AI-basisprincipes: geen chatbot, maar een nieuwe manier van werken

1. Inleiding: waarom het oude beeld van AI niet meer volstaat

Nog te vaak spreken we over AI alsof het alleen een slim tekstvak is. Stel een vraag en krijg een antwoord. Vraag om ideeën en krijg een lijst. Vraag om een e-mail en krijg een concept.

Dat was voor veel mensen de eerste grote kennismaking met AI. Het maakte de technologie toegankelijk, maar beschrijft niet meer waar AI naartoe groeit.

AI is niet alleen een chatbot, een nieuwe vorm van een zoekmachine of een machine die tekst genereert. Ze groeit uit tot een nieuwe werklaag: een systeem dat doelen kan begrijpen, informatie kan ophalen, hulpmiddelen kan gebruiken, code kan schrijven, werkstappen kan uitvoeren, automatiseringen kan starten, om goedkeuring kan vragen en van de processen van een organisatie kan leren.

Daarmee verandert de vraag fundamenteel. Eerst vroegen we: ‘Wat kan ik aan AI vragen?’ Nu moeten we vragen: ‘Welke werkstappen kan AI uitvoeren, welke systemen mag ze gebruiken en op welke momenten beslist een mens?’

Dat is een enorme omslag. Volgens het AI Index Report 2025 van Stanford HAI versnelde het gebruik van AI in organisaties sterk: in 2024 meldde 78 procent van de organisaties AI te gebruiken, tegenover 55 procent een jaar eerder. Tegelijkertijd werd wereldwijd 33,9 miljard dollar aan privaat kapitaal in generatieve AI geïnvesteerd.^[1]

Het gaat niet langer om één losse tool, maar om een andere organisatie van het werk.

2. Wat betekent AI in 2026?

AI omvat computersystemen die taken kunnen uitvoeren waarvoor vroeger menselijke intelligentie nodig was, bijvoorbeeld op het gebied van denken, taal, redeneren, herkennen, leren, plannen en creativiteit. Die definitie is inmiddels te beperkt als zij blijft steken op het niveau van ‘AI geeft antwoorden’.

Moderne AI kan ten minste vijf dingen:

• Ze kan inhoud maken: tekst, beelden, code, audio, video’s, rapporten en presentaties.
• Ze kan informatie analyseren: documenten, klantfeedback, tabellen, beelden, logbestanden, contracten en gegevens.
• Ze kan hulpmiddelen gebruiken: databases, agenda’s, CRM, projectmanagement, browsers, code-editors, automatiseringsplatforms en API’s.
• Ze kan werkstappen uitvoeren: concepten maken, formulieren invullen, tickets openen, code schrijven, opties vergelijken en besluiten voorbereiden.
• Ze kan als agent handelen: een taak met meerdere stappen plannen, de voortgang bewaken, verschillende hulpmiddelen inzetten en op kritieke momenten menselijke goedkeuring vragen.

Dat is het wezenlijke verschil. Het oude beeld was: AI antwoordt. Het nieuwe beeld is: AI neemt delen van het werk op zich.

3. De vier rollen van AI: denkpartner, maker, gebruiker van hulpmiddelen en uitvoerder

AI laat zich het best begrijpen aan de hand van vier rollen.

1. AI als denkpartner

Dit is de bekendste rol. AI helpt bij het bedenken, uitleggen, samenvatten en vergelijken van ideeën, stelt aannames ter discussie en helpt argumenten op te bouwen. Bijvoorbeeld: ‘Analyseer dit bedrijfsconcept vanuit het perspectief van de klant, de concurrentie, de prijsstelling en de risico’s.’ AI fungeert hier als inhoudelijke sparringpartner.

2. AI als productiehulp

AI levert concrete werkproducten. Ze kan een eerste versie maken van een rapport, code, campagne, presentatie, contractsjabloon, afbeelding, videoscript of klantbericht. Bijvoorbeeld: ‘Vat deze klantanalyse voor het management samen in drie dia’s.’ AI denkt hier niet alleen mee, maar levert bruikbaar materiaal.

