AI staat inmiddels op vrijwel iedere managementagenda. Dat is begrijpelijk. De druk is hoog, de belofte is groot en de voorbeelden zijn verleidelijk: sneller samenvatten, slimmer zoeken, betere voorspellingen, minder handwerk, meer productiviteit.
Toch zit precies daar een risico. Veel organisaties praten over AI alsof de belangrijkste vraag technisch is: welk model, welke tool, welk platform, welke use case? Maar in de praktijk mislukt AI zelden als abstracte technologie. Het mislukt veel vaker als onderdeel van echt werk.
Niet omdat de software niets kan. Maar omdat onduidelijk blijft waar AI mag adviseren, waar mensen nog echt moeten wegen, en wie verantwoordelijk blijft voor de laatste interpretatieslag.
Dat is geen detail. Dat is AI-readiness.
Het misverstand: “Als de tool goed genoeg is, volgt de waarde vanzelf”
In veel organisaties begint AI met nieuwsgierigheid. Daarna volgt meestal een herkenbaar patroon. Er wordt geëxperimenteerd. Een team ziet kansen. Er ontstaat een pilot. Iemand maakt een mooie demo. De eerste resultaten lijken veelbelovend. En dan stokt het.
Niet altijd openlijk. Soms blijft het initiatief nog maanden doorlopen. Maar onder de oppervlakte ontstaan bekende verschijnselen: onduidelijkheid over gebruik, verschil in kwaliteit tussen gebruikers, twijfel over uitkomsten, vragen over privacy of governance, en vooral: niemand kan precies uitleggen waar AI nu wel en niet op mag leunen.
Dat is geen randprobleem. NIST benadrukt expliciet dat menselijke rollen en verantwoordelijkheden in human-AI configuraties helder moeten worden gedefinieerd en onderscheiden. UNESCO trekt die lijn door: AI mag ultimate human responsibility and accountability niet verdringen. Met andere woorden: AI-readiness is niet alleen een technische of juridische toestand, maar ook een organisatorische ontwerpvraag.
Het mechanisme: slechte AI-implementatie is vaak slechte beslisarchitectuur
De verborgen fout in veel AI-trajecten is dat organisaties te vroeg denken in toepassingen en te laat in beslismomenten.
Een beslismoment is het punt waarop informatie niet alleen wordt verwerkt, maar ook betekenis krijgt. Waar iemand prioriteit geeft. Iets weglaat. Escaleert. Vertrouwt. Betwijfelt. Doorstuurt. Vastlegt. Handelt.
Precies daar wordt AI interessant — en riskant.
Want zodra AI invloed krijgt op zo’n moment, verandert niet alleen de snelheid van het werk, maar ook de manier waarop mensen kijken, controleren en oordelen. Onderzoek naar automation bias laat al langer zien dat beslisondersteuning waakzaamheid en verificatiegedrag kan verlagen, vooral bij cognitief complexe taken. Dat effect is niet beperkt tot “dom vertrouwen op automatisering”; het hangt juist samen met taakdruk, verificatiecomplexiteit en mentale belasting.
Daar komt iets belangrijks bij. Een grote meta-analyse in Nature Human Behaviour laat zien dat combinaties van mens en AI gemiddeld wel beter zijn dan mensen alleen, maar niet beter dan de best presterende partij van de twee. Sterker nog: gemiddeld presteert de combinatie slechter dan de beste van mens of AI afzonderlijk. Dat is een ongemakkelijke maar nuttige les. Mens plus AI is niet automatisch synergie. Alleen als de samenwerking goed is ontworpen, ontstaat echte meerwaarde.
Met andere woorden: AI-readiness gaat niet eerst over de vraag “waar kunnen we AI inzetten?”, maar over de vraag: op welke momenten in ons werkproces willen we AI laten meewegen, en hoe organiseren we daar menselijke tegenspraak, verificatie en verantwoordelijkheid?
Een bruikbare vuistregel
Voordat je een AI-toepassing serieus opschaalt, moet je op drie vragen een helder antwoord hebben:
- Waar adviseert AI alleen?
- Waar moet een professional expliciet toetsen of tegenspreken?
