Iedereen gebruikt AI. Maar welke organisatie word je?

Twee lokale besturen, evenveel AI-gebruik, een totaal andere opbrengst.

AI wordt massaal gebruikt in lokale besturen. Of de organisatie er ook beter van wordt, is een andere vraag. Het zit hem in wat er gebeurt zodra iemand iets bruikbaars ontdekt: blijft dat bij die ene persoon hangen, of vindt het zijn weg naar afspraken, gedeelde kennis en nieuwe routines? Daarin zit het verschil tussen twee besturen die evenveel AI gebruiken en toch een totaal andere opbrengst hebben.

Neem twee lokale besturen: Stad Vela en Stad Nova. In allebei gebruiken medewerkers dagelijks AI. Op Communicatie, HR, Financiën, Omgeving en Bestuurszaken worden teksten voorbereid, documenten samengevat, gegevens gestructureerd, vergaderingen voorbereid en eerste analyses gemaakt. Er zijn enthousiaste gebruikers, er werden opleidingen gegeven, en collega's experimenteren volop met ChatGPT, Copilot en andere tools. Sommigen hebben ondertussen een sterke eigen werkwijze opgebouwd, enkelen bouwen zelfs eigen toepassingen of agents.

Van buitenaf lijken Vela en Nova ongeveer even ver te staan. Kijk je beter, dan zie je iets anders. Het verschil zit niet in hoeveel AI ze gebruiken, maar in wat er gebeurt nadat iemand iets bruikbaars ontdekt.

Bij Stad Vela bruist het van de activiteit

Vela heeft niet stilgezeten. Sommige medewerkers gebruiken AI al erg intensief. Ze weten intussen hoe ze betere opdrachten geven, hoe ze context toevoegen en hoe ze hun output controleren. Op verschillende diensten zijn eigen werkwijzen ontstaan, en af en toe deelt iemand een handige prompt of laat op een teamoverleg zien wat voor hem werkt. Er zijn ook opleidingen geweest, met veel belangstelling en goede evaluaties.

Kijk je wat langer, dan zie je een ander patroon. Een communicatiemedewerker heeft een sterke manier gevonden om complexe input om te zetten in een helder nieuwsbericht, maar buiten haar team kent niemand die aanpak. Bij Personeel heeft iemand een eigen manier ontwikkeld om vacatures en functieprofielen aan te scherpen, en die methode zit vooral in zijn persoonlijke chatgeschiedenis. Bij Omgeving gebruikt een medewerker AI om lange dossiers sneller te structureren, terwijl een collega op een andere dienst maanden later tegen hetzelfde probleem aanloopt en gewoon opnieuw begint.

Verschillende mensen betalen voor verschillende tools, en niemand heeft goed zicht op wat er structureel gebruikt wordt. Een opleiding levert nieuwe ideeën op, maar een paar weken later is moeilijk te zeggen welke taken medewerkers daardoor echt anders aanpakken. Een goed experiment blijft bestaan zolang de bedenker ermee werkt. Fouten en verbeteringen verdwijnen in persoonlijke chats, en nieuwe collega's beginnen grotendeels opnieuw. Bij Vela leren veel medewerkers, maar de organisatie leert amper mee.

De organisatie betaalt meerdere keren voor hetzelfde leren

Dat is de grootste verborgen kost van individueel AI-gebruik. De eerste medewerker die een taak met AI probeert, merkt al snel dat de oorspronkelijke werkwijze te vaag is: er ontbreekt context, de output klopt niet helemaal, sommige uitzonderingen zijn niet duidelijk. Na wat proberen ontstaat een betere aanpak. Een tweede medewerker doorloopt later bijna hetzelfde leerproces, en een derde ook. Telkens moet opnieuw uitgezocht worden welke informatie nodig is, welke bronnen ertoe doen, welke instructies werken en waar je de output op controleert.

Dat leerproces heeft waarde, maar zolang het persoonlijk blijft, betaalt de organisatie er telkens opnieuw voor.

Sterke expertise blijft aan mensen kleven

Dat kennis vooral in hoofden zit, is geen nieuw probleem voor organisaties. AI maakt dat probleem alleen maar groter.

Een ervaren gebruiker bouwt maandenlang een eigen manier van werken op. Niet één goede prompt, maar een hele reeks kleine keuzes: welke documenten je eerst bekijkt, welke context je toevoegt, wat je altijd controleert, wanneer AI niet geschikt is, welke fouten steeds terugkomen. Voor die medewerker voelt dat vanzelfsprekend. Voor de organisatie blijft het grotendeels onzichtbaar. Vertrekt die medewerker, verandert hij van functie of stopt hij met de toepassing, dan verdwijnt een flink stuk van die opgebouwde expertise mee.