3. AI als gebruiker van hulpmiddelen

Hier wordt de verandering ingrijpender. AI werkt niet langer los van de organisatie, maar gebruikt systemen: ze haalt gegevens uit het CRM, leest documenten, bevraagt een database, controleert de agenda, onderzoekt een coderepository of analyseert taken in het projectmanagementsysteem. Bijvoorbeeld: ‘Haal de nieuwste supportvragen, openstaande offertes en gespreksnotities van deze klant op en stel het volgende bericht voor.’ Hiervoor heeft AI toegang tot echte bedrijfsgegevens nodig.

4. AI als handelende agent

Dit is de volgende grote golf. Een agent geeft niet alleen antwoord, maar voert een taak stap voor stap uit. Bijvoorbeeld: ‘Bereid de klantafspraak van volgende week voor. Verzamel de achtergrondinformatie, controleer openstaande punten, maak een agenda en een conceptbericht en vraag vóór verzending mijn goedkeuring.’ AI is hier al een digitale arbeidskracht: geen zelfstandige beslisser, maar wel een actieve uitvoerder van werkstappen.

4. Generatieve AI is pas de eerste laag

Generatieve AI omvat systemen die nieuwe inhoud maken: tekst, beeld, audio, video, code of combinaties daarvan. Daarmee brak AI door bij het grote publiek. Wie hier stopt, ziet echter alleen de zichtbare bovenlaag van de technologie.

Generatieve AI lijkt op een elektromotor: een krachtige component waarvan de echte impact pas ontstaat wanneer zij wordt verbonden met machines, processen, productielijnen en bedrijfsmodellen.

Hetzelfde geldt voor AI. Een losse tekstgenerator is nuttig. AI die is verbonden met bedrijfsgegevens, processen, hulpmiddelen, toegangsrechten, monitoring en besluitvorming is van een heel andere orde.

Dan is AI niet langer een assistent aan de zijlijn, maar onderdeel van de werkinfrastructuur.

5. AI-agenten: wanneer AI werkstappen gaat uitvoeren

Een agent is een AI-systeem dat op basis van een doel taken met meerdere stappen kan uitvoeren. Het kan een opdracht interpreteren, in onderdelen opsplitsen, informatie ophalen, een passend hulpmiddel kiezen, een handeling uitvoeren, het resultaat controleren, doorgaan naar de volgende stap, menselijke goedkeuring vragen en het uitgevoerde werk vastleggen.

Dat verschilt wezenlijk van een gewone chatbot. Een chatbot beantwoordt een vraag; een agent brengt het proces verder.

In de financiële administratie kan een agent bijvoorbeeld:

1. openstaande facturen ophalen
2. afwijkingen herkennen
3. ze met contracten vergelijken
4. onduidelijke gevallen op een rij zetten
5. maatregelen voorstellen
6. menselijke goedkeuring vragen
7. besluiten in het systeem vastleggen

Dit is geen vrijblijvende ideeënvorming meer, maar werk. De State of AI-enquête 2025 van McKinsey benadrukt precies deze verschuiving: organisaties experimenteren niet alleen meer met AI, maar herontwerpen werkstromen, wijzen verantwoordelijken voor AI-governance aan en zoeken manieren om er bedrijfswaarde mee te creëren.^[2]

De opkomst van agenten maakt AI praktischer, maar ook riskanter. Hoe meer AI mag doen, hoe belangrijker het is om scherp vast te leggen wat ze niet mag doen.

6. Orkestratie: hoe AI-werk wordt verdeeld over modellen, agenten en mensen

Orkestratie is een van de belangrijkste begrippen voor toekomstig AI-werk. Het gaat om de aansturing van het geheel: welk model doet welke taak, welke agent gebruikt welk hulpmiddel, waar grijpt een mens in en hoe wordt het eindresultaat gecontroleerd?

Een orkest is een bruikbare vergelijking. Eén taalmodel lijkt op een bekwame muzikant. Maar een organisatie met tientallen hulpmiddelen, meerdere modellen, uiteenlopende gegevensbronnen, gebruikers en risiconiveaus heeft een dirigent nodig.

Orkestratie beantwoordt bijvoorbeeld deze vragen:

• Welke taak kan naar een sneller en goedkoper model?
• Welke taak vereist een sterker redeneermodel?
• Wanneer gebruiken we RAG om in bedrijfsdocumenten te zoeken?
• Wanneer mag een agent via MCP verbinding maken met een systeem?
• Wanneer is menselijke goedkeuring nodig?
• Hoe worden fouten ontdekt?
• Hoe houden we de kosten beheersbaar?
• Hoe leggen we het eindresultaat vast?

