Edgar van Lent ziet de discussie over AI en werk te vaak vastlopen op een te grove tegenstelling: banen verdwijnen of banen blijven intact. In de Europese praktijk ligt de relevante verandering volgens hem elders, namelijk in de verdeling van taken, verantwoordelijkheden en vakkennis binnen functies. Wie die verschuiving zorgvuldig organiseert, kan medewerkers productiever maken zonder hun professionele oordeel uit het proces te halen.

Dat vraagt meer dan een generatieve AI-tool beschikbaar stellen. Edgar van Lent benadrukt dat bedrijven eerst moeten vaststellen welk deel van het werk repetitief, voorbereidend of administratief is, en welk deel berust op context, aansprakelijkheid en ervaring. Pas dan ontstaat een geloofwaardige route om medewerkers mee te nemen in een verandering die hun dagelijks werk daadwerkelijk raakt.

Van automatisering van taken naar versterking van rollen

De waarde van AI zit in veel functies niet in volledige vervanging, maar in het verkorten van de weg naar een eerste bruikbaar resultaat. Een medewerker kan sneller documentatie doorzoeken, een conceptantwoord voorbereiden, afwijkingen signaleren of informatie structureren. De medewerker blijft vervolgens verantwoordelijk voor de controle, de beslissing en het contact met klant, patiënt, reiziger of collega.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat succesvolle invoering begint met een heldere taakverdeling tussen systeem en professional. “AI kan het voorbereidende werk versnellen, maar vakmanschap bepaalt of de uitkomst in deze situatie klopt.” Die scheiding is volgens Edgar van Lent geen beperking van technologie, maar juist de voorwaarde om haar betrouwbaar in te bedden.

Een zichtbaar voorbeeld is de industriële omgeving rond de Siemens Industrial Copilot, die Siemens samen met Microsoft ontwikkelt voor productie en engineering. De toepassing is bedoeld om onder meer informatie uit industriële systemen toegankelijker te maken en ondersteuning te bieden bij taken als het genereren of begrijpen van automatiseringscode. De relevante verandering is daarbij niet dat een ervaren engineer overbodig wordt. De rol verschuift: minder tijd gaat naar het zoeken naar technische aanknopingspunten, meer naar validatie, veiligheidsafwegingen en optimalisatie van de installatie.

Ook in financiële dienstverlening is dat patroon herkenbaar. ING heeft publiek toegelicht dat het generatieve AI inzet en onderzoekt voor interne processen en klantgerichte toepassingen, binnen een raamwerk van verantwoord gebruik. Voor medewerkers betekent dit dat taalmodellen bijvoorbeeld kunnen helpen bij het samenvatten of voorbereiden van werk, maar dat compliance, risicobeoordeling en menselijke controle onderdeel blijven van de uitvoering. In een gereguleerde sector is AI daarmee vooral een nieuwe laag in het werkproces, niet een vervanger van professionele verantwoordelijkheid.

Medewerkers meenemen is ontwerpwerk

Zoals Edgar van Lent eerder beschreef in het artikel over technici bij Lufthansa Technik en Deutsche Bahn, krijgt AI betekenis wanneer kennis uit de praktijk toegankelijker wordt op het moment dat die nodig is. Dit tweede deel verdiept een andere vraag: hoe zorgt een organisatie dat medewerkers die ondersteuning ook vertrouwen, begrijpen en mede vormgeven?

Volgens Edgar van Lent stranden projecten vaak niet omdat het model technisch onvoldoende kan, maar omdat het werkproces ongewijzigd blijft terwijl de tool erbovenop wordt gezet. Medewerkers krijgen dan een extra scherm, extra controles of onduidelijkheid over wie een fout moet herstellen. De belofte van tijdwinst verandert zo in meer frictie.

