Vergeet de chief AI officer. Hij zit al aan je koffietafel.
86 procent van je team kan AI gebruiken. 25 procent doet het. De domeinspecialist die dat gat kan dichten, is waarschijnlijk al bij je in dienst.
Je hebt Copilot uitgerold, of een Claude- of ChatGPT-licentie voor het hele team. Iedereen heeft een training gehad, mijn nieuwsbrieven gelezen, een paar webinars meegepakt. De licentie is actief, maar niemand vraagt iets. Je manager opereert nog steeds met dezelfde Excel-shortcuts als drie jaar geleden. Buiten je deur praat iedereen over hoe zijn werk verandert. Bij jullie op kantoor is het stil.
Een gat van 61 procent
IBM heeft begin dit jaar 2000 CEO's ondervraagd. Grote bedrijven, gemiddeld 5,8 miljard dollar omzet. Niet jouw bureau, niet je accountant, niet het schildersbedrijf van je zwager. Maar de cijfers die eruit komen herken ik tot op anderhalve procent achter de komma in elke zaal waar ik dit jaar heb gestaan.
86 procent van de medewerkers heeft volgens de eigen CEO de basisvaardigheden om met AI te werken. 25 procent doet het ook daadwerkelijk. Een gat van 61 procentpunten tussen "kan" en "doet". Dat soort getallen is zelfgerapporteerd, dus schaal het wat af. Mensen onderschatten hun eigen AI-gebruik in enquêtes. Maar de richting klopt.
Wat me opvalt is dat dit gat steevast wordt uitgelegd als een tools-probleem of een trainings-probleem. Onzin. De tools zijn aanwezig. De trainingen zijn gegeven. Het ligt niet aan de techniek en niet aan het IQ van de mensen die je hebt aangenomen.
Het ligt aan wie zich verantwoordelijk voelt. Dat is geen instructie die je kunt geven. Geen werkproces dat je kunt invoeren. Het is iemand die opstaat omdat hij of zij het gewoon wil weten.
De Thailand-test
Twee teams, dezelfde grote Nederlandse verzekeraar, dezelfde Copilot-licentie. Ik begeleide ze allebei. Bij het eerste team werkt iemand die ik hier Tim zal noemen. Tim is geen IT'er. Hij is procesmens, werkt aan financiële producten, een vakgebied waar hij eerlijk gezegd zelf nog op aan het inwerken was toen we elkaar leerden kennen. Wat deed hij na de eerste workshop? Hij begon notebooks aan te maken in Copilot, één per onderwerp. Hij ging Copilot voeden. Een overdrachtsdocument over een product waar hij weinig van wist? Erin. Een werkinstructie die hij zelf had geschreven? Erin. Een transcript van een teamsmeeting? Erin. Hij vroeg het ding goedemorgen als hij ging beginnen en zei een keer dat hij zich niet lekker voelde. Het ding antwoordde dat hij het rustig aan moest doen. Tim vond dat hilarisch. Belangrijker: hij was er elke ochtend mee bezig.
Bij het tweede team werkt iemand die ik hier Sanne zal noemen. Sanne is geen sceptische bewuste tegenstander. Ze is een vakvrouw, doet kwaliteitscontroles, kent haar dossiers. Op de vraag wat ze met Copilot deed, antwoordde ze eerlijk: "Ik ben aan het zoeken waar het in mijn werk past." Drie maanden later was ze nog steeds aan het zoeken. De tool was er. De training was er. Het zoeken bleef.
Het verschil tussen Tim en Sanne is geen IQ-verschil en geen leeftijdsverschil. Ze hebben allebei diepe vakkennis. Het is een mindset-verschil. Tim ging het gewoon doen, ook toen niemand het hem had gevraagd. Sanne wachtte tot er een instructie of een ingewerkte use case zou opduiken.
Wanneer ik in workshops uitleg wat ik zoek in een AI-mens, doe ik vaak de Thailand-test. Stel, je bent op vakantie in Thailand. Iets gaat verschrikkelijk mis, je belandt in de gevangenis. Je krijgt één belletje. Wie bel je? Niet wie je het liefst belt. Van wie weet je, met absolute zekerheid, dat die persoon jou uit de gevangenis krijgt, koste wat het kost?
Iedereen heeft die persoon in zijn hoofd. Vrijwel niemand belt zijn moeder. Het is meestal iemand die de eigenschap heeft om vast te bijten, te zoeken, te bellen, te regelen, totdat er een oplossing ligt. Vakgebied irrelevant.
Die eigenschap noem ik in workshops "high agency". De persoon die niet wacht op toestemming, niet wacht op een budget, niet wacht op een werkinstructie. De persoon die zegt: "Ik kijk er even naar."
Geef die persoon AI en je hebt je brug.