Dit is belangrijk omdat een toekomstige AI-oplossing zelden uit één bot bestaat. Vaak gaat het om een volledige procesketen. AI-orkestratie in de klantenservice kan er bijvoorbeeld zo uitzien:

1. een klein model classificeert het bericht
2. RAG haalt instructies en klantgegevens op
3. het taalmodel maakt een conceptantwoord
4. de agent controleert de bestelling in het systeem
5. de regelengine beoordeelt het risico
6. een mens keurt uitzonderingsgevallen goed
7. het systeem registreert de gebeurtenis in het CRM

Dit is de nieuwe basisvorm van AI-gebruik: geen losse prompt, geen los antwoord, maar een georkestreerde werkstroom.

7. Een agentenpark: de digitale arbeidskracht van de toekomst

Een agentenpark bestaat uit gespecialiseerde AI-agenten met eigen taken. De ene volgt klantfeedback, een andere maakt verkoopmateriaal, weer andere controleren code, volgen concurrenten, analyseren financiële gegevens, bewaken contracttermijnen of ondersteunen de voorbereiding van werving.

Dat klinkt futuristisch, maar de richting is al zichtbaar. Organisaties spreken inmiddels over ‘agent sprawl’: de ongecontroleerde wildgroei van agenten. Volgens berichtgeving van The Wall Street Journal worstelen bedrijven al met teams die hun eigen AI-agenten bouwen, waardoor risico’s rond informatiebeveiliging, governance en kosten toenemen.^[3]

Een agentenpark kan een enorme productiviteitssprong opleveren, maar alleen wanneer het goed wordt bestuurd. Anders ontstaat een nieuwe vorm van schaduw-IT: schaduw-AI. Medewerkers bouwen eigen agenten, teams gebruiken eigen hulpmiddelen en gegevensstromen worden ondoorzichtig. Niemand weet nog welke agent wat heeft gedaan, met welke rechten en tegen welke kosten.

Daarom heeft een agentenpark drie dingen nodig:

1. Een register: welke agenten zijn er in de organisatie?
2. Een eigenaar: wie is verantwoordelijk voor de werking, kwaliteit en risico’s van de agent?
3. Toezicht: wat doet de agent, wat kost hij en welke fouten maakt hij?

Goed bestuurd vormt een agentenpark een nieuw productieapparaat. Slecht bestuurd wordt het een dure en riskante chaos.

8. RAG: AI verbinden met de eigen kennis van de organisatie

RAG staat voor Retrieval-Augmented Generation, in het Nederlands ongeveer ‘genereren met behulp van opgehaalde informatie’. Het principe is eenvoudig: in plaats van alleen op basis van algemene trainingskennis te antwoorden, haalt AI eerst relevante informatie op uit de eigen documenten, databases of andere bronnen van de organisatie. Daarna formuleert ze haar antwoord op basis van die informatie.

RAG pakt een van de grootste problemen van AI aan: het ontbreken van de bedrijfscontext. Zonder die context kan AI alleen algemene adviezen geven. Met RAG kan ze aansluiten op de werkelijke situatie van de organisatie.

Bijvoorbeeld: ‘Wat zijn de belangrijkste eisen die ons informatiebeveiligingsbeleid aan onderaannemers stelt?’ Zonder RAG kan AI alleen een algemeen antwoord geven. Met RAG haalt ze de relevante passages uit het eigen beveiligingsbeleid en vat die samen.

Dit is vooral belangrijk voor klantenservice, juridische afdelingen, HR, verkoop, technische ondersteuning, productdocumentatie, interne kennisontsluiting, opleidingen en de voorbereiding van besluiten.

RAG is echter geen wondermiddel. De kwaliteit hangt af van de kwaliteit van de bedrijfskennis. Als documenten verouderd, tegenstrijdig of slecht benoemd zijn, haalt AI razendsnel en overtuigend de verkeerde informatie op.

Een RAG-project is daarom vaak ook een kennismanagementproject. AI maakt zichtbaar hoe goed of slecht de interne kennis werkelijk wordt beheerd.