De tegenhanger is een invoering waarin medewerkers uit de betrokken functie al vroeg meebepalen. Zij kunnen aangeven welke bronnen betrouwbaar zijn, welke uitzonderingen vaak voorkomen en op welke punten een AI-voorstel nooit zonder tweede beoordeling mag worden gebruikt. Dat is geen vrijblijvende consultatie. Het is input voor toegangsrechten, bronselectie, werkinstructies en escalatieroutes.

Edgar van Lent onderscheidt daarbij drie vragen die leidinggevenden vooraf expliciet moeten beantwoorden:

  • Welke taken mag AI voorbereiden, en welke beslissing blijft altijd bij de medewerker?
  • Op welke interne, goedgekeurde bronnen mag het systeem antwoorden baseren?
  • Hoe wordt een onjuist, onvolledig of ongepast voorstel gemeld en verbeterd?

Deze vragen verbinden adoptie aan vakmanschap. Een servicemedewerker heeft andere grenzen nodig dan een inkoper, jurist of onderhoudsmonteur. Daarom werkt één generieke gedragscode zelden als volledige aanpak. Organisaties hebben naast algemene regels ook rolgebonden afspraken nodig, met ruimte voor teams om praktijksituaties te bespreken.

Scholing gaat over beoordelen, niet alleen over prompts

De opleidingsopgave wordt vaak te smal opgevat als een cursus in prompting. Goede vragen formuleren is nuttig, maar onvoldoende. Medewerkers moeten vooral leren wanneer een antwoord plausibel klinkt zonder voldoende onderbouwing, welke bedrijfsinformatie niet in een publieke tool thuishoort en wanneer zij moeten terugvallen op een primaire bron of een collega.

Bij Europese bedrijven die AI breder uitrollen, verschuift leren daardoor naar het werk zelf: oefenen met concrete cases, vergelijken van uitkomsten en bespreken van fouten. Dat sluit aan bij de manier waarop vakkennis normaal groeit. Een ervaren professional leert niet uitsluitend via een handleiding, maar door situaties te beoordelen, afwijkingen te herkennen en verantwoording af te leggen voor keuzes.

Edgar van Lent ziet hierin een belangrijk onderscheid tussen productiviteit en kwaliteit. Een organisatie kan de tijd tot een eerste concept verkorten, maar alleen duurzaam voordeel opbouwen wanneer medewerkers in staat zijn de output te toetsen aan context en normering. “De sterkste AI-teams behandelen beoordelen als een kernvaardigheid, niet als de laatste controlehandeling”, aldus Edgar van Lent.

Dat vereist ook openheid over de grenzen van de technologie. Als een systeem alleen op geselecteerde bedrijfsdocumenten mag werken, moet voor gebruikers duidelijk zijn wat daar wel en niet in zit. Als een model kan hallucineren of verouderde informatie kan reproduceren, moet de werkwijze daarop ingericht zijn. Duidelijkheid voorkomt zowel blind vertrouwen als onnodige weerstand.

Een arbeidsorganisatie die kennis beter benut

De praktische winst van AI ligt dus vaak in een betere benutting van schaarse expertise. Starters kunnen sneller toegang krijgen tot relevante informatie; ervaren medewerkers kunnen minder tijd kwijt zijn aan terugkerend zoek- en schrijfwerk. Tegelijk moet de organisatie voorkomen dat cruciale kennis ongemerkt verschraalt doordat mensen alleen nog AI-antwoorden overnemen. Kwaliteitscontrole, collegiale toetsing en ruimte om zelf problemen op te lossen blijven daarom essentieel.

Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn analyse is dat Europese bedrijven de komende fase niet winnen door zoveel mogelijk taken te automatiseren, maar door functies opnieuw te ontwerpen rond aantoonbare menselijke verantwoordelijkheid. Wanneer AI voorbereiding versnelt en professionals hun oordeel, contextkennis en eigenaarschap behouden, wordt technologie een versterking van vakmanschap in plaats van een bron van afstand tot het werk.