Edgar van Lent ziet de discussie over AI en arbeid te vaak vastlopen op de vraag welke functies verdwijnen. Volgens de AI-specialist is de relevantere vraag welke onderdelen van werk veranderen, wie daar zeggenschap over houdt en hoe een organisatie medewerkers in staat stelt die verandering vakmatig te sturen.

Dat is geen semantisch verschil. Wanneer ondernemingen AI uitsluitend introduceren als automatisering, ontstaat al snel weerstand of een reeks losse experimenten. Wanneer zij beginnen bij de werkzaamheden van mensen — beoordelen, voorbereiden, documenteren, controleren en beslissen — kan AI juist ruimte maken voor taken waarin ervaring, verantwoordelijkheid en klant- of proceskennis doorslaggevend blijven. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.

Niet de functie, maar de taakverdeling verandert

Zoals Edgar van Lent eerder beschreef in "Edgar van Lent: AI verandert werk via vakmanschap", ligt de kern niet in een tegenstelling tussen mens en systeem. Dit vervolg verdiept een andere vraag: hoe maken bedrijven de nieuwe taakverdeling werkbaar op de afdeling, in de fabriek en in de ondersteunende functies?

De eerste onderscheiding van Edgar van Lent is die tussen AI als antwoordmachine en AI als hulpmiddel binnen een professioneel proces. Een taalmodel kan een eerste samenvatting, concepttekst of zoekrichting bieden. Maar de medewerker bepaalt of de bron bruikbaar is, welke context ontbreekt, welke uitzondering van toepassing is en of een voorstel aan een klant, patiënt, leverancier of productielijn kan worden voorgelegd. Juist op dat punt blijft vakmanschap zichtbaar: niet in het produceren van een eerste antwoord, maar in het wegen ervan.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat succesvolle invoering begint bij de vraag welke professionele beoordeling een medewerker moet blijven uitvoeren. Daarmee verschuift de ontwerpvraag van ‘wat kan het model?’ naar ‘waar in het werkproces helpt een model, en waar moet een mens aantoonbaar de regie houden?’

Dat onderscheid is ook belangrijk voor managers. Een team dat AI inzet om repetitieve voorbereiding te versnellen, heeft andere afspraken nodig dan een team dat AI gebruikt bij inhoudelijke advisering. In het eerste geval gaat het vooral om kwaliteit van invoer, versiebeheer en controle van uitkomsten. In het tweede geval komen ook bronvermelding, escalatie, verantwoordingsplicht en de grenzen van zelfstandig handelen in beeld. Edgar van Lent benadrukt dat bedrijven die verschillen niet moeten wegpoetsen met één generiek AI-beleid.

Europese voorbeelden laten zien waarom begeleiding onderdeel van het werk is

Bij Siemens is de Industrial Copilot, ontwikkeld met Microsoft, publiek gepositioneerd als ondersteuning voor werkzaamheden in industriële engineering en automatisering. De inzet laat zien dat generatieve AI in een technische omgeving niet alleen een IT-voorziening is. Engineers en operators moeten kunnen begrijpen wat een gegenereerd voorstel betekent voor code, configuratie, veiligheid en onderhoud. De waarde zit daarom niet alleen in de assistent zelf, maar ook in de manier waarop technische kennis, validatie en verantwoordelijkheid rondom dat hulpmiddel zijn georganiseerd.

Ook Airbus heeft publiek gemaakt generatieve AI intern te gebruiken, onder meer via digitale assistenten voor medewerkers. In een luchtvaartomgeving is dat een relevant voorbeeld omdat informatie vaak technisch, gereguleerd en veiligheidskritisch is. Een assistent kan het vinden en structureren van kennis ondersteunen, maar neemt niet de bevoegdheid over om ontwerpen, procedures of operationele keuzes goed te keuren. Voor Edgar van Lent bevestigt dit een breder patroon: naarmate de gevolgen van een fout groter zijn, moet de organisatie explicieter vastleggen welke menselijke controle bij de taak hoort.