9. MCP: een beheersbare koppeling tussen AI en bedrijfssystemen

MCP, het Model Context Protocol, is een open standaard waarmee AI-toepassingen gecontroleerd verbinding kunnen maken met externe hulpmiddelen, informatiebronnen en systemen. Anthropic introduceerde MCP in november 2024 als open standaard voor veilige tweerichtingsverbindingen tussen AI-hulpmiddelen en gegevensbronnen.^[4]

Je kunt MCP zien als de USB-C-aansluiting van AI. Voor zakelijk gebruik past een andere vergelijking nog beter: MCP is een gereedschapskast voor AI waarvan de toegang wordt beheerd. Het legt vast welke hulpmiddelen beschikbaar zijn, welke gegevens AI mag lezen, welke handelingen ze mag uitvoeren, met welke rechten, namens welke gebruiker en wanneer goedkeuring nodig is.

Daardoor verandert de rol van AI:

• AI zonder integraties is een algemene assistent.
• AI met bedrijfsgegevens is een specialist die de context begrijpt.
• AI met toegang tot hulpmiddelen kan werkstappen uitvoeren.
• Met rechten, logging en goedkeuring wordt AI een beheersbare digitale actor.

De belangrijkste MCP-vraag voor een bedrijf is niet technisch, maar bestuurlijk: waartoe krijgt AI toegang? Mag ze klantgegevens lezen, het CRM bijwerken, berichten versturen, databasequery’s uitvoeren, tickets openen, productiecode wijzigen of een betaling starten?

Elk ja vergroot de waarde, maar ook de verantwoordelijkheid.

10. Denken in vaardigheden: welke capaciteiten brengt AI naar de organisatie?

AI wordt te vaak alleen als hulpmiddel besproken. Het is nuttiger om over capaciteiten of vaardigheden te spreken. Een bedrijf moet niet alleen vragen: ‘Gebruiken we AI?’, maar vooral: ‘Welke nieuwe vaardigheden voegt AI aan onze organisatie toe?’

AI kan bijvoorbeeld lange documenten lezen, de kern samenvatten, tegenstrijdigheden vinden, een eerste versie schrijven, voor verschillende doelgroepen vertalen, klantfeedback analyseren, afwijkingen in gegevens herkennen, SQL-query’s uitvoeren, code schrijven en testen, beelden en video’s maken, verkoopberichten en offertes voorbereiden, concurrenten volgen, contracttermijnen bewaken, tickets openen, systemen bijwerken, kwaliteit controleren en vervolgstappen voorstellen.

Denken in vaardigheden maakt AI concreet. Het verlegt het gesprek van een vage ‘AI-transformatie’ naar echte onderdelen van het werk. Een lijst met AI-vaardigheden voor een marketingteam kan er zo uitzien:

1. campagne-ideeën ontwikkelen
2. doelgroepanalyse
3. tekstvarianten maken
4. beeldconcepten ontwikkelen
5. A/B-tests ontwerpen
6. campagnegegevens analyseren
7. een conceptrapport voor het management maken

Dat is veel praktischer dan de uitspraak: ‘Wij zetten AI in voor marketing.’

11. Programmeren: waarom softwareontwikkeling als eerste veranderde

Softwareontwikkeling is een van de grootste toepassingsgebieden van AI. Daar zijn drie redenen voor. Ten eerste is code taal, en taalmodellen kunnen die goed verwerken. Ten tweede is het resultaat te testen: code werkt of werkt niet. Ten derde zijn ontwikkelaars gewend aan hulpmiddelen, documentatie, versiebeheer en automatisering, waardoor AI vanzelfsprekend in hun werkstroom past.

In softwareontwikkeling kan AI functies schrijven, bestaande code uitleggen, fouten opsporen, architectuur voorstellen, tests schrijven, code refactoren, documentatie maken, foutlogboeken analyseren, prototypes bouwen, helpen bij de invoering van een nieuwe bibliotheek, interfaceconcepten genereren en migratiewerk uitvoeren.

Dat betekent niet dat AI goede ontwikkelaars vervangt. Het betekent dat een goede ontwikkelaar meer kan doen. Nog interessanter is dat een niet-technische oprichter eerste prototypes kan bouwen op een manier die vroeger veel moeilijker was.

Dit raakt startups rechtstreeks. Technische uitvoering was vroeger vaak de bottleneck; een eerste versie kan nu sneller, goedkoper en met een kleiner team worden gebouwd.