Waarom het MKB hier voor ligt op het grootbedrijf
De IBM-cijfers gaan over bedrijven met gemiddeld 5,8 miljard dollar omzet. Bij die bedrijven is 76 procent van de chief AI officer-rollen al ingevuld. Twee jaar terug was dat 26 procent. Dat is voor jou hooguit interessant om te weten. Als je een bureau hebt van vier mensen, of een bouwbedrijf van vijfentwintig, of een installatiebedrijf van tachtig, dan ga je geen chief AI officer aannemen. Goed dat je het niet doet. Het is een rol voor organisaties die dichtgeslibd zijn met procedures, governance en MT-lagen.
Wat ik dit jaar zie bij MKB-klanten, en bij ons eigen bureau, is dat de paradox precies omgekeerd ligt. Bij grote bedrijven komt elk AI-initiatief langs een sleep van EU AI Act-protocollen, dataclassificaties, MT-besluiten, IT-tickets en stuurgroepen. Bij een bouwbedrijf van vijfentwintig mensen waar ik in april stond was de discussie tien minuten lang: "We bouwen dit zelf in elkaar, jij bent verantwoordelijk, we beginnen morgen." En een paar weken later hadden ze custom checklist-agents draaien voor het plannen en bestellen van trappen, staal en kozijnen. Geen stuurgroep, geen kick-off, geen rapport.
Het MKB heeft een fundamenteel voordeel: minder mensen, minder bureaucratie, een eigenaar die in één gesprek een besluit kan nemen. Diezelfde eigenschap die de afgelopen tien jaar als nadeel werd gepresenteerd ("jullie hebben geen schaal, geen budget, geen specialisten") is met AI je grootste hefboom geworden. Domeinkennis vermenigvuldigd met AI is de schaarste combinatie van het moment, en in een klein bedrijf zit die domeinkennis dichter bij de besluitvorming dan ooit.
Bij ons eigen bureau zie ik dit in mijn eigen werk. Waar ik eerst vier uur nodig had om een workshop voor te bereiden, ben ik nu in twee uur klaar. Niet omdat ik een chief AI officer heb aangenomen, maar omdat ik bereid was mijn eigen werkproces uit elkaar te trekken en te kijken welke stappen een agent kan overnemen. Domeinkennis plus AI is wat het verschil maakt.
De vier lagen waar elke AI-tool in past
Er is nog een verschil tussen mensen die mee bewegen en mensen die zoeken. Ze hebben een mentaal model van wat AI eigenlijk is. Bij iedere nieuwe tool die langskomt (en er komt elke week een nieuwe langs), hoeft de ene niet opnieuw te leren of het iets is om naar te kijken. Hij past het in op een laag die hij al kent. De ander begint elke keer overnieuw met evalueren of het de moeite waard is.
Bij mij ziet dat model er zo uit.
Laag nul, het fundament: infrastructuur en data. Dat zijn de servers, de cloud, de SharePoint, de inrichting van je documenten, de toegangsrechten. Zonder dit fundament stort de rest in elkaar. Niemand praat erover, want het is onzichtbaar. En in mijn ervaring de plek waar de meeste implementaties stuklopen, omdat iedereen meteen naar het sexy tooltje rent zonder eerst dit oporde te brengen.
Laag een: het taalmodel. ChatGPT, Claude, Gemini, het Franse Mistral. Dit is het ruwe denkvermogen. Een paar grote spelers, elke paar maanden een upgrade. Welke je kiest is een belangrijke vraag, maar geen vraag die je dagelijks bezig hoeft te houden.
Laag twee: AI-apps en apps met AI ingebouwd. Copilot in Excel, Claude voor je documenten, Notion AI, Cursor voor code, Granola voor je vergaderingen. Hier komt elke week iets nieuws bij. Negen van de tien zijn niet meer dan een schil om een taalmodel. Tien procent doet wat substantieels op een specifieke werkvloer.
Laag drie: workflows, agents, agent harnesses. Dit is waar je een taalmodel niet meer als chatpartner inzet, maar als motor in een proces. Mijn workshopvoorbereiding-pipeline draait op deze laag. De checklist-agents van het bouwbedrijf ook. Hier wordt de meeste waarde gemaakt, en hier zijn de meeste organisaties nog niet aan begonnen.
Als je dit model in je hoofd hebt, kan iemand je morgen een nieuwe tool laten zien en weet je binnen een minuut waar hij past. Is het laag twee (interessant, kijken of het de bestaande Copilot vervangt of aanvult)? Is het laag drie (potentieel groot, maar mijn data en mijn workflow moeten kloppen)? Of is het laag nul (saai, niet sexy, zonder dit fundament werkt de rest niet)?
De domeinspecialist die ik zoek snapt deze lagen, of leert ze in een paar weken. Hij is dan niet meer afhankelijk van consultants die met nieuwe tooltjes komen aanzeulen. Eigenlijk wordt de domeinspecialist hier zelf consultant van, en wel een die het vakgebied veel beter kent dan welke externe ook.