Goede experimenten worden geen gedeelde werkwijzen

Aan ideeën geen gebrek bij Vela. Het probleem zit in wat daarna gebeurt: iets dat voor één medewerker werkt, is nog niet bruikbaar voor anderen. Daarvoor moet veel meer op tafel komen. Welk probleem pak je precies aan? Welke input heb je nodig? Welke bronnen kun je vertrouwen? Wat doet AI, en wat blijft mensenwerk? Wat moet je altijd controleren? Wie beheert die werkwijze, en wat doe je als de context verandert?

Zonder die vertaalslag blijft een sterke toepassing gewoon een persoonlijke oplossing. Vela eindigt zo met veel experimenten, maar weinig werkwijzen die je echt kunt doorgeven.

Ook het beleid loopt achter de feiten aan

Wanneer veel mensen apart experimenteren, groeit het AI-gebruik meestal sneller dan de organisatie er zicht op houdt. Welke tools worden structureel gebruikt? Waar lopen betalende licenties? Welke toepassingen worden gedeeld, waar zitten gevoelige gegevens in het spel, welke experimenten verdienen extra ondersteuning?

Bij Vela zijn die vragen lastig te beantwoorden. Niet omdat niemand verantwoordelijkheid wil nemen, maar omdat het gebruik verspreid groeit en er weinig manieren zijn om die ervaring terug naar het organisatieniveau te tillen. Governance loopt daardoor vooral achter de feiten aan: er duikt een probleem op en er komt een regel, een tool wordt populair en er ontstaat discussie, een toepassing raakt breed in gebruik en pas dan blijkt dat niemand weet wie er eigenaar van is.

Stad Nova gebruikt niet per se meer AI

Ook bij Nova gebruiken medewerkers AI intensief. Het verschil zit in hoe bewust Nova organiseert wat daarrond gebeurt. Niet alles wordt centraal gestuurd, medewerkers mogen nog volop experimenteren en diensten zoeken zelf naar kansen. Niet elke goede werkwijze wordt organisatiebreed uitgerold, wel zitten er mechanismen in die voorkomen dat waardevolle ervaring gewoon wegsijpelt.

Afspraken geven houvast

Nova heeft een kader voor AI-gebruik. Dat betekent niet dat elke medewerker een dikke policy doorneemt. Het betekent dat mensen de basis kennen, en weten wat te doen als de gewone situatie niet volstaat. Welke tools zijn de eerste keuze? Welke informatie vraagt extra voorzichtigheid? Bij wie kun je terecht met twijfel? Wie beoordeelt een nieuwe toepassing, en wie beslist over een betalende licentie?

Niet elke vraag is vooraf beantwoord, en dat hoeft ook niet. De organisatie heeft vooral een werkbare lijn om nieuwe vragen op te vangen. Bij Nova is governance geen document dat ergens ligt, maar houvast in het dagelijkse werk.

Opleiding wordt gekoppeld aan echte taken

Ook Nova geeft opleidingen. De vraag achteraf gaat niet over wie er was of hoe men de sessie vond. De vraag die ertoe doet, is welke taak een medewerker de volgende werkdag anders aanpakt.

Daarom werken medewerkers tijdens opleidingen zoveel mogelijk met opdrachten uit hun eigen praktijk. Ze leren niet alleen betere instructies geven, ze zoeken ook uit welke context nodig is, welke bronnen ertoe doen en waar ze de output op moeten controleren. Een goede werkwijze kan daarna verder getest, verbeterd en gedeeld worden. Opleiding is bij Nova geen los moment, maar een ingang naar beter georganiseerd werk.

Wat één medewerker leert, wordt het vertrekpunt voor anderen

Nova heeft een vaste plek waar medewerkers actuele informatie vinden. Niet alles wat ooit getest is, staat daar. Wel de afspraken die je nodig hebt, beschikbare toepassingen, handleidingen, voorbeelden, leerpunten en de laatste versies.

Bij een goede toepassing staat er genoeg context bij: waarvoor ze dient, voor wie ze is, wat je als gebruiker nodig hebt, hoe de werkwijze werkt, wat je altijd moet controleren, wie eigenaar is en wat er bij een nieuwe versie veranderde. Ook fouten mogen daar staan. Een experiment dat mislukt, bevat vaak nuttige informatie, en een toepassing die wordt stopgezet voorkomt dat een andere dienst maanden later precies hetzelfde probeert. Zo wordt individuele ervaring langzaam organisatiekennis.

Een goed idee wordt niet automatisch een toepassing

Nova werkt niet elk AI-idee uit dat voorbijkomt. Eerst kijkt de organisatie breed waar in de werkprocessen kansen liggen: waar dezelfde taak steeds terugkomt, waar veel tijd gaat naar zoeken, structureren of samenvatten, waar informatie onvolledig binnenkomt, waar de kwaliteit sterk verschilt per medewerker, waar veel kennis bij één ervaren collega zit. Pas daarna vergelijkt Nova de kandidaten met elkaar.