Daar staat het risico van technische schuld tegenover. AI kan snel code genereren die niemand werkelijk begrijpt, of een aantrekkelijk prototype bouwen dat niet schaalt. Ze kan ook beveiligingslekken, problematische afhankelijkheden en een onoverzichtelijke architectuur binnenbrengen.

Bij programmeren neemt AI de behoefte aan vakkennis dus niet weg; ze maakt die kennis juist waardevoller.

12. AI-first denken: processen moeten opnieuw worden ontworpen

AI-first betekent niet dat AI overal in wordt gepropt. Het betekent dat processen vanaf het begin worden ontworpen met de vraag: ‘Hoe zouden we dit werk doen als AI een vanzelfsprekend onderdeel van het proces was?’

Dat is iets heel anders dan een chatbot boven op een oud proces plakken. In de oude aanpak doet de mens het werk, helpt AI met de tekst en blijft het proces hetzelfde. De AI-first aanpak:

1. het doel bepalen
2. terugkerende werkstappen herkennen
3. het werk verdelen over mensen, AI en automatisering
4. AI met de juiste gegevensbronnen verbinden
5. goedkeuringsmomenten inbouwen
6. kwaliteit, tijd, kosten en risico’s meten
7. het proces voortdurend verbeteren

Bij werving betekent AI-first bijvoorbeeld niet dat AI mensen selecteert. AI kan wel een vacaturetekst opstellen, controleren of de taal niet discrimineert, sollicitaties structureren, ervaring naast de criteria leggen, interviewvragen voorbereiden, gespreksnotities samenvatten en wijzen op risico’s bij de besluitvorming. De mens neemt de besluiten.

AI-first haalt de mens niet uit het proces, maar verplaatst diens tijd naar het deel waar menselijk oordeel de meeste waarde heeft.

13. Bedrijfsperspectief: AI in budget, aansturing en monitoring

Bedrijven moeten AI niet langer alleen uit een experimenteerbudget betalen, maar als gewone productiviteitsinvestering behandelen. Naast softwarelicenties, apparatuur, opleiding en werkmiddelen horen ook AI-licenties, token- en API-kosten, automatiseringsplatforms, informatiebeveiliging, opleiding, integraties, toezicht, kwaliteitsbewaking en interne ontwikkeling in het budget.

Tokens vormen de basiseenheid voor de gebruikskosten van AI-modellen. In de praktijk zijn het stukjes tekst, gegevens of andere invoer waarop de prijs van het modelgebruik is gebaseerd. Hoe meer AI leest, schrijft en verwerkt, hoe meer tokens worden verbruikt.

Dat klinkt technisch, maar bestuurlijk is de vraag eenvoudig: hoeveel wil een bedrijf investeren in hogere productiviteit van medewerkers? Het is logisch om bijvoorbeeld te onderzoeken of 1–5 procent van de loonkosten naar AI moet gaan wanneer deskundigen daardoor sneller werken, de kwaliteit stijgt en routinetaken afnemen. Het juiste percentage hangt af van de sector, het werk, de volwassenheid van de gegevens en het risiconiveau, maar het principe is belangrijk.

Maak in een AI-budget onderscheid tussen vier niveaus:

1. Gebruiksbudget: licenties, tokens, API-kosten en hulpmiddelen.
2. Vaardigheidsbudget: opleiding, interne richtlijnen, promptbibliotheken, inventarisatie van vaardigheden en best practices.
3. Integratiebudget: MCP, RAG, informatiebronnen, automatiseringen, beveiliging en systeemkoppelingen.
4. Veranderbudget: herontwerp van processen, verandermanagement, monitoring en besturingsmodellen.

Het gebruik van AI moet ook worden gevolgd, niet om mensen te controleren, maar om te begrijpen waar AI werkelijk waarde oplevert, waar fouten ontstaan, wat het gebruik kost, wie extra opleiding nodig heeft, welke teams vooroplopen, welke processen daarna kunnen worden geautomatiseerd en waar risico’s ontstaan.

Monitoring van AI-gebruik is een nieuwe bestuurstaak. Zonder betrouwbare gegevens blijft slechts een gevoel over: ‘Wij gebruiken behoorlijk veel AI.’ Dat is onvoldoende. Een bedrijf moet weten wat er werkelijk verandert.

