Hip of happening? | Everyday AI.

Volgens Jim is de eerste verwondering inmiddels voorbij. “De spielerij is er een beetje vanaf. We weten ongeveer wat het kan, maar nu wordt het interessanter als AI ook op onze werkplek gebruikt mag worden.”

Daar zit precies de verschuiving. AI is niet meer alleen iets om mee te experimenteren. Medewerkers willen het gebruiken in hun werk. Ze willen:

• Sneller informatie vinden;
• Minder tijd kwijt zijn aan handmatige taken;
• Slimmer samenwerken met de kennis die al in je organisatie aanwezig is.

Maar dat gaat niet vanzelf. Veel medewerkers gebruiken AI nog vooral als een soort zoekmachine: vraag erin, antwoord eruit. Dat is begrijpelijk, maar ook beperkt. Jim: “Want de echte waarde ontstaat pas als AI toegang krijgt tot de juiste context. Bijvoorbeeld documenten in SharePoint, projectinformatie, klantdata of interne kennis.” Dan gaat het niet meer om een algemeen antwoord, maar om ondersteuning die past bij het werk dat iemand écht moet doen.

Daarom wordt AI-geletterdheid van medewerkers steeds belangrijker. Niet als vinkje dat je moet afvinken (“even een training voor medewerkers organiseren”), maar als basisvoorwaarde om AI goed te kunnen gebruiken in je organisatie. Medewerkers moeten begrijpen wat AI wel kan, maar ook wat niet.

Jim verwoordt het scherp: “AI is geen magie. Het is uiteindelijk wiskundig en gebaseerd op historische data.” Daardoor kan AI indrukwekkende resultaten opleveren, maar ook fouten maken, hallucineren of bestaande vooroordelen versterken. Zonder dat begrip wordt AI-gebruik risicovol. Dan vertrouwen medewerkers te snel op output die niet klopt, of ze gebruiken gevoelige informatie op plekken waar dat niet verstandig is.

Of ze verwachten dat AI een proces oplost, terwijl de onderliggende data of werkwijze nog niet goed geregeld is. AI-geletterdheid creëren helpt om die risico’s kleiner te maken. Niet door medewerkers bang te maken, maar door ze beter te laten begrijpen hoe ze AI verantwoord kunnen inzetten.

“Veel mensen denken bij AI-adoptie al snel aan toegang geven tot een tool. Maar een licentie aanschaffen is nog geen adoptie.” Kees benoemt in de podcast dat de echte winst pas begint nadat je een goede basis hebt gelegd. Als medewerkers begrijpen wat AI is, moeten ze ook leren hoe ze het toepassen in hun eigen werk en processen.

Dat vraagt om meer dan een korte introductie:

• Welke processen lenen zich voor AI?
• Waar levert AI tijd op?
• Waar verbetert AI kwaliteit?
• Waar ontstaan nieuwe risico’s?
• Hoe voorkom je dat medewerkers allemaal op hun eigen manier experimenteren met losse AI-tools?

Want AI is misschien de eerste technologie waar medewerkers zelf om vragen. Ze zien collega’s werken met betere tools en willen dat ook. Dat is positief, maar het kan ook leiden tot versnippering. Als de organisatie geen richting geeft, ontstaat al snel shadow IT of in dit geval shadow AI.

Shadow IT ontstaat niet omdat medewerkers expres onverantwoord willen werken. Het ontstaat vaak omdat de behoefte er wel is om bepaalde toepassingen te gebruiken, maar de organisatie nog geen duidelijk, bruikbaar alternatief biedt.

Daarom is beleid belangrijk. Maar dan wel beleid dat verder gaat dan een lijst met verboden apps of tools.  Jim: “Een goed AI-beleid zegt niet alleen: gij zult niet. Daar staat ook bij: gij zult wel.” Natuurlijk moet je bepalen welke tools wel en niet gebruikt mogen worden, welke data beschermd moet blijven en welke toepassingen te risicovol zijn.