Voor een toepassing die de selectie haalt, wordt eerst het werk zelf onder de loep genomen: hoe de taak vandaag echt verloopt, welke bronnen leidend zijn, waar een medewerker een inhoudelijke keuze maakt, welke uitzonderingen vaak voorkomen en wanneer het resultaat goed genoeg is. Pas dan bepaalt Nova welke stap AI kan overnemen. Soms is de beste conclusie dat het proces zelf eerst duidelijker moet, en dat telt evengoed als vooruitgang. Nova wil dus niet zoveel mogelijk AI-toepassingen bouwen, maar werkwijzen die je kunt doorgeven.

Een toepassing is pas ingevoerd als mensen ze echt gebruiken

Ook een technisch sterke toepassing kan mislukken. De link wordt gedeeld, er komt een handleiding op het intranet, de eerste gebruikers zijn enthousiast. Een paar weken later werkt bijna iedereen weer op de oude manier.

Nova ziet dat niet meteen als weerstand, maar zoekt eerst uit wat er echt gebeurt. Snappen medewerkers wanneer de nieuwe werkwijze nuttig is? Weten ze precies wat er van hen verwacht wordt? Past de werkwijze bij hun echte werk? Vertrouwen ze de kwaliteit, krijgen ze tijd om te oefenen, is er hulp als iets misloopt, geeft de leidinggevende genoeg richting en ruimte? Pas als die vragen beantwoord zijn, wordt duidelijk waarom iets al dan niet blijft hangen. Bij Nova is adoptie geen communicatiecampagne achteraf, maar deel van de werkwijze zelf.

Twee organisaties, een totaal andere opbrengst

Stad Vela	Stad Nova
Veel individuele ervaring	Veel gedeelde ervaring
Sterke gebruikers	Sterkere werkwijzen
Persoonlijke chats en prompts	Vaste context, bronnen en documentatie
Losse experimenten	Bewuste selectie en test
Opleiding als activiteit	Leren als mechanisme
Kennis blijft bij mensen	Kennis wordt overdraagbaar
Gebruik groeit	Organisatiekennis groeit

Het verschil tussen Vela en Nova zit niet in AI-gebruik. Het zit in de vraag of individuele ervaring haar weg vindt naar afspraken, kennis, toepassingen en nieuw gedrag.

Daar loopt de nieuwe AI-kloof

De eerste jaren ging het vooral over wie AI al gebruikte en wie niet. Die vraag doet er stilaan minder toe. In de meeste organisaties is het gebruik er gewoon, soms officieel, soms informeel, met Copilot, ChatGPT of iets specifieks. Interessanter is wat er daarna gebeurt.

De nieuwe AI-kloof loopt daarom steeds minder tussen organisaties die AI gebruiken en organisaties die dat niet doen. Ze loopt tussen organisaties waar veel mensen apart leren, en organisaties die erin slagen dat leren om te zetten in gedeelde kennis, betere werkwijzen en keuzes die je kunt aansturen.

Dat verschil weegt de komende jaren zwaarder. Individueel gebruik groeit snel. Organisatievermogen groeit veel trager.

Welke organisatie word je?

Je hoeft niet overal even ver te staan. Ook Nova is nooit klaar: een nieuwe toepassing roept nieuwe vragen op, een opleiding brengt andere behoeften naar boven, een uitrol vraagt soms nieuwe afspraken, ervaring uit gebruik leidt tot bijsturing. Je moet AI niet perfect geregeld hebben. Je moet wel manieren vinden om uit de praktijk te leren.

Vijf vragen helpen om daar zicht op te krijgen.

1. Welke afspraak of beslissing is nodig? (policy & governance)

2. Wie moet iets leren of kunnen? (kennis & opleiding)

3. Welke informatie moet zichtbaar en vindbaar zijn? (interne communicatie)

4. Welke werkwijze verandert? (toepassingen)

5. Welk gedrag moet uiteindelijk blijven hangen? (adoptie)

Die vijf vragen vormen de basis van mijn Vijfsporenmodel. Geen vijf nieuwe projecten die elk bestuur meteen moet opstarten, wel vijf lenzen om te zien waar AI-gebruik al doorstroomt naar de organisatie, en waar het nog blijft steken.

De betere vraag is dus niet of je organisatie al matuur genoeg is. De betere vraag is: waar leren medewerkers vandaag al volop met AI, en hoe zorg je dat je organisatie mee leert?

Van AI-experiment naar organisatieaanpak

De meeste lokale besturen moet je niet meer overtuigen om AI te gebruiken, die beweging loopt al. Lastiger is de vraag hoe je al dat individuele gebruik laat uitgroeien tot een organisatie die samen leert, bewust kiest en betere werkwijzen opbouwt.

Daar werk ik aan tijdens mijn opleidingsdag op 26 november Van AI-experiment naar organisatieaanpak. Niet door vijf grote plannen te schrijven, maar door te bepalen waar je organisatie vandaag staat, wat er al beweegt en wat nu eerst moet gebeuren.