14. Het startupperspectief: een kleiner team met meer slagkracht

Voor startups biedt AI uitzonderlijke kansen. Een klein team kan werk doen waarvoor vroeger veel meer mensen nodig waren: prototypes bouwen, code schrijven, gebruikersonderzoek opzetten, interviews analyseren, marketingmateriaal maken, prijzen testen, verkooplijsten samenstellen, investeerdersmateriaal opstellen, eerstelijnsklantenservice verzorgen en interne werkstappen automatiseren.

Dat maakt een startup niet vanzelf goed, maar verandert wel de logica van snelheid. Een concurrentievoordeel kwam vroeger vaak voort uit meer middelen. Nu kan het ontstaan doordat een team mensen en AI bijzonder effectief combineert.

Een AI-native startup vraagt niet: ‘Waar voegen we een AI-functie toe?’ maar: ‘Hoe zouden onze processen eruitzien als we dit bedrijf vandaag vanaf nul met AI opbouwden?’

Voor startups schuilt er ook gevaar in de AI-roes. Alles lijkt mogelijk. Alles voelt snel. Er ontstaan veel demo’s, maar weinig levensvatbare bedrijfsmodellen. Daarom moeten startups zich scherpe vragen stellen: wat is het werkelijke klantprobleem? Wat doet AI beter dan de oude aanpak? Wat is ons datavoordeel? Wat is ons distributievoordeel? Wat is moeilijk te kopiëren? Hoe borgen we de kwaliteit? Hoe schalen de kosten?

AI maakt bouwen eenvoudiger, maar de markt niet.

15. Verandermanagement: waarom AI mislukt als mensen buitenspel staan

De invoering van AI is niet alleen een technologieproject, maar ook een verandertraject. Als de leiding een hulpmiddel koopt zonder de werkwijze te veranderen, blijft AI een vreemd element. Als medewerkers vrezen dat AI alleen dient om te bezuinigen, delen zij hun beste toepassingen niet. Als het middenmanagement de mogelijkheden niet begrijpt, kan het processen niet zinvol veranderen. Wordt informatiebeveiliging pas aan het einde betrokken, dan vertraagt of strandt het traject.

Goed verandermanagement begint met een eerlijke boodschap: AI verandert het werk. Niet alles wordt geautomatiseerd en niet alles hoort te worden geautomatiseerd. Iedereen moet AI wel verstandig leren gebruiken.

Een organisatie kan de AI-verandering op vier niveaus vormgeven:

1. Begrip: wat AI wel en niet is.
2. Gebruiksvaardigheid: hoe medewerkers AI in hun eigen werk inzetten.
3. Procesverandering: hoe de werkstromen van het team veranderen.
4. Verandering in de aansturing: hoe komt AI terug in doelen, budget, indicatoren, risicobeheer en besluitvorming?

Het is belangrijk interne voorlopers te vinden. De beste AI-toepassingen ontstaan vaak niet op strategieslides, maar in het dagelijks werk: verkoop bereidt klantgesprekken beter voor, juridisch bouwt een contractcontroleproces, ontwikkeling automatiseert tests en HR versnelt de onboarding. De leiding moet zulke werkwijzen zichtbaar maken, opschalen en veilig inrichten.

16. Risico’s: gegevens, rechten, hallucinaties, kosten en verantwoordelijkheid

Hoe meer AI overneemt, hoe zwaarder de risico’s wegen. Zolang AI alleen een concept schrijft, is een fout meestal eenvoudig te herstellen. Gebruikt ze systemen, haalt ze gegevens op, brengt ze wijzigingen aan of verstuurt ze berichten, dan kan een fout directe gevolgen hebben.

De belangrijkste risico’s:

1. Hallucinaties

AI kan informatie verzinnen of verkeerde conclusies trekken. Dat is vooral gevaarlijk wanneer het antwoord verzorgd en overtuigend oogt.

2. Verkeerde context

AI kan een verouderd document, verkeerde klantgegevens of onvolledige informatie gebruiken. RAG helpt niet wanneer de opgehaalde informatie slecht is.

3. Te ruime rechten

Krijgt een agent overal toegang toe, dan kan hij te veel doen. Net als in de informatiebeveiliging geldt het principe van minimale bevoegdheden: AI krijgt alleen de bevoegdheden die ze werkelijk nodig heeft.

