Twee AI-bewegingen in je organisatie. Wie heeft de regie?

Kenniswerkers pakken generatieve AI en AI-agents op eigen initiatief op. Ze bouwen workflows in Claude Code, koppelen Copilot aan hun eigen data en automatiseren taken zonder dat hun organisatie daar een kader voor heeft ingericht. Dit is wat Satya Nadella en Microsoft de kern van hun productfilosofie noemen: het vergroten van personal agency, de ruimte van de individuele medewerker om met AI meer te doen. Tegelijk stellen onderzoekers van MIT, McKinsey en Harvard Business School vast dat de echte waarde van AI niet in individuele productiviteitswinst zit, maar in het herontwerpen van werkprocessen als geheel. Wij noemen dat organizational agency. Beide bewegingen zijn reëel, beide leveren iets op, en beide brengen risico's mee. Dit artikel beschrijft het spanningsveld, de outputverschillen die ontstaan door de kwaliteit van datagrounding, de valkuilen van shadow AI en de EU AI Act, en geeft een kader om regie te houden op beide bewegingen tegelijk.

De twee bewegingen die nu naast elkaar lopen

In de meeste organisaties met kenniswerkers speelt zich een tweedeling af die zelden hardop benoemd wordt. Wij noemen die twee bewegingen personal agency en organizational agency. Het zijn Engelse termen en we gebruiken ze bewust. Niet omdat we van jargon houden, maar omdat het Nederlands hier tekortschiet. "Persoonlijke handelingsruimte" of "organisatorische zeggenschap" dekken de lading niet op dezelfde manier.

Personal agency is de beweging van onderaf. Medewerkers gebruiken ChatGPT voor tekstbewerking, Microsoft Copilot voor vergadernotities, en een groeiende groep bouwt met Claude Code of vergelijkbare tools iets wat vroeger het domein was van IT-afdelingen: geautomatiseerde workflows, AI-agents met eigen rollen en geheugenfuncties, koppelingen met externe systemen. Ze doen dit vaak zonder mandaat, zonder beleid en zonder dat hun leidinggevende precies weet hoe ver het gaat.

Het vergroten van personal agency is geen toeval. Het is een bewuste ontwerpkeuze van grote techbedrijven. Satya Nadella verwoordde het bij de lancering van Microsoft Copilot in 2023 als volgt: Microsoft heeft bewust gekozen om menselijke agency centraal te stellen in het product. Copilot is gebouwd om de individuele medewerker meer te laten doen, niet om organisaties te herstructureren. Dat is de productfilosofie, en die heeft consequenties voor hoe medewerkers AI ervaren: als persoonlijk gereedschap, niet als organisatorische transformatie.

Organizational agency is de beweging van bovenaf en is ons eigen begrip als tegenhanger. Organisaties die deze beweging bewust maken, stellen zich niet de vraag "welk gereedschap kan mijn medewerker sneller maken?", maar "hoe ziet ons operationeel model eruit als we het ontwerpen voor samenwerking tussen mensen en AI-agents?" McKinsey beschrijft dit als de overgang naar de "agentic organization": een operating model waarbij mensen en digitale agents samen waarde creëren, met AI-first workflows, kleine resultaatgerichte teams en governance die is ingebed in het proces.

Beide bewegingen zijn legitiem. Beide verdienen ruimte. Maar ze vragen om fundamenteel verschillende sturing.

Onze overtuiging is dat de tegenstelling tussen de twee een vals dilemma is. Personal agency is niet iets wat je als organisatie kunt kiezen te voorkomen. En dat zou ook zonde zijn. Medewerkers brengen AI mee vanuit hun privéleven. Ze gebruiken het thuis al, ze weten wat het kan en ze verwachten dat hun werkgever daar ruimte voor maakt. Wie dat initiatief dood reguleert, verliest niet alleen de productiviteitswinst. Die verliest ook de medewerkers die AI-vaardig genoeg zijn om er iets van te maken.