Maar goed AI-beleid geeft ook richting. Stel jezelf deze vragen:

• Wat willen we met AI bereiken?
• Waarvoor zetten we het wél in?
• Hoe helpt het medewerkers beter werk te doen?
• Hoe zorgen we dat AI bijdraagt aan de doelen van de organisatie?

Als je alleen zegt wat niet mag, gaan mensen omwegen zoeken. Als je duidelijk maakt wat wel kan, maak je adoptie veiliger en effectiever.

Naast adoptie is data governance één van de grootste voorwaarden voor succes. Want AI kan alleen waarde leveren als duidelijk is met welke data het mag werken. Kees is daar heel duidelijk over: “Adoptie is belangrijk, maar data governance is minstens net zo belangrijk, misschien nog wel veel belangrijker.”

Voor veel organisaties die we spreken, is dat een stevige uitdaging. Ze beschikken over enorme hoeveelheden data, maar weten niet altijd precies wat waar staat, wie erbij kan en welke informatie gevoelig is. Als je AI daarop loslaat zonder goede afspraken, kunnen er risico’s ontstaan. Denk aan vertrouwelijke documenten, salarisinformatie, klantdata of strategische plannen.

Denk na over welke data AI mag gebruiken. Welke informatie mag de organisatie niet verlaten? Welke vangrails richt je in? En hoe zorg je dat medewerkers begrijpen waarom dat belangrijk is? Datakwaliteit en dataclassificatie zijn dus geen randvoorwaarden voor later. Ze bepalen meteen of je AI veilig en zinvol kunt toepassen.

Veel AI-discussies beginnen bij tijdswinst. Logisch, want medewerkers kunnen met AI sneller samenvatten, schrijven, zoeken of voorbereiden. Maar als je AI alleen beoordeelt op bespaarde minuten, maak je het verhaal veel te klein. Kees stelt in de aflevering een belangrijke vraag: moet je AI altijd vanuit de kostenkant bekijken?

Tijdwinst kan ook betekenen dat medewerkers ruimte krijgen voor beter klantcontact, betere besluitvorming, nieuwe proposities of werk dat eerder bleef liggen. De echte businesswaarde zit dus niet alleen in efficiënter werken, maar ook in wat je met die vrijgekomen tijd doet.

AI wordt pas waardevol als je vooraf weet welk probleem je wilt oplossen. Wil je:

• Medewerkers tijd teruggeven?
• Processen versnellen?
• Kennis beter toegankelijk maken?
• Kwaliteit verhogen?
• Nieuwe mogelijkheden creëren die eerder niet haalbaar waren?

Begin dus met het einddoel, niet met de AI-tool.

Veel AI-discussies beginnen bij tijdswinst. Logisch, want medewerkers kunnen met AI sneller samenvatten, schrijven, zoeken of voorbereiden. Maar als je AI alleen beoordeelt op bespaarde minuten, maak je het verhaal Everyday AI vraagt om experimenteren. En zoals dat gaat met experimenteren, wordt niet elk experiment automatisch een succes. Jim: “Dat hoeft ook niet. Een experiment kan niet mislukken, zolang je ervan leert.” Maar met een belangrijke sidenote: experimenteren zonder richting is iets anders.

• Begin klein, met duidelijke use cases en heldere afspraken.
• Kies processen waar AI zichtbaar waarde kan toevoegen.
• Zorg dat medewerkers begrijpen wat ze doen terwijl ze experimenteren.
• Richt data governance goed in.
• Bepaal wie verantwoordelijk is voor beleid, adoptie, onderhoud en evaluatie.

Zo voorkom je dat AI een verzameling losse initiatieven wordt en maak je de stap van experiment naar structurele waarde. Niet omdat AI nieuw is, maar omdat het je organisatie vooruithelpt.

Stel jezelf als organisatie deze vraag: gebruiken je medewerkers AI vooral als handige losse tool, of heb je al de kennis, governance en adoptieaanpak om er structurele waarde uit te halen?