4. Promptinjectie

Een extern document, een webpagina of inhoud uit een systeem kan instructies bevatten die AI proberen te manipuleren. Dat wordt ernstiger wanneer AI toegang heeft tot hulpmiddelen.

5. Uit de hand lopende kosten

Tokens kosten geld. Agenten verbruiken tokens, RAG-zoekacties en de orkestratie van meerdere modellen brengen kosten mee, en programmeeragenten kunnen lange reeksen taken uitvoeren. Zonder monitoring kunnen de AI-kosten ongemerkt oplopen.

6. Vervagende verantwoordelijkheid

‘AI heeft het gedaan’ is geen vrijwaring. Het bedrijf blijft verantwoordelijk tegenover de klant, de leiding voor haar besluiten en medewerkers voor de kwaliteit van hun werk. Het NIST-profiel voor risicobeheer van generatieve AI benadrukt dat organisaties de specifieke risico’s van generatieve AI moeten herkennen en beheersen als onderdeel van breder AI-risicobeheer.^[5]

Verantwoord AI-gebruik betekent niet op de rem staan. Het betekent vangrails plaatsen voordat de snelheid toeneemt.

17. De toekomst: naar AI als besturingssysteem

De toekomst van AI ligt niet in één toepassing. AI wordt een laag tussen toepassingen, gegevens, processen en mensen. In het werk van de toekomst kan ze als een besturingssysteem functioneren: ze begrijpt het doel van de gebruiker, haalt de juiste context op, kiest hulpmiddelen, verdeelt taken over agenten, gebruikt bedrijfsgegevens, volgt de voortgang, vraagt goedkeuring, leert van procesindicatoren en verbetert de werkstroom gaandeweg.

Dat gebeurt niet van de ene op de andere dag en ook niet in elke sector even snel. De richting is wel duidelijk. AI ontwikkelt zich:

• van tekst naar actie
• van chat naar werkstroom
• van prompt naar proces
• van één model naar een systeem van agenten
• van experiment naar structurele aansturing

Bedrijven die dit vroeg begrijpen, gebruiken AI niet alleen; zij ontwerpen het werk eromheen opnieuw.

18. Conclusies

AI-basiskennis betekent niet langer alleen dat iemand een goede prompt kan schrijven. Het gaat om inzicht in de logica van een nieuwe manier van werken.

AI kan meedenken, materiaal maken, hulpmiddelen gebruiken, bedrijfskennis ophalen, code schrijven, werkstappen uitvoeren, als agent handelen, processen automatiseren, de productiviteit verhogen, de kostenstructuur veranderen en de aansturing naar een hoger niveau dwingen.

AI neemt de menselijke verantwoordelijkheid echter niet weg. Integendeel: hoe meer AI overneemt, hoe beter de mens haar moet aansturen. Een bedrijf moet weten wat AI doet, waarom, met welke rechten, tegen welke kosten en wanneer een mens moet ingrijpen.

Het belangrijkste inzicht is dit: AI is niet alleen een hulpmiddel om werk te versnellen, maar een nieuwe manier om werk te organiseren.

Bedrijven die dit begrijpen, vragen niet meer: ‘Hoe gebruiken we AI?’ Ze vragen: ‘Hoe zouden we dit bedrijf opbouwen als AI bij elke zinvolle werkstap beschikbaar was?’ Daar begint de echte verandering.

19. Praktische modellen en werkbladen

1. AI-first proceskaart

Kies één proces en doorloop het als volgt:

1. Wat is het doel van het proces?
2. Welke stappen keren terug?
3. Waar is menselijk oordeel nodig?
4. Waar zijn bedrijfsgegevens nodig?
5. Waar kan AI een eerste concept maken?
6. Waar kan AI informatie ophalen?
7. Waar kan AI een hulpmiddel gebruiken?
8. Wat kan AI automatisch uitvoeren?
9. Waar is goedkeuring nodig?
10. Hoe meten we het resultaat?

Een goed eerste doel is een terugkerend en tijdrovend proces waarvan het risico voldoende laag is.

2. Het vierniveaumodel voor AI

Beoordeel elke AI-toepassing aan de hand van dit model:

Hoe hoger het niveau, hoe meer rechten, toezicht en goedkeuring nodig zijn.