Tegelijk is personal agency op zichzelf onvoldoende. De vraag is niet óf je het toestaat, maar hoe je het verbindt met organizational agency. Want persoonlijke experimenteerruimte versterkt kennis en vertrouwen, en dat helpt juist bij het adopteren en verbeteren van organisatiebrede workflows. Een medewerker die twee maanden lang zelf heeft geëxperimenteerd, snapt intuïtief waar een herontworpen proces op kan struikelen. Die ervaring is waardevol. Het probleem is dat weinig organisaties die verbinding actief maken. Mercedes-Benz laat zien hoe dat er in de praktijk uit kan zien: medewerkers bouwen zelf AI-workflows, maar binnen een platform en structuur die de organisatie heeft ingericht.

Er is wel een belangrijke nuance: hoe sterk personal agency werkt als vliegwiel, hangt af van de innovatiecultuur van de organisatie. In een omgeving waar mensen gewend zijn om zelf problemen op te lossen en nieuwe werkwijzen te omarmen, kan individueel experiment de basis worden voor brede adoptie. In een meer hiërarchische of risicomijdende cultuur vraagt diezelfde aanpak te veel van medewerkers zelf. Evenals wanneer medewerkers simpelweg geen tijd hebben om te experimenteren. Het leidt dan eerder tot frustratie dan tot schaalbare resultaten. De cultuur bepaalt mede welke beweging als eerste de meeste vaart geeft.

Wat personal agency oplevert en kost

Een Harvard Business School-studie op basis van honderden miljoenen geanonimiseerde interacties met een AI-browsertool laat zien dat het zwaartepunt van AI-gebruik bij productiviteit en leren ligt: respectievelijk 36 en 21 procent van alle queries. De zwaarste gebruikers zijn mensen die werken in kennisintensieve sectoren als technologie, financiën, marketing en onderwijs. Onderzoeker Jeremy Yang van HBS omschrijft het als "een tweede brein en een extra paar handen."

Dat klinkt veelbelovend. En individueel levert het ook resultaat op. Medewerkers die hun eigen researchworkflow automatiseren of terugkerende taken weghalen uit hun dag werken sneller, leveren meer en voelen zich autonomer.

Maar er zijn twee schaduwzijden die organisaties structureel onderschatten.

De outputkwaliteit is afhankelijk van datagrounding. Een AI-agent die alleen werkt op publieke informatie of op de eigen gesprekshistorie van een medewerker, produceert output die niet geworteld is in de bedrijfsdata en bedrijfslogica van de organisatie. Het model hallucineert niet per se op feiten, maar het mist context: klantprofielen, interne procedures, merkrichtlijnen, escalatieroutes. Onderzoek naar RAG-architecturen (Retrieval-Augmented Generation) laat zien dat grounding op goed gestructureerde bedrijfsdata de output dramatisch verbetert, maar dat RAG ook faalt wanneer de brondocumenten ongestructureerd, verouderd of gefragmenteerd zijn. De medewerker die zijn agent koppelt aan een slecht bijgehouden SharePoint heeft niet de productiviteitsboost die hij verwacht. Hij heeft een zelfverzekerd klinkende agent die soms de verkeerde dingen doet. Persoonlijke agents testen goed in isolatie. Maar het onderhoud dat ze vragen, schaalt slecht zodra je ze naar een organisatiebreed niveau wil tillen.

Wat organizational agency oplevert en kost

Organisaties die bewust kiezen voor AI-gedreven procesherontwerp spelen een ander spel. Ze stellen niet de vraag "welke taken kunnen we versnellen?" maar "hoe ontwerpen we onze workflows zo dat AI en mensen optimaal samenwerken?"

MIT Sloan onderzocht hoe de meest succesvolle AI-implementaties eruitzien. De conclusie van executives van Google, ING en Capital One: de grootste valkuil is de neiging om AI snel op bestaande processen te plakken. ING's Marco Eijsackers verwoordt het bondig: het werkt alleen als het hele systeem werkt, anders is het gewoon een tool. Capital One's Prem Natarajan voegt eraan toe dat AI de waarde tot leven brengt die in je data schuilt. Wie zijn data niet op orde heeft, moet daar als eerste mee aan de slag.

