één pagina. Laat de verantwoordelijke bestuurder samen met de proceseigenaar en HR vastleggen welke opbrengst wordt verwacht, welke expertise nodig blijft en hoe medewerkers zich blijven ontwikkelen.

Spreek vervolgens af wanneer je dit opnieuw beoordeelt. Kijk bij die evaluatie naast tijdwinst en kosten ook naar de kwaliteit van besluiten, het vermogen om fouten te herkennen en de ontwikkeling van medewerkers.

Vanuit DAMIES Future Intelligence help ik deze samenhang te onderzoeken: van technologische ontwikkeling naar keuzes over werk, menselijk vermogen en verantwoordelijkheid. De waarde daarvan zit in het zichtbaar maken van gevolgen die binnen afzonderlijke projecten gemakkelijk buiten beeld blijven.

Sunny Side Up — 200 signalen uit de toekomst van werk biedt daarvoor een vertrekpunt, met naast de bestuursagenda ook agenda’s voor HR en professionals, toekomstscenario’s en een praktisch twaalfmaandenplan. Bekijk en koop het boek SSU 200 in de Lulu Bookstore.

Leg bij je volgende AI-besluit ook deze vraag op tafel: welk vermogen willen we over drie jaar nog zélf bezitten?

Willem E.A.J. Scheepers, AI Implementer