Zo voorkom je dat AI je team in tweeën splitst

Bij elk bedrijf waar ik binnenkom, tref ik hetzelfde beeld. Eén collega gebruikt ChatGPT voor alles, van offertes tot klantmails. Aan iedereen die het wil horen vertelt hij hoeveel tijd het scheelt. Een andere collega weigert het aan te raken en mompelt iets over kwaliteit en privacy. Beiden hebben gelijk. En precies dat maakt het zo lastig om er als leidinggevende mee om te gaan.

Waarom valt elk team in twee kampen?

De scheiding is overal. Volgens cijfers uit de CBS AI-monitor gebruikt 42 procent van de Nederlandse bedrijven inmiddels AI, maar 57 procent noemt gebrek aan kennis als de grootste drempel. Die twee getallen samen vertellen het verhaal: op elk kantoor zitten mensen die al volop met AI werken naast mensen die nog niet weten waar ze moeten beginnen.

Charity Majors, CEO van observability-platform Honeycomb en auteur van het standaardwerk Observability Engineering, beschreef vorige week precies deze kloof in een essay dat snel rondging in tech-kringen. Haar observatie: AI-enthousiastelingen en sceptici ervaren allebei een existentiële dreiging, maar er is geen natuurlijke feedbackloop die beide perspectieven verbindt.

De fan denkt: als wij niet versnellen, doet de concurrent het. De scepticus denkt: als wij teksten en code produceren die niemand controleert, breken we dingen die we niet meer kunnen repareren. Het probleem is niet dat één kant ongelijk heeft. Het probleem is dat ze zelden in dezelfde vergadering zitten.

Hoe ziet dat er in de praktijk uit?

Majors vertelt over een conferentie waar een spreker een verhaal hield over een grote migratie via vibe coding: een complete codebase herschreven door AI, in weken in plaats van jaren. De zaal was enthousiast. Maar mensen die bij dat bedrijf werkten, beschreven het project later als "a horror show". Maanden later waren ze nog aan het opruimen.

De spreker wist dat waarschijnlijk niet eens. Dat is het verraderlijke.

Wacht even. Dit is geen randgeval. Bij klanten zie ik hetzelfde patroon, alleen niet met code maar met dagelijks werk. Iemand bouwt een slim stukje automatisering, deelt het trots in het teamkanaal, en twee maanden later belt de klantenservice omdat er e-mails uitgaan met de verkeerde tone of voice. Of de financiële afdeling ontdekt dat een AI-gegenereerd rapport cijfers bevat die nergens op slaan. De winst was zichtbaar. De kosten niet.

Majors noemt het een vertrouwensrekening: "When you ship code faster than engineers can read it, you are making withdrawals from a trust account." Je kunt een tijdje sneller produceren dan je kunt controleren, maar op een gegeven moment is de rekening leeg.

En het gaat verder dan individuele fouten. Uit het Verizon Data Breach Investigations Report van 2026 bleek dat shadow AI inmiddels de derde oorzaak van datalekken bij bedrijven is. Shadow AI is AI-gebruik waar de organisatie geen zicht op heeft: de collega die klantgegevens in ChatGPT plakt zonder dat iemand het weet. Bij Uber ging het dit jaar nog harder mis. Het bedrijf was binnen vier maanden door zijn complete AI-budget heen, simpelweg omdat afdelingen onafhankelijk van elkaar tools afnamen zonder centraal overzicht.

Wat doen bedrijven die het wel goed aanpakken?

Majors haalt het voorbeeld aan van Fin, het klantenservice-AI-product van Intercom. Dat team kreeg de opdracht om de productiviteit in twaalf maanden te verdubbelen. Het resultaat: een verdrievoudiging in negen maanden.

De cijfers zijn concreet. Het aantal productiefouten kromp met meer dan 50 procent. De tijd van idee tot oplevering daalde met 39 procent. De downtime ging 35 procent omlaag. En de codekwaliteit begon te verbeteren na achttien maanden van achteruitgang.

Dat is geen toeval. Dat is discipline.

Hoe? Door snel te meten, snel terug te koppelen en snel bij te sturen. Niet door de sceptici het zwijgen op te leggen, maar door hun zorgen mee te nemen als onderdeel van het proces. Elke productiviteitswinst werd gemeten naast de kosten: niet alleen "hoeveel sneller zijn we?" maar ook "hoeveel fouten maken we?" en "begrijpt het team nog wat het oplevert?"

Overigens had Fin een groot voordeel: meer dan tien jaar ervaring met AI in hun product. De meeste Nederlandse mkb-bedrijven beginnen bij nul. Maar het principe blijft hetzelfde: je hebt beide kampen nodig. De fans voor de snelheid, de sceptici voor de kwaliteitscontrole. Zonder de een gaat het te langzaam. Zonder de ander gaat het mis. Zoek je dat evenwicht voor een concreet project? Ik beschreef eerder negen dimensies waarop je een AI-agent beoordeelt voordat je hem in productie zet.

De ene vraag die alles verandert

Het krachtigste advies uit Majors' essay is tegelijk het simpelste. Wanneer een fan zegt "we moeten onze processen volledig automatiseren, de wereld gaat die kant op" en een scepticus zegt "dat kan niet, er gaat van alles fout", stel dan deze vraag:

"Wat heb je nodig om je hier comfortabel bij te voelen?"

Betere tests? Een proefperiode van vier weken? Duidelijke escalatieprocedures? Betere logging zodat je fouten snel ziet? Een pilot met één proces in plaats van een big bang?