MIT Sloan beschrijft in het werkdocument Chaining Tasks, Redefining Work een nieuw inzicht over waar AI-waarde vandaan komt: niet uit individuele taakvervulling, maar uit het koppelen van meerdere AI-geschikte stappen in een aaneengesloten, geautomatiseerde reeks. Als één stap in zo'n keten te complex is voor AI, werkt die als een bottleneck die de efficiëntie van de hele reeks ondergraaft. Omgekeerd: als taken goed geclusterd zijn en handoffs tussen mens en machine worden geminimaliseerd, is de totale tijdswinst vaak groter dan wanneer een mens één stap iets beter uitvoert dan de machine.

McKinsey beschrijft in "The Agentic Organization" vijf pijlers voor het operating model van de toekomst: een businessmodel dat draait op eigen data als concurrentievoordeel, AI-first workflows waarbij kleine resultaatgerichte teams de nieuwe eenheid worden, governance die compliance en controle direct inbedt in het proces, een workforce die verschuift van taakuitvoering naar het aansturen van uitkomsten en een technologie- en dataplatform dat agentic AI op schaal mogelijk maakt.

De kosten van deze beweging zijn evident: herontwerp vraagt tijd, veranderkundige capaciteit en bereidheid om bestaande rollen en processen fundamenteel ter discussie te stellen. Maar de winst is even evident: wie het procesontwerp als uitgangspunt neemt, bouwt aan iets wat schaalbaar, auditeerbaar en strategisch verdedigbaar is.

Toch is enige nuchterheid hier op zijn plaats. Procesherontwerp met AI is geen garantie. Klarna verving 700 klantenservicemedewerkers door AI, puur op basis van efficiëntielogica. Tegen medio 2025 keerde de CEO terug op die beslissing: de kwaliteit was verslechterd en menselijke service werd intern omschreven als een vip-product. De les is niet dat automatisering fout is, maar dat het verwijderen van mensen uit een workflow iets anders is dan het herontwerpen ervan. En Gartner waarschuwt dat meer dan 40 procent van de agentic AI-projecten eind 2027 zal worden gestopt vanwege oplopende kosten en onduidelijke terugverdientijd. Procesherontwerp is geen snelle winst, het is een investering die leiderschap vraagt.

Wat er gebeurt als personal en organizational agency uit elkaar groeien

Het eigenlijke probleem is niet dat de ene beweging beter is dan de andere. Het probleem is de kloof die ontstaat als beide naast elkaar lopen zonder dat een organisatie zich bewust is van de spanning.

Harvard Business Review signaleerde in september 2025 een patroon dat bij veel organisaties onzichtbaar blijft: AI versterkt functionele silo's in plaats van ze te doorbreken. Als elke afdeling haar eigen AI-gebruik optimaliseert zonder gezamenlijk kader, verbetert de individuele efficiëntie terwijl de organisatiebrede samenhang verslechtert. Afdelingen trekken zich terug in hun eigen AI-wereld, concludeert HBR. De corporate strategie wordt minder uitvoerbaar, niet meer. De snelle opmars van AI-agenten vergroot dat risico: de adoptie gaat snel maar de governance loopt achter.

Tegelijk laat Harvard Business Review-onderzoek uit 2026 zien dat organisaties die AI-agents behandelen als medewerkers, inclusief het antropomorfiseren van die agents op het organogram, een specifiek probleem creëren: verminderde accountability bij medewerkers, hogere kans op onnodige escalatie, lagere reviewkwaliteit van AI-output en onduidelijkheid over wie verantwoordelijk is als iets misgaat. Helderheid over de rolverdeling tussen mens en machine is geen bijzaak. Het is de kern van hoe je regie houdt.

En dan is er shadow AI. Medewerkers die zelf tools inzetten buiten de officiële IT-omgeving, genereren een governance-gat dat organisaties zich zelden realiseren totdat er iets misgaat. Bedrijfsgevoelige informatie belandt in externe modellen. Klantdata wordt gedeeld met systemen die niet onder de verwerkersovereenkomst vallen. Beslissingen worden genomen op basis van AI-output die niet traceerbaar, niet auditeerbaar en niet reproduceerbaar is.