3. Vaardigheden inventariseren met het team

Werk dit samen met het team uit:

• Wat doen we elke week? Noteer twintig terugkerende werkstappen.
• Waarbij kan AI helpen? Deel elke werkstap in als ideeënvorming, conceptwerk, analyse, zoeken, automatisering of beslisondersteuning.
• Welke vaardigheden hebben we nodig? Denk aan documenten samenvatten, klantgegevens analyseren, code genereren, rapporteren en beelden produceren.
• Wat moet worden gekoppeld? Documenten, CRM, projectmanagement, database, agenda en e-mail.
• Welke besluiten mogen niet zonder goedkeuring worden geautomatiseerd? Besluiten met gevolgen voor mensen, geld, gezondheid, veiligheid, juridische zaken of reputatie.

4. Checklist voor RAG-gereedheid

Stel vóór de bouw van een RAG-oplossing deze vragen:

• Waar bevindt de informatie zich?
• Is de informatie actueel?
• Wie is eigenaar van de informatie?
• Spreekt de informatie zichzelf tegen?
• Hoe werken de toegangsrechten?
• Hoe worden bronnen aan de gebruiker getoond?
• Hoe worden onjuiste antwoorden ontdekt?
• Hoe wordt verouderde informatie verwijderd?
• Hoe wordt de kwaliteit gemeten?

RAG lost slecht kennisbeheer niet op, maar legt het bloot.

5. Model voor de invoering van MCP

Begin als volgt:

1. Kies één systeem.
2. Geef aanvankelijk alleen leesrechten.
3. Beperk de gebruikersgroep.
4. Log al het gebruik.
5. Leg goedkeuringsmomenten vast.
6. Test misbruikscenario’s.
7. Breid pas uit wanneer de waarde en de risico’s duidelijk zijn.

Begin niet met de meest kritieke systemen. Start waar de waarde duidelijk en het risico beheersbaar is.

6. Besturingsmodel voor agentenparken

Leg voor elke agent vast: naam, doel, eigenaar, gebruikte hulpmiddelen, gegevensbronnen, rechten, kostenlimiet, logging, kwaliteitsmaatstaf, goedkeuringsmomenten en uitschakelmechanisme.

Een agent zonder eigenaar hoort niet in productie te worden gebruikt.

7. Basismodel voor een AI-budget

Het managementteam doet er goed aan AI-investeringen af te zetten tegen de loonkosten. Als het de productiviteit van kenniswerk wil verhogen, is het logisch te bepalen welk deel van de loonkosten in AI wordt geïnvesteerd.

8. Indicatoren voor het monitoren van AI-gebruik

Houd ten minste de volgende indicatoren bij: actieve gebruikers, gebruikte hulpmiddelen, tokenverbruik, kosten per team, bespaarde tijd, het aantal gemaakte concepten, het aantal goedgekeurde AI-resultaten, het aantal fouten, gebruikerstevredenheid, procesdoorlooptijd, impact op klanten, risicogevallen en automatiseringsgraad.

Het doel is niet om alles te meten, maar om te zien waar AI het werk werkelijk verbetert.

9. Vragenlijst voor leidinggevenden

Stel bij elk proces deze vragen:

1. Wat kost hier de meeste tijd?
2. Wat keert steeds terug?
3. Waarvoor zijn gegevens nodig?
4. Waar is menselijk oordeel nodig?
5. Kan AI een eerste versie maken?
6. Kan AI de benodigde informatie ophalen?
7. Kan AI een hulpmiddel gebruiken?
8. Welke risico’s ontstaan wanneer AI onjuist handelt?
9. Waar is goedkeuring nodig?
10. Hoe meten we de verbetering?

10. Praktische tip in één zin

Vraag niet eerst wat je aan AI kunt vragen. Begin met deze vraag:

‘Welke werkstap in dit proces moet AI uitvoeren, waarover moet een mens beslissen en wat moet het systeem automatisch afhandelen?’

Dat is de kern van moderne AI-basiskennis.

Bronnen

1. The 2025 AI Index Report — Stanford HAI
2. The State of AI: How organizations are rewiring to capture value — McKinsey
3. Companies Have a New AI Problem: Too Many Agents — Wall Street Journal
4. Introducing the Model Context Protocol — Anthropic
5. AI Risk Management Framework — NIST