Maandag identificeer je deze persoon in je team
Goed, theorie afgelopen. Wat doe je hier maandagochtend mee?
"Experimenteer eens met AI" is precies de instructie die zelden iets oplevert. Begin liever met identificeren wie in je team de Thailand-bel-persoon is. Misschien is dat de persoon die altijd al een Notion of een Excel-template heeft gemaakt zonder dat het werd gevraagd. Misschien is het iemand die in zijn vrije tijd met AI-tools speelt zonder dat het hem is opgedragen. Misschien is het iemand die in een review eens heeft gemompeld dat hij een werkproces "veel slimmer" zou kunnen inrichten. Die persoon is je domeinspecialist in wording.
Vervolgens drie dingen.
Geef die persoon expliciete tijd. Niet "in de vrij gevallen uren". Geblokte uren in zijn agenda, minimaal vier uur per week, voor het ontleden en herbouwen van workflows in zijn eigen vakgebied. Niets voor andere afdelingen, niets buiten zijn domein. Begin op de plek waar zijn vakkennis het diepst is.
Geef ruimte om dingen te slopen. AI-implementatie betekent dat je werkprocessen die "gewoon werken" weer openbreekt. Dat doet pijn op korte termijn. Maak de afspraak dat als het na twee maanden niets opgeleverd heeft, je terugkeert naar de oude versie. Zonder die vangrail neemt niemand het risico.
Vraag elke twee weken een demo van vijftien minuten. Geen rapport, geen powerpoint, een demo. Wat werkt nu, wat werkte vorige week niet, en wat doe je volgende week. Het maakt je kandidaat scherper en jou AI-geletterder zonder dat je zelf de hele dag in een prompt moet zitten.
Hij zit aan je koffietafel
De grote consultancybureaus prediken inmiddels dat iedereen een chief AI officer nodig heeft. Misschien als jij van corporate-formaat bent. Maar in een team van tien, vijfentwintig, tachtig, tweehonderd mensen heb je geen nieuwe stoel nodig. Je hebt een eigenschap nodig die al rondloopt. Iemand met diepe vakkennis, die zonder permissie aan iets begint, die het ding goedemorgen zegt omdat dat eigenlijk best leuk is.
Dat is je AI-specialist. Geen rapport, geen MT-besluit, geen nieuw budget. Eén mens met de juiste mindset en jouw bereidheid om hem ruimte te geven.
Hij zit waarschijnlijk al bij je aan de koffietafel. Je kent zijn naam. Alleen heb je hem nog nooit gevraagd waar hij echt goed in is. Maandag is een prima moment om dat wel te doen.
Ook het vermelden waard
AI-layoffs leveren bedrijven niet de winst op die ze hadden gehoopt Gartner ondervroeg 350 bedrijfsleiders met 1 miljard plus aan omzet. 80 procent van wie AI uitrolde, ontsloeg mensen. Maar de bedrijven die echt ROI rapporteren zijn niet dezelfde. De winnaars gebruiken AI als "people amplification" om bestaande mensen sterker te maken, niet om ze te vervangen. Empirische rugdekking voor het verhaal hierboven.
Coinbase ontsloeg 14 procent en vervangt "pure managers" door "player-coaches" De organisatie is afgeplat naar vijf lagen, met experimenten in "one-person teams" waarbij engineering, design en product in één persoon zitten. Een extreme uitvoering van het patroon hierboven: bestaande lagen herontwerpen rond mensen die domeinkennis met AI-fluency combineren. Niet voor iedereen, en niet zonder kosten, maar wel het scherpste patroon van het moment.
Airbnb laat 60 procent van zijn nieuwe code door AI schrijven Brian Chesky in de kwartaalcijfers: waar voorheen een team van twintig engineers nodig was, doet één engineer nu hetzelfde werk door AI-agents onder supervisie te draaien. Tegelijk zegt hij dat AI voor reizen en e-commerce nog niet werkt omdat de chatbot-vorm te beperkt is voor visueel vergelijken en multiplayer-boekingen. Klassieke demonstratie van domein vermenigvuldigd met AI: leverage waar de vakkennis diep zit, mismatch waar de tool niet bij het werkproces past.
How AI Productivity Fails Een lange, scherpe analyse van waarom de gemiddelde AI-gebruiker maar 10 tot 20 procent productiever wordt, ondanks alle "game changing" claims. De diagnose komt op twee dingen neer: gebrekkige individuele praktijk en organisaties die context niet beheren. Wie het stuk hierboven heeft gelezen en denkt "is het echt zo simpel", lees dit als second opinion.
Lees ook
De Nederlandse overheid is nu open source
In negen seconden, drie maanden werk weg
Vind je dit waardevol? Deel het.
Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.
Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.