De EU AI Act maakt vrijblijvendheid onhoudbaar

De EU AI Act is per 1 augustus 2024 in werking getreden. Twee cruciale deadlines zijn inmiddels verstreken: verboden AI-toepassingen zijn per februari 2025 buiten gebruik gesteld en de vereisten omtrent transparantie voor general-purpose AI-modellen zijn per augustus 2025 van kracht geworden. De volgende deadline, augustus 2026, betreft hoog-risico AI-systemen. Organisaties die dan hoog-risico AI inzetten, waaronder AI in HR, kredietbeoordeling, onderwijs en kritieke infrastructuur, moeten beschikken over gedetailleerde technische documentatie, een risicomanagementsysteem en aantoonbaar menselijk toezicht.

De AI-geletterdheidseis (artikel 4) geldt al: elke medewerker die met AI werkt, moet beschikken over voldoende kennis om AI-output kritisch te beoordelen.

Voor een directie die regie wil houden betekent dit concreet: je kunt niet langer tolereren dat medewerkers AI-agents inzetten op bedrijfsdata zonder dat je weet welke systemen dat zijn, wat voor data er doorheen gaat en hoe de output wordt gebruikt. Dat is geen theoretisch compliance-risico meer. De boetes lopen op tot 35 miljoen euro of 7 procent van de mondiale omzet. Maar het reputatierisico bij een incident, een klant wiens data in een extern model terechtkwam, een beslissing die op aantoonbaar verkeerde AI-output is gebaseerd, is mogelijk groter.

Het outputverschil: waarom datagrounding het verschil maakt

Het meest onderschatte verschil tussen individueel AI-gebruik en organisatorisch procesherontwerp zit niet in de tools, maar in de kwaliteit van de data waarmee die tools werken.

Een medewerker die Claude Code of Copilot koppelt aan zijn eigen bestanden, zijn eigen e-mail en zijn eigen notities, bouwt een krachtige persoonlijke assistent. Maar die assistent werkt op een kennisbasis die smal, ongestructureerd en niet-gedeeld is. Zodra de medewerker een klant een voorstel stuurt dat niet strookt met de actuele prijslijst, een collega informeert op basis van een verouderd procesdocument, of een contract opstelt zonder de actuele juridische kaders te kennen, is de productiviteitswinst omgeslagen in een kwaliteitsrisico.

Organisaties die procesherontwerp serieus nemen, investeren daarom in wat MIT Sloan beschrijft als de eerste prioriteit: de data- en technologie-infrastructuur op orde brengen. Dat betekent een kennisarchitectuur bouwen met procesbeschrijvingen, klantprofielen, merkrichtlijnen en escalatieprotocollen die als grounding dient voor AI-agents. Hoe beter de structuur van die kennisbasis, hoe betrouwbaarder de output. De bedrijfslogica van een organisatie zit vandaag in de hoofden van mensen. Die kennis naar buiten halen, structureren en vertalen naar iets wat een systeem kan gebruiken is geen technische taak. Het is een organisatietaak.

Wat wij in de praktijk zien

Wij zien in de praktijk drie patronen die steeds terugkomen, ongeacht de sector of de omvang van de organisatie.

Het eerste is dat AI als IT-vraag wordt behandeld. De CTO of de IT-manager krijgt het mandaat, er wordt een toolstapel ingericht en de directie wacht op resultaten. Maar AI is geen infrastructuurvraag, want de technologie is niet leidend. Het is een vraag over wat je wilt bereiken, hoe je (nu) werkt en wat je meet. Zolang die vraag niet op directieniveau wordt gesteld, blijft het antwoord technisch terwijl het probleem organisatorisch is.