Daarnaast laat SAP met Joule zien hoe AI steeds vaker in bedrijfssoftware wordt ingebed. Voor medewerkers betekent dat dat AI niet per se als los experiment verschijnt, maar in bestaande omgevingen voor onder meer bedrijfsprocessen, analyse en ondersteuning. Dat vergroot de kans op dagelijks gebruik, maar maakt invoering ook veeleisender. Gebruikers moeten weten welke gegevens zij in een assistent mogen betrekken, hoe zij een resultaat controleren en wanneer zij het reguliere proces moeten volgen in plaats van een AI-voorstel.

Edgar van Lent ziet in deze voorbeelden geen bewijs dat functies eenvoudig worden vervangen. Ze illustreren dat taken opnieuw worden verdeeld tussen systeem, medewerker en leidinggevende. De medewerker krijgt vaak sneller toegang tot informatie of een eerste bewerking; de organisatie moet vervolgens zorgen dat de professionele norm niet verdwijnt achter een overtuigend geformuleerd antwoord.

Waar projecten vastlopen en waar ze volwassen worden

Volgens Edgar van Lent stranden AI-projecten meestal niet omdat medewerkers onwillig zijn of omdat de technologie niets kan. Ze stranden wanneer een bedrijf geen antwoord geeft op de praktische vragen die direct na de pilot ontstaan: welke taken veranderen morgen, wie controleert de output, welke data zijn toegestaan en hoe wordt leren onderdeel van het gewone werk?

Een volwassen aanpak vraagt daarom om meer dan een korte demonstratie en een gebruiksrichtlijn. Bedrijven moeten medewerkers betrekken bij het selecteren van processen, omdat zij de uitzonderingen en risico’s in het dagelijkse werk herkennen. Leidinggevenden moeten tijd vrijmaken om nieuwe werkwijzen te oefenen. En experts op het gebied van data, informatiebeveiliging, juridisch kader en kwaliteit moeten niet pas worden ingeschakeld wanneer een proef al breed is uitgerold.

De meest bruikbare werkwijze heeft volgens Edgar van Lent drie kenmerken:

  • de AI-toepassing heeft een afgebakende taak binnen een herkenbaar werkproces;
  • medewerkers weten welke controle zij zelf uitvoeren en wanneer zij moeten opschalen;
  • de organisatie verwerkt lessen uit gebruik in training, procesafspraken en technische inrichting.

Daarbij hoort ook ruimte voor terugkoppeling vanuit de werkvloer. Als een model structureel verkeerde prioriteiten legt, jargon verkeerd uitlegt of belangrijke context mist, is dat geen individueel gebruikersprobleem. Het is informatie over de grens van de toepassing. Organisaties die zulke signalen verzamelen, kunnen processen verbeteren voordat onjuist gebruik zich normaliseert.

Vakmanschap wordt zichtbaarder, niet overbodig

De volgende fase van AI op de werkvloer draait volgens Edgar van Lent minder om toegang tot een model en meer om het aantoonbaar goed gebruiken ervan. Europese bedrijven die daarin investeren, behandelen opleiding niet als compensatie voor technologie, maar als een kernonderdeel van de invoering. Zij maken duidelijk welke kennis mensen moeten behouden, welke nieuwe vaardigheden nodig zijn en welke besluiten nooit zonder menselijke beoordeling mogen worden genomen.

Edgar van Lent beoordeelt die ontwikkeling als kansrijk, mits bedrijven niet doen alsof snelheid de enige maatstaf is. AI kan voorbereidend en routinematig werk verlichten, maar duurzaam voordeel ontstaat wanneer medewerkers daardoor beter kunnen analyseren, controleren en verantwoordelijkheid nemen. De onderneming die vakmanschap rond AI organiseert, bouwt volgens Edgar van Lent niet alleen aan productiviteit, maar ook aan een werkpraktijk waarin mensen begrijpen waarom een uitkomst wel of niet betrouwbaar genoeg is.