Edgar van Lent volgt al jaren de manier waarop Europese organisaties AI inbedden in hun dagelijkse werkpraktijk, en hij ziet een terugkerend patroon: de technologie is zelden de bottleneck. "Het systeem doet wat het beloofd is te doen," zegt hij. "Maar de medewerker weet niet wat hij ermee aan moet, en dan ligt het systeem na drie maanden stil."
Dat is precies de kloof die deel twee van deze reeks wil blootleggen. Zoals Edgar van Lent eerder beschreef in het eerste artikel over vakmanschap en AI, is de kern niet de vraag óf AI werk verandert, maar hoe organisaties hun mensen daarin meenemen. In dit artikel gaat het over de volgende stap: wat maakt het verschil tussen een adoptietraject dat beklijft en een dat strandt bij de pilotfase?
De pilotval: succesvol testen, mislukt schalen
Veel Europese organisaties herkennen het patroon. Een afgebakend pilotproject produceert bemoedigende resultaten. Een klein team enthousiaste vroege gebruikers werkt met een AI-tool, de tijdwinst is meetbaar, de directie is tevreden. Vervolgens wordt de uitrol naar een bredere groep medewerkers ingezet — en dan hapert het.
Edgar van Lent, AI-specialist gericht op adoptie en organisatieverandering bij de introductie van AI-systemen, stelt dat het schaalprobleem bijna altijd teruggaat op hetzelfde mechanisme: het pilotteam werd geselecteerd op enthousiasme en affiniteit, maar de brede organisatie bestaat voor het grootste deel uit mensen die een andere relatie hebben met verandering en met digitale tools. Die groep heeft niet minder capaciteit — ze heeft andere behoeften aan begeleiding, uitleg en context.
Een sector waar dit zichtbaar is, is de juridische dienstverlening. Grote Europese advocatenkantoren en juridische afdelingen van multinationals experimenteren breed met AI-tools voor documentanalyse en contractbeoordeling. De ervaringen zijn consistent: juristen die snappen wat het model doet en wat het niet doet, werken er effectief mee. Juristen die de tool als een zwarte doos ervaren, vertrouwen hun eigen oordeel meer — terecht, overigens — maar missen daardoor de efficiëntiewinst die de tool zou kunnen leveren. De variabele is niet de tool, maar de vakinhoudelijke context die de gebruiker meegeeft aan de output.
Wat sectorbreed werkt: leren in de werkstroom
In de Europese gezondheidszorg is een ander, leerzaam model zichtbaar. Ziekenhuizen in Duitsland, Nederland en Scandinavië die AI inzetten voor beelddiagnostiek of klinische beslissingsondersteuning, hebben in een aantal gevallen bewust gekozen voor een gefaseerde introductie waarbij radiologen en klinisch specialisten actief betrokken zijn bij de validatie van de AI-output. Zij werken niet mét de tool, maar aan de tool mee. Dat levert een dubbel resultaat op: de output wordt beter gekalibreerd op de klinische praktijk, én de professional bouwt vakinhoudelijk begrip op van wat de technologie kan en niet kan.
Edgar van Lent ziet dit als een van de meest robuuste adoptiepatronen die hij in Europa tegenkomt. "Wanneer een medewerker de fout van een systeem kan aanwijzen en uitleggen, is hij geen gebruiker meer — dan is hij een competente partner. Dat is een fundamenteel andere verhouding tot AI."
Het model staat haaks op de gangbare aanname dat adoptie een kwestie is van communicatie en change management in de traditionele zin: een presentatie, een handleiding, een e-learningmodule. Edgar van Lent is daar kritisch op. Zulke interventies zijn op zichzelf niet waardeloos, maar ze veranderen de verhouding van een medewerker tot het systeem niet. Ze leggen uit hoe iets werkt, niet wat het betekent voor de vakinhoud van het werk.
Het onderscheid dat telt: vakkennis als filter
Wat succesvolle trajecten verbindt, is dat zij AI introduceren als iets wat de vakinhoudelijke beoordeling van de medewerker niet vervangt maar aanscherpt. In de logistiek zijn Europese spelers als DHL en DB Schenker al jaren bezig met routeoptimalisatie en voorspellend voorraadbeheer op basis van machine learning. Wat opvalt in de publieke communicatie van deze trajecten is dat zij de rol van de planner niet marginaliseren, maar herdefinieren: van uitvoerder van vaste procedures naar iemand die uitzonderingen beoordeelt, modeloutput toetst aan operationele realiteit en escalatiebeslissingen neemt.
Dat is geen marketingverhaal. Het is een organisatorische keuze die consequenties heeft voor werving, opleiding en functieopbouw. Edgar van Lent benadrukt dat organisaties die deze herdefinering serieus nemen, ook investeren in de bijbehorende competentieontwikkeling — en dat dat de trajecten zijn die na twee of drie jaar nog steeds functioneren.
Wie meer wil weten over de manier waarop Edgar van Lent dit soort vraagstukken analyseert en begeleidt, vindt een toelichting op zijn werk op edgarvanlent.com.
Vooruitblik: de medewerker als schaarse variabele
De komende jaren zal de aandacht in Europese boardrooms verschuiven, verwacht Edgar van Lent. Nu gaat het gesprek nog grotendeels over welke systemen te kiezen en hoe de technische infrastructuur in te richten. Maar naarmate AI-tools volwassener worden en de kosten van implementatie dalen, komt de schaarse variabele steeds duidelijker in beeld: de medewerker die in staat is om AI-output vakinhoudelijk te beoordelen, bij te sturen en verantwoord toe te passen.
Dat maakt investeren in adoptie en vakinhoudelijke AI-geletterdheid geen HR-onderwerp aan de rand van de agenda, maar een strategische prioriteit. Organisaties die nu al structureel bouwen aan die competentie — niet via losse trainingen maar via leren in de werkstroom — zetten een voorsprong neer die moeilijk in te lopen valt. Edgar van Lent is er helder over: de technologische ongelijkheid tussen Europese bedrijven zal kleiner worden, maar de competentieongelijkheid kan groter worden. Wie daarin nu niet investeert, loopt straks niet achter op de technologie, maar op zijn eigen mensen.