Het tweede patroon is dat niemand meet wat AI oplevert. Licenties worden aangeschaft, trainingen worden gevolgd en daarna verdwijnt het onderwerp van de agenda omdat er "mee bezig" is. Maar zonder meetlat is er geen bijsturing. En zonder bijsturing weet je pas dat iets niet werkt als de factuur al lang betaald is. Onderzoek laat zien dat 97 procent van executives inmiddels AI-agents heeft draaien maar dat 79 procent vastloopt bij de adoptie. Die kloof is bijna altijd te herleiden tot drie organisatorische keuzes die niet expliciet zijn gemaakt.

Het derde patroon kennen we al: shadow AI. Medewerkers lossen dit zelf op, buiten het zicht van de organisatie. Niet uit onwil, maar omdat de organisatie hen geen alternatief heeft geboden.

De ingang verschilt per organisatie. Soms is de leiderschapsvraag al gesteld en beginnen we direct met het inrichten van het eerste herontworpen werkproces als bewijs. Soms ontbreekt die vraag nog volledig en is dat het eerste wat we samen scherp maken. Maar de aanpak die we altijd hanteren volgt vier stappen: bepaal eigenaarschap en maak de strategische doelen concreet, bouw vertrouwen en betrek medewerkers, bouw en test één werkende AI-workflow in een afgebakend deel van het werk en schaal daarna op basis van bewezen resultaat. Wat we daarin altijd terugbrengen is dezelfde combinatie: de kaders die houvast geven aan personal agency, de leiderschapsvraag die richting geeft aan organizational agency en een concreet werkproces als bewijs dat het werkt. Niet als pilot, maar als iets waar de organisatie daarna op kan voortbouwen.

Vijf vragen om de regie te pakken

Geen van beide bewegingen leidt vanzelf tot het gewenste resultaat. De kwaliteit van de sturing bepaalt de uitkomst. Zes vragen helpen om die sturing te structureren.

1. Weet je wat er al gebeurt?
Breng in kaart welke AI-tools medewerkers gebruiken, zowel de officieel gesanctioneerde als de zelfgekozen. Niet om ze te verbieden, maar om te begrijpen welke bedrijfsdata ermee in aanraking komt en welke governance ontbreekt. Wij starten vaak met een enquête onder medewerkers.

2. Weet waar de waarde zit?
Kies één end-to-end werkproces en ontwerp dat fundamenteel anders in, als leertraject voor de rest van de organisatie. Niet experimenteren in de marge, maar een reëel werkproces anders inrichten. En bouw daarin van tevoren de meetlat in: wat zijn de verwachte resultaten en wanneer weet je of het werkt?

3. Is je data op orde voor context?
Zolang interne kennis gefragmenteerd is over e-mail, SharePoint, hoofd en gewoonte, is de output van elke AI-tool beperkt. Structureer procesbeschrijvingen, klantdata en merkrichtlijnen zodat ze als grounding kunnen dienen.

4. Wie is verantwoordelijk voor welke output?
Stel helder vast welke beslissingen mensen nemen en welke AI ondersteunt of automatiseert. Harvard Business Review laat zien dat onduidelijkheid hierover leidt tot lagere reviewkwaliteit en verminderde accountability.

5. Voldoe je aan de AI-geletterdheidseis?
De EU AI Act verplicht organisaties om te zorgen dat medewerkers AI-output kritisch kunnen beoordelen. Dat vraagt om meer dan een eenmalige training. Het vraagt om een continue leeromgeving.

Wat dit betekent voor jou

De medewerker die zelf AI inzet, is geen probleem dat je moet oplossen. Hij is een signaal van iets wat de organisatie nog niet heeft georganiseerd. En dat signaal verdwijnt niet als je het negeert. Het groeit.

De directies die dit goed doen, behandelen dat signaal als een startpunt. Ze kijken wat er al gebeurt, brengen dat in verbinding met een leiderschapsvraag over richting en regie en kiezen vervolgens één werkproces om fundamenteel anders in te richten. Niet als experiment, maar als bewijs. Met een meetlat erin, zodat je weet wanneer het werkt en wanneer je moet bijsturen.

Wil je weten hoe zo'n aanpak er voor jouw organisatie uit zou zien? Plan een kennismaking in.