Door die ene vraag verandert een retorisch gevecht in een concreet plan. Je gaat niet meer discussiëren over of AI goed of slecht is. Je gaat bouwen aan de condities waaronder het werkt.

Denk aan het verschil tussen een discussie over verkeersveiligheid en een verkeersplan. In de discussie schreeuwt iedereen over snelheid versus veiligheid. In het plan stel je vangrails op, definieer je maximumsnelheden en meet je ongelukken. Precies dat doet deze vraag voor AI-adoptie in jouw organisatie.

De ervaring leert dat sceptici vaak heel concrete antwoorden hebben. Ze willen niet dat AI verdwijnt. Ze willen dat het goed wordt ingevoerd. Dat onderscheid maakt het verschil.

Vijf dingen die je volgende week kunt doen

1. Maak de hele keten zichtbaar. Als iemand deelt wat AI oplevert, vraag standaard: "Is er verderop in het proces opruimwerk geweest?" Niet als strikvraag, maar als vast onderdeel van je evaluatie. Een prompt die drie uur klantenservicewerk bespaart maar twee uur extra controle kost, bespaart netto maar één uur. Dat is nog steeds winst, maar je wilt het weten.

2. Breng fans en sceptici in dezelfde ruimte. Fans delen hun winsten in het teamoverleg. Sceptici klagen bij collega's bij de koffie. Die scheiding moet je doorbreken. Majors schrijft: zorg dat feedback in hetzelfde forum terechtkomt als de aankondiging. Wordt de winst in Slack gevierd? Dan hoort de kritiek daar ook thuis. Dat klinkt ongemakkelijk, en dat is het ook. Maar het is de enige manier om tot een gedeeld beeld te komen.

3. Geef de eigenaar van de gevolgen het laatste woord. Wie de output moet onderhouden, wie de klacht afhandelt, wie de factuur betaalt: die persoon beslist uiteindelijk hoe AI wordt ingezet. Niet de collega met het mooiste demo-filmpje. Dit is misschien het lastigste punt, want het vraagt dat de AI-fan een stap terugdoet. Maar het is cruciaal. Majors formuleert het scherp: "If you forced them into doing something they knew was wrong, they are going to resent you for the rest of their life."

4. Begin met één gezamenlijk experiment. Kies samen één proces waar je AI gaat inzetten. Stel vooraf vast wat je gaat meten: doorlooptijd, fouten, klanttevredenheid. Doe het vier weken. Evalueer met het hele team, niet alleen met de fans. Die evaluatie is goud waard, want het is het eerste moment waarop beide kampen dezelfde data bekijken. Ik beschreef eerder hoe je AI kunt inzetten bij het checken van contracten: dat is precies het type afgebakend experiment dat werkt.

5. Registreer wat je gebruikt. Maak een simpele lijst: welke AI-tools, wie gebruikt ze, waarvoor. Niet als controle-instrument, maar als startpunt. Je zult verrast zijn hoeveel er al gebeurt waar jij als leidinggevende geen zicht op hebt. En die lijst heb je straks sowieso nodig.

Waarom moet je hier voor augustus 2026 mee beginnen?

Er is ook een formele reden om dit gesprek niet uit te stellen. Vanaf 2 augustus 2026 verplicht de AI Act elk bedrijf dat AI-tools inzet om aantoonbare AI-literacy te hebben. Dat betekent: een AI-register, een AI-beleid en bewijs dat medewerkers getraind zijn. De deadline voor hoog-risico AI-systemen verschoof naar december 2027, maar deze basisverplichtingen gelden gewoon per augustus.

Als je team nu in twee kampen verdeeld is, wordt dat compliance-gesprek een stuk lastiger. De fan registreert alleen de tools die hij zelf gebruikt. De scepticus registreert niks, want hij "doet niks met AI". Terwijl je als bedrijf een compleet overzicht nodig hebt.

Het goede nieuws: als je het teamgesprek goed aanpakt, sla je twee vliegen in één klap. Je krijgt overeenstemming over hoe jullie AI gebruiken en je hebt meteen de basis voor je AI-register. Een ChatGPT Team-abonnement kost circa 25 euro per maand per gebruiker, Claude Team hetzelfde. Bekijk ons volledige AI-prijsoverzicht voor de actuele tarieven. De vraag is niet of je dat uitgeeft, maar of je het gecoördineerd doet of dat iedereen het zelf regelt.

Wat is de eerste stap?

Plan volgende week een uurtje in met je team. Noem het geen "AI-strategie-sessie", want dan komen de sceptici niet opdagen. Noem het gewoon "inventarisatie: welke tools gebruiken wij eigenlijk?" en voer het als open gesprek.

Stel drie vragen:

• Welke AI-tools gebruik je nu, en waarvoor?
• Wat werkt goed en wat juist niet?
• Wat zou je willen proberen als je wist dat het veilig kon?

Uit onderzoek blijkt dat 38 procent van de Nederlandse bedrijven de organisatiecultuur als grootste obstakel voor AI-adoptie noemt. Niet de technologie, niet de prijs, maar de bereidheid om samen te veranderen.

Majors vat het kernprobleem samen in één zin: "AI magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones." AI maakt goede teams beter en slechte teams slechter. De vraag is niet welke tools je gebruikt. De vraag is of je team er samen over praat.

De oplossing begint niet met een tool uitrollen of een beleidsnota schrijven. De oplossing begint met luisteren. Naar de fan die ongeduldig is. Naar de scepticus die bang is. Pas als je beide verhalen kent, kun je bouwen aan iets dat het hele team draagt.