- Waar blijft de finale weging menselijk en aantoonbaar?
Als je die drie niet helder kunt maken, ben je nog niet AI-ready — hooguit AI-nieuwsgierig.
Toepassing 1: analyse en stafwerk
Neem een team dat AI gebruikt voor samenvattingen, dossiersynthese of signalen uit grote informatiestromen. De winst lijkt direct: minder leestijd, sneller overzicht, minder zoekwerk.
Maar het echte risico zit niet in een losse fout. Het risico zit in stille verschuiving. Mensen gaan eerder uit van volledigheid. Controleren minder breed. Zoeken minder actief naar wat ontbreekt. En precies daar kan een plausibel antwoord gevaarlijker zijn dan een zichtbaar onvolledig antwoord.
In zo’n context moet AI dus niet alleen worden beoordeeld op tijdwinst, maar ook op verificatiegedrag: welke broncontrole blijft overeind, welke tegencheck is verplicht en bij welk type dossier mag de output nooit zonder tweede lezing door?
Toepassing 2: toezicht, uitvoering en triage
Stel dat AI helpt bij het prioriteren van meldingen, signalen of casussen. Dan lijkt het logisch om te denken in nauwkeurigheid of snelheid. Maar operationeel is de belangrijkere vraag vaak: wat gebeurt er met afwijkingen, twijfelgevallen en contextsignalen die niet netjes in het patroon passen?
NIST waarschuwt niet voor niets dat complexe menselijke observatie- en beslispraktijken worden gereduceerd tot meetbare grootheden, waarbij noodzakelijke context verloren kan gaan. Zodra AI helpt prioriteren, moet je dus weten waar context alsnog terugkomt. Niet pas bij incidenten, maar in het ontwerp.
Toepassing 3: strategisch niveau en MT
Ook voor MT’s is dit relevant. Niet alleen omdat AI beleidsmatig iets vraagt, maar omdat bestuurlijke druk vaak leidt tot schijnzekerheid. Een dashboard met AI-output oogt al snel professioneler dan een teamgesprek met twijfel, nuance en voorwaarden.
Maar bestuurlijke volwassenheid zit niet in het elimineren van onzekerheid. Ze zit in het zichtbaar maken van waar onzekerheid blijft bestaan, ondanks technologische ondersteuning.
Daarom is een nuttige AI-vraag in MT’s vaak niet: “Wat kan deze tool?” maar: “Welke beslissingen of prioriteiten gaan hierdoor anders lopen — en waar willen we dat juist niet?”
Wat je níet moet doen
Wat je niet moet doen, is AI invoeren als een losse efficiëntielaag boven op bestaande werkprocessen. Dan ontstaat meestal precies het verkeerde effect: sneller werk, maar vager eigenaarschap.
Ook moet je niet genoegen nemen met symbolische menselijke controle. “Er kijkt altijd nog iemand naar” is alleen geruststellend als die persoon ook tijd, mandaat, context en een duidelijke toetsrol heeft. Anders is oversight vooral decor. Juist onderzoek naar effectieve human oversight benadrukt dat toezicht alleen werkt als mensen voldoende invloed, relevante informatie en handelingsruimte hebben.
Tot slot
De meest onderschatte AI-vraag is dus niet technisch, maar organisatorisch:
Waar in ons werkproces willen we dat AI het denken ondersteunt — en waar mag het dat denken juist niet vervangen of vernauwen?
Wie die vraag te laat stelt, krijgt vaak pilots zonder borging, tools zonder vertrouwen en snelheid zonder besluitwaardigheid.
Wie die vraag vroeg stelt, bouwt iets veel waardevollers: een organisatie die niet alleen experimenteert met AI, maar ook weet hoe AI verantwoord, bruikbaar en bestuurbaar in het werk landt.
Wil je dat concreet maken voor jouw organisatie, dan is een korte AI-verkenningssessie of een gerichte AI-readiness scan vaak de snelste manier om scherp te krijgen waar de echte kansen zitten, waar de randvoorwaarden nog ontbreken en welke vervolgstap wél logisch is. Dat gesprek kan gewoon beginnen…
