De drie verschuivingen van AI-ondersteuning naar eigenaarschap
Organisatorische kloof: De belangrijkste belemmering voor de inzet van AI is niet technisch, maar een gebrek aan organisatorische infrastructuur.
Verschuiving in oordeelsvorming: Organisaties moeten verschuiven van individueel naar collectief oordeel voor betere besluitvorming door AI-systemen.
Belang van governance: Implementeer duidelijk eigenaarschap en audits om ervoor te zorgen dat AI-systemen verantwoording afleggen en fouten worden aangepakt.
Herdefinitie van waarde: Vorm waardemaatstaven opnieuw: van snelheid naar nauwkeurigheid en kwaliteit van besluitvorming, om AI beter te integreren.
Succesfactoren voor pilots: Duidelijke resultaten, vastgelegd eigenaarschap en afgestemde IT- en bedrijfsdoelen zijn cruciaal voor het succes van AI-pilots.
Volgens het onderzoek van Deloitte naar opkomende technologietrends in 2025 is 30% van de organisaties agentische AI aan het verkennen en voert 38% pilots uit met oplossingen. Maar slechts 11% gebruikt deze systemen in productie.
De kloof ligt niet bij de technische gereedheid. Modellen werken. Data is beschikbaar. Hulpmiddelen zijn toegankelijk. Wat ontbreekt, is organisatorische infrastructuur: de bestuurs-, eigenaarschaps- en stimulanssystemen die het veilig maken om beslissingen aan AI over te dragen.
Teams die de stap maken van pilots naar productie, voeren drie specifieke veranderingen door. Geen daarvan is in de eerste plaats technisch.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Verandering één: herdefinieer beoordelingsvermogen als organisatorische capaciteit
De meeste organisaties beschouwen beoordelingsvermogen als een persoonlijke vaardigheid die in de hoofden van senior medewerkers zit. Twee mensen kunnen dezelfde situatie verschillend afhandelen en niemand kan uitleggen waarom. Er is geen manier om het proces systematisch te verbeteren, omdat eigenaarschap van AI-beslissingen onduidelijk blijft.
Ahmed Zaidi, CEO van Accelirate, kwam dit patroon tegen toen hij samenwerkte met een groot ziekenhuisconcern. Het team van 15 verpleegkundigen dat verantwoordelijk was voor het opstellen van bezwaarschriften tegen claimafwijzingen voor verzekeringsmaatschappijen, leek een eenvoudig proces te volgen. Op het eerste gezicht leek het werk gemakkelijk te codificeren.
Wat al snel tot discussie leidde, was dat er in werkelijkheid niet één proces was," zegt Zaidi. "Elke verpleegkundige had in de loop der jaren haar eigen strategie ontwikkeld.
Toen het team van Zaidi probeerde op te schrijven "hoe we dit daadwerkelijk doen", waren de verpleegkundigen het oneens over fundamentele vragen:
- Wat vormde een sterke klinische onderbouwing?
- Welke documentatie moest worden benadrukt?
- Op welke toon of welke bewoordingen reageerden specifieke verzekeraars?
- Wanneer moest het bezwaar worden geëscaleerd in plaats van anders worden geformuleerd?
De verborgen afhankelijkheden gingen nog dieper. Beslissingen waren niet alleen gebaseerd op de afwijzingscode. Ze waren afhankelijk van artsennotities die in het ene systeem verborgen waren, gegevens over voorafgaande toestemming in een ander systeem en genuanceerde klinische formuleringen die in vrije tekst waren vastgelegd. Sommige strategieën waren gebaseerd op specifieke documentatiegewoonten van artsen die niet waren gestandaardiseerd.
"Wat eenvoudig leek — 'bezwaren automatiseren' — veranderde in een organisatorische oefening om impliciet beoordelingsvermogen expliciet te maken," zegt Zaidi.
De doorbraak kwam toen het team niet langer probeerde de "juiste" aanpak van één verpleegkundige te kiezen, maar de ervaringskennis van alle 15 verpleegkundigen samenbracht. Ze organiseerden gestructureerde sessies waarin verpleegkundigen strategieën bespraken, uitzonderingsgevallen naar voren brachten en overeenstemming bereikten over wat in het verleden tot succesvolle terugvorderingen had geleid. Vervolgens legden ze de werkelijke resultaatgegevens ernaast: welke sjablonen meer bezwaren wonnen en welke combinaties van documentatie het percentage herzieningen verbeterden.
In plaats van meningen vast te leggen, legden ze gevalideerde patronen vast.
Deze externalisering creëert iets wat organisaties zelden hebben: de mogelijkheid om beoordelingsvermogen op grote schaal te observeren en te verbeteren. Elke handeling wordt geregistreerd. Elke uitzondering wordt zichtbaar. Elke handmatige overschrijving laat zien waar regels niet overeenkomen met de werkelijkheid. Teams kunnen patronen zien, drempelwaarden verfijnen en de prestaties in de loop der tijd verbeteren.
Het resultaat was meetbaar: een hogere nauwkeurigheid van bezwaren, een kortere doorlooptijd, hogere terugvorderingspercentages en een lager compliancerisico, omdat beslissingen nu gestandaardiseerd, gedocumenteerd en controleerbaar waren.
Governance vertraagde het systeem niet; het gaf de organisatie een manier om systematisch van haar eigen beslissingen te leren.
Verandering twee: wijs duidelijk eigenaarschap toe voor het gedrag van de AI-agent
De beperkende factor bij de overgang naar productie is het organisatorische vertrouwen dat AI-handelingen begrensd, controleerbaar, omkeerbaar en onder toezicht zijn.
Teams die vooruitgang boeken, wijzen één operationeel eigenaar aan die expliciet verantwoordelijk wordt voor het gedrag van de AI-agent, inclusief diens fouten. De eerste ernstige fout test of deze infrastructuur daadwerkelijk werkt.
Bij de implementatie van het systeem voor ziekenhuisbezwaren had Zaidi een AI-agent die hielp bij het opstellen en prioriteren van bezwaren tegen afwijzingen. De agent was ontworpen om zaken te triëren en escalatie aan te bevelen wanneer bepaalde risicodrempels werden overschreden.
De eerste betekenisvolle fout deed zich voor toen de AI-agent een kostbare, tijdgevoelige afwijzing verkeerd classificeerde als routinematig en deze niet escaleerde. De logica had de afwijzingscode correct geïnterpreteerd, maar een secundaire contextfactor onvoldoende meegewogen: de naderende afloop van de bezwaartermijn die gekoppeld was aan het contract met die verzekeraar.
De fout bleef beperkt, maar had financiële gevolgen. Ze werd ontdekt via een dagelijkse uitzonderingscontrole die het team in de workflow had ingebouwd: een menselijke beoordelingslaag die steekproefsgewijs zaken met een hoge waarde controleerde.
Wat dat moment aantoonde, was niet dat de AI-agent roekeloos was, maar dat onze escalatiecriteria onvolledig waren," zegt Zaidi. "We hadden de klinische logica en de logica rond afwijzingen vastgelegd, maar contractmetadata nog niet volledig geïntegreerd in het prioriteringskader.
De governancestructuur hielp op twee manieren:
- Logging en traceerbaarheid maakten precies duidelijk waarom de agent de beslissing nam, en de audit met een mens in de lus bracht gevallen met een hoog risico aan het licht.
- Het bracht een tekortkoming aan het licht. De definitie van "risico" was te beperkt.
Het team reageerde door de escalatieregels uit te breiden met financiële en tijdsgebonden risicovariabelen, dynamische op contracten gebaseerde drempelwaarden te implementeren, de monitoring rond aflopende beroepsprocedures te intensiveren en duidelijkere routes voor overschrijvingen toe te voegen.
In agentgestuurde systemen komen fouten zelden voort uit één slechte beslissing; ze ontstaan door een onvolledige modellering van de context. Verantwoordelijkheid in AI-leiderschap betekent dat je ontwerpt voor vroege detectie, niet dat je perfectie veronderstelt.
Hoe leiders met die eerste fout omgaan, bepaalt alles. Als ze die behandelen als een kans om te leren en het systeem aanpassen, winnen teams vertrouwen. Als ze zich terugtrekken of individuele schuldigen aanwijzen, sterft de pilot een stille dood.
Organisaties die succesvol zijn, vermijden fouten niet. Ze bouwen systemen die fouten snel aan het licht brengen, ze als gegevens behandelen en verbeteringen doorvoeren.
De blinde vlek in governance
Een van de meest voorkomende tekortkomingen in governance die Zaidi ziet, is wat hij passieve AI-governance noemt, oftewel de overtuiging dat logging gelijkstaat aan controle.
"Organisaties zullen vol vertrouwen zeggen: 'Elke beslissing die de agent neemt, wordt gelogd. We hebben volledige traceerbaarheid,'" zegt Zaidi. "Dat klinkt geruststellend, vooral in een gereguleerde omgeving. Maar logging op zichzelf vermindert het risico niet. Het legt het alleen vast."
In de gezondheidszorg hebben agentbeslissingen en toepassingen van AI vaak te maken met contractbeheer en nuances, klinische taal, interpretatie door verzekeraars en tijdsbeperkingen. Zelfs als elke uitvoer technisch traceerbaar is, stapelt het risico zich op in randgevallen die net buiten vooraf vastgestelde drempelwaarden vallen, in veranderingen in documentatiepatronen of het gedrag van verzekeraars bij reacties, en in escalaties die hadden moeten plaatsvinden maar technisch gezien geen regel hebben overtreden.
Veel organisaties gaan ervan uit dat het systeem compliant is omdat er niets is misgegaan. Maar het uitblijven van een onmiddellijke fout is geen bewijs van veiligheid. Het kan eenvoudigweg betekenen dat niemand diep genoeg kijkt.
Echte volwassenheid op het gebied van AI-governance omvat vastgelegde beoordelingsfrequenties voor het steekproefsgewijs controleren van beslissingen, kwantitatieve risicodrempels die automatisch een menselijke beoordeling activeren, duidelijk eigenaarschap voor monitoring op operationeel niveau en feedbacklussen waarin terugkerende uitzonderingspatronen leiden tot verfijning van regels.
"Ik stel leiders vaak een eenvoudige vraag: 'Wie staat er 's ochtends op en is verantwoordelijk voor wat de agent gisteren heeft beslist?'" zegt Zaidi. "Als daar geen duidelijk antwoord op is, is het governancemodel niet af.
Verschuiving drie: verander wat wordt gewaardeerd
In de meeste organisaties is expertise nauw verbonden geweest met status, baanzekerheid en informele macht. "De persoon zijn die het weet" is de manier waarop invloed wordt opgebouwd en beschermd. Het expliciet maken van oordeelsvorming kan aanvoelen alsof je het enige machtsmiddel opgeeft waarop het systeem mensen heeft leren vertrouwen.
In het ziekenhuis was het verpleegkundig team historisch gezien beoordeeld op volume: hoeveel beroepsbrieven ze per dag konden opstellen.
Toen het opstellen met ondersteuning van de agent werd geïntroduceerd, werd die maatstaf contraproductief. Als de AI de eerste versies genereerde, weerspiegelde volume alleen niet langer de waarde.
Prestatiemeting verschoof naar de nauwkeurigheid van de klinische beoordeling, de effectiviteit van aanpassingen aan door AI gegenereerde brieven, de beïnvloede teruggevorderde bedragen en de bijdrage aan het verbeteren van sjablonen en escalatielogica.
Een verpleegkundige ontpopte zich in het bijzonder tot leider. Ze kon uitzonderlijk goed uitleggen waarom bepaalde formuleringen beter werkten bij specifieke verzekeraars. In plaats van te worden beoordeeld op productiesnelheid, werd ze essentieel bij het externaliseren van haar oordeel in herbruikbare systeemregels en sjablonen.
"Haar invloed nam toe omdat ze intuïtie kon vertalen naar gestructureerde logica," zegt Zaidi. "Dat is een heel andere vaardighedencombinatie die in agentgestuurde omgevingen zeer waardevol is.
De verschuiving was cultureel: van "Hoe snel kun je produceren?" naar "Hoe goed kun je beslissingssystemen vormgeven?"
Wanneer organisaties heldendaden, snelheid of intuïtie belonen, maar documentatie, toezicht of systeemverbetering niet belonen, blijft expertise opgesloten in individuen. Teams die de overgang maken, bevorderen mensen die hun oordeel aan een systeem kunnen leren, het in de loop der tijd kunnen verbeteren en anderen er beter door kunnen maken.
Zodra expertise wordt gezien als iets dat de organisatorische capaciteit versterkt in plaats van persoonlijke onmisbaarheid, neemt de weerstand tegen AI af. Het overdragen aan agenten wordt dan een teken van senioriteit in plaats van een bedreiging daarvoor.
De eerste waarschuwingssignalen van mislukking
In de eerste 30 tot 60 dagen van een pilot is mislukking bijna altijd voorspelbaar.
De grootste rode vlag is het ontbreken van een duidelijk omschreven resultaat. Als een team niet in operationele termen kan verwoorden hoe succes eruitziet—kortere doorlooptijd, meer herstel, lagere foutpercentages—dan is de pilot waarschijnlijk slechts experimenteren zonder richting.
Andere waarschuwingssignalen zijn onder meer het ontbreken van een duidelijk benoemde operationele eigenaar, een gebrekkige afstemming tussen de bedrijfszijde en IT over tijdsbesteding en complexiteit, het onvermogen om het daadwerkelijke besluitvormingsproces dat wordt geautomatiseerd te verwoorden, en het behandelen van het initiatief als "verkenning van AI" in plaats van als een herontwerp van de bedrijfsvoering.
Pilots lopen vast wanneer belanghebbenden uit de bedrijfszijde onderschatten hoeveel inspanning nodig is om oordeelsvorming om te zetten in gestructureerde logica, terwijl IT de variabiliteit en uitzonderlijke gevallen in bedrijfsprocessen onderschat.
Succesvolle pilots doen in de eerste 30 dagen drie dingen:
- Een beperkte reikwijdte met meetbare resultaten definiëren
- Toegewijd eigenaarschap vanuit de bedrijfszijde en betrokken materiedeskundigen aanwijzen
- Bestuurlijke rugdekking bieden om te experimenteren en procedurele belemmeringen weg te nemen.
"AI met agenten is geen probleem van technologische implementatie—het is een probleem van besluitvormingsarchitectuur," zegt Zaidi. "Als dat niet vroegtijdig wordt aangepakt, wordt het een bewijs van kosten."
Hoe gereedheid eruitziet
Wanneer een organisatie beweert klaar te zijn om een agentgestuurde oplossing op te schalen, zoekt Zaidi naar structurele volwassenheid op het gebied van mensen, processen en technologie. Dat betekent:
- Een benoemde eigenaar vanuit de bedrijfszijde die verantwoordelijk is voor de resultaten
- Een duidelijk omschreven structuur voor uitzonderingen en escalaties
- Inzicht in beslissingen en resultaten
- Een kosteneconomie per eenheid die opschaling rechtvaardigt
- Een bestaand governancekader dat al in werking is.
De meeste teams onderschatten twee dingen: de kosten van analyse en de tijd die nodig is om beslislogica op de juiste manier expliciet te maken.
Een signaal van volwassenheid dat Zaidi heeft leren vertrouwen:
Als ik vraag: 'Hoe beslist de agent wanneer hij onzeker is?' en ze kunnen daar duidelijk antwoord op geven—inclusief escalatiedrempels en eigenaarschap—dan zijn ze waarschijnlijk klaar. Als het antwoord vaag is of ze verwijzen naar 'het model zoekt het wel uit', zijn ze nog steeds optimistisch, maar niet voorbereid.
De capaciteit die er nu toe doet, bevindt zich op de grens tussen oordeelsvorming en systemen. Mensen die kunnen uitleggen waarom een beslissing is genomen, niet alleen wat ze hebben besloten. Die intuïtie kunnen opsplitsen in signalen, drempelwaarden en uitzonderingen. Die nieuwsgierig zijn naar de situaties waarin hun eigen oordeel tekortschiet.
Van dag tot dag besteden ze minder tijd aan het uitvoeren van werk en meer tijd aan het toezicht houden op, corrigeren en verfijnen van de manier waarop het werk wordt gedaan, door mensen of door agenten.
Organisaties die deze verschuiving beheersen, verwerven iets wat concurrenten die in de pilotfase zijn blijven steken niet hebben: het vermogen om oordeelsvorming op schaal te verbeteren. Ze kunnen aannames testen, resultaten meten en de kwaliteit van besluitvorming iteratief verbeteren op manieren die onmogelijk waren toen expertise alleen in de hoofden van mensen zat.
Het concurrentievoordeel is niet het hebben van betere AI. Het is het beschikken over organisatorische infrastructuur die eigenaarschap van AI mogelijk maakt. Die infrastructuur—governance die snelheid mogelijk maakt, eigenaarschap dat verantwoordelijkheid creëert en prikkels die overdraagbare expertise waarderen—is wat de 11% in productie onderscheidt van de 38% die in pilots